אם הלקוחות שלכם שואלים את ChatGPT או את Gemini שאלות בקטגוריה שלכם, גרסה כלשהי של הסיפור על המותג שלכם כבר מסופרת שם. וזה לא קהל נישה: לפי סקר איגוד האינטרנט הישראלי מ-2026, 88% מהבוגרים בישראל משתמשים ב-ChatGPT, ו-35% עושים את זה כל יום. ובכל זאת, ברוב הארגונים שאני נכנס אליהם אף אחד עדיין לא באמת קרא את התשובות שהלקוחות האלה מקבלים.
כשאני מתחיל עבודת נראות ב-AI עם מותג, הדבר הראשון שאני מקים הוא מעקב: אילו פרומפטים הלקוחות כנראה שואלים, ומה ה-AI עונה עליהם. רוב המותגים בדקו את זה פעם אחת, מהחשבון האישי, קראו תשובה אחת והסיקו מסקנות. זה לא מעקב, זה צילום מסך. בהמשך אסביר למה ההבדל הזה קריטי דווקא בתשובות של AI.
שלושת הסוגים הם הלחם והחמאה של המעקב: שאלות קטגוריה, שאלות השוואה ואלטרנטיבות, ושאלות אינפורמטיביות. יש עוד סוגים ששווה לעקוב אחריהם, אבל שלושת אלה מרכזים את רוב הערך, ואיתם הייתי מתחיל בכל מותג.
רגע, מה זה פרומפט (ולמה הוא לא מילת מפתח)
פרומפט הוא השאלה או הבקשה שמקלידים ל-ChatGPT, ל-Gemini או לכל מנוע AI אחר. כל תשובה של AI מתחילה בפרומפט של מישהו.
פרומפטים מתנהגים אחרת ממילות מפתח, וההבדל הזה משנה את כל המעקב. אף אחד לא מקליד ל-ChatGPT ״שואב רובוטי מומלץ מחיר״. אנשים כותבים משהו כמו: ״נמאס לי לשטוף רצפות כל ערב. אני מחפשת שואב רובוטי שגם שוטף, על מה ממליצים היום?״ הסיטואציה של הבן אדם מגיעה יחד עם השאלה, בין אם היא נכתבה בפרומפט עצמו ובין אם ה-AI כבר מכיר אותה מהשיחות הקודמות ומ שכבת הזיכרון? מה זה שכבת הזיכרון? שכבת הזיכרון היא המידע שעוזר AI שומר עליכם מהשיחות ומהקבצים, וסיבה מרכזית לכך שכל אחד מקבל תשובה אחרת לאותה שאלה. להגדרה המלאה של שכבת הזיכרון שלו. בכל מקרה, ה-AI משתמש בהקשר הזה כדי לעצב את התשובה.
כשאני בונה סט מעקב, אני ממיין את הפרומפטים לפי שאלה אחת פשוטה: על מי הפרומפט מעוגן? לפעמים אף אחד לא מוזכר בו, לפעמים מוזכר מתחרה, ולפעמים אלה המותג שלכם והעובדות שלו. מכאן מגיעים שלושת הסוגים.
סוג 1: שאלות קטגוריה
כאן נולדת הרשימה הקצרה של הלקוח. הוא מתאר צורך, מבקש המלצות, ועדיין לא מחויב לאף אחד. אף מותג לא מוזכר בפרומפט, וה-AI מחליט אילו שמות ייכנסו לתמונה.
ככה זה נשמע בפועל, בעסקים שונים לגמרי:
- ״הבת שלי מתגייסת בעוד חודשיים ואנחנו מחפשים לה רכב ראשון. אתה יכול להמליץ על רכב חסכוני ובטיחותי שמתאים לצעירים?״
- ״נמאס לי לשטוף רצפות כל ערב. אני מחפשת שואב רובוטי שגם שוטף ולא מתקמצן בכוח שאיבה. על מה ממליצים היום?״
- ״אני פותחת בית קפה קטן וצריכה מכונת אספרסו שתחזיק עומס של בוקר בלי בריסטה מנוסה. מה כדאי לקנות?״
- ״יש לנו צימרים בגליל והעמלה של אתרי ההזמנות על כל לילה הורגת אותנו. יש מערכת הזמנות שלא לוקחת עמלה?״
- ״הברכיים שלי כואבות אחרי ריצות ארוכות ויש לי נטייה לפרונציה. אילו נעלי ריצה שווה לי לבדוק?״
- ״מחפשים רופאת שיניים שטובה עם ילדים חרדתיים באזור השרון. על מי ממליצים?״
אלה פרומפטים של גילוי: מחקר, המלצות, שאלות ״מה כדאי לקנות״. בחיפוש הקלאסי הלקוח הזה היה עובר על דף תוצאות וכמה אתרי ביקורות. כאן ה-AI מרכיב בשבילו את הרשימה הקצרה, ומותגים שמופיעים בה נכנסים לשיקול של אנשים ששמעו עליהם לראשונה לפני דקה.
מעקב אחרי הסוג הזה אומר לכם אם אתם בכלל חלק מהרשימה הקצרה שה-AI בונה בקטגוריה שלכם, באיזו עקביות, ומי עוד נמצא בה.
סוג 2: שאלות השוואה ואלטרנטיבות
אלה הפרומפטים שבהם עסקאות מוכרעות. הלקוח משווה בין מותגים שהוא מכיר, או בודק אם יש תחליף טוב יותר למה שיש לו. מתחרה נמצא בפרומפט, ואתם לא תמיד.
- ״אנחנו בוחרים CRM לסטארטאפ וזה ירד ל-HubSpot או Salesforce. מה מתאים יותר לצוות מכירות של חמישה?״
- ״הבת שלי רוצה סלולר משלה ואנחנו מתלבטים בין סלקום לפרטנר. אתה יכול לעשות לי השוואה ולהגיד מה עדיף לגיל שלה?״
- ״החנות שלי רצה על שופיפיי ואני על Mailchimp, אבל קפיצות המחיר נהיו מוגזמות. Klaviyo באמת שווה את המעבר בגודל שלנו?״
- ״הליסינג על הטסלה מודל 3 נגמר לי באביב. לקחת עוד אחת, או שהיונדאי איוניק כבר סגרה את הפער?״
- ״יש לנו רובורוק כבר שלוש שנים והוא מתחיל להיגמר. בכנות, לקנות שוב או שיש היום משהו טוב יותר באותו מחיר?״
- ״הסטודיו שלנו על פוטושופ שנים, אבל המנויים מצטברים. יש משהו באותה רמה לסטודיו של שלושה מעצבים?״
השיחה הראשונה היא ההשוואה הצפויה: ללקוח יש רשימה קצרה, וה-AI משמש שופט. מעקב אחרי הפרומפטים האלה אומר לכם באיזו תדירות אתם מנצחים את השיפוט, ועל אילו חוזקות.
השיחה השנייה שווה מבט נוסף. המשתמש שאל על הרובורוק המזדקן שלו ולא הזכיר את דרימי בכלל. ה-AI הכניס אותה לתמונה. מבחינת מעקב, פרומפטים של חיפוש אלטרנטיבה הם מהשווים ביותר, כי הם מראים ביקוש שעובר בין מותגים שהלקוח בכלל לא תכנן להשוות. אם הלקוחות של המתחרים שלכם שואלים ״יש משהו טוב יותר״, כדאי לדעת אם ה-AI מזכיר אתכם בתשובה.
סוג 3: שאלות אינפורמטיביות
בסוג הזה הלקוח נמצא רגע לפני פעולה: הוא מגיע לסניף, בוחר מסלול, מחשב תקציב. השאלות הן על עובדות, שעות פתיחה, מחירים, מה כלול, והתשובה מניעה פעולה מיידית. הפעם המותג שלכם הוא זה שבפרומפט.
- ״מה שעות הפתיחה של איקאה בחגים? אני צריך לאסוף שולחן עבודה לפני סוף השבוע.״
- ״כמה עולה היום המסלול של חשבונית ירוקה לעוסק פטור, ומה בכלל כלול בו?״
- ״כמה עולה להוסיף מזוודה לבטן המטוס בטיסת אל על לניו יורק במחלקת תיירים?״
- ״יש בסופר-פארם עמדה לתמונות דרכון, וצריך לקבוע תור מראש?״
- ״ה-API של Stripe עדיין מוגבל ל-100 בקשות בשנייה על payment_intents במצב live?״
כאן מנועי ה-AI מתקשים הכי הרבה, ויש לזה סיבה מבנית: המודלים מאומנים על צילומי מצב שמתיישנים, והשליפה החיה לא תמיד מגיעה לעמוד העדכני. מחיר שהשתנה ברבעון שעבר יכול להופיע היום כעובדה.
ולפעמים הבעיה מתחילה דווקא אצלכם: עמוד מחירים שבנוי בצורה גרועה או נטען כולו ב-JavaScript יכול להיות לא קריא ל-AI, ואז את המחירים שלכם הוא שולף ממקורות צד שלישי שאתם לא שולטים בהם. וגם הם מתיישנים בקצב משלהם.
והלקוח שקיבל מחיר שגוי או שעות פתיחה לא נכונות כמעט אף פעם לא מדווח על זה. הוא פשוט פועל לפי מה שקיבל.
אם מפתחים בונים על המוצר שלכם, הסוג הזה חשוב כפליים. הם שואלים את ה-AI על ה-API, על גרסאות SDK, על rate limits ועל breaking changes במקום לפתוח את הדוקומנטציה, ותשובה שמבוססת על תיעוד של שנה שעברה הופכת לקוד שבור ולטיקטים בתמיכה. אצל ספקי חומרה ותוכנה זה כבר חלק מחוויית הפיתוח עצמה: התשובה של ה-AI על המוצר שלכם היא לא פעם הדוקומנטציה הראשונה שמפתח קורא.
מעקב אחרי הסוג הזה אומר לכם אילו עובדות ה-AI אומר נכון, אילו זזות לו, ועל אילו מקורות הוא נשען כשהוא עונה. החלק האחרון מצביע לא פעם בדיוק על העמוד שצריך לתקן.
איך אני עוקב בפועל
תשובה אחת אומרת מעט מאוד, וכאן רוב המעקבים נופלים.
מנועי AI הם לא דטרמיניסטיים: אותו פרומפט מחזיר כל פעם תשובה קצת אחרת, לפעמים עם מותגים אחרים בפנים. זו התנהגות נורמלית, והיא אומרת שתשובה בודדת קרובה יותר לאנקדוטה מאשר לנתונים. לכן אני דוגם: כל פרומפט במעקב רץ לפחות 10 פעמים בכל בדיקה. 20 דגימות עדיפות, ו-100 היו אידיאליות, אבל הריצות האלה עולות כסף, אז האיזון הנכון הוא זה שמתאים לתקציב שלכם. רק לא לרדת מ-10. ואת הבדיקות עצמן אני ממליץ להריץ כל יום: זה מה שנותן תחושה אמיתית של רמת התנודתיות בקטגוריה.
ואז אני מחפש את מה שחוזר: המותגים שמופיעים שוב ושוב, ההמלצות ששורדות בין דגימות, העובדות שה-AI אומר בעקביות לעומת אלה שמתנדנדות. החזרתיות היא הסיגנל.
אצל לקוחות אני מיישר ציפיות כבר בהתחלה, כי הנתונים האלה מתנהגים אחרת לגמרי ממעקב דירוגים. מילות מפתח יציבות יחסית, ודירוג שזז כמה מקומות הוא אירוע. מעקב פרומפטים רועש מהיסוד, כי כל תשובה נוצרת מחדש ומעוצבת לפי הקשר. במעקבים שלי, אחוז ההופעה של מותג זז בקלות בסביבות 10 נקודות אחוז בין בדיקות, בלי ששום דבר השתנה באמת.
לכן אני לא מסיק מסקנות לפי בדיקה בודדת. מה שאני ממליץ לנתח הוא המגמה: שינוי שמחזיק מעמד כמה בדיקות ברצף, או מתחרה שעובר מלא-קיים לנוכחות קבועה.
עוד שני כללים ששומרים על נתונים נקיים:
- לעקוב מחשבון נקי, בלי היסטוריה ובלי זיכרון. מנועי AI סוחבים היום שכבה כבדה של פרסונליזציה וזיכרון, כך שמה שרואים בחשבון האישי משקף את ההיסטוריה האישית שלכם יותר מאשר את השוק. זו גם אחת הסיבות שאני לא ממליץ לעקוב ידנית: ב-10 ריצות לפרומפט על פני עשרות פרומפטים, מעקב אמיתי כבר דורש כלי, וכלי דוגם מחוץ לחשבון אישי.
- להפריד בין שלוש מדידות שונות. ציטוטים (ה-AI מקשר לאתר שלכם כמקור), אזכורים (ה-AI נוקב בשם המותג), והמסרים עצמם (מה ה-AI באמת אומר עליכם, ואיך). שלושתם זזים בנפרד, וכל אחד דורש עבודה אחרת.
את שתי המדידות הראשונות אפשר לספור ישר מהדגימות. בשביל המדידה השלישית אני מצמיד לכל פרומפט במעקב עד חמישה מסרים: הצהרות קצרות של כן או לא שנבדקות מול כל תשובה, כל אחת מסומנת כמשהו שהתשובה צריכה להכיל או כמשהו שעדיף שיישאר בחוץ. מותג CRM, למשל, יכול לעקוב אחרי ״מזכיר את המסלול החינמי שלנו״ כמסר רצוי, ואחרי ״מתאר את ההטמעה כמסובכת״ כמסר שצריך להישאר בחוץ.
על פני הדגימות כל מסר הופך לאחוז הופעה: כמה פעמים הוא באמת הופיע בתשובות. האחוז הזה, ולא תשובה בודדת, אומר אם הסיפור שאתם רוצים לספר אכן מסופר, ואם הסיפור שאתם מנסים להיפטר ממנו עדיין חי.
לגבי גודל הספרייה, 20 עד 50 פרומפטים על פני שלושת הסוגים זה טווח פרקטי. פחות מזה משאיר שטחים מתים, והרבה יותר מזה נהיה קשה לניהול בלי כלי מסודר.
באיזה כלי מעקב לנראות ב-AI כדאי להשתמש?
בשאלה הזאת אני מעדיף להישאר אובייקטיבי: כלי המעקב לנראות ב-AI לא כאלה שונים זה מזה, וחדשים צצים כל שבוע. במקום לחפש את ״הכלי הכי טוב״, כדאי לבדוק שני דברים. הראשון הוא שליטה בתדירות ובכמות הדגימות של כל פרומפט, כי כלי שמריץ כל פרומפט פעם אחת ומציג תשובה אחת פשוט לא מודד את מה שצריך. השני הוא מחיר שהגיוני לכם לאורך זמן, כי מעקב הוא הוצאה קבועה, לא פרויקט חד-פעמי.
ומי שמכור ל-Claude Code כמוני יכול לוותר על כלי מדף ולבנות כלי פנימי משלו על אחד מספקי הנתונים של SERP ו-AI. זה מה שעשיתי לעצמי ולחלק מהלקוחות. אותם ספקים שמזינים את כלי המדף פתוחים לכולם.
גילוי נאות: בניתי תוסף Chrome חינמי, ChatGPT Query Fan-Out, שאני משתמש בו במחקר כדי לראות איך ChatGPT מרחיב פרומפט מאחורי הקלעים ואילו מקורות הוא מצטט בדרך. הוא שימושי באמת, וגם הוא מראה ריצה בודדת. אותו כלל חל על הכלי שלי כמו על כל השאר: תשובה אחת היא אנקדוטה, ומעקב אמיתי דורש דגימה כבדה מחשבונות נקיים.
לכתוב פרומפטים כמו הלקוח האמיתי שלכם
עוד פרקטיקה שאני ממליץ עליה ורוב המעקבים מדלגים עליה: לכתוב את פרומפטי המעקב עם קצת רקע טבעי, כאילו הפרסונה האמיתית של הלקוח שלכם היא זו ששואלת.
גיל, מצב משפחתי, גודל צוות, האילוץ שמתמודדים איתו. ״הבת שלי מתגייסת בעוד חודשיים״ עושה עבודה אמיתית בפרומפט הזה. משתמשים אמיתיים מגיעים לשיחות האלה עם הקשר, ושכבת הזיכרון של ה-AI יודעת עליהם דברים כאלה עוד לפני שהם שואלים. אי אפשר לשחזר זיכרון של חשבון של מישהו אחר, אבל אפשר לקודד את ההקשר שלו לתוך הפרומפט עצמו. מספיק כדי להישמע בן אדם, בלי להפוך את זה לביוגרפיה.
פרומפטים בסגנון מילות מפתח מייצרים תשובות שאף לקוח אמיתי לא יראה.
ממעקב למיפוי פערים
הנקודה של כל המעקב הזה היא המפה שהוא מייצר.
כשהדגימות מצטברות, כל סוג פרומפט חושף סוג אחר של פער: שאלות קטגוריה שאתם אף פעם לא מופיעים בהן, השוואות שמפסידים שוב ושוב, שאלות אלטרנטיבה שה-AI אף פעם לא מציע אתכם בהן, עובדות שהוא ממשיך לטעות בהן. כל פער דורש עבודה אחרת, מבניית ישות ועד תוכן השוואתי ונתונים מובנים ועדכניים. זה כבר החצי השני של עבודת ה-GEO, האופטימיזציה עצמה, והוא שווה מאמר נפרד.
עוד שני סיגנלים מגיעים בחינם יחד עם הדגימות. הראשון הוא query fan-out: מאחורי הרבה תשובות ה-AI מריץ סדרת חיפושים משלו, והדרך שבה הוא מרחיב את הפרומפטים של הלקוחות שלכם מגלה אילו תתי-נושאים, השוואות וחששות הוא מחשיב כחלק מהקטגוריה. זו תוכנית תוכן שמוגשת לכם על מגש.
השני הוא המקורות: תשובות מקשרות לעמודים שהן נשענו עליהם, ומיפוי המקורות האלה מראה על אילו אתרים ה-AI סומך בקטגוריה שלכם, כולל אלה שאינם שלכם. אם אתר ביקורות או שרשור בפורום מזין שוב ושוב את התשובות על המותג שלכם, ברור עכשיו איפה כדאי להשקיע. התוסף שהזכרתי קודם מציג את שניהם, ריצה אחת בכל פעם, וזה מספיק בשביל תחושה של מה שקורה מאחורי הקלעים.
אבל הכול מתחיל באותה נקודה: לבחור 20 עד 50 פרומפטים, לדגום אותם כמו שצריך, ולגלות מה ה-AI מספר ללקוחות שלכם.
טיפ אחרון: לשמור על ספריית הפרומפטים חיה. קטגוריות משתנות, מתחרים משיקים מוצרים חדשים, והמודלים עצמם מתחלפים מתחת לרגליים. אני חוזר לספריית הפרומפטים עם כל לקוח בערך פעם ברבעון, ורוב המותגים מוצאים לפחות הפתעה אחת כבר בשבוע הראשון של המעקב.
