admin 
Patobulinkite savo įgūdžius naudodamiesi savaitės „Growth Memo“ ekspertų įžvalgomis. Prenumeruokite nemokamai!
Kiekvienais metais, po žiemos švenčių, aš praleidžiu kelias dienas, rinkdamasis praėjusių metų kontekstą ir primindamas sau, kur yra mano klientai. Noriu pasinaudoti galimybe pasidalinti savo supratimu apie tai, kur esame su AI paieška, kad galėtumėte greitai grįžti į reikalų svyravimus.
Primename, kad 2025 m. pabaigoje „ChatGPT“ atmosfera šiek tiek pablogėjo:
- „Google“ išleido pranašesnį „Gemini 3“, todėl Samas Altmanas paskelbė „Code Red“ (ironiška, kad praėjus trejiems metams po to, kai „Google“ padarė tą patį, pristatydama „ChatGPT 3.5“).
- „OpenAI“ padarė keletą žiedinių investicijų, kurios sukėlė akibrokštą ir sukėlė klausimų, kaip jas finansuoti.
- „ChatGPT“, siunčianti daugumą visų LLM, pasiekia daugiausia 4 % dabartinio natūralių (daugiausia „Google“) persiuntimo srauto.
Visų pirma, mes vis dar nežinome paminėjimo AI atsakyme vertės. Tačiau AI ir LLM tema negali būti svarbesnė, nes „Google“ naudotojų patirtis iš rezultatų sąrašo virsta galutiniu atsakymu.
Didelis „ačiū“ Danui Petrovičiui ir Andrea Volpini už mano juodraščio peržiūrą ir prasmingų sąvokų pridėjimą.
Gauta → Cituota → Patikima
AI paieškos matomumo optimizavimas atliekamas pagal panašų į klasikinį paieškos sistemų „nuskaitymą, indeksavimą, reitingą“ metodą:
- Paieškos sistemos nusprendžia, kurie puslapiai patenka į kandidatų rinkinį.
- Modelis pasirenka, kuriuos šaltinius cituoti.
- Vartotojai nusprendžia, kuria citata pasitikėti, ir pagal ją veikti.
Perspėjimai:
- Daugelis rekomendacijų labai sutampa su įprasta SEO geriausia praktika. Ta pati taktika, naujas žaidimas.
- Nepretenduoju į išsamų sąrašą visko, kas veikia.
- Neįtraukti prieštaringi veiksniai, pvz., schema arba llms.txt.
Svarstymas: patekti į kandidatų grupę
Prieš bet kokiam turiniui patenkant į modelio svarstymo (įžeminimo) rinkinį, jis turi būti patikrintas, indeksuotas ir gaunamas per milisekundes atliekant paiešką realiuoju laiku.
Svarstymą skatinantys veiksniai yra šie:
- Pasirinkimo rodiklis ir pirminis poslinkis.
- Serverio atsako laikas.
- Metaduomenų aktualumas.
- Produktų tiekimas (el. prekyboje).
1. Pasirinkimo rodiklis ir pirminis poslinkis
- Apibrėžimas: Pirminis šališkumas matuoja prekės ženklo atributų asociacijas, kurias modelis turi prieš įtraukdamas į tiesioginius paieškos rezultatus. Atrankos rodiklis matuoja, kaip dažnai modelis pasirenka jūsų turinį iš nuskaitomų kandidatų telkinio.
- Kodėl tai svarbu: LLM yra šališki mokymo duomenimis. Modeliai sukuria pasitikėjimo balus prekės ženklo atributų ryšiams (pvz., „pigus“, „patvarus“, „greitas“), nepriklausomai nuo paieškos realiuoju laiku. Šios jau egzistuojančios asociacijos daro įtaką citavimo tikimybei, net kai jūsų turinys patenka į kandidatų sąrašą.
- Tikslas: Supraskite, kuriuos modelio atributus sieja su jūsų prekės ženklu ir kaip jis pasitiki jūsų prekės ženklu kaip subjektu. Sistemingai stiprinkite šias asociacijas vykdydami tikslines kampanijas puslapyje ir už puslapio ribų.
2. Serverio atsako laikas
- Apibrėžimas: Laikas nuo tikrinimo programos užklausos iki serverio pirmojo atsakymo duomenų baito (TTFB = laikas iki pirmojo baito).
- Kodėl tai svarbu: Kai modeliams reikia žiniatinklio rezultatų argumentavimo atsakymams (RAG), jie turi nuskaityti turinį kaip paieškos variklio tikrinimo programa. Nors nuskaitymas dažniausiai grindžiamas indeksu, greitesni serveriai padeda atkurti, atlikti agentų darbo eigas, atnaujinti ir išplėsti sudėtines užklausas. LLM paieška veikia esant nedideliam delsos biudžetui, kai atliekama paieška realiuoju laiku. Lėti atsakymai neleidžia puslapiams patekti į kandidatų telkinį, nes jie praleidžia gavimo langą. Nuolat lėtas atsako laikas riboja tikrinimo greitį.
- Tikslas: Palaikykite serverio atsako laiką <200 ms. Svetainės, kurių įkėlimo laikas yra <1 s, gauna 3 kartus daugiau „Googlebot“ užklausų nei svetainės, kurių įkėlimo laikas viršija 3 sekundes. LLM tikrintuvams (GPTBot, Google-Extended) paieškos langai yra dar griežtesni nei tradicinės paieškos.
3. Metaduomenų tinkamumas
- Apibrėžimas: Pavadinimo žymos, metaaprašai ir URL struktūra, kurias LLM analizuoja, vertindami puslapio tinkamumą tiesioginės paieškos metu.
- Kodėl tai svarbu: Prieš rinkdamiesi turinį, kad sudarytų AI atsakymus, LLM išanalizuoja pavadinimus, kad jie būtų aktualūs, aprašymus – kaip dokumentų santraukas, o URL – kaip kontekstinius puslapių tinkamumo ir patikimumo įkalčius.
- Tikslas: Į antraštes įtraukite tikslines sąvokas ir aprašymai (!), kad atitiktų vartotojo raginimo kalbą. Kurkite raktinius žodžius apibūdinančius URL, galbūt įtraukdami net einamuosius metus, kad praneštumėte apie naujumą.
4. Produktų sklaidos kanalo prieinamumas (el. prekyba)
- Apibrėžimas: Struktūriniai produktų katalogai, pateikiami tiesiogiai LLM platformoms su atsargų, kainų ir atributų duomenimis realiuoju laiku.
- Kodėl tai svarbu: Tiesioginiai sklaidos kanalai apeina tradicinius paieškos apribojimus ir leidžia LLM atsakyti į sandorių pirkimo užklausas („kur galiu nusipirkti“, „geriausia kaina“) su tikslia, naujausia informacija.
- Tikslas: Pateikite prekybininko valdomų produktų sklaidos kanalus į ChatGPT prekybininkų programą (chatgpt.com/merchants) JSON, CSV, TSV arba XML formatu su visais atributais (pavadinimu, kaina, vaizdais, apžvalgomis, prieinamumu, specifikacijomis). Įdiekite AKR (Agentinės prekybos protokolą) apsipirkdami tarpininkaujant.
Aktualumas: būti atrinktam cituoti
„Priskyrimo krizė LLM paieškos rezultatuose“ (Strauss ir kt., 2025) nurodomas mažas citavimo rodiklis, net kai modeliai pasiekia atitinkamus šaltinius.
- 24 % „ChatGPT“ (4o) atsakymų sugeneruojami tiesiogiai negavus jokio internetinio turinio.
- Dvyniai nepateikia spustelėjamų citatų 92% atsakymų.
- Perplexity aplanko apie 10 atitinkamų puslapių vienai užklausai, bet nurodo tik tris ar keturis.
Modeliai gali nurodyti tik šaltinius, kurie patenka į konteksto langą. Paminėjimai prieš mokymą dažnai nėra priskiriami. Tiesioginis nuskaitymas prideda URL, kuris įgalina priskyrimą.
5. Turinio struktūra
- Apibrėžimas: Semantinė HTML hierarchija, formatavimo elementai (lentelės, sąrašai, DUK) ir faktų tankis, dėl kurių puslapiai yra skaitomi mašininiu būdu.
- Kodėl tai svarbu: LLM ištraukia ir cituoja konkrečias ištraukas. Aiški struktūra palengvina puslapių analizę ir ištraukas. Kadangi raginimai vidutiniškai 5 kartus ilgesni už raktinius žodžius, struktūrinis turinys, atsakantis į kelių dalių klausimus, pranoksta puslapius su vienu raktiniu žodžiu.
- Tikslas: Naudokite semantinį HTML su aiškiomis H žymų hierarchijomis, lentelėmis palyginimams ir sąrašais surašyti. Padidinkite faktų ir sąvokų tankį, kad padidintumėte fragmento įnašo tikimybę.
6. DUK aprėptis
- Apibrėžimas: Klausimų ir atsakymų skyriai, atspindintys vartotojų pokalbio frazes, kurias naudoja LLM raginimuose.
- Kodėl tai svarbu: DUK formatai sutampa su tuo, kaip vartotojai teikia užklausas LLM („Kaip man…“, „Kuo skiriasi…“). Ši struktūrinė ir kalbinė atitiktis padidina citavimo ir paminėjimo tikimybę, palyginti su pagal raktinius žodžius optimizuotu turiniu.
- Tikslas: Kurkite DUK bibliotekas iš realių klientų klausimų (palaikymo bilietų, pardavimo skambučių, bendruomenės forumų), kuriose užfiksuoti atsirandantys raginimo modeliai. Stebėkite DUK naujienas naudodami lastReviewed arba DateModified schemą.
7. Turinio šviežumas
- Apibrėžimas: Turinio atnaujinimų dažnumas, matuojamas pagal „paskutinį kartą atnaujintą“ laiko žymes ir faktinius turinio pakeitimus.
- Kodėl tai svarbu: LLM analizuoja paskutinius atnaujintus metaduomenis, kad įvertintų šaltinio naujumą ir teiktų pirmenybę naujausiai informacijai, kaip tikslesnei ir aktualesnei.
- Tikslas: Atnaujinkite turinį per pastaruosius tris mėnesius, kad pasiektumėte maksimalų našumą. Daugiau nei 70 % „ChatGPT“ nurodytų puslapių buvo atnaujinti per 12 mėnesių, tačiau per pastaruosius tris mėnesius atnaujintas turinys veikia geriausiai.
8. Trečiųjų šalių paminėjimai („Webutation“)
- Apibrėžimas: Prekės ženklo paminėjimai, apžvalgos ir citatos išoriniuose domenuose (leidėjams, apžvalgų svetainėse, naujienų leidiniuose), o ne priklausančiose nuosavybėse.
- Kodėl tai svarbu: LLM išorinis patvirtinimas yra svarbesnis nei savireklama, nes vartotojas nori priimti sprendimą dėl pirkimo. Trečiųjų šalių turinys užtikrina nepriklausomą pretenzijų patikrinimą ir nustato kategorijų tinkamumą bendradarbiaujant su pripažintomis institucijomis. Jie padidina esybę didelių konteksto grafikų viduje.
- Tikslas: 85 % prekės ženklo paminėjimų AI paieškoje, kai raginama pirkti didelius ketinimus pirkti, gaunama iš trečiųjų šalių šaltinių. Uždirbkite kontekstines atgalines nuorodas iš autoritetingų domenų ir tvarkykite pilnus profilius kategorijų peržiūros platformose.
9. Organinės paieškos pozicija
- Apibrėžimas: Puslapių reitingavimas tradiciniuose paieškos sistemos rezultatų puslapiuose (SERP) pagal atitinkamas užklausas.
- Kodėl tai svarbu: Daugelis LLM naudoja paieškos variklius kaip paieškos šaltinius. Aukštesni organiniai reitingai padidina tikimybę patekti į LLM kandidatų grupę ir gauti citatų.
- Tikslas: Patekkite į „Google“ 10 populiariausių užklausų variantų, susijusių su pagrindinėmis temomis, o ne tik apie pagrindinius terminus. Kadangi LLM raginimai yra bendraujantys ir įvairūs, puslapių reitingavimas pagal daugelį ilgalaikių ir klausimais pagrįstų variantų turi didesnę citavimo tikimybę. Puslapiai, esantys 10 geriausių, rodo stiprią koreliaciją (~0,65) su LLM paminėjimais, o 76 % AI apžvalgos citatų patraukia iš šių pozicijų. Įspėjimas: koreliacija skiriasi priklausomai nuo LLM. Pavyzdžiui, AI apžvalgų sutapimas yra didelis, o „ChatGPT“ mažas.
Vartotojo pasirinkimas: užsidirbkite pasitikėjimo ir veiksmų
Pasitikėjimas yra labai svarbus, nes AI paieškoje susiduriame su vienu atsakymu, o ne su paieškos rezultatų sąrašu. Optimizavimas siekiant pasitikėjimo yra panašus į paspaudimų rodiklių optimizavimą klasikinėje paieškoje, tik tai užtrunka ilgiau ir yra sunkiau išmatuoti.
10. Įrodyta ekspertizė
- Apibrėžimas: Matomi kredencialai, sertifikatai, eilutės ir patikrinami įrodymai, patvirtinantys autoriaus ir prekės ženklo autoritetą.
- Kodėl tai svarbu: AI paieška pateikia atskirus atsakymus, o ne reitinguotus sąrašus. Naudotojai, kurie spustelėja, prieš imdamiesi veiksmų reikalauja stipresnių pasitikėjimo signalų, nes jie patvirtina galutinį pareiškimą.
- Tikslas: Gerai pateikite autoriaus kredencialus, pramonės sertifikatus ir patikrinamus įrodymus (klientų logotipus, atvejų analizės metriką, trečiųjų šalių testų rezultatus, apdovanojimus). Paremkite rinkodaros teiginius įrodymais.
11. Vartotojo sukurto turinio buvimas
- Apibrėžimas: Prekės ženklo atstovavimas bendruomenės valdomose platformose (Reddit, YouTube, forumuose), kur vartotojai dalijasi patirtimi ir nuomonėmis.
- Kodėl tai svarbu: Vartotojai patvirtina sintetinius AI atsakymus prieš žmogaus patirtį. Kai pasirodo AI apžvalgos, „Reddit“ ir „YouTube“ paspaudimų skaičius išauga nuo 18% iki 30%, nes vartotojai siekia socialinio įrodymo.
- Tikslas: Sukurkite teigiamą buvimą su kategorijomis susijusiuose antriniuose skelbimuose, „YouTube“ ir forumuose. „YouTube“ ir „Reddit“ nuolat patenka į 3 daugiausiai cituojamų LLM domenų.
Nuo pasirinkimo iki įsitikinimo
Paieška juda nuo gausos prie sintezės. Du dešimtmečius „Google“ reitinguojamas sąrašas leido vartotojams rinktis. AI paieška pateikia vieną atsakymą, kuris sujungia kelis šaltinius į vieną galutinį atsakymą.
Mechanika skiriasi nuo 2000-ųjų pradžios SEO:
- Atkūrimo langai pakeičia tikrinimo biudžetus.
- Pasirinkimo rodiklis pakeičia PageRank.
- Trečiosios šalies patvirtinimas pakeičia inkaro tekstą.
Strateginis reikalavimas yra identiškas: uždirbkite matomumą sąsajoje, kurioje naudotojai ieško. Tradicinis SEO tebėra pagrindas, tačiau AI matomumui reikia skirtingų turinio strategijų:
- Pokalbio užklausos aprėptis yra svarbesnė nei reitingavimas pagal terminą.
- Išorinis patvirtinimas yra svarbesnis nei priklausantis turinys.
- Struktūra svarbiau nei raktinių žodžių tankis.
Prekės ženklai, kurie dabar kuria sistemingas optimizavimo programas, padidins LLM srauto mastų pranašumus. Perėjimas nuo reitinguotų sąrašų prie galutinių atsakymų yra negrįžtamas.
Išskirtinis vaizdas: Paulo Bobita / Search Engine Journal
