מאמר · עברית ו-AI
למה תוכן בעברית מצוטט פחות במנועי AI
השאלה נשאלת הרבה, והתשובות שמסתובבות עליה בדרך כלל מומצאות. הנה מה שבאמת ידוע.
התשובה הקצרה
עברית נחשבת בספרות המקצועית ״שפת משאבים נמוכים״ עבור מודלי שפה: היא מיוצגת פחות בנתוני האימון, והמורפולוגיה העשירה שלה מקשה על חלוקת הטקסט ליחידות. המשמעות המעשית היא שמודל נשען יותר על מקורות באנגלית כשהוא עונה על שאלה, גם כששאלו אותו בעברית. מה שאין — ואף אחד לא מפרסם — הוא מספר שאומר בכמה בדיוק עברית מצוטטת פחות.
מה נובע מזה בפועל
- 01
השאלה בעברית לא בהכרח מביאה מקורות בעברית
מודל שנשאל בעברית יכול לשלוף מקורות באנגלית, לתרגם את התוכן שלהם, ולהחזיר תשובה עברית שמצטטת אתר אמריקאי. זה קורה הרבה בנושאים שבהם התוכן העברי דליל.
לכן תוכן עברי טוב בנישה ריקה הוא הזדמנות ולא חיסרון — אין לו תחרות עברית, ויש לו יתרון רלוונטיות על מקור מתורגם.
- 02
שם הישות באנגלית שווה זהב
אם לעסק שלכם יש שם לועזי, כתבו אותו גם באנגלית בטקסט — לא רק בלוגו. מודל שמחבר בין ״פורת אאוטסורסינג״ ל-Porat Outsourcing מזהה ישות אחת ולא שתיים.
- 03
כתבו מונחים מקצועיים בשתי הצורות
״קידום אתרים אורגני (SEO)״ עדיף על אחד מהם לבד. השאילתות מגיעות בשתי השפות, ולפעמים בתוך אותו משפט.
- 04
אל תסמכו על תרגום מכונה כאסטרטגיית תוכן
עמוד שתורגם אוטומטית מאנגלית קורא כמו עמוד שתורגם אוטומטית. אם המודל בוחר בין מקור עברי מקורי למקור מתורגם, לשני אין שום יתרון.
- 05
סמנו את השפה נכון
lang="he" ו-dir="rtl" ברמת המסמך, ו-hreflang הדדי אם יש גם גרסה אנגלית. זה זול, וזה מה שמפריד בין ״עמוד בעברית״ ל״עמוד שנראה שבור״.
- 06
מדדו בעברית ובאנגלית בנפרד
אותה שאלה בשתי שפות מחזירה מקורות שונים. אם אתם בודקים רק באחת מהן, אתם רואים חצי מהתמונה.
איך עושים את זה בפועל — במאמר על מדידה.
מה המחקר באמת מצא
מה שאפשר לצטט בבירור, ומה שלא. הטבלה מפרידה בין השניים בכוונה.
| טענה | מה באמת ידוע |
|---|---|
| עברית היא ״שפת משאבים נמוכים״ למודלים | מבוסס. כך היא מוגדרת בספרות; מאמר DictaLM 2.0 פותח באמירה שאימון מודלים בשפות משאבים נמוכים כמו עברית ״מציב אתגרים ייחודיים״. |
| המורפולוגיה של עברית מקשה | מבוסס באותו מקור, כאחד האתגרים המרכזיים בהתאמת מודלים לעברית. |
| יש מודלים שאומנו ספציפית לעברית | כן. DictaLM 2.0 אומן על מאגר של כ-200 מיליארד טוקנים בעברית ובאנגלית. |
| ״עברית מצוטטת X% פחות״ | לא מבוסס. אין מספר ציבורי כזה. כל מספר שתראו בהקשר הזה — שווה לבקש לו מקור. |
המספרים כאן מצוטטים מהמאמר עצמו, לא מסיכומים שלו.
מקור
Shmidman et al., “Adapting LLMs to Hebrew: Unveiling DictaLM 2.0”, arXiv:2407.07080
למה זה לא אומר ״אין טעם לכתוב בעברית״
המסקנה ההפוכה נכונה יותר. אם מודל מתקשה למצוא מקור עברי איכותי בנושא מסוים, המקור העברי האיכותי הראשון שיופיע שם מקבל יתרון שקשה לקבל באנגלית, שבה כל נישה כבר רוויה. הנדירות עובדת לטובתכם, לא נגדכם.
זה גם מסביר תופעה שאפשר לראות בפועל: אתרים ישראליים קטנים שמוזכרים בתשובות AI על נושאים מקומיים, בזמן שבאותו תחום באנגלית הם לא היו מגיעים לעמוד הראשון.
מה שכן משתנה בעבודה
העקרונות של GEO לא משתנים בגלל השפה — מספר עם מקור, משפט שאפשר לצטט, ונוכחות במקורות שמהם שולפים. מה שמשתנה הוא כמה חשוב לכסות נושא לעומק: כשיש פחות מקורות עבריים בתחום, האתר שמכסה אותו בשלמות הופך למקור ברירת המחדל מהר יותר. זו סמכות נושאית שמשתלמת מהר יותר מאשר בשוק האנגלי.
הזהירות שכדאי לאמץ
בזמן כתיבת המאמר הזה, רוב התוכן העברי בנושא GEO ו-AEO הוא תרגום של רשימות אנגליות, כולל המספרים שבהן. חלק מהמספרים האלה לא שורדים בדיקה מול המקור. אם אתם מתכוונים לפרסם נתון, שווה לפתוח את המאמר שממנו הוא לקוח — במיוחד עכשיו, כשמנוע גנרטיבי עלול לאסוף את הנתון מכם ולהחזיר אותו הלאה.
שאלות שנשאלות על זה
כדאי לכתוב את האתר באנגלית כדי שיצטטו אותו יותר?
רק אם הלקוחות שלכם מחפשים באנגלית. אתר עברי שמדבר לקהל ישראלי ומצוטט בתשובות עבריות שווה יותר מאתר אנגלי שמתחרה בכל העולם ולא מצוטט באף אחת מהשפות.
האם תרגום של העמודים לאנגלית יזיק?
לא, כל עוד שתי הגרסאות אמיתיות ומקושרות ב-hreflang הדדי. מה שמזיק זה תרגום מכונה שמפורסם כאילו הוא תוכן מקורי.
מודלים באמת ״מבינים״ עברית?
הם מייצרים עברית תקינה ברוב המקרים, וזה לא אותו דבר. הפער בין יצירת טקסט תקין לבין שליפה מדויקת ממקורות עבריים הוא בדיוק מה שמתואר בספרות כאתגר של שפות משאבים נמוכים.
רוצים שאריץ את זה על האתר שלכם?
שלחו את הכתובת ואחזור אליכם עם אילו מהבדיקות האלה האתר עובר היום, ואיזו מהן עולה לכם הכי הרבה.