admin 
Jūs publikuojate puslapį, kuris išsprendžia tikrą problemą. Skaito švariai. Jame yra pavyzdžių ir uždengti kraštiniai dėklai. Jūs mielai įteiktumėte jį klientui.
Tada AI platformai užduodate tikslų klausimą, į kurį atsako puslapis, ir jūsų puslapis niekada nebus rodomas. Jokios citatos, jokios nuorodos, be parafrazės. Tik praleista.
Ta akimirka nauja. Ne todėl, kad platformos pateikia skirtingus atsakymus, nes dauguma žmonių tai jau priima kaip realybę. Poslinkis yra gilesnis. Žmogaus svarba ir modelio naudingumas gali skirtis.
Jei vis dar naudojate „kokybę“ kaip vieną universalų standartą, klaidingai diagnozuosite, kodėl turinys nepavyksta AI atsakymuose, ir gaišite laiką taisydami netinkamus dalykus.
The Naudingumo tarpas yra paprasčiausias būdas įvardyti problemą.
Kas The Naudingumo tarpas Is
Šis atotrūkis yra atstumas tarp to, ką žmogus laiko svarbiu, ir to, ką modelis laiko naudingu atsakymui pateikti.
Žmonės skaito, kad suprastų. Jie toleruoja apšilimą, niuansus ir pasakojimą. Jie slinks, kad surastų vieną svarbią pastraipą, ir dažnai priims sprendimą peržiūrėję visą puslapį arba didžiąją puslapio dalį.
Paieškos plius generavimo sistema veikia kitaip. Jis nuskaito kandidatus, sunaudoja juos dalimis ir išgauna signalus, leidžiančius atlikti užduotį. Tam nereikia jūsų istorijos, tik tinkamų dalių.
Šis skirtumas keičia tai, kaip „geras“ veikia.
Puslapis gali būti puikus žmogui ir vis tiek nenaudingas modeliui. Tas puslapis taip pat gali būti techniškai matomas, indeksuotas ir patikimas, tačiau vis tiek gali nepavykti, kai sistema bando jį paversti atsakymu.
Tai nėra teorija, kurią mes čia tyrinėjame, nes tyrimai jau atskiria svarbą nuo naudingumo LLM pagrįsto paieškos metu.
Kodėl aktualumas nebėra universalus
Daugelis standartinių IR reitingavimo metrikų yra tyčia aukščiausios, atspindinčios ilgalaikę prielaidą, kad su reitingu mažėja naudotojo naudingumas ir tyrimo tikimybė. Pagal RAG gautus elementus sunaudoja LLM, kuris paprastai įsisavina ištraukų rinkinį, o ne nuskaito reitinguotą sąrašą kaip žmogus, todėl klasikinės pozicijos nuolaidos ir tik tinkamumo prielaidos gali būti nesuderintos su atsakymo kokybe nuo galo iki galo. (Per daug supaprastinu, nes IR yra daug sudėtingesnis, nei gali užfiksuoti viena pastraipa.)
2025 m. paskelbtame dokumente apie LLM eros sistemų paieškos įvertinimą bandoma tai aiškiai išdėstyti. Teigiama, kad klasikiniai IR metrikai praleidžia du didelius neatitikimus: pozicijos nuolaida skiriasi LLM vartotojams, o žmogaus svarba nėra lygi mašinos naudingumui. Jame pristatoma anotacijų schema, pagal kurią matuojamos ir naudingos ištraukos, ir atitraukiančios ištraukos, tada pasiūloma metrika, vadinama UDCG (naudingumo ir blaškymosi sukauptas pelnas). Straipsnyje taip pat pateikiami eksperimentai su keliais duomenų rinkiniais ir modeliais, o UDCG pagerina koreliaciją su galutinio atsakymo tikslumu, palyginti su tradicine metrika.
Rinkodaros specialistas yra atviras. Tam tikras turinys ne tik ignoruojamas. Jis gali sumažinti atsakymo kokybę, ištraukdamas modelį iš vėžių. Tai naudingumo, o ne rašymo problema.
Susijęs įspėjimas gaunamas iš NIST. Iano Soboroffo“Nenaudokite LLM, kad priimtumėte tinkamus sprendimus“ teigia, kad vertinimo procese neturėtumėte pakeisti modelio sprendimų žmogaus svarbos sprendimų.
Tai svarbu jūsų strategijai. Jei aktualumas būtų universalus, modelis galėtų tapti žmogaus teisėju ir gautumėte stabilius rezultatus, bet ne.
The Naudingumo tarpas sėdi toje vietoje. Negalite manyti, kad tai, kas žmogui gerai skaito, bus traktuojama kaip naudinga sistemų, kurios dabar tarpininkauja atradimui.
Net jei yra atsakymas, modeliai jo nenaudoja nuosekliai
Daugelis komandų girdi „LLM gali užtrukti ilgą kontekstą“ ir manyti, kad tai reiškia „LLM suras tai, kas svarbu.“ Ši prielaida dažnai žlunga.
“Pasiklydę viduryje: kaip kalbos modeliai naudoja ilgus kontekstus“ rodo, kad modelio našumas gali smarkiai pablogėti, atsižvelgiant į tai, kur kontekste rodoma atitinkama informacija. Rezultatai dažnai atrodo geriausiai, kai atitinkama informacija yra arti įvesties pradžios arba pabaigos, ir blogiau, kai ji yra viduryje, net jei tai yra aiškiai ilgo konteksto modeliai.
Tai aiškiai susieja su žiniatinklio turiniu. Žmonės slinks. Modeliai gali nenaudoti puslapio vidurio taip patikimai, kaip tikitės. Jei jūsų pagrindinis apibrėžimas, apribojimas ar sprendimo taisyklė yra pusiaukelėje, jis gali tapti funkciškai nematomas.
Galite parašyti teisingą dalyką ir vis tiek įdėti jį ten, kur sistema nuolat jo nenaudoja. Tai reiškia, kad naudingumas yra ne tik teisingumas; tai taip pat apie ištraukiamumą.
Įrodymas laukinėje gamtoje: tas pats tikslas, kitoks naudingumo tikslas
Čia yra Naudingumo tarpas nuo tyrimo pereina prie tikrovės.
„BrightEdge“ paskelbė tyrimą, kuriame buvo lyginamas „ChatGPT“ ir „Google AI“ požiūris į matomumą pagal pramonės šaką. Sveikatos priežiūros srityje „BrightEdge“ praneša apie 62 % skirtumus ir pateikia pavyzdį, kuris svarbus rinkodaros specialistams, nes parodo, kad sistema pasirenka kelią, o ne tik atsakymą. „Kaip susirasti gydytoją“ ataskaitoje aprašoma, kad „ChatGPT“ stumia „Zocdoc“, o „Google“ nurodo ligoninių katalogus. Ta pati intencija. Skirtingas maršrutas.
Susijusioje jų ataskaitoje tai taip pat pateikiama kaip platesnis modelis, ypač į veiksmus orientuotose užklausose, kai platforma siekia skirtingų sprendimų ir konversijų paviršių.
Tai yra Naudingumo tarpas pasirodo kaip elgesys. Modelis atrenka tai, kas, jo nuomone, yra naudinga užduočiai atlikti, ir šie pasirinkimai gali būti naudingi agregatoriams, prekyvietėms, katalogams arba konkurento problemos formulavimui. Jūsų aukštos kokybės puslapis gali prarasti neklysdamas.
Perkeliamumas yra mitas, kurį turite atsisakyti
Senoji prielaida buvo paprasta. Jei sukuriate aukštos kokybės puslapį ir laimite ieškodami, laimite atradę, ir tai nebėra saugi prielaida.
BCG aprašo aptinkamumo pokytį ir pabrėžia, kaip matavimai pereina nuo reitingų prie matomumo AI tarpininkaujamuose paviršiuose. Jų kūrinys apima teiginį apie mažą tradicinės paieškos ir AI atsakymų šaltinių sutapimą, o tai sustiprina idėją, kad sėkmė neperduoda sistemose.
Profound paskelbė panašų argumentą, persidengimo atotrūkį nustatydamas kaip priežastį, dėl kurios geriausias „Google“ matomumas negarantuoja matomumo „ChatGPT“.
Metodas yra svarbus atliekant sutapimo tyrimus, todėl laikykite šiuos skaičius kaip krypties signalus, o ne fiksuotas konstantas. „Search Engine Land“ paskelbė kritiką dėl platesnės tendencijos, kad SEO tyrimai yra pernelyg sustiprinti arba apibendrinti, nei gali palaikyti jo metodai, įskaitant diskusiją apie sutapimo stiliaus teiginius.
Norint veikti, nereikia tobulo procento. Jums tereikia priimti principą. Matomumas ir našumas pagal numatytuosius nustatymus nėra nešiojami, o naudingumas yra susijęs su atsakymą surenkančia sistema.
Kaip matuojate Naudingumo tarpas Be laboratorijos
Norėdami pradėti, jums nereikia įmonės įrankių, tačiau jums reikia nuoseklumo ir nuoseklumo.
Pradėkite nuo 10 ketinimų, kurie turi tiesioginės įtakos pajamoms arba išlaikymui. Pasirinkite užklausas, kurios atspindi tikrus klientų apsisprendimo taškus: produkto kategorijos pasirinkimas, parinkčių palyginimas, dažnos problemos sprendimas, saugos ar atitikties įvertinimas arba tiekėjo pasirinkimas. Sutelkite dėmesį į tikslą, o ne į raktinio žodžio apimtį.
Vykdykite tą patį raginimą dirbtinio intelekto paviršiuose, kuriuos naudoja jūsų klientai. Tai gali apimti „Google Gemini“, „ChatGPT“ ir atsakymų variklį, pvz., „Perplexity“. Jūs nesiekiate tobulumo, o tik pasikartojančių skirtumų.
Kiekvieną kartą užfiksuokite keturis dalykus:
- Kokie šaltiniai yra cituojami arba nurodomi.
- Nesvarbu, ar jūsų prekės ženklas minimas (cituojamas, minimas, perfrazuojamas ar praleistas).
- Ar rodomas pageidaujamas puslapis.
- Nesvarbu, ar atsakymas nukreipia vartotoją link jūsų, ar tolyn nuo jūsų.
Tada įvertinkite tai, ką matote. Sudarykite balus paprastai, kad iš tikrųjų tai padarytumėte. Praktinė skalė paprastai atrodo taip:
- Jūsų turinys aiškiai nurodo atsakymą.
- Jūsų turinys rodomas, bet atlieka nedidelį vaidmenį.
- Jūsų turinio nėra, o trečioji šalis dominuoja.
- Atsakymas prieštarauja jūsų nurodymams arba nukreipia naudotojus ten, kur nenorite, kad jie eitų.
Tai tampa tavo Naudingumo tarpas pradinė linija.
Kai kartojate tai kas mėnesį, stebite dreifą. Pakartoję tai pakeitę turinį, galite pamatyti, ar sumažinote tarpą, ar tik perrašėte žodžius.
Kaip Jūs sumažinate Naudingumo tarpas Nepaversdami savo svetainės kontroliniu sąrašu
Tikslas nėra „rašyti dirbtiniam intelektui“. Siekiama, kad jūsų turinys būtų lengviau naudojamas sistemoms, kurios nuskaito ir renka atsakymus. Dauguma darbų yra struktūriniai.
Iš anksto pateikite sprendimui svarbią informaciją. Žmonės priima lėtą rampą. Paieškos sistemos apdovanoja švarius ankstyvus signalus. Jei vartotojo sprendimas priklauso nuo trijų kriterijų, įtraukite tuos kriterijus į viršų. Jei saugiausias numatytasis nustatymas yra svarbus, pasakykite tai iš anksto.
Rašykite tvirtus pareiškimus. Modeliai dažnai surenka atsakymus iš sakinių, kurie atrodo kaip stabilūs teiginiai. Aiškūs apibrėžimai, aiškūs apribojimai ir tiesioginės priežasties ir pasekmės formuluotės padidina naudojimo patogumą. Apdrausta, poetiška ar per daug pasakojama kalba žmonėms gali būti gerai perskaityta ir vis tiek sunku išgauti atsakymą.
Atskirkite pagrindines gaires nuo išimčių. Dažnas gedimo modelis yra pagrindinis kelias, kraštiniai dėklai ir produkto pranešimų maišymas viename tankiame bloke. Toks tankis padidina išsiblaškymo riziką, kuri atitinka UDCG darbo naudingumą ir išsiblaškymą.
Padarykite kontekstą aiškų. Žmonės daro išvadą, tačiau modeliai yra naudingi, kai nurodote prielaidas, geografiją, laiko jautrumą ir būtinas sąlygas. Jei nurodymai keičiasi atsižvelgiant į regioną, prieigos lygį arba naudotojo tipą, pasakykite tai aiškiai.
Puslapio viduryje esantį turinį vertinkite kaip trapų. Jei svarbiausia jūsų atsakymo dalis yra viduryje, reklamuokite jį arba pakartokite griežtesne forma pradžioje. Ilgo konteksto tyrimai rodo, kad padėtis gali pakeisti, ar informacija bus naudojama.
Pridėkite pirminius šaltinius, kai jie svarbūs. Jūs tai darote ne dėl papuošimo. Jūs suteikiate modeliui ir skaitytojui įrodymus, kad įtvirtintumėte pasitikėjimą.
Tai turinio inžinerija, o ne gudrybės.
Kur tai palieka jus
The Naudingumo tarpas nėra raginimas atsisakyti tradicinio SEO. Tai raginimas nustoti daryti prielaidą, kad kokybė yra nešiojama.
Dabar jūsų darbas vienu metu vykdomas dviem režimais. Žmonėms vis dar reikia puikaus turinio. Modeliams reikia naudoti turinio. Tie poreikiai sutampa, bet nėra tapatūs. Kai jie skiriasi, jūs gaunate nematomą nesėkmę.
Tai keičia vaidmenis.
Turinio autoriai nebegali traktuoti struktūros kaip formatavimo problemos. Struktūra dabar yra veiklos dalis. Jei norite, kad jūsų geriausias patarimas išgyventų gavimą ir sintezę, turite rašyti taip, kad mašinos galėtų greitai ir nesiblaškyti išgauti reikiamą dalyką.
PVO negali „turinio“ laikyti dalyku, kurį optimizuoja pakraščiuose. Techninis SEO tebėra svarbus, tačiau jis nebeneša visos matomumo istorijos. Jei jūsų pagrindinis svertas buvo tikrinimas ir puslapio higiena, dabar turite suprasti, kaip elgiasi pats turinys, kai jis suskaidomas, gaunamas ir sujungiamas į atsakymus.
Laimėjusios organizacijos nesiginčys dėl to, ar AI atsakymai skiriasi. Jie traktuos modelio santykinį naudingumą kaip išmatuojamą atotrūkį, o po to tyčia jį uždarys.
Daugiau išteklių:
Šis įrašas iš pradžių buvo paskelbtas Duane Forrester Decodes.
Teminis vaizdas: LariBat / Shutterstock
