Nedávno jsem hovořil s Jesse Dwyerem ze společnosti Perplexity o SEO a AI vyhledávání, zaměřil se na to, co by SEO odborníci měli dávat do popředí při optimalizaci pro AI vyhledávání. Jeho postřehy poskytly cenné pokyny pro nynější vydavatele a SEO specialisty. ### AI Vyhledávání dnes Jesse zdůraznil, že personalizace zásadně mění AI vyhledávání. Poznamenal: „Největší a nejjednodušší bod ohledně AEO (Answer Engine Optimization) versus SEO je, že už to není hra s nulovým součtem. Dva uživatelé se stejným dotazem mohou dostat odlišné odpovědi, pokud AI nástroj zapojuje osobní paměť v kontextovém okně (jako u Perplexity, ChatGPT). “ Tento posun pramení z odlišností v technologii indexace, což vysvětluje rozdíl mezi tradičním Geografickým optimalizováním (GEO) a AEO. Přesto většina tradičních osvědčených postupů SEO stále platí. Hlavní zprávou Dwyera je, že viditelnost ve vyhledávání už není o konzistentních výsledcích pro všechny uživatele. Odpovědi AI jsou formovány osobním kontextem, což znamená, že dva uživatelé mohou vidět výrazně odlišné odpovědi i zdroje obsahu pro ten samý dotaz. Ačkoliv infrastruktura zůstává klasickým indexem vyhledávání – Perplexity AI používá systém podobný PageRank, který hodnotí popularitu a relevanci stránek – načítané výsledky se výrazně liší od tradičního vyhledávání. Když jsem se zeptal, zda klasické vyhledávání obvykle zobrazuje stejných nejlepších stránek podle dotazu, zatímco AI vyhledávání generuje odlišné odpovědi díky konverzačnímu kontextu, Jesse potvrdil tento rozdíl. ### Zpracování poddokumentů: Klíčová odlišnost v AI vyhledávání Jesse dále vysvětlil hlavní technologii za AI vyhledáváním: rozdíl mezi zpracováním celých dokumentů a zpracováním jejich podčástí. Tradiční vyhledávače indexují celé webové stránky, hodnotí je a řadí jako celek.

AI nástroje využívající tento model – například vyhledávání v ChatGPT – stáhnou 10–50 nejlepších dokumentů a poté využijí velký jazykový model (LLM) k jejich shrnutí. Tento přístup je někdy označován jako „4 Bing vyhledávání v kabátu“, stále spoléhá na algoritmické vyhledávání, nikoliv na skutečné AI pro vyhledávání. Tato metoda je v souladu s GEO nebo Generativním optimalizováním, stále závislí na hodnocení celých stránek. Novější AI-první přístup – označovaný jako „zpracování poddokumentů“ – indexuje a načítá vysoce specifické a granulární úryvky místo celých dokumentů. V AI terminologii se úryvek skládá z přibližně 5–7 tokenů (2–4 slov), které jsou převedeny na numerické reprezentace pomocí architektury transformera, jenž stojí za modely jako GPT. Po zadání dotazu systém načte přibližně 130 000 tokenů hodnotných úryvků (zhruba 26 000 úryvků) do kontextového okna modelu – což je kapacita většiny současných LLMs – s cílem naplnit toto okno relevantními informacemi. Tento přístup minimalizuje tendenci modelu „hallucino- vat“ nebo vymýšlet informace, a umožňuje tak přesnější odpovědi. Toto indexování poddokumentů je směrem, kterým se odvětví ubírá, což zdůvodňuje označení AEO. Navíc personalizace vzniká tím, že LLM může do celého kontextového okna začlenit rozsáhlá data o uživateli – mnohem více než tradiční uživatelský profil Google – a tím poskytovat jedinečně přizpůsobené výsledky. Společnost jako Perplexity se odlišuje optimalizací toku dat mezi indexem a načítáním úryvků pomocí metod, jako je modulační výpočet, reformulace dotazů nebo proprietární modely, které společně zvyšují relevantnost úryvků a kvalitu odpovědí. Ačkoliv to není tak zásadní pro SEO specialisty, tyto pokroky také vysvětlují, proč je API vyhledávání Perplexity výjimečně pokročilé pro vývojáře, kteří integrují vyhledávání do jiných produktů. ### Shrnutí přístupů k indexaci Dwyer zdůraznil rozdíl mezi: - **Indexováním celých dokumentů:** Vyhledávání a řazení celých webových stránek, přičemž AI vytváří souhrn z finálního výběru. - **Indexováním poddokumentů:** Uchováváním a načítáním významu jako jemně rozlišených fragmentů, přičemž AI přímo odvozují závěry z těchto úryvků. Druhý přístup zvyšuje přesnost odpovědí tím, že plně naplní kontextové okno modelu relevantními daty, omezuje vymýšlení a produkuje bohatší odpovědi. Na závěr Jesse zdůraznil, že „modulace výpočtu“, reformulace dotazů a proprietární indexační modely tvoří jejich „tajnou ingredienci“ pro lepší načítání úryvků a kvalitu AI vyhledávání. **Obrázek v úvodním obrázku** od Shutterstock/Summit Art Creations