أرشيفك الإخباري يحتضر — والذكاء الاصطناعي يمكنه جعله مربحًا

المشكلة

خسرت HubSpot — إحدى أكثر عمليات تسويق المحتوى شراسة في العالم — ما بين 70% و80% من زياراتها العضوية. وشهدت CNN تراجعًا بين 27% و38%. في حين هبطت Forbes وBusiness Insider بنحو 50%. هذه ليست شركات ناشئة أخطأت فيها استراتيجية تحسين محركات البحث لديها. هذه علامات مهيمنة تشاهد قناتها الرئيسية للإيرادات تتبخر أمام أعينها في الوقت الفعلي.

السبب بسيط: أصبح الذكاء الاصطناعي يجيب على أسئلة جمهورك قبل أن ينقروا رابطك أصلًا. فملخصات الذكاء الاصطناعي من جوجل (AI Overviews) تلخص محتواك مباشرة على صفحة نتائج البحث. وعندما يحدث ذلك، تنخفض نسب النقر إلى موقعك بنحو 47%. ومن إجمالي عمليات البحث، تنتهي الآن 60% منها دون نقرة واحدة إلى أي موقع. وعلى الهواتف المحمولة يبلغ هذا الرقم 77%.

إذا كنت تدير شركة إعلامية، فقد بُني نموذج عملك على مقايضة بسيطة: أنت تنشر المحتوى، وترسل لك محركات البحث والمنصات الاجتماعية الزيارات، وأنت تبيع الإعلانات مقابل مشاهدات الصفحات تلك. هذه المقايضة انهارت. فحجم البحث يواصل الارتفاع — تعالج جوجل اليوم ما بين 9.1 و13.6 مليار عملية بحث يوميًا — لكن الزيارات المتدفقة إلى موقعك آخذة في الانهيار. المحتوى الذي تنتجه لا يزال يخلق قيمة، غير أن جهة أخرى هي من يحصد تلك القيمة.

هذا ليس تحولًا مؤقتًا في الخوارزميات. إنه تغيّر هيكلي في طريقة استهلاك الناس للمعلومات. قراؤك ليسوا غير أوفياء؛ لقد وجدوا ببساطة طريقة أسرع للحصول على ما يحتاجونه.

لماذا يهم هذا أعمالك

النموذج المالي الكامن وراء الإعلام الرقمي يعتمد على الحجم. مزيد من مشاهدات الصفحات يعني مزيدًا من مرات ظهور الإعلانات، وهو ما يعني مزيدًا من الإيرادات. عندما تنخفض الزيارات بنسبة 10% — وهي الوسيط لدى الناشرين في النصف الأول من عام 2025 — تتبعها إيراداتك الإعلانية نزولًا. وحين تنخفض الزيارات بنسبة 50%، كما حدث لدى بعض الجهات الكبرى، فإنك تواجه تسريحًا للعمال، أو إعادة هيكلة، أو كليهما.

وإليك ما تخبرك به الأرقام:

• 60% من عمليات البحث عبر جوجل لا تؤدي إلى أي نقرة. استثمارك في تحسين محركات البحث يوجّه الزيارات بشكل متزايد إلى صندوق الإجابات الخاص بجوجل نفسه، لا إلى موقعك.
• انخفاض نسبة النقر بنسبة 47% عند ظهور ملخصات الذكاء الاصطناعي. تعرض جوجل ملخصات مولّدة بالذكاء الاصطناعي لنحو 13% من الاستفسارات. وفي كل مرة يحدث ذلك، يتبخر ما يقارب نصف نقراتك المحتملة.
• 37 من أفضل 50 موقعًا إخباريًا أمريكيًا خسرت زياراتها. هذه ليست مشكلة اللاعبين الصغار فقط. فأكبر العلامات في الصحافة هي الأشد تضررًا.
• الزيارات إلى منصات الذكاء الاصطناعي تنمو أسرع بـ165 مرة من البحث التقليدي. جمهورك يهاجر إلى ChatGPT وPerplexity وأدوات مشابهة بوتيرة ينبغي أن تُقلق أي جهة مرتبطة بنماذج مدعومة بالإعلانات.

بالنسبة لمجلس إدارتك، السؤال واضح ومباشر: إذا كانت قناة التوزيع الأساسية لديك تتقلص بمعدلات من رقمين سنويًا، فما خطتك؟ خفض التكاليف سيشتري وقتًا، لكنه لن يعكس الاتجاه. أرشيفك — عقود من التقارير والتحليلات والمعرفة المؤسسية — هو أثمن أصولك والأقل استخدامًا. والسؤال هو: هل ستدرّ عليه الدخل بنفسك أم ستترك لشركات الذكاء الاصطناعي أن تجرفه مجانًا؟

ما الذي يجري فعلًا تحت الغطاء

تخيّل أرشيف المحتوى الخاص بك مستودعًا ضخمًا مليئًا بخزائن الملفات. كل مقالة عبارة عن مجلد محشو بالحقائق والأسماء والتواريخ والروابط. في النموذج القديم، كان على القارئ أن يدخل المستودع، ويجد الخزانة المناسبة، ويسحب المجلد الصحيح، ويقرأ الموضوع بأكمله للحصول على إجابة واحدة. كان ذلك بطيئًا لكنه ممكن حين لم يوجد بديل.

اليوم يقدم الذكاء الاصطناعي بديلًا. لكن هنا تكمن المشكلة: معظم أدوات البحث الأساسية بالذكاء الاصطناعي تتعامل مع أرشيفك كما تتعامل الخلاط مع الخضروات. فهي تقطّع مقالاتك إلى قطع صغيرة، وتحوّل تلك القطع إلى تمثيلات رياضية تسمى «التضمينات» (embeddings)، ثم تبحث عن أقرب تطابق عندما يطرح أحدهم سؤالًا. هذا النهج — المسمى التوليد المعزز بالاسترجاع (RAG)، حيث يسحب الذكاء الاصطناعي من مستندات المصدر الفعلية لديك لتوليد الإجابات — يصلح للاستعلامات البسيطة.

لكنه يفشل فشلًا ذريعًا في الأسئلة الأكثر أهمية. يحدد الورقة البيضاء أربعة أنماط محددة من الفشل:

العمى الزمني. نظام RAG الأساسي لا يستطيع التمييز بين مقالة من عام 2010 وأخرى من عام 2024. إذا ناقشت كلتاهما «انهيار سوق الإسكان»، فقد يدمجهما النظام في إجابة واحدة دقيقة واقعيًا لكنها خاطئة زمنيًا. إنه يخلط بين ما كان صحيحًا آنذاك وما هو صحيح الآن.

الفشل في الاستدلال متعدد القفزات. إذا ربطت المقالة (أ) سياسيًا بشركة ما، وربطت المقالة (ب) تلك الشركة بفضيحة، فلن يستطيع النظام الأساسي إقامة الصلة بين السياسي والفضيحة. لا توجد قطعة واحدة تحتوي على ذلك الرابط.

فقدان السياق الشامل. تقطيع التحقيق الطويل إلى قطع من 500 كلمة يدمّر السرد. يسترجع النظام شذرات لكنه لا يستطيع إعادة تركيب القصة الكاملة.

الهلوسة. عندما تفوت خطوة الاسترجاع السياقَ ذا الصلة، يملأ الذكاء الاصطناعي الفجوات بحقائق مختلقة. وفي السياق الصحفي، يؤدي ذلك إلى تدمير الثقة في لحظة.

هذه ليست حالات نادرة. إنها السلوك الافتراضي لمعظم أدوات الدردشة الجاهزة بالذكاء الاصطناعي عند تطبيقها على أرشيفات الأخبار.

ما ينجح (وما لا ينجح)

ما لا ينجح:

• تركيب روبوت دردشة فوق موقعك الإلكتروني. غلاف عام لنموذج لغوي ضخم (LLM) فوق نظام إدارة المحتوى لديك يمنحك ميزة بداعية، لا منتجًا. سيهلوس، وسيخلط الخطوط الزمنية، وسيقوّض ثقة جمهورك.
• ترخيص بياناتك لشركات الذكاء الاصطناعي في صفقات لمرة واحدة. بيع بيانات التدريب إلى OpenAI أو شركات مشابهة يولّد دفعة واحدة. تتخلى فيه عن أثمن أصولك مقابل معاملة بهامش ربح منخفض وبلا إيرادات متكررة.
• المضاعفة في الاستثمار في تحسين محركات البحث. يمكنك تحسين العناوين والبيانات الوصفية حتى تنفد أنفاسك. فعندما تنتهي 60% من عمليات البحث دون نقرة، فأنت تحسّن حصتك من فطيرة تتقلص باستمرار.

وما ينجح — في ثلاث خطوات:

1. هيكلة الأرشيف (المدخل). تُنظَّف كل مقالة، وتُوسم ببيانات وصفية — تاريخ النشر، والمؤلف، والقسم، والكيانات المسماة — ثم تُقسَّم باستخدام التجزيء الدلالي الذي يحترم بنية المستند. يبقى العنوان مع فقراته. وتُستخرج العلاقات بين الأشخاص والمنظمات والأحداث وتُخزَّن في رسم بياني معرفي — خريطة منظمة تربط كل كيان في أرشيفك بكل كيان آخر يتصل به. هذا ليس مجرد فهرسة للكلمات، بل فهرسة للمعنى.

2. بناء استرجاع طبقي (المعالجة). يجمع النظام ثلاث طرق بحث. البحث الاتجاهي (المتجهي) يجد المحتوى المتشابهًا دلاليًا. البحث بالكلمات المفتاحية يمسك بالأسماء وأرقام مشاريع القوانين بدقة. وقاعدة البيانات الرسومية — التي تسميها الورقة البيضاء GraphRAG — تجوب العلاقات عبر المستندات، فتحل مشكلة تعدد القفزات تلك. والحافات المختومة زمنيًا على كل علاقة تحل المشكلة الزمنية. عندما يسأل أحد المستخدمين كيف تغيّر موقف سياسي ما على مدى عقد، يستعلم النظام عن كل فترة زمنية على حدة ثم يجمع الإجابة ترتيبًا زمنيًا. وتُظهر المقارنات المرجعية أن GraphRAG يحسّن اكتمال الإجابة بنسبة 72-83% مقارنة بالبحث الاتجاهي الأساسي في الأسئلة المعقدة.

3. تقديم إجابات موثّقة (المخرجات). كل ادعاء في رد الذكاء الاصطناعي يحمل اقتباسًا قابلًا للنقر يعود إلى المقالة المصدر. ويراجع ذكاء اصطناعي «ناقد» منفصل الإجابة مقابل مستندات المصدر قبل أن يراها المستخدم. وإذا لم يتطابق الاقتباس، يُزال الادعاء. هذا يخلق مسار تدقيق كاملًا — كل إجابة قابلة للتتبع إلى محتوى تحريري محدد ومؤرخ.

بالنسبة لفرق الامتثال والشؤون القانونية لديك، يمثل مسار التدقيق هذا عامل التمييز الحاسم. يمكنك أن تُظهر بدقة أي مستندات المصدر ولّدت أي إجابات. ويمكنك إثبات أن نظامك لم يهلس. ويمكنك الدفاع عن مخرجاتك.

تعمل Financial Times بهذه الطريقة بالفعل من خلال منتجها «Ask FT»، حيث تستند في كل إجابة حصريًا إلى صحافة FT مع اقتباسات كاملة. وتفعل Bloomberg الشيء نفسه عبر BloombergGPT، مترجِمةً اللغة الطبيعية إلى استعلامات بيانات منظمة عبر طرفيتها. وكلاهما يتقاضى أسعارًا مميزة لأن الإجابات جديرة بالثئة وقابلة للتتبع.

ينتقل نموذج العمل من الإعلانات — حيث تبيع الانتباه بأسعار السلع العامة — إلى اشتراكات الذكاء الاستشاري وترخيص واجهات برمجة التطبيقات (API). يدفع المستخدمون المحترفون $1,000 أو أكثر سنويًا للوصول إلى محرك حواري فوق أرشيفك. وتدفع المؤسسات المالية ومكاتب المحاماة وفرق الاستخبارات المؤسسية مقابل الوصول المرخّص عبر واجهة برمجة التطبيقات. وتنبع قوتك التسعيرية من أرشيفك الفريد غير القابل للتكرار — مجموعة بيانات عمرها 50 عامًا لا يمكن لأي شركة ذكاء اصطناعي بناءها دون إذنك.