Saya baru-baru ini berbicara dengan Jesse Dwyer dari Perplexity tentang SEO dan pencarian AI, dengan fokus pada apa yang harus diprioritaskan oleh SEOs saat mengoptimalkan untuk pencarian AI. Wawasan beliau memberikan panduan berharga bagi penerbit dan SEOs saat ini. ### Pencarian AI Saat Ini Jesse menekankan bahwa personalisasi secara mendasar mengubah pencarian AI. Dia menyebutkan, “Poin terbesar dan tersederhana tentang AEO (Answer Engine Optimization) dibandingkan SEO adalah bahwa ini bukan lagi permainan zero-sum. Dua pengguna dengan query yang sama bisa menerima jawaban berbeda jika alat AI mengintegrasikan memori pribadi dalam jendela konteksnya (seperti dengan Perplexity, ChatGPT). ” Perubahan ini berasal dari perbedaan teknologi pengindeksan, menjelaskan perbedaan antara Geographic Engine Optimization (GEO) tradisional dan AEO. Meski begitu, sebagian besar praktik terbaik SEO tradisional masih berlaku. Pesan utama Dwyer adalah bahwa visibilitas pencarian tidak lagi tentang hasil konsisten di berbagai pengguna. Jawaban AI dipengaruhi oleh konteks pribadi, yang berarti dua pengguna bisa melihat jawaban dan sumber konten yang berbeda untuk query yang sama. Meskipun infrastruktur tetap berupa indeks pencarian klasik—Perplexity AI menggunakan sistem seperti PageRank yang menilai popularitas dan relevansi situs—apa yang diambil berbeda jauh dari pencarian tradisional. Ketika saya bertanya apakah pencarian klasik biasanya menampilkan situs teratas yang sama untuk setiap query sementara pencarian AI menghasilkan jawaban yang bervariasi karena konteks percakapan, Jesse mengonfirmasi perbedaan ini. ### Pemrosesan Sub-dokumen: Perbedaan Utama dalam Pencarian AI Jesse menjelaskan lebih lanjut teknologi penting di balik pencarian AI: perbedaan antara pemrosesan dokumen utuh dan sub-dokumen. Mesin pencari tradisional mengindeks seluruh halaman web, menilai dan mengurutkan sebagai satu unit.

Alat AI yang menggunakan model ini—seperti pencarian web ChatGPT—mengambil 10–50 dokumen teratas dan kemudian menggunakan model bahasa besar (LLM) untuk merangkum hasilnya. Pendekatan ini, kadang disebut “4 pencarian Bing dalam mantel trench, ” masih mengandalkan pencarian algoritmik daripada pengambilan AI sejati. Metode ini sejalan dengan GEO atau Generative Engine Optimization, yang masih bergantung pada penilaian seluruh halaman. Pendekatan AI yang mulai berkembang—disebut “pemrosesan sub-dokumen”—mengindeks dan mengambil potongan-potongan yang sangat spesifik dan granular daripada seluruh dokumen. Dalam dunia AI, sebuah snippet terdiri dari sekitar 5–7 token (2–4 kata) yang dikonversi ke bentuk numerik oleh arsitektur transformer yang mendasari model seperti GPT. Ketika ada query, sistem menarik sekitar 130. 000 token dari potongan paling relevan (sekitar 26. 000 potongan) ke dalam jendela konteks model—yang merupakan kapasitas penuh dari sebagian besar LLM saat ini—with tujuan untuk mengisi jendela tersebut dengan data yang relevan. Mengisi jendela konteks ini meminimalkan kecenderungan model untuk “halusinasi” atau membuat-buat informasi, sehingga mampu menghasilkan jawaban yang lebih akurat. Indeksasi sub-dokumen ini adalah arah industri saat ini, membenarkan istilah AEO. Selain itu, personalisasi muncul karena LLM dapat memasukkan data pengguna yang sangat luas ke dalam konteks penuh—jauh melampaui profil pengguna Google tradisional—hingga menghasilkan hasil yang benar-benar khas. Perusahaan seperti Perplexity membedakan diri dengan mengoptimalkan alur antara indeks dan pengambilan snippet menggunakan metode seperti modulasi komputasi, reformulasi query, dan model proprietary, yang secara kolektif meningkatkan relevansi snippet dan kualitas jawaban. Meski kurang penting bagi SEOs, inovasi ini juga menjelaskan mengapa API pencarian Perplexity sangat canggih untuk pengembang yang mengintegrasikan pencarian ke produk lain. ### Ringkasan Pendekatan Pengindeksan Dwyer menyoroti perbedaan antara: - **Pengindeksan dokumen utuh:** Mengurutkan dan mengambil seluruh halaman web, dengan AI yang merangkum hasil akhirnya. - **Pengindeksan sub-dokumen:** Menyimpan dan mengambil makna sebagai fragmen yang sangat detail, dengan AI melakukan penalaran langsung atas potongan-potongan tersebut. Pendekatan yang kedua meningkatkan akurasi jawaban dengan mengisi seluruh jendela konteks model dengan data relevan, membatasi fabrikasi, dan menghasilkan respons yang lebih kaya. Sebagai penutup, Jesse menegaskan bahwa “modulasi komputasi, ” reformulasi query, dan model pengindeksan proprietary adalah “rahasia sukses” mereka dalam meningkatkan pengambilan snippet dan kualitas pencarian AI. **Gambar Unggulan** oleh Shutterstock/Summit Art Creations