Gần đây, tôi đã làm một thử nghiệm nhỏ. Tôi nhờ tám bà mẹ — những người khá giống tôi về mặt kinh tế xã hội và đều có con ở độ tuổi tương đương — tìm kiếm các giải bóng rổ địa phương cho con của họ. Hướng dẫn duy nhất của tôi là hãy tìm như thể họ thực sự muốn có một câu trả lời tốt. (Và tất nhiên, “tốt” là một khái niệm chủ quan.)
Mỗi người trong số họ làm theo một cách hoàn toàn khác nhau.
Một người yêu cầu ChatGPT nhập vai và giải thích những tiêu chí cô ấy đang tìm kiếm ở một giải đấu:
“Bạn là một huấn luyện viên bóng rổ thiếu niên nổi tiếng ở [khu vực]. Chúng tôi sống ở [thành phố]. Tôi có một cậu bé 7 tuổi đang bắt đầu phát triển. Tôi muốn cho con tham gia bóng rổ. Những giải bóng rổ tốt nhất trong khu vực của tôi là gì? Tôi muốn con được nuôi dưỡng và được dạy tất cả những kỹ năng quan trọng cho sự phát triển lâu dài, đồng thời nuôi dưỡng tình yêu với bóng rổ.”
Một người khác tập trung vào vị trí:
“Vui lòng tìm một giải bóng rổ cho độ tuổi từ 7 đến 10 gần khu vực [ZIP code].”
Một người thì đưa tên cho ChatGPT nhưng lại không nói rõ khu vực của mình (haha):
“Này Dolly, bạn có thể đề xuất các giải bóng rổ cho con gái 7 tuổi của tôi trong khu vực của tôi không?”
Và, để tham khảo, đây là prompt của tôi: “Bạn có thể đề xuất một số câu lạc bộ hoặc giải bóng rổ không mang tính cạnh tranh quá cao không?”
Cùng một mục đích (tổng thể). Cùng một giai đoạn cuộc sống. Nhưng prompt thì khác nhau một cách đáng kinh ngạc.
Một số prompt tập trung vào “top” hoặc “tốt nhất.” Những cái khác nhấn mạnh vị trí, độ tuổi hoặc chi phí.
Điều này khiến tôi nhớ mãi vì nó phản ánh hoàn hảo những gì chúng tôi tìm thấy trong nghiên cứu quy mô lớn gần đây của SparkToro về các đề xuất từ AI.
Trong nghiên cứu về khả năng hiển thị AI với Gumshoe, chúng tôi yêu cầu hàng trăm người viết prompt thể hiện cùng một mục đích cơ bản. Khi phân tích các prompt đó, kết quả rất đáng chú ý. Mọi người hầu như không bao giờ diễn đạt prompt theo cách giống nhau. Điểm tương đồng ngữ nghĩa trung bình giữa các prompt do con người viết chỉ là 0.081 — nghĩa là cách diễn đạt khác biệt rất lớn, ngay cả khi tất cả đều muốn cùng một kiểu câu trả lời.
Và đây đơn giản là hành vi bình thường của con người. Mọi người không rút gọn mục đích thành một tập từ khóa gọn gàng. Họ giải thích. Họ bổ sung điều kiện. Họ thêm ngữ cảnh. Họ mô tả các ràng buộc. Họ cá nhân hóa câu hỏi dựa trên trải nghiệm của chính mình.
Nói cách khác: con người không còn “tìm kiếm” nữa. Họ hỏi. Và ngày càng với LLM, họ… trò chuyện.
Cùng mục đích, khác cách diễn đạt — kết quả vẫn tương tự
Nhiều công cụ đo lường AI visibility thường vô tình kế thừa các giả định từ search dựa trên từ khóa:
-
Có một tập nhỏ prompt đại diện đáng để theo dõi
-
Cách diễn đạt tương đối ổn định
-
Tối ưu cho một vài truy vấn là đủ để bao phủ phần lớn
Nhưng cả nghiên cứu của SparkToro/Gumshoe lẫn thử nghiệm nhỏ của tôi với các bà mẹ đều cho thấy vì sao giả định này không đúng. Nếu mười người có cùng nhu cầu nhưng diễn đạt câu hỏi theo mười cách khác nhau, thì việc theo dõi khả năng hiển thị dựa trên một hoặc hai prompt “lý tưởng” gần như không nói lên điều gì về việc bạn thực sự xuất hiện trước người dùng thật bao nhiêu lần.
Đây là lý do AI visibility có thể khiến bạn cảm thấy khó hiểu hoặc thiếu ổn định. Phần đầu vào của hệ thống đa dạng hơn rất nhiều so với những gì marketer có thể dự đoán hoặc kiểm soát. Nhưng có một điểm đáng yên tâm từ nghiên cứu SparkToro/Gumshoe: dù con người viết prompt rất khác nhau, các công cụ AI thường trả về các cụm thương hiệu tương tự nhau. Cách diễn đạt hoặc thứ tự có thể thay đổi, nhưng tập hợp đề xuất thường trùng lặp.
Một kết luận quan trọng: các mô hình AI nhìn chung khá giỏi trong việc nhận diện mục đích cốt lõi, ngay cả khi ngôn ngữ bề mặt rất khác nhau.
Với marketer và founder, điều này thay đổi cách nhìn vấn đề. Câu hỏi không còn là “tôi nên tối ưu cho prompt cụ thể nào?” mà là “tôi có xuất hiện một cách ổn định trong toàn bộ ‘vùng ngữ nghĩa’ của mục đích này không?” Đây là một bài toán khác hẳn — và khả thi hơn.
Đây là bài toán nghiên cứu người dùng, không phải bài toán đo lường
Đó là lý do tôi luôn quay lại cùng một kết luận: AI visibility trước hết là bài toán nghiên cứu người dùng, sau đó mới là bài toán đo lường.
Nếu bạn muốn xuất hiện trong câu trả lời của AI, điểm khởi đầu không phải là tìm prompt nào để theo dõi, bạn đang xếp hạng thế nào trên ChatGPT, hay thậm chí trên Google. Điểm khởi đầu tốt hơn là tự hỏi (hoặc hỏi team của bạn):
-
Mọi người thực sự mô tả vấn đề này như thế nào?
-
Họ đề cập đến những ràng buộc gì?
-
Họ dùng từ ngữ gì khi họ không chắc chắn, bị quá tải, hoặc đang so sánh các lựa chọn?
-
Ngôn ngữ của họ thay đổi thế nào theo mức độ kinh nghiệm, sự tự tin, hoặc tính cấp bách?
Hãy xem SparkToro nói gì về hành vi của nhóm đối tượng này.
Và quan trọng nhất: Tôi đang cung cấp câu trả lời cho những câu hỏi đó, online, bằng chính ngôn ngữ mà người thật sử dụng như thế nào?
Những chủ đề đáng chú ý từ báo cáo SparkToro
Tại SparkToro, việc được LLM nhắc đến không phải là chiến lược. Điều chúng tôi luôn làm là giáo dục mọi người về nghiên cứu người dùng, làm cho nó dễ tiếp cận nhất có thể với marketer, và khiến họ liên tưởng nghiên cứu người dùng với chúng tôi — những người bạn tại SparkToro. Đó là lý do bạn có thể đọc mọi thứ trên website của chúng tôi, xem các buổi Office Hours trên YouTube, và nghe hoặc xem Rand cùng tôi trên các podcast khác nhau nói về nghiên cứu người dùng và marketing hiệu quả. Nhờ tập trung mạnh vào việc tạo nội dung, phân phối và PR, AI visibility trở thành kết quả.
Những team đã đầu tư vào nghiên cứu người dùng — lắng nghe ngôn ngữ thực từ forum, review, bài đăng mạng xã hội, ticket hỗ trợ và các cuộc trò chuyện — và gắn kiến thức đó vào marketing và hoạt động kinh doanh sẽ có lợi thế cấu trúc. Họ không chỉ xây dựng chiến lược nội dung tốt hơn. Họ đang xây dựng một sự hiện diện phân tán, liên kết, dựa trên ngôn ngữ thật — thứ mà các mô hình AI sử dụng khi đưa ra đề xuất. Các bài blog liên kết với nhau. Transcript trong video YouTube. Những lần được nhắc đến trên Reddit. Tài liệu hỗ trợ khách hàng dễ tìm và dễ hiểu. Earned media đặt thương hiệu vào đúng ngữ cảnh.
Vậy bây giờ làm gì?
Sau khi đã làm nghiên cứu người dùng, công việc tiếp theo là chuyển hóa nó thành nội dung. Nếu bạn phát hiện khách hàng mô tả vấn đề của họ là “Tôi không biết bắt đầu từ đâu” thay vì “Tôi cần giải pháp cho X,” thì đó không chỉ là insight về persona — đó là một cụm từ để xây dựng nội dung. Hãy viết bài blog. Trả lời câu hỏi trên forum. Tạo bài so sánh. Đưa ngôn ngữ đó được index và crawl trên web theo cách khiến bạn trở thành câu trả lời hiển nhiên.
Ý tưởng nội dung dựa trên từ khóa, website và nguồn ảnh hưởng
Tám prompt từ tám phụ huynh phản ánh các mô hình tư duy hơi khác nhau về cùng một nhiệm vụ. Người mẹ tìm một giải đấu “nuôi dưỡng” đang tối ưu cho một tiêu chí khác với người chỉ đưa ZIP code. Nhưng tất cả họ đều đang tìm một giải bóng rổ phù hợp với độ tuổi. Họ chỉ có các bộ lọc khác nhau và cách diễn đạt riêng. (Chào Dolly!)
Nếu chiến lược AI visibility của bạn giả định rằng mọi người đặt câu hỏi theo cùng một cách, thì nó đã lệch khỏi thực tế. Nhưng nếu bạn thực sự dành thời gian hiểu cách khán giả của mình nói chuyện, bạn đang xây dựng thứ gì đó phù hợp với cách mà các mô hình AI thực sự hoạt động.