A LinkedIn közzétette a belső tesztelés eredményeit arra vonatkozóan, hogy mi befolyásolja a láthatóságot az AI által generált keresési eredményekben.
A cég, amely állítólag az AI-válaszokban legtöbbször hivatkozott források közé tartozik, megosztotta, hogy mi segített javítani jelenlétét az LLM-ekben és az AI-áttekintésekben. Az AI-kereséshez alkalmazkodó gyakorló szakemberek számára ez egy ritka pillantás arra, amit egy sokat hivatkozott forrás tesztelt és mért.
Egy blogbejegyzésben Inna Meklin, a LinkedIn digitális marketingért felelős igazgatója és Cassie Dell, a LinkedIn organikus növekedési részlegének csoportmenedzsere részletezte az eredményeket hozó taktikákat.
Tartalom szerkezete és jelölése
A LinkedIn megállapította, hogy a tartalom rendszerezése befolyásolja, hogy az LLM-ek ki tudják-e bontani és felszínre tudják hozni azt. A szerzők azt írták, hogy a címsorok és az információs hierarchia számítanak, mert „minél strukturáltabb és logikusabb a tartalom, annál könnyebben megértik és felszínre hozzák az LLM-ek”.
A szemantikus HTML-jelölések is szerepet játszottak, az áttekinthető szerkezet segítségével az LLM-ek értelmezni tudják, mire valók az egyes szakaszok. A szerzők ezt „AI olvashatóságnak” nevezték.
A lényeg az, hogy a tartalomszerkezet már nem csak a felhasználói élmény szempontja. A megfelelő címsorhierarchia és a tiszta jelölés befolyásolhatja, hogy a tartalomra hivatkoznak-e.
Szakértői szerzőség és időbélyegek
A LinkedIn tesztelése hitelességi jelekre is rámutatott. A szerzők ezt írták:
„Az LLM-ek olyan tartalmakat részesítenek előnyben, amelyek hitelességet és relevanciát jeleznek, valódi szakértők szerzői, egyértelműen időbélyeggel vannak ellátva, és társalgási, betekintési stílusban íródnak.”
A látható hitelesítő adatokkal és egyértelmű közzétételi dátumokkal rendelkező, megnevezett szerzők jobban teljesítettek a LinkedIn tesztelése során, mint a névtelen vagy dátum nélküli tartalom.
A mérés változása
A LinkedIn új KPI-ket adott hozzá a figyelemfelkeltő tartalom forgalmához, követi a hivatkozási arányt, a láthatósági arányt és az LLM-említéseket az AI láthatósági szoftver használatával. A vállalat azt is közölte, hogy belső elemzésében új forgalmi forrást hoz létre kifejezetten az LLM-vezérelt látogatásokhoz, és figyeli az LLM-botok viselkedését a CMS-naplókban.
A szerzők elismerték a mérési kihívást:
„Egyszerűen nem tudtuk számszerűsíteni, hogy az LLM-válaszokon belüli láthatóság hogyan befolyásolja az eredményt.”
Azoknál a csapatoknál, amelyek továbbra is a forgalmat jelentik elsődleges keresőoptimalizálási mutatóként, itt hiányosság van. Ha a nem márkával kapcsolatos információs tartalmat egyre inkább a mesterséges intelligencia válaszaiban fogyasztják, nem pedig a webhelyén, akkor előfordulhat, hogy a forgalom alulszámolja a tényleges elérést.
Miért számít ez?
Ami felkeltette a figyelmemet, az az, hogy ez mennyire átfedésben van azzal, amit maguk az AI-platformok mondanak.
A SEJ munkatársa, Roger Montti a közelmúltban interjút készített Jesse Dwyerrel a Perplexitytől arról, hogy mi határozza meg az AI-keresés láthatóságát. Dwyer elmagyarázta, hogy a Perplexity az aldokumentum szintjén kéri le a tartalmat, szemcsés töredékeket húzva ki, ahelyett, hogy teljes oldalakon érvelne. Ez azt jelenti, hogy a tartalom felépítése befolyásolja, hogy egyáltalán kivonat-e.
A LinkedIn megállapításai ugyanebbe az irányba mutatnak kiadói oldalról. A szerkezet és a jelölés számít, mert az LLM-ek töredékekben elemzik a tartalmat. A LinkedIn által azonosított hitelességi jelek, például a szakértői szerzőség és az időbélyegek, úgy tűnik, befolyásolják, hogy mely töredékek kerüljenek a felszínre.
Ha egy sokat hivatkozott forrás és egy mesterséges intelligencia keresőplatformja egymástól függetlenül ugyanazokra a következtetésekre jut, akkor a találgatásokon túl van mit dolgoznia.
Előre tekintve
A szerzők egy másik gondolkodásmódot alkalmaznak, amelyből a szakemberek tanulhatnak:
„Eltávolodunk a „keresés, kattintás, webhely” gondolkodástól egy új modell felé: légy látható, megemlítve, figyelembe kell venni, válasszunk.”
A LinkedIn jelezte, hogy a sorozat 3. része útmutatót fog tartalmazni a tulajdonában lévő tartalom MI-kereséshez történő optimalizálásához, amely a válaszblokkokat és az explicit definíciókat tartalmazza.
