Недавно сам разговарао са Џесијем Двајером из Perplexity о SEO-у и AI претрази, фокусирајући се на то шта SEO-ови треба да приоритизују при оптимизацији за AI претрагу. Његови увиди пружили су вредне смернице за издавачке куће и SEO стручњаке данас. ### Данасња AI претрага Џеси је нагласио да лична prilagoђеност у основи трансформише AI претрагу. Он је напоменуо: „Највећа и најједноставнија тачка око AEO (Answer Engine Optimization) у односу на SEO је да више није игра са нултим збиром. Два корисника са истом упитом могу добити различите одговоре ако алат за AI укључује личну меморију у свој контекстуални прозор (као што је Perplexity, ChatGPT). ” Ова промена произлази из разлика у технологији индексирања, што објашњава разлике између традиционалног Гео Горења оптимизације (GEO) и AEO. Ипак, већина традиционалних SEO пракси и даље важи. Љубазност Двајера је у поруци да видљивост на претраживачу више није само о конзистентним резултатима за различите кориснике. Одговори које пружају AI су обликовани личним контекстом, што значи да два корисника могу видети сасвим различите одговоре и изворе садржаја за исти упит. Иако инфраструктура и даље остаје класичан претраживачки индекс — Perplexity AI користи систем сличан PageRank-у који процењује популарност и релевантност сајта — оно што се добија је драстично другачије у поређењу са традиционалном претрагом. Кад сам питао да ли класична претрага типично приказује исте врхунске сајтове за сваки упит, а AI претрага генерише различите одговоре због конверзацијског контекста, Џеси је потврдио ову разлику. ### Обрада поддокумента: Кључна разлика у AI претрази Џеси је даље објаснио кључну технологију која стоји иза AI претраге: разлику између обраде читавог документа и поддокумента. Традиционални претраживачи индексурцају целе веб странице, рангирајући их као јединице. АИ алати који користе овај модел — као што је претрага на Web-у преко ChatGPT-а — преузимају најбољих 10 до 50 докумената и затим користе велики језички модел (LLM) за сумирање резултата.

Овај приступ, понекад називан „4 Bing претраге у капуту“, и даље се ослања на алгоритамско претраживање, а не на праву AI репрезентацију. Ова метода је у складу са GEO или Generative Engine оптимизацијом, која је и даље зависна од вредновања целе странице. Насупрот томе, нови приступ — назван „обрада поддокумента“ — индексира и преузима врло специфичне, деликатне фрагменте уместо целих докумената. У AI-ју, фрагмент чини око 5-7 токена (2−4 речи) претворених у бројчане представе помоћу трансформер архитектуре као што је GPT. Када се појави упит, систем вуче око 130. 000 токена релевантних фрагмената (око 26. 000 фрагмената) у контекстуални прозор модела — укупни капацитет већине савремених LLM — са циљем да попуни овај прозор релевантним информацијама. Попуњавање контекстуалног прозора минимизира тенденцију модела да „халуцинира“ или фабрикује информације, што омогућава прецизније одговоре. Ова индекција поддокумената је пут којим индустрија иде, што и објашњава термин AEO. Поред тога, прилагођеност произлази из тога што LLM може да укључи опсежне податке о кориснику у потпуни контекстуални прозор — много више него традиционални Google профил. Ово резултира јединствено прилагођеним резултатима. Компанија попут Perplexity се разликује по оптимизацији тока између индекса и приступа фрагментима кроз методе као што су модулација рачунања, реформирање упита и поседујући своје моделске решења, што заједно побољшава релевантност фрагмената и квалитет одговорa. Иако ово мање утиче на SEO стручњаке, ова достигнућа такође објашњавају зашто је API за претрагу Perplexity посебно напредан за развојне тимове који желе интегрисати претрагу у своје производе. ### Језгровити приступи индексирању Двајер је истакао разлику између: - **Индексирања целих докумената:** рангирање и преузимање читавих веб страница, уз финално сумирање од стране АИ. - **Индексирања поддокумента:** чување и преузимање значења у виду делова високе деликатности, уз логике АИ директно над тим деловима. Ова друга метода побољшава тачност одговора у потпуности попуњавајући контекстуални прозор моделира релевантним информацијама, смањујући фабрикацију (лемуре) и производећи богатије одговоре. Закључујући, Џеси је нагласио да „модулација рачунања“, реформа упита и поседујући својина индексирања представљају њихов „тајни сос“ за бољи приступ фрагментима и квалитет АИ претраге. **Истакнута слика** од Shutterstock/Summit Art Creations