Nedávno som rozhovoril s Jesse Dwyerom zo spoločnosti Perplexity o SEO a AI vyhľadávaní, pričom sa sústredil na to, na čo by mali SEOs klásť prioritu pri optimalizácii pre AI vyhľadávanie. Jeho postrehy poskytli cenné usmernenia dnešným vydavateľom a SEO špecialistom. ### Súčasné AI vyhľadávanie Jesse zdôraznil, že personalizácia podstatne mení AI vyhľadávanie. Poznamenal: „Najväčší a najjednoduchší bod ohľadom AEO (Answer Engine Optimization) vs SEO je, že to už nie je nulová súťaž. Dvaja používatelia s rovnakou otázkou môžu dostať odlišné odpovede, ak AI nástroj zahŕňa osobnú pamäť v kontextovom okne (ako Perplexity, ChatGPT). “ Tento posun vychádza z rozdielov v technológii indexovania, čo vysvetľuje odlišnosti medzi tradičným Geografickým Engine Optimization (GEO) a AEO. Napriek tomu väčšina tradičných SEO najlepších praktík stále platí. Hlavné posolstvo Dwyera je, že viditeľnosť vo vyhľadávaní už nie je o konzistentných výsledkoch pre všetkých používateľov. Odpovede AI sú formované osobným kontextom, čo znamená, že dvaja používatelia môžu vidieť výrazne odlišné reakcie a zdroje základného obsahu pre tú istú otázku. Hoci infraštruktúra zostáva klasikou vyhľadávacieho indexu – Perplexity AI používa systém podobný PageRanku na hodnotenie popularity a relevantnosti stránok – to, čo je získané, sa výrazne líši od tradičného vyhľadávania. Keď som sa opýtal, či tradičné vyhľadávanie zvyčajne zobrazuje rovnaké najlepšie stránky pre otázku a AI vyhľadávanie generuje rôzne odpovede v dôsledku konverzačného kontextu, Jesse potvrdil tento rozdiel. ### Spracovanie pod-dokumentov: Kľúčový rozdiel v AI vyhľadávaní Jesse ďalej vysvetlil kľúčovú technológiu za AI vyhľadávaním: kontrast medzi spracovaním celého dokumentu a pod-dokumentov. Tradičné vyhľadávače indexujú celé webové stránky, hodnotia a zoradia ich ako jediné celky.

AI nástroje využívajúce tento model – ako webové vyhľadávanie v ChatGPT – vyhľadávajú desať až päťdesiat najlepších dokumentov a následne používajú veľký jazykový model (LLM) na zhrnutie výsledkov. Tento prístup, niekedy označovaný ako „4 Bing vyhľadávania v trench coat“, stále závisí od algoritmického vyhľadávania namiesto skutočného AI vyhľadávania. Táto metóda zodpovedá GEO alebo Generatívnej Engine optimalizácii, ktorá je stále závislá od hodnotenia celých stránok. Nový prístup zameraný na AI – označovaný ako „spracovanie pod-dokumentov“ – indexuje a vyhľadáva vysoko špecifické, granularne úryvky namiesto celých dokumentov. V AI terminológii tvorí úryvok približne 5–7 tokenov (2–4 slová), prevedených na číselné reprezentácie architektúrou transformerov, ako je GPT. Pri otázke systém vytiahne približne 130 000 tokenov relevantných úryvkov (okolo 26 000 úryvkov) do kontextového okna modelu – celkového kapacitného rámca väčšiny súčasných LLM – s cieľom naplniť toto okno relevantnými informáciami. Naplnenie kontextového okna minimalizuje tendenciu modelu „hallucination“ alebo vymýšľania si informácií, čím sa dosahuje presnejšie odpovede. Táto indexácia pod-dokumentov je smerom, ktorým sa odvetvie uberá, a ospravedlňuje použitie termínu AEO. Okrem toho personalizácia vzniká tým, že LLM môže začleniť rozsiahle údaje o používateľovi do celkového kontextového okna – oveľa viac než tradičný používateľský profil Google – čo umožňuje vytvárať jedinečné a špecifické výsledky. Spoločnosť ako Perplexity sa odlišuje optimalizáciou procesu medzi indexom a vyhľadávanými úryvkami pomocou metód ako modulácia výpočtu, reformulácia dotazov a vlastné modely, ktoré spoločne zvyšujú relevantnosť úryvkov a kvalitu odpovedí. Hoci menej dôležité pre SEO špecialistov, tieto pokroky vysvetľujú aj to, prečo je API vyhľadávania Perplexity zvlášť pokročilé pre vývojárov, ktorí integrujú vyhľadávanie do ďalších produktov. ### Prehľad prístupov k indexovaniu Dwyer zdôraznil rozdiel medzi: - **Indexovaním celých dokumentov:** Triedenie a získavanie celých webových stránok, pričom AI vytvára záverečné zhrnutie. - **Indexovaním pod-dokumentov:** Uloženie a získavanie významu ako jemne granulárnych fragmentov, pričom AI argumentuje priamo cez tieto úryvky. Druhý prístup zlepšuje presnosť odpovedí tým, že úplne naplní kontextové okno modelu relevantnými dátami, obmedzí vymýšľanie a produkuje bohatšie reakcie. Na záver Jesse zdôraznil, že „regulácia výpočtov, “ reformulácia dotazov a vlastné indexovacie modely tvoria ich „tajný recept“ na lepšie vyhľadávanie úryvkov a kvalitu AI vyhľadávania. **Vybraný obrázok** od Shutterstock/Summit Art Creations