Earned links (liên kết kiếm được tự nhiên từ báo chí và các website khác) và trích dẫn từ AI có thể đến từ cùng một nội dung. Kevin Rowe, CEO của PureLinq, trình bày dữ liệu hai năm tại một webinar của Search Engine Journal: chỉ cần một nghiên cứu gốc duy nhất, doanh nghiệp có thể đồng thời xuất hiện trên báo lớn, giữ thứ hạng tìm kiếm tự nhiên, và được AI Overviews trích dẫn. Một chiến dịch khách hàng của họ thu về hơn 1.000 earned links, với bài đăng trên The Wall Street Journal, Fortune, Axios, Fox Business và Reuters, theo tóm tắt buổi webinar của Search Engine Journal.
Điều gì đã khiến link building truyền thống thất bại?
Khoảng năm 2020, PureLinq suýt phải đóng cửa. Kevin kể rằng agency gần như mất một nửa khách hàng chỉ trong một đêm vì link building (xây dựng liên kết) đột ngột không còn mang lại kết quả. Ông xác định ba nguyên nhân dẫn đến sự sụp đổ đó.
Trong ba nguyên nhân, cái thứ ba là điều nhiều đội SEO nhận ra muộn nhất: CTR (click-through rate, tỷ lệ người tìm kiếm thực sự nhấp vào kết quả) trong Google Search Console cứ giảm dần, trong khi thứ hạng vẫn không đổi.
Phản ứng của Kevin là dừng coi link building như một chiến thuật đứng độc lập, và xây dựng lại mô hình hoạt động của agency xoay quanh nghiên cứu gốc như tài sản trung tâm. Câu ông lặp lại xuyên suốt buổi: “Deserving is the biggest thing you could ever do” – muốn có link thì trước tiên phải xứng đáng được nhận link.
Nhà báo thực sự muốn dữ liệu kiểu nào?
Kevin thu hẹp xuống năm góc tiếp cận cụ thể giúp một bộ dữ liệu trở nên đáng để nhà báo viết bài, và ông gọi đây là slide giá trị nhất trong toàn bộ buổi thuyết trình.
Hai trong số năm góc đó được áp dụng vào một nghiên cứu về nợ sinh viên, xây dựng từ dữ liệu của chính phủ liên bang Mỹ, hoàn toàn miễn phí. Nghiên cứu này được đăng bài feature đầy đủ trên Fox News và Fox Business. “Đây thực sự là quả táo treo thấp và tôi nghĩ gần như ai cũng có thể làm được,” Kevin nói, theo tóm tắt của Search Engine Journal.
Nhưng sự dễ tiếp cận cũng đi kèm rủi ro. “AI slop (nội dung do AI tạo ra ẩu, không qua kiểm chứng thực tế) là vấn đề lớn nhất trong nghiên cứu hiện nay,” Kevin cảnh báo. “Nếu bạn gửi dữ liệu sai cho nhà báo và họ phát hiện ra, họ sẽ có thể dừng cộng tác với bạn mãi mãi.” Một mô hình AI có thể phác thảo bản nháp nghiên cứu rất nhanh, nhưng không thể tự xác minh dữ liệu gốc hay phát hiện lỗi phương pháp trước khi nhà báo làm điều đó.
Research hub xây dựng earned links theo thời gian như thế nào?
Một khách hàng B2B có quy mô quốc gia nhưng không có địa điểm thực tế đang mất dần khả năng hiển thị tìm kiếm trước các đối thủ địa phương. Blog của họ toàn nội dung phổ thông: cách thu hồi nợ, mẹo tài chính cơ bản. PureLinq xóa toàn bộ và xây dựng lại thành một research hub (trung tâm phát hành nghiên cứu theo lịch định kỳ), với các nghiên cứu được công bố theo lịch cố định.
Tháng đầu tiên, họ thu được đúng một earned link. Khách hàng muốn dừng lại. Kevin thuyết phục họ tiếp tục. Số lượng bài đăng báo tăng dần qua từng tháng.
Rồi thế cục đảo ngược: nhà báo bắt đầu chủ động email hỏi khi nào bộ dữ liệu tiếp theo ra, thay vì đội ngũ phải đi pitch từng người. The Wall Street Journal thậm chí trực tiếp yêu cầu cập nhật một bộ dữ liệu. “Đó là phần inbound của chiến lược này,” Kevin chia sẻ.
Một khách hàng thứ hai, trường đại học trực tuyến trong lĩnh vực có quy định chặt chẽ, chọn cách tiếp cận nhẹ nhàng hơn. Họ giữ nguyên blog cũ, thêm vào một số nghiên cứu, và đưa các giáo sư của trường tiếp cận truyền thông lẫn podcast. Kết quả vẫn là earned links ổn định, đến từ việc pitch trực tiếp một-một, không cần rebuild toàn bộ.
Nghiên cứu gốc còn xếp hạng được không khi AI Overviews trả lời trước?
“Chúng ta không ở trong thế giới zero-click. 100% không phải vậy,” Kevin khẳng định tại buổi webinar. “Bạn vẫn có thể nhận được rất nhiều traffic từ tìm kiếm tự nhiên.”
Dữ liệu của đội ngũ ông cho thấy các nghiên cứu đơn lẻ vẫn tự thu hút traffic từ AI Overviews, và một số giữ vị trí số một cho cả từ khóa thương mại, không chỉ từ khóa thông tin.
Một ví dụ cụ thể: nghiên cứu xếp hạng các khu tài chính tại Mỹ theo mức độ rủi ro tịch biên nhà vừa được đăng trên Axios Seattle, Barron’s và The Wall Street Journal, vừa giữ thứ hạng tốt trong tìm kiếm tự nhiên.
Nghiên cứu thứ hai, viết bởi một giáo sư khoa học thực vật tại Đại học Bang Utah, đứng đầu cho các từ khóa mục tiêu và được AI Overviews trích dẫn là nguồn dữ liệu chính.
Về traffic trực tiếp từ nền tảng AI: Kevin ghi nhận clicks từ ChatGPT chuyển đổi với tỷ lệ trên mức trung bình, kể cả với ecommerce. Tuy nhiên về khối lượng, “chưa thể so sánh với Google Search kết hợp AI Overviews,” ông lưu ý.
Ý nghĩa với khả năng hiển thị trên AI search
Insight cốt lõi từ dữ liệu của Kevin: một bài báo nhắc đến thương hiệu và một trích dẫn từ AI thường là hai kết quả đến từ cùng một tài sản nội dung. Đây không phải hai bài toán phân phối riêng biệt đòi hai ngân sách khác nhau.
Lý do thực tiễn: khi một nhà báo tại ấn phẩm có authority cao trích dẫn một bộ dữ liệu, bài viết đó trở thành một phần của web công khai. Các hệ thống AI được huấn luyện trên web đó, cùng với retrieval systems (hệ thống truy xuất nội dung web thời gian thực để trả lời câu hỏi), xử lý trích dẫn báo chí như tín hiệu uy tín. Một nghiên cứu được đăng trên The Wall Street Journal không chỉ là một earned link, nó đồng thời đi vào dữ liệu huấn luyện AI, chỉ mục tìm kiếm, và công thức xếp hạng AI Overviews.
Dữ liệu timeline của Kevin cho thấy hiệu ứng cộng dồn là có thật nhưng chậm: tháng một chỉ một link, và mối quan hệ inbound với nhà báo mất nhiều tháng để hình thành.
Một điểm còn bỏ ngỏ trong nguồn: sự khác biệt giữa khối lượng trích dẫn AI và traffic thực tế từ AI. Đội ngũ Kevin ghi nhận ChatGPT chuyển đổi tốt nhưng gửi ít click hơn nhiều so với AI Overviews trong Google. Phân biệt này quan trọng để ưu tiên chiến lược đúng chỗ. Được trích dẫn trong câu trả lời AI và nhận traffic có thể đo được từ AI là hai mục tiêu tối ưu hóa khác nhau, lẫn lộn chúng dẫn đến đọc sai kết quả và rút lui sớm, đúng như khách hàng B2B của Kevin suýt làm sau tháng đầu tiên.
Góc nhìn Hingewise
Nghiên cứu gốc hoạt động như một tài sản “hai trong một”: cùng một bộ dữ liệu vừa tạo ra earned links từ báo chí, vừa là nguồn mà AI trích dẫn khi người dùng đặt câu hỏi liên quan. Hãy hình dung một nghiên cứu về giá thuê văn phòng tại TP.HCM: nếu VnExpress hay Nhịp Cầu Đầu Tư viết bài dựa trên đó, chính bài báo đó cũng là thứ AI Overviews đọc để trả lời câu hỏi “thị trường văn phòng Việt Nam đang như thế nào.”
Điều Kevin không nói thẳng nhưng dữ liệu của ông ngụ ý: quyền tác giả học thuật (giáo sư, nhà nghiên cứu có chứng chỉ chuyên môn) hiện là shortcut uy tín rõ ràng nhất với cả biên tập viên báo lẫn retrieval systems. Hầu hết thương hiệu không thể sản xuất điều đó theo yêu cầu, nên chiến lược tìm chuyên gia đứng tên hoặc xác nhận phương pháp luận quan trọng không kém góc nghiên cứu.
Nhận định của Hingewise: mô hình lấy nghiên cứu làm trung tâm mà Kevin mô tả đang dần trở thành tiêu chuẩn cơ bản cho thương hiệu muốn xuất hiện ổn định trong câu trả lời AI. Timeline tháng-một-một-link và 6 đến 12 tháng để có nhà báo chủ động liên hệ cho thấy đây là chiến lược dài hơi, không phải sprint. Rủi ro không nằm ở chỗ mô hình thất bại, mà nằm ở chỗ rút lui trước khi hiệu ứng cộng dồn bắt đầu.
6 điều cần kiểm tra trước khi bắt đầu:
- Blog hiện tại có bài nào đối thủ cũng có thể đăng y chang không? Đó là nội dung cần ưu tiên thay thế đầu tiên.
- Đội ngũ có thể tiếp cận bộ dữ liệu công khai nào (chính phủ, cơ quan quản lý, hiệp hội ngành) mà có thể cập nhật định kỳ?
- Góc nghiên cứu cụ thể là gì, bộ dữ liệu đó trả lời câu hỏi nào mà nhà báo trong lĩnh vực quan tâm?
- Có chuyên gia (giáo sư, nhà nghiên cứu, chuyên gia ngành) nào có thể xác nhận phương pháp luận hoặc đứng tên đồng tác giả?
- Tách biệt hai KPI ngay từ đầu: “được AI trích dẫn” và “nhận traffic từ AI” là hai mục tiêu đo lường khác nhau.
- Đặt kỳ vọng thực tế cho tháng đầu tiên: một link là bình thường với mô hình này.
Nguồn: Search Engine Journal, tóm tắt webinar PureLinq, 2025.
Bài viết được soạn với sự hỗ trợ của AI từ các nguồn dẫn ở trên và đối chiếu với các nguồn đó trước khi đăng. "Góc nhìn Hingewise" là nhận định biên tập của Hingewise, dựa trên khung phân tích và lập trường chúng tôi dùng trong công việc GEO. Cách chúng tôi làm việc: Chính sách biên tập.