Viime aikoina puhuin Jesse Dwyerin kanssa Perplexitystä AI-hauista ja SEO:sta, keskittyen siihen, mihin SEO-ammattilaisten tulisi nykyisin kiinnittää huomiota optimoidessaan AI-hakuja. Hänen oivalluksensa tarjosivat arvokasta ohjausta julkaisijoille ja SEO-ammattilaisille tänään. ### AI-haku nykypäivänä Jesse korosti, että personointi muuttaa perinteistä AI-hakua perustavanlaatuisesti. Hän totesi: „Suurin ja yksinkertaisin ero AEO:n (Answer Engine Optimization) ja SEO:n välillä on se, että tässä ei ole enää nollasummapeli. Kaksi käyttäjää samasta hausta voivat saada erilaisia vastauksia, jos AI-työkalu hyödyntää henkilökohtaista muistia kontekstinäkymässä (kuten Perplexity, ChatGPT). ” Tämä muutos johtuu indeksointiteknologian eroista, selittäen perinteisen maantieteellisen haun optimoinnin (GEO) ja AEO:n välisen hajontan. Silti suurin osa perinteisistä SEO-parhaiten käytännöistä pätee edelleen. Dwyerin ydinviesti on, että hakukonenäkyvyys ei enää tarkoita johdonmukaisia tuloksia käyttäjien välillä. AI-vastaukset muodostuvat henkilökohtaisen kontekstin perusteella, mikä tarkoittaa, että kaksi käyttäjää saavat selvästi erilaisia vastauksia ja taustalta löytyviä sisältölähteitä samalle haulle. Vaikka infrastruktuuri pysyy klassisena hakutallenteena—Perplexity AI käyttää sistemaattista arviointia, kuten PageRank-tyyppistä järjestelmää, joka arvioi sivustojen suosiota ja relevanssia—tulokset poikkeavat huomattavasti perinteisestä hausta. Kysyin, mikäli perinteinen haku yleensä näyttää samat top-sivustot haulle, kun taas AI-haku tuottaa vaihtelevia vastauksia keskustelukontekstin vuoksi, Jesse vahvisti tämän eron. ### Aliasdokumenttien käsittely: Avainero AI-haussa Jesse selitti vielä tärkeän teknologisen eron AI-haussa: kokonaisdokumenttien ja alatiedostojen käsittelyn välillä. Perinteiset hakukoneet indeksoivat koko verkkosivut, arvioiden ja järjestäen ne yhtenä yksikkönä. AI-työkalut, jotka käyttävät tätä mallia—kuten ChatGPT:n verkkohaku—hakevat kymmenestä viiteenkymmeneen dokumenttiin ja käyttävät suurta kielimallia (LLM) tulosten tiivistämiseen.

Tätä lähestymistapaa on joskus kuvaillaan nimellä ”neljä Bing-hakua peräkkäin takki päällä”, ja se perustuu edelleen algoritmiseen hakuun ei oikeaan AI-pääsyyn. Tämä menetelmä vastaa GEO- tai Generative Engine Optimization -mallia, jossa edelleen keskeisenä on koko sivun arviointi. Uusi AI-keskeinen lähestymistapa—jota kutsutaan ”alatiedostalajiksi”—indeksoi ja hakee erittäin tarkkoja, yksityiskohtaisia katkelmia koko dokumenttien sijaan. AI:n termien mukaan katkelma koostuu noin 5–7 tokenista (2–4 sanaa), jotka muutetaan numeerisiksi esityksiksi transformer-arkkitehtuurilla, kuten GPT:llä, ja jotka ankkuroidaan mallin kontekstinäkymään. Kun kysymys esitetään, järjestelmä hakee noin 130 000 tokenin arvosta relevantteja katkelmia (noin 26 000 katkelmaa) ja lisää ne LLM:n kontekstiin—jossa nykyiset mallit yleensä toimivat—tavoitteena on täyttää tämä näkymä mahdollisimman relevantilla tiedolla. Tämä kontekstin täyttäminen vähentää mallin taipumusta “hallusinoida” eli keksiä tietoa, mikä mahdollistaa tarkemmat vastaukset. Tämä alatiedostojen indeksointi on tällä hetkellä suunta, johon ala on menossa, ja oikeuttaa termin AEO. Lisäksi personointi syntyy siitä, että LLM voi hyödyntää laajamittaista käyttäjädatan integrointia koko kontekstiin—päinvastoin kuin perinteinen Google-profiili—tuottaen yksilöllisesti räätälöityjä tuloksia. Yritys kuten Perplexity erottautuu optimoimalla tiedonvälitysketjua indeksin ja katkelmien haun välillä käyttämällä menetelmiä kuten laskennan säätö, kysymysten uudelleenmuotoilu ja omia malleja. Nämä edistysaskeleet parantavat katkelmien relevanssia ja vastauksen laatua. Vaikka niitä ei pidä vähätellä SEO:ssa, nämä edistysaskeleet selittävät myös, miksi Perplexityn hakukäyttöliittymä on merkittävästi edistynyt kehittäjien integrointityökalujen osalta. ### Katsaus indeksointimenetelmiin Dwyer korosti eroa: - **Koko dokumentin indeksointi:** Arvioi ja hakee koko verkkosivut, ja AI muodostaa lopullisen yhteenvedon näistä. - **Alatiedostojen indeksointi:** tallentaa ja hakee merkitystä hienojakoisesti fragmentoituneina, ja AI käyttää näitä katkelmia suoraan päättelyyn. Jälkimmäinen lähestymistapa parantaa vastauksien tarkkuutta, koska se täyttää ja hyödyntää mallin kontekstin mahdollisimman hyvin, vähentäen virheellistä keksimistä ja tarjoten rikkonaisempia, sisältörikkaita vastauksia. Lopuksi Jesse korosti, että heidän ’salainen ainesosansa’ ovat “laskentamallin säätö, ” kysymysten uudelleenmuotoilu ja omat indeksointimallit, jotka yhdessä huipentavat parempaan katkelmien hakuun ja AI-haun laatuun.