Az emberek folyamatosan azt kérdezik tőlem, hogy mi kell ahhoz, hogy megjelenjen az AI-válaszokban. Konferenciafolyosókon, LinkedIn-üzenetekben, hívás közben és workshopokon kérdeznek. A kérdések mindig másként hangzanak, de a szándék ugyanaz. Az emberek tudni szeretnék, hogy a meglévő SEO munkájukból mennyi érvényes még. Tudni akarják, mit kell megtanulniuk ezután, és hogyan kerülhetik el a lemaradást. Leginkább világosságot akarnak (ezért az új könyvem!). Az iparág alatti talaj mintha egyik napról a másikra megmozdult volna, és mindenki azt próbálja kitalálni, hogy az elmúlt húsz év során felépített készségei számítanak-e még.
Megteszik. De nem olyan arányban, mint régen. És nem ugyanazon okokból.
Amikor elmagyarázom, hogy a GenAI rendszerek hogyan választanak tartalmat, mindig ugyanazt a reakciót látom. Először is megkönnyebbülés, hogy az alapok még mindig számítanak. Aztán felvillan az aggodalom, amikor rájönnek, hogy az általuk választhatóként kezelt munka mekkora része most kötelező. És végül a kíváncsiság és a kényelmetlenség keveréke, amikor a munka új rétegéről értesülnek, amely egyszerűen még öt évvel ezelőtt sem létezett. Ez az utolsó pillanat az, amikor a kihagyástól való félelem motivációvá válik. A tanulási görbe nem olyan meredek, mint ahogy az emberek képzelik. Az egyetlen valódi kockázat az, ha feltételezzük, hogy a jövőbeli láthatóság a tegnapi szabályokat követi.
Ezért segít ez a háromrétegű modell. Szerkezetet ad egy rendetlen változásnak. Megmutatja, hogy mi az, ami áthúzódik, mi az, ami több figyelmet igényel, és mi az, ami teljesen új. És lehetővé teszi, hogy okosan döntsön arról, hol tölti az idejét legközelebb. Mint mindig, nyugodtan ne értsen egyet velem, vagy támogassa az ötleteimet. Jól vagyok bármelyikkel. Egyszerűen megpróbálom megosztani azt, amit értek, és ha mások úgy gondolják, hogy a dolgok másképp vannak, az teljesen rendben van.
Ez az első készlet azt a munkát tartalmazza, amelyet minden tapasztalt SEO már ismer. Egyik sem új. Ami megváltozott, az a félreértés ára. Az LLM rendszerek nagymértékben függenek az egyértelmű hozzáféréstől, a világos nyelvezettől és a stabil aktuális relevanciától. Ha már erre a munkára koncentrálsz, akkor jó kiindulási helyzetben vagy.
Már ír, hogy megfeleljen a felhasználói szándéknak. Ez a képesség közvetlenül átkerül a GenAI világába. A különbség az, hogy az LLM-ek a jelentést értékelik, nem a kulcsszavakat. Azt kérdezik, hogy a tartalom egy része egyértelműen válaszol-e a felhasználó szándékára. Már nem törődnek a kulcsszavak lefedettségével vagy az okos megfogalmazással. Ha a tartalom megoldja azt a problémát, amelyet a felhasználó a modellhez hoz, a rendszer megbízik benne. Ha eltér a témától, vagy több ötletet kever ugyanabban a csonkban/blokkban, akkor megkerüli.
Ez egy másik régóta fennálló készség, amely egyre fontosabbá válik. Ha a bejáró nem tudja tisztán lekérni a tartalmat, az LLM nem támaszkodhat rá. Zseniális tartalmat tudsz írni és tökéletesen felépíteni, és semmi sem számít, ha a rendszer nem tud hozzájutni. A tiszta HTML, az ésszerű oldalstruktúra, az elérhető URL-ek és az áttekinthető robots.txt fájl továbbra is alapvető. Mostantól a vektorindex minőségét is befolyásolják, és azt is, hogy a tartalom milyen gyakran jelenik meg az AI-válaszokban.
A gyorsan változó témák frissítése manapság fontosabb. Amikor egy modell információkat gyűjt, a témáról a legstabilabb és legmegbízhatóbb képet akarja. Ha a tartalom pontos, de elavult, a rendszer gyakran egy versenytárs frissebb darabját részesíti előnyben. Ez kritikussá válik az olyan kategóriákban, mint a szabályozás, az árképzés, az egészségügy, a pénzügy és a feltörekvő technológia. Amikor a téma mozog, a frissítéseknek is együtt kell mozogniuk vele.
Ez mindig is a SEO középpontjában állt. Most még fontosabbá válik. Az LLM-ek a szakértelem mintáit keresik. Az egyszeri lefedettség helyett előnyben részesítik azokat a forrásokat, amelyek egy téma mélységét mutatják be. Amikor a modell megpróbál megoldani egy problémát, olyan blokkokat választ ki olyan forrásokból, amelyek következetesen mérvadónak tűnnek az adott témában. Ez az oka annak, hogy a vékony tartalomstratégiák összeomlanak a GenAI világában. Mélységre van szükséged, nem fedésre a fedés kedvéért.
Ez a második csoport olyan feladatokat tartalmaz, amelyek a régi SEO-ban léteztek, de ritkán végeztek fegyelmezetten. A csapatok könnyedén érintették őket, de nem kezelték kritikusnak. A GenAI-korszakban ezeknek igazi súlyuk van. Többet csinálnak, mint a tartalom csiszolását. Közvetlenül befolyásolják a darabok lekérését, a beágyazás minőségét és az idézési arányt.
A szkennelés régebben számított, mert az emberek átfutják az oldalakat. Most a darabhatárok számítanak, mert a modellek blokkokat kérnek le, nem oldalakat. Az ideális blokk egy szűk 100–300 szóból álló blokk, amely egyetlen gondolatot fed le, sodródás nélkül. Ha több ötletet csomagol egy blokkba, a visszakeresés szenved. Ha hosszú, kanyargós bekezdéseket hoz létre, a beágyazás elveszti a fókuszt. A legjobban teljesítő darabok kompaktak, strukturáltak és áttekinthetők.
Ez régen stíluspreferencia volt. Ön dönti el, hogyan nevezze el termékét vagy márkáját, és igyekszik következetes maradni. A GenAI korszakában az entitás egyértelműsége technikai tényezővé válik. A modellek beágyazása numerikus mintákat hoz létre az entitások kontextusban való megjelenése alapján. Ha a névadásod eltolódik, a beágyazások is eltolódnak. Ez csökkenti a visszakeresési pontosságot, és csökkenti annak esélyét, hogy a modell használja. A stabil elnevezési minta megkönnyíti a tartalom párosítását.
A csapatok a statisztikákat beleszórták a tartalomba, hogy hitelesnek tűnjenek. Ez már nem elég. Az LLM-eknek biztonságos, konkrét tényekre van szükségük, amelyeket kockázat nélkül idézhetnek. Számokat, lépéseket, definíciókat és éles magyarázatokat keresnek. Ha a tartalom stabil tényeket tartalmaz, amelyeket könnyű kiemelni, megnő az esélye, hogy hivatkoznak rá. Ha a tartalom homályos vagy nehézkes, akkor kevésbé leszel használható.
A linkek továbbra is számítanak, de az említés forrása fontosabb. Az LLM-ek nagy súlyt adnak a képzési adatoknak. Ha az Ön márkája olyan helyeken jelenik meg, amelyek az erős szabványokról ismertek, a modell bizalmat épít az entitása körül. Ha főként gyenge tartományokon jelenik meg, akkor ez a bizalom nem jön létre. Ez nem klasszikus link equity. Ez a jó hírnév egy modell edzésmemóriájában.
A tiszta írás mindig segített a keresőmotoroknak megérteni a szándékot. A GenAI-korszakban ez segít a modellnek abban, hogy a tartalmat a felhasználó kérdéséhez igazítsa. Az okos marketingnyelv kevésbé pontosítja a beágyazást. Az egyszerű, pontos nyelvezet javítja a visszakeresés következetességét. A célod nem a modell szórakoztatása. A célod az, hogy egyértelmű legyen.
Ez az utolsó csoport olyan munkát tartalmaz, amelyre az iparnak korábban soha nem kellett gondolnia. Ezek a feladatok nagymértékben nem léteztek. Ma már ők a láthatósághoz leginkább hozzájárulók. A legtöbb csapat még nem végzi el ezt a munkát. Ez az igazi szakadék a mesterséges intelligencia válaszaiban megjelenő márkák és az eltűnt márkák között.
Az LLM nem rangsorolja az oldalakat. Rangsorolja a darabokat. Minden darab versenyez az összes többi darabbal ugyanabban a témában. Ha a darabok határai gyengék, vagy a blokk túl sok ötletet takar, veszít. Ha a blokk szoros, releváns és strukturált, nő az esélye, hogy kiválasztják. Ez a GenAI láthatóságának alapja. A visszakeresés mindent meghatároz, ami ezután következik.
A tartalom végül vektorokká válik. A struktúra, a tisztaság és a konzisztencia alakítja ezeknek a vektoroknak a megjelenését. A tiszta bekezdések tiszta beágyazást hoznak létre. A vegyes koncepciók zajos beágyazásokat hoznak létre. Amikor a beágyazások zajosak, kis különbséggel elvesztik a lekérdezéseket, és soha nem jelennek meg. Ha a beágyazások tiszták, gyakrabban igazodnak egymáshoz, és felfelé haladnak a visszakeresés során. Ez láthatatlan munka, de meghatározza a sikert a GenAI világában.
Az egyszerű formázási lehetőségek megváltoztatják azt, hogy a modell miben bízik. A címsorok, címkék, definíciók, lépések és példák visszakeresési jelzésként működnek. Segítenek a rendszernek a tartalmat a felhasználó igényeihez igazítani. Csökkentik a kockázatot is, mert a kiszámítható struktúra könnyebben érthető. Ha tiszta jeleket ad, a modell gyakrabban használja az Ön tartalmát.
Az LLM-ek másként értékelik a bizalmat, mint a Google vagy a Bing. Keresik a szerzői információkat, a hitelesítő adatokat, a tanúsítványokat, az idézeteket, a származást és a stabil beszerzést. Előnyben részesítik a felelősséget csökkentő tartalmakat. Ha egyértelmű bizalomjelzőket ad a modellnek, akkor magabiztosan használhatja a tartalmat. Ha a bizalom gyenge vagy hiányzik, a tartalom háttérzaj lesz.
A modelleknek struktúrára van szükségük az ötletek közötti kapcsolatok értelmezéséhez. A számozott lépések, definíciók, átmenetek és szakaszhatárok javítják a visszakeresést és csökkentik a zavartságot. Ha tartalma előre látható mintákat követ, a rendszer biztonságosabban tudja használni. Ez különösen fontos a tanácsadói tartalom, a technikai tartalom és minden olyan téma esetében, amely jogi vagy pénzügyi kockázattal jár.
A GenAI-ra váltás nem jelenti a visszaállítást. Ez egy átformálás. Az emberek továbbra is segítséget, ötleteket, termékeket, válaszokat és megnyugvást keresnek. Csak olyan rendszereken keresztül teszik ezt, amelyek másként értékelik a tartalmat. Látható maradhatsz ebben a világban, de csak akkor, ha nem várod, hogy a tegnapi játékkönyv ugyanazokat az eredményeket hozza. Ha megérted, hogyan működik a visszakeresés, hogyan kezelik a darabokat, és hogyan modellezik a jelentést, felszáll a köd. A munka ismét világossá válik.
A legtöbb csapat még nincs ott. Még mindig optimalizálják az oldalakat, miközben az AI-rendszerek a darabokat értékelik. Még mindig kulcsszavakban gondolkodnak, miközben a modellek összehasonlítják a jelentéseket. Még mindig csiszolják a másolatot, miközben a modell bizalmi jeleket és strukturált tisztaságot keres. Ha mindhárom réteget megérted, akkor abbahagyod a találgatást, hogy mi számít. Elkezdi úgy alakítani a tartalmat, ahogyan azt a rendszer valóban olvassa.
Ez nem elfoglaltság. Ez a felfedezés következő évtizedének stratégiai alapja. A korán alkalmazkodó márkák olyan előnyre tesznek szert, amely idővel fokozódik. Az AI nem jutalmazza a leghangosabb hangot. A legtisztábbat jutalmazza. Ha most erre a jövőre épít, a tartalma folyamatosan megjelenik azokon a helyeken, ahol az ügyfelek legközelebb keresnek.
Az új könyvem, a „The Machine Layer: How to Stay Visible and Trusted in the Age of AI Search” már elérhető az Amazon.com oldalon. Ez az az útmutató, amilyennek szerettem volna létezni, amikor észrevettem, hogy a régi játékkönyv (rangsorok, forgalom, átkattintási arányok) lassan egyre kevésbé jósolja meg a tényleges üzleti eredményeket. A váltás nem elvont. Amikor a mesterséges intelligencia rendszerek eldöntik, hogy melyik tartalom legyen lekérve, mely tartalomra hivatkozzon, és mely tartalmat bízza meg, akkor azt is eldöntik, hogy melyik szakértelem marad látható, és melyik válik irrelevánssá. A könyv lefedi azokat a technikai architektúrákat, amelyek ezeket a döntéseket vezérlik (tokenizálás, darabolás, vektorbeágyazás, visszakereséssel bővített generálás), és lefordítja azokat a ténylegesen használható keretrendszerekre. Olyan gyakorló szakemberek számára készült, akiknek szerepe folyamatosan fejlődik, vezetőknek, akik megpróbálják megérteni a mérőszámok változását, és mindenki számára, aki úgy érezte, hogy kellemetlen szakadék nyílik meg a korábban működő és a most működő között.
Ez a bejegyzés eredetileg a Duane Forrester Decodes oldalon jelent meg.
