Недавно я беседовал с Джесси Двайером из Perplexity о SEO и поиске на основе ИИ, сосредоточившись на том, что SEO-специалистам следует приоритетнее всего при оптимизации для поиска с помощью ИИ. Его инсайты предоставили ценное руководство для издателей и SEO-специалистов сегодня. ### Современный поиск с помощью ИИ Джесси подчеркнул, что персонализация кардинально меняет поиск с помощью ИИ. Он отметил: «Большой и самый простой момент в сравнении AEO (Answer Engine Optimization) и SEO в том, что это уже не нулевая сумма. Два пользователя с одним и тем же запросом могут получать разные ответы, если инструмент ИИ использует личную память в своем окне контекста (как в Perplexity, ChatGPT). » Эта смена обусловлена различиями в технологиях индексирования, объясняя различия между традиционной географической оптимизацией (GEO) и AEO. Тем не менее, большинство классических лучших практик SEO по-прежнему применимы. Основное сообщение Двайера — что видимость в поиске уже не определяется стабильными результатами для всех пользователей. Ответы ИИ формируются исходя из личного контекста, что означает, что два пользователя могут увидеть совершенно разные ответы и исходные источники информации для одного и того же запроса. Несмотря на то, что инфраструктура остается классической поисковой системой — Perplexity AI использует систему, схожую с PageRank, оценивающую популярность и релевантность сайтов, — то, что извлекается, существенно отличается от традиционного поиска. Когда я спросил, обычно ли в классическом поиске отображаются одни и те же топ-сайты для каждого запроса, а в поиске с использованием ИИ появляются разные ответы из-за разговорного контекста, Джесси подтвердил это различие. ### Обработка поддокументов: ключевое отличие AI-поиска Джесси далее объяснил ключевую технологию, лежащую в основе поиска с помощью ИИ: разницу между обработкой целого документа и обработкой поддокументов. Традиционные поисковые системы индексируют целые веб-страницы, оценивая и ранжируя их как единое целое.

Использующие такую модель ИИ-инструменты, например встроенный поиск в ChatGPT, извлекают 10–50 лучших документов и затем используют мощную языковую модель (LLM) для их обобщения. Такой подход иногда называют «4 поиска Bing в плаще», поскольку он всё ещё базируется на алгоритмическом поиске, а не полномасштабном извлечении информации с помощью ИИ. Этот метод соответствует GEO или Generative Engine Optimization, когда важна оценка всей страницы. Новый подход, ориентированный на ИИ — так называемый «обработка поддокументов» — индексирует и извлекает очень конкретные, мельчайшие фрагменты вместо целых документов. В терминах ИИ, фрагмент — это примерно 5–7 токенов (2–4 слова), преобразованных в числовые представления с помощью архитектуры трансформеров, лежащей в основе моделей вроде GPT. По запросу система извлекает порядка 130 000 токенов наиболее актуальных фрагментов (примерно 26 000 фрагментов) в окно контекста модели — максимально допустимую его емкость — с целью насыщения этого окна релевантной информацией. Такой насыщенный контекст значительно снижает склонность модели к «глюкам» или вымыслам, что способствует более точным ответам. Именно индексирование по поддокументам — то, к чему движется индустрия, и потому его называют AEO. Кроме того, персонализация достигается за счет возможности языковой модели включать обширные данные о пользователе в полный контекст, намного превосходящий обычный профиль в Google — это обеспечивает уникально индивидуальные результаты. Компания Perplexity выделяется тем, что оптимизирует цепочку от индексирования до извлечения фрагментов, используя методы такие как регулировка вычислений, переформулирование запросов и собственные модели, что значительно повышает актуальность snippets и качество ответов. Хотя для SEO менее критично, эти разработки также объясняют высокий уровень API поиска Perplexity для разработчиков, интегрирующих поиск в другие продукты. ### Обзор методов индексирования Джесси выделил различия между: - **Индексированием целых документов:** ранжирование и извлечение целых веб-страниц, с последующим их обобщением ИИ. - **Индексированием поддокументов:** хранением и извлечением информации в виде тонких фрагментов, над которыми ИИ самостоятельно делает логические выводы. Второй подход обеспечивает большую точность ответов, поскольку полностью наполняет окно контекста релевантными данными, уменьшая вероятность выдумок и создавая более богатые ответы. В завершение Джесси подчеркнул, что «регулировка вычислительных ресурсов», переформулирование запросов и уникальные методы индексирования — их «секретное оружие» для получения лучших результатов при извлечении snippets и качестве AI-поиска. **Изображение на обложке** предоставлено Shutterstock/Summit Art Creations