Az elmúlt néhány évtizedben a SEO a lineáris láthatóságról szólt. Webhelye több kulcsszót kap magasabb pozícióban, ami viszont több kattintást eredményez, és a teljes keresési lehetőségek (MSV) és a versenytársak rangsorolásának összehasonlítása alapján készült.
Ez a modell jól működött, mert a keresés egy megosztott valóságon belül működött, és még a Google által alkalmazott „könnyed érintés” személyre szabottság mellett is volt egy felismerhető, többnyire reprodukálható keresési eredményoldal. A siker mérőszámai általánosan ismertek, megismételhetők, méretezhetők és érthetők voltak a SEO-szolgáltatások vásárlásakor.
A Google legújabb elmozdulása a személyes intelligencia irányába tovább fejleszti azt a változást, amelyet az elmúlt néhány évben tapasztaltunk az AI növekvő hozzáférhetősége és alkalmazása révén. Még a személyes intelligencia előtt is azt tapasztaltuk, hogy az összes LLM által elért eredmények nagymértékben különböznek a felhasználók között, és ritkán ismételhetők meg. Ez több annál, mint hogy egy mesterséges intelligencia interfész a keresés tetejére kerüljön, hanem elmozdulás a megosztott keresési eredményekről a megosztott valóságon belül az alapértelmezett személyes keresésre.
Ez az általunk ismert keresést távolítja el a „személyre szabott kereséstől” a felhasználói szokásokon alapuló, memória-tudatos és a felhasználók általános digitális lábnyoma, preferenciái és tapasztalatai által formálttá.
A felhasználók számára ez alakítja az emberek keresését, és eltávolodnak a „találj nekem információt” fogalmától a „találj nekem megoldást” felé. Ahogy a keresés/AI-keresés egyre inkább párbeszédet folytat, az utazások pedig egyre multimodálisabbak, kevésbé lineárisak, és a felhasználók minden eddiginél több információhoz férnek hozzá, a hosszú farokból a végtelen farok felé fejlődünk.
Hosszú faroktól a végtelen farokig
Az elmúlt néhány évtizedben a keresésről beszélünk a kulcsszavakra összpontosítva, jellemzően rövid és hosszú farkú lekérdezésekre bontva őket, ahol a rövid farkú keresés olyasmi lehet, mint az „olcsó nyaralás”, a hosszú farok keresése pedig specifikusabb, például „olcsó nyaralás családok számára Európában”. Amikor a hangalapú keresés kezdett elterjedni, elmozdulást tapasztaltunk a kérdésalapú keresések felé, ami egy teljes SEO-gazdasághoz vezetett, amely a kérdésközpontú tartalomra és a csatorna tetején lévő, információkon alapuló felfedezésre épült.
Short Tail > Long Tail > Infinite Tail
Ennek a modellnek akkor volt értelme, amikor a legtöbb keresés egyetlen helyen (a keresősávon) történt, de ma már nem ez a helyzet, mert az emberek a Google-on, a TikTokon, az Instagramon, a közösségi platformokon és az LLM-eken keresztül keresnek. Ez azt jelenti, hogy a keresés multimodálissá és többplatformúvá vált, a begépelt lekérdezéseken túlmenően hang-, kép-, videó- és társalgási üzenetekre terjed ki, olyan felhasználói utakat hozva létre, amelyek töredezettek, kiszámíthatatlanok, és távol állnak az egykor feltérképezett tiszta, lineáris utaktól, és amibe most belépünk, az az úgynevezett végtelen farok.
A csak kulcsszavas korszakban a felhasználók világos határokon belül működtek, és igyekeztek a megfelelő szavakat kiválasztani, mert megértették, hogy a rendszer ezektől a szavaktól függ. Eközben a kulcsszókutatási eszközök véges, mérhető kifejezéskészletet tükröztek, így a keresőkifejezések univerzuma hatalmasnak, de végül megszámlálhatónak tűnt, amit számszerűsíthetünk és modellezhetünk. A SEO iparág pontosan erre az alapra épült.
Az AI-keresés megváltoztatja ezt a dinamikát azáltal, hogy számos korlátot megszüntet, és áthelyez bennünket a természetes nyelvi interakciókra, a vegyes médiás kimenetekre és a társalgási finomításra. Az emberek többé nem éreznek nyomást arra, hogy szándékaikat gondosan megtervezett kifejezésekbe tömörítsék, és ehelyett természetesnek tűnő módon kifejezhetik, amit akarnak. Ez összhangban van az információkeresés elméletével, amely szerint a felhasználók vadászokként mozognak a foltok között, miközben folyamatosan mérlegelik az erőfeszítést a jutalommal szemben. Ha a súrlódás csökken, a felfedezés növekszik, a mesterséges intelligencia pedig drámai módon csökkenti ezt a súrlódást, lehetővé téve a felhasználók számára, hogy ugyanazon kognitív költségek nélkül keressenek árnyalatokat.
Ahogy a finomítás/kiegészítő felhasználói erőfeszítés költsége a nullához közelít, a felhasználók azt feltételezik, hogy a modell helyesen értelmezi őket, és így szabadabban kísérleteznek. A személyre szabottság elmélyülésével a súrlódás még tovább csökken. Az AI egyszerre tehermentesíti a felhasználó kognitív erőfeszítéseit a válaszok keretezésével, az összehasonlítások strukturálásával és több forrásból származó információk összegyűjtésével, így a felhasználóknak többé nem kell több lapot megnyitniuk, több cikket elolvasniuk és manuálisan összehasonlítani a lehetőségeket, mivel a rendszer képes szintetizálni és összegezni a nevükben.
Kulcsszókutatás az Infinite Tail számára
Ha a lekérdezési terület gyakorlatilag végtelen, a kulcsszókutatás nem maradhat egy rögzített lista felépítésének és az egyes kifejezések egyenkénti rangsorolásának folyamata.
A hagyományos kulcsszókutatás viszonylag stabil keresletet feltételezett. Meghatározta a fő kifejezéseket, kiterjesztette a long-tailre, figyelembe vette a GYIK-et, csoportosította őket klaszterekbe, és ennek megfelelően térképezte fel a tartalmat. A siker a lefedettség növelését jelentette a mérhető univerzumban.
A végtelen farokkal ahelyett, hogy egy előre meghatározott kulcsszókészletre optimalizálnánk, a szándékok kiterjesztésére és a szándékok kielégítésére optimalizálunk.
A fan-out lekérdezések azok a bővítések, amelyeket az AI-rendszer generál, miközben feltárja a szomszédos variációkat, az összehasonlítási szögeket, a korlátokat és a döntési tényezőket egy feladat körül. Egy egyszerű kérdés kb „csendes strandok novemberben” gyorsan bontakozhat olyan témákra, mint a tömegszint, a repülési útvonalak, az étkezési lehetőségek, a biztonság, a járhatóság és a költségvetési korlátok. A tartalomnak nem kell minden egyes megfogalmazásnál rangsorolnia, de teljes mértékben támogatnia kell a feladatot körülvevő tágabb döntési teret.
A földelő lekérdezések a rendszer érvényesítési rétegeként szolgálnak. Ezek az ellenőrzések megbízható forrásokból, strukturált adatokból, áttekintésekből és megerősítő jelekből származnak, hogy csökkentsék a hallucinációkat és a kockázatot. Ha az Ön márkája nincs szilárdan megalapozva egyértelmű entitásjelzéseken, mélyreható, aktuális lefedettségen, strukturált információkon és hiteles külső ellenőrzésen keresztül, akkor kevésbé valószínű, hogy kiválasztják, amikor a rendszernek meg kell indokolnia a válaszát.
A kulcsszókutatás most két különböző irányba bővül.
Először is, a kivonatolásról a felfedezőre vált, és a kifejezések összegyűjtése helyett azt vizsgáljuk, hogyan bomlanak le a feladatok, hogyan alakulnak ki lépésről lépésre a felhasználói utak, és hol ágazik el természetesen a szándék. Feltérképezzük a problémákat és a valós felhasználási eseteket, azokat a problémákat, amelyeket a felhasználók próbálnak megoldani, nem csak a keresési kifejezéseket, amelyeket járműként használnak az A-ból (a probléma) B-be (a megoldásba) jutáshoz.
Márka szinten is sokkal korlátozottabbá válik. A valószínűségi rangsorolási modellben az autoritás hajlamos egyértelműen meghatározott kategóriák köré csoportosulni. A valószínűségi rangsorolási modell olyan modell, amely megbecsüli, hogy egy tartalom mekkora valószínűséggel tesz eleget egy konkrét kikövetkeztetett szándéknak, ahelyett, hogy egyetlen kulcsszóhoz fix pozíciót rendelne hozzá.
Ha a forgalom üldözése során mindent – még a lazán kapcsolódókat is – rangsorolni próbál, gyengíti a jeleket. A széles körű, céltalan lefedettség erodálja pozícióját egyetlen szándékcsoporton belül. A stratégiai lépés tehát a szűkítés, nem a szélesítés.
Ezután meg kell határoznia azt a kategóriát, ahol az alapértelmezett választás legyen, majd sűrű, egymással összefüggő lefedettséget kell kiépítenie a valós használati esetek köré ezen a területen belül. Erősítse meg az entitás egyértelműségét, a bizalmi jelzéseket és a viselkedés megerősítését, hogy a megalapozó mechanizmusok következetesen megbízható tekintélyként ismerjék el Önt – és innen kezdi erősödni a márkaépítés az AI-keresésben.
Gyakorlatilag ez azt jelenti, hogy el kell távolodni attól a kérdéstől, hogy hány kulcsszó alapján rangsorolható, és ehelyett arra kell koncentrálni, hogy mennyire old meg teljesen egy meghatározott problémaosztályt, és hogy a rendszer mennyire konzisztensen társítja a márkáját ehhez a megoldási területhez. Utána pokolian hirdeti a közönségét, és befolyást nyer a személyre szabott keresés következő hullámában.
A végtelenben a forgalomnövekedés már nem kis kulcsszóvariációk rögzítéséből fakad. Ez abból adódik, hogy növeli annak valószínűségét, hogy a márkáját számtalan kibontakozási úton választják ki egy egyértelműen meghatározott szakterületen belül.
