admin 
„LinkedIn“ paskelbė savo vidinio bandymo išvadas apie tai, kas skatina AI sugeneruotų paieškos rezultatų matomumą.
Pranešama, kad bendrovė, kuri, kaip pranešama, yra viena iš dažniausiai cituojamų AI atsakymų šaltinių, pasidalijo, kas padėjo pagerinti jos dalyvavimą LLM ir AI apžvalgose. Praktikuojantys specialistai, prisitaikantys prie AI paieškos, tai retas žvilgsnis į tai, ką gausiai cituojamas šaltinis išbandė ir įvertino.
Tinklaraščio įraše Inna Meklin, „LinkedIn“ skaitmeninės rinkodaros direktorė, ir Cassie Dell, „LinkedIn“ organinio augimo grupės vadovė, išsamiai išdėstė taktiką, kuri davė rezultatų.
Turinio struktūra ir žymėjimas
„LinkedIn“ nustatė, kad tai, kaip tvarkote turinį, turi įtakos tai, ar LLM gali jį išgauti ir pateikti. Autoriai rašė, kad antraštės ir informacijos hierarchija yra svarbios, nes „kuo struktūriškesnis ir logiškesnis jūsų turinys, tuo lengviau LLM jį suprasti ir pateikti“.
Semantinis HTML žymėjimas taip pat suvaidino svarbų vaidmenį, kurio aiški struktūra padėjo LLM suprasti, kam skirta kiekviena skiltis. Autoriai tai pavadino „AI skaitomumu“.
Svarbu tai, kad turinio struktūra nebėra tik UX aspektas. Tinkama antraščių hierarchija ir švarus žymėjimas gali turėti įtakos tam, ar jūsų turinys bus cituojamas.
Ekspertų autorystė ir laiko žymos
„LinkedIn“ bandymai taip pat parodė patikimumo signalus. Autoriai rašė:
„LLM teikia pirmenybę turiniui, kuris rodo patikimumą ir aktualumą, sukurtas tikrų ekspertų, aiškiai pažymėtas laiko žyme ir parašytas pokalbio, įžvalgos stiliumi.
Panašu, kad įvardyti autoriai, turintys matomus kredencialus ir aiškias paskelbimo datas, „LinkedIn“ testuose pasirodė geriau nei anoniminis ar be datos turinys.
Matavimo pasikeitimas
„LinkedIn“ pridėjo naujus KPI, kartu su srautu, skirtu informuotumo etapu turiniui, citavimo dalies stebėjimui, matomumo rodikliui ir LLM paminėjimui naudojant AI matomumo programinę įrangą. Bendrovė taip pat teigė, kad sukuria naują srauto šaltinį savo vidinėje analizėje, specialiai skirta LLM pagrįstiems apsilankymams, ir stebi LLM robotų elgesį TVS žurnaluose.
Autoriai pripažino matavimo iššūkį:
„Mes tiesiog negalėjome kiekybiškai įvertinti, kaip LLM atsakymų matomumas paveikia esmę.
Komandoms, kurios vis dar praneša apie srautą kaip pagrindinę PVO metriką, čia yra spragų. Jei su prekės ženklu nesusijęs informacinis turinys vis dažniau naudojamas AI atsakymuose, o ne svetainėje, srautas gali neįvertinti jūsų faktinio pasiekiamumo.
Kodėl tai svarbu
Mano dėmesį patraukė tai, kiek tai sutampa su tuo, ką sako pačios AI platformos.
SEJ atstovas Rogeris Montti neseniai apklausė Jesse Dwyerį iš „Perplexity“ apie tai, kas skatina AI paieškos matomumą. Dwyeris paaiškino, kad „Perplexity“ nuskaito turinį antrinio dokumento lygiu, ištraukdamas smulkius fragmentus, o ne samprotavimus per visus puslapius. Tai reiškia, kad turinio struktūra turi įtakos tai, ar jis iš viso bus išgaunamas.
„LinkedIn“ išvados rodo tą pačią kryptį iš leidėjo pusės. Struktūra ir žymėjimas yra svarbūs, nes LLM analizuoja turinį fragmentais. Panašu, kad „LinkedIn“ nustatyti patikimumo signalai, pvz., ekspertų autorystė ir laiko žymos, turi įtakos, kokie fragmentai pasirodo.
Kai gausiai cituojamas šaltinis ir AI paieškos platforma daro tas pačias išvadas nepriklausomai, jūs turite su kuo dirbti, nei spėlioti.
Žvilgsnis į priekį
Autoriai laikosi kitokio mąstymo, iš kurio gali pasimokyti praktikai:
„Mes tolstame nuo mąstymo „paieška, spustelėkite, svetainė“ ir pereiname prie naujo modelio: būk matomas, būk paminėtas, apsvarstytas, būk išrinktas.
„LinkedIn“ nurodė, kad į 3 serijos dalį bus įtrauktas vadovas, kaip optimizuoti priklausantį turinį AI paieškai, apimantį atsakymų blokus ir aiškius apibrėžimus.
