Các công cụ tìm kiếm AI như ChatGPT và Google AI Overviews không đưa ra cùng một câu trả lời hai lần. Điều này là do chúng được thiết kế để hoạt động theo tính xác suất thay vì tính xác định. Khi bạn đặt câu hỏi, các mô hình này dự đoán những gì sẽ xuất hiện tiếp theo trong khi thêm vào tính ngẫu nhiên có kiểm soát để tránh các phản hồi trở nên lặp lại hoặc có thể dự đoán được.
Nhưng điều khiến hầu hết mọi người bất ngờ là: các nguồn mà những công cụ AI này trích dẫn thay đổi đáng kể theo thời gian, ngay cả đối với những câu hỏi giống hệt nhau. Phân tích gần đây của chúng tôi về các mô hình trích dẫn trên các nền tảng chính tiết lộ một thách thức cơ bản đối với bất kỳ ai cố gắng hiểu về khả năng hiển thị AI của họ.
Phương pháp nghiên cứu: Đo lường tính nhất quán trích dẫn theo thời gian
Chúng tôi đã tiến hành một phân tích toàn diện so sánh các mô hình trích dẫn trong khoảng thời gian một tháng. Đây là cách chúng tôi thực hiện:
Khung thời gian: 11-13 tháng 6 ↔ 11-13 tháng 7, 2025
Loại truy vấn: Các prompt (Open-ended prompts) được thiết kế để tạo ra việc trích dẫn nguồn.
Cỡ mẫu: ~80,000 prompt được thử nghiệm trên mỗi nền tảng.
Phương pháp đo: Phân tích Domain-level trích dẫn ở cấp domain.
Chúng tôi đã đo lường “citation drift” là tỷ lệ phần trăm các domain xuất hiện trong các phản hồi tháng 7 nhưng không có mặt trong các phản hồi tháng 6 đối với mỗi lời nhắc xuất hiện trong cả hai khung thời gian. Chỉ số này cho thấy, trung bình, hành vi trích dẫn thay đổi bao nhiêu đối với cùng những lời nhắc theo thời gian.
(Source images: Profound)
Kết quả: Citation Drift trên các nền tảng chính
Điều này có nghĩa là khoảng 40-60% các domain được trích dẫn trong các phản hồi AI sẽ hoàn toàn khác chỉ sau một tháng, ngay cả đối với những câu hỏi giống hệt nhau. Mỗi nền tảng xáo trộn các nguồn của mình theo cách riêng, chỉ ra các thuật toán rất khác nhau bên dưới.
Tính biến động trở nên rõ rệt hơn trong các khoảng thời gian dài hơn. Những con số này tăng lên 70-90% khi so sánh các domain trích dẫn tháng 1 với các domain trích dẫn tháng 7, cho thấy sự gia tăng tuyến tính trong citation drift khiến cho bất kỳ phương pháp theo dõi không thường xuyên nào trở nên vô nghĩa.
| Platform | Citation Drift (June to July) |
|---|---|
| Google AI Overviews | 59.3% |
| ChatGPT | 54.1% |
| Microsoft Copilot | 53.4% |
| Perplexity | 40.5% |
Điều này có ý nghĩa gì đối với chiến lược AI Visibility
Mức độ biến động trích dẫn này hoàn toàn thay đổi cách chúng ta cần nghĩ về tối ưu hóa công cụ trả lời AI. Không giống như tìm kiếm truyền thống, nơi xếp hạng cung cấp các điểm chuẩn tương đối ổn định (Google thường thực hiện bốn đến năm bản cập nhật thuật toán cốt lõi mỗi năm), các mô hình trích dẫn AI vốn dĩ không ổn định.
Những thách thức chiến lược
Những thách thức này không có nghĩa là việc theo dõi AI visibility là không thể. Chúng chỉ yêu cầu một phương pháp tiếp cận cơ bản khác với việc theo dõi SEO truyền thống. Chìa khóa là xây dựng các hệ thống tính đến bản chất xác suất của tìm kiếm AI thay vì chống lại nó.
| Challenge | Impact |
|---|---|
| Signal vs. Noise | 40-60% drift makes single data points meaningless |
| Competitive Analysis | Your citation neighbors change monthly |
| Performance Measurement | Traditional metrics need volatility context |
Các nguyên tắc giám sát thiết yếu
Tin tốt là một khi bạn hiểu những nguyên tắc này, bạn có thể xây dựng các hệ thống giám sát thực sự hoạt động cùng với tính biến động AI thay vì chống lại nó. Bạn bắt đầu thấy các mô hình nổi lên từ tiếng ồn, và chiến lược AI visibility của bạn trở nên dự đoán được nhiều hơn.
Để biết thêm thông tin chi tiết về cách các mô hình trích dẫn nền tảng khác nhau, hãy xem nghiên cứu Citation Overlap Strategy của chúng tôi và Study AI Platform Citation Patterns đi kèm.
| Principle | Description |
|---|---|
| Continuous Data Collection | Daily or weekly sampling |
| Statistical Significance | Aggregate multiple samples |
| Platform-Specific Strategies | Different platforms have different drift curves |
| Trend Analysis | Focus on directional trends over time |
Tóm lại
Citation drift không phải là lỗi trong các hệ thống AI. Đó là một tính năng vốn có của cách các mô hình xác suất này hoạt động. Tính ngẫu nhiên ngăn chặn các phản hồi lặp lại, đưa vào các quan điểm khác nhau và thích nghi với các bối cảnh thông tin đang thay đổi.
Câu hỏi không phải là liệu content của bạn có xuất hiện nhất quán trong các phản hồi AI hay không. Mà là liệu bạn có khả năng giám sát và phân tích có hệ thống để hiểu khi nào, tại sao, và thường xuyên như thế nào nó xuất hiện, và hiệu suất đó phát triển ra sao theo thời gian.
© Cre: NGHIỆN SEO (Team biên tập).