אם הלקוחות שלכם שואלים את ChatGPT או את Gemini שאלות בקטגוריה שלכם, גרסה כלשהי של הסיפור על המותג שלכם כבר מסופרת שם. רוב המותגים לא יודעים מה הסיפור הזה, והאם הוא בכלל מדויק.
כשאני מתחיל עבודת נראות ב-AI עם מותג, הדבר הראשון שאני מקים הוא מעקב: אילו פרומפטים הלקוחות באמת 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 ומשכבת 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.
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.
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.
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. 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 לדאטה. לכן אני דוגם: כל פרומפט במעקב רץ לפחות 10 פעמים בכל בדיקה, בתדירות יומית או שבועית, תלוי בקצב של הקטגוריה.
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.
עוד שני כללים ששומרים על דאטה נקי:
- 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.
- להפריד בין שלוש מדידות שונות. מצוטט (ה-AI מקשר לאתר שלכם כמקור), מוזכר (ה-AI נוקב בשם המותג), והמסרים עצמם (מה ה-AI באמת אומר עליכם, ואיך). שלושתם זזים בנפרד, וכל אחד דורש עבודה אחרת.
שכבת הזיכרון היא היכולת של מנועי AI כמו ChatGPT ו-Gemini לזכור פרטים מהשיחות הקודמות שלכם ולהשתמש בהם בתשובות הבאות, גם בלי שביקשתם. בשילוב עם פרסונליזציה לפי ההיסטוריה, שני אנשים שמקלידים את אותו פרומפט יכולים לקבל תשובות שונות לגמרי. זו הסיבה שמעקב רציני רץ מחשבון נקי.
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 הדאטה 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. 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 ודאטה מובנה ועדכני. זה כבר החצי השני של עבודת ה-GEO, האופטימיזציה עצמה, והוא שווה מאמר נפרד.
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.
