David Hayes, Forsman & Bodenfors Europos skaitmeninės kompetencijos vadovas, pažymi ryškų posūkį, kai prekės ženklai suvokia, kad daugel metų sukaupta paieškos kapitalo vertė sparčiai keičiasi dėl dirbtinio intelekto raidos – nuo paieškos variklių iki atsakymų teikiančių sistemų. Dėl to dirbtinio intelekto paieškos optimizavimas tapo aukšto lygio diskusijos objektu daugelyje partnerių. McKinsey tyrimai patvirtina šį skubumą – rodo, kad jau pusė vartotojų naudoja dirbtinio intelekto varomą paiešką, o iki 2028 metų prognozuojama, kad šios platformos sugers 750 mlrd. dolerių vartotojų išlaidų. Rinkodaros specialistai dabar permąsto SEO strategijas, akcentuodami optimizaciją ne žmonėms, o algoritmams. Savannah Bishop, Fitzco skaitmeninių platformų vadovė, pabrėžia, kad šis posūkis reikalauja naujų tinklalapių struktūros strategijų, išskiriant tradicinį SEO nuo dirbtinio intelekto ir generatyvios paieškos variklių optimizacijos (AEO ir GEO). Šiuo metu pirkėjai randa prekės ženklus ne tik per Google paieškos rezultatus, kai AI paieška kuria „nulis paspaudimų“ aplinką, kurioje sudėtinga matuoti matomumą ar kurti strategiją. Agentūros sutaria dėl taktikų, tokių kaip aiškių klausimų ir atsakymų formatų naudojimas per dažniausiai užduodamus klausimus (DUK), turinio struktūrizavimas aplink klausimus ir atsakymus, o ne raktinius žodžius, papildyti alternatyvų tekstą vizualams ir nuosekliai pateikti prekės ženklo žinutę visuose kanaluose – nuo nuosavos medijos iki pranešimų spaudai ir influencerio kampanijų. Reputacija ir patikimumas yra svarbiausia, nes AI sistemos tikriausiai vertina šiuos veiksnius kaip pagrindinius rezultatų nustatymo kriterijus. Chris Rigas, Markacy medijos viceprezidentas, teigia, kad įvaizdis ir patikimumas vis labiau nusveria tiesioginį atsakymą. Jei kalbėsime apie praktinius dalykus, agentūros kaip Go Fish Digital naudoja prieinamas API, kad atgal vertintų AI modelius ir suprastų, kaip paieškos platformos renka turinį. Dan Hinckley, Go Fish produktų ir dirbtinio intelekto vadovas, nustatė, kad turinys, esantis viršuje puslapiuose, labiau tikėtina, bus parodytas AI paieškos rezultatuose.

Forsman & Bodenfors sukūrė dirbtinio intelekto agentus, treniruotus remiantis prekės ženklo tonu, matomumo standartais ir SEO metrika, kurie analizuoja klientų straipsnius, greitinant redakcinį procesą ir užtikrinant pranešimų nuoseklumą. Programinė įranga kaip Syndigo leidžia išlaikyti vienodą produktų duomenų srautą tarp mažmenininkų ir skaitmeninių platformų, gerinant AI apdorojimą. Taip pat keičiasi ir mokamos medijos strategijos: Fitzco rekomenduoja naudoti Google Performance Max kampanijas, kurios gali būti rodomos AI generuotose santraupose, net jei vartotojas nepaspaudžia nuorodų. Hinckley pabrėžia, kad AI kalbos modeliai siekia efektyviai teikti informaciją, kaip ir žmonės. Vis dėlto, įvertinti ir priskirti sėkmę AI paieškai išlieka sudėtinga dėl didžiųjų kalbos modelių (LLM) algoritmų neaiškios sandaros. Agentūros stebi tokius rodiklius kaip turinio pasirodymo dažnumas nulio paspaudimų rezultatuose ir stebi interneto srauto pokyčius po strategijos įgyvendinimo. Rigas primena, kad analitikos spragos apsunkina tikslų veiksnių nustatymą, kurie iš tiesų skatina rezultatų gerėjimą. Nepaisant pagundų, agentūrų vadovai įspėja nuo juodųjų SEO metodų. Reddit, kaip viena pagrindinių duomenų rinkimo išteklių AI mokymuisi, neseniai pasiūmė bylinėjimąsi su Perplexity dėl neteisėto duomenų šaltinio naudojimo. Kai kurios prekės ženklai kūrybiškai rengia reklaminį turinį, siekdami pritraukti LLM „pavogėjus“, o anksčiau naudotos taktikos kaip „cloaking“ – matoma tekstą, įterptą nematomą, kad algoritmas jį aptiktų, – jau išryškėjo. Tačiau ekspertai perspėja, kad tokie triukai gali atvirkščiai pakenkti, nes AI modeliai gali išmokti atpažinti ir neutralizuoti tokius bandymus. Hayes pabrėžia, kad būtinas protingas, bandymų ir mokymosi požiūris, ir patvirtina, kad nėra jokių sprendimų arba „hacks“, kaip padidintiAI matomumą – bandymai apgauti sistemą dažniausiai baigsis nesėkme, kaip ir ankstyvoje SEO manipulacijoje.