Gần đây tôi đã trao đổi với Jesse Dwyer của Perplexity về SEO và tìm kiếm bằng AI, tập trung vào những ưu tiên mà các chuyên gia SEO cần lưu ý khi tối ưu hóa cho tìm kiếm bằng AI. Những chia sẻ của anh ấy đã cung cấp hướng dẫn hữu ích cho các nhà xuất bản và các chuyên gia SEO ngày nay. ### Tìm kiếm bằng AI Hiện nay Jesse nhấn mạnh rằng cá nhân hóa đang thay đổi căn bản cách hoạt động của tìm kiếm bằng AI. Anh nói rằng: “Điểm lớn nhất và đơn giản nhất về AEO (Answer Engine Optimization) so với SEO là nó không còn là trò chơi lấy phần thắng 50/50 nữa. Hai người dùng với cùng một truy vấn có thể nhận được các câu trả lời khác nhau nếu công cụ AI tích hợp trí nhớ cá nhân vào khung ngữ cảnh của nó (như với Perplexity, ChatGPT). ” Sự thay đổi này xuất phát từ sự khác biệt trong công nghệ lập chỉ mục, giúp giải thích sự phân kỳ giữa tối ưu hóa địa lý truyền thống (GEO) và AEO. Tuy nhiên, hầu hết các thực hành SEO truyền thống vẫn còn phù hợp. Thông điệp chính của Dwyer là khả năng hiển thị trên tìm kiếm không còn đơn thuần dựa vào kết quả nhất quán cho từng người dùng. Các câu trả lời của AI bị ảnh hưởng bởi ngữ cảnh cá nhân, có nghĩa là hai người dùng có thể nhìn thấy các phản hồi khác biệt rõ rệt và nguồn nội dung nền khác nhau cho cùng một truy vấn. Mặc dù hạ tầng vẫn là một chỉ mục tìm kiếm truyền thống—Perplexity AI sử dụng hệ thống giống như PageRank để đánh giá độ phổ biến và mức độ phù hợp của trang web—nhưng dữ liệu được truy xuất lại khác biệt rõ rệt so với tìm kiếm truyền thống. Khi tôi hỏi liệu tìm kiếm truyền thống thường hiển thị các trang đứng đầu giống nhau cho mỗi truy vấn trong khi tìm kiếm bằng AI tạo ra các câu trả lời đa dạng dựa trên ngữ cảnh đối thoại, Jesse xác nhận sự khác biệt này. ### Xử lý Tài liệu Con: Điểm Khác Biệt Chính Trong Tìm kiếm AI Jesse giải thích rõ hơn về công nghệ then chốt đằng sau tìm kiếm AI: sự khác biệt giữa xử lý toàn bộ tài liệu và xử lý tài liệu con. Các công cụ tìm kiếm truyền thống lập chỉ mục toàn bộ trang web, đánh giá và xếp hạng chúng như những đơn vị duy nhất.

Các công cụ AI sử dụng mô hình này—như tìm kiếm web của ChatGPT—lấy ra top 10–50 tài liệu và sau đó dùng một mô hình ngôn ngữ lớn (LLM) để tóm tắt kết quả. Cách làm này, đôi khi gọi là “4 lần tìm kiếm Bing trong một cái áo choàng trenchcoat, ” vẫn dựa trên tìm kiếm dựa trên thuật toán chứ không phải là truy xuất thực sự bằng AI. Phương pháp này phù hợp với GEO hoặc tối ưu hóa cho các công trình tạo dựng (Generative Engine Optimization), vẫn phụ thuộc vào việc đánh giá toàn bộ trang. Phương pháp mới lấy trọng tâm là AI, gọi là “xử lý tài liệu con”—chỉ số hóa và truy xuất các đoạn nhỏ, cụ thể, chi tiết hơn của nội dung thay vì toàn bộ tài liệu. Trong thuật ngữ AI, một đoạn trích (snippet) gồm khoảng 5–7 token (từ 2–4 từ) được chuyển đổi thành các đại diện số bởi kiến trúc transformer nền tảng của các mô hình như GPT. Khi có một truy vấn, hệ thống sẽ lấy ra khoảng 130. 000 token của những đoạn trích phù hợp nhất (khoảng 26. 000 đoạn) vào khung ngữ cảnh của mô hình—tổng khả năng của hầu hết các LLM hiện nay—với mục tiêu làm đầy khung này bằng thông tin phù hợp. Việc làm đầy khung ngữ cảnh này giúp giảm khả năng mô hình “bịa đặt” hoặc làm giả thông tin, từ đó giúp nó đưa ra các câu trả lời chính xác hơn. Việc lập chỉ mục dựa trên các đoạn trích này chính là hướng đi của ngành, hợp lý hóa thuật ngữ AEO. Hơn nữa, cá nhân hóa xuất phát từ khả năng mô hình LLM tích hợp dữ liệu lớn về người dùng vào toàn bộ khung ngữ cảnh—kỹ càng hơn nhiều so với hồ sơ người dùng truyền thống của Google—và tạo ra các kết quả đặc thù, riêng biệt. Các công ty như Perplexity khác biệt nhờ tối ưu hóa quy trình giữa chỉ mục và truy xuất đoạn trích bằng các phương pháp như điều chỉnh tính toán, đề xuất lại truy vấn, và các mô hình sở hữu độc quyền, giúp nâng cao độ phù hợp của đoạn trích và chất lượng câu trả lời. Dù không quá quan trọng đối với các chuyên gia SEO, những tiến bộ này cũng giải thích tại sao API tìm kiếm của Perplexity lại đặc biệt tiên tiến cho các nhà phát triển tích hợp tìm kiếm vào các sản phẩm khác. ### Tóm tắt Các Phương Pháp Lập Chỉ Mục Dwyer nhấn mạnh sự khác biệt giữa: - **Lập chỉ mục toàn bộ tài liệu:** Xếp hạng và truy xuất toàn bộ các trang web, mô hình AI tóm tắt tập hợp cuối cùng. - **Lập chỉ mục tài liệu con:** Lưu trữ và truy xuất thông tin như các đoạn nhỏ chính xác, phân tách, và AI lý giải trực tiếp qua các đoạn này. Phương pháp thứ hai giúp nâng cao độ chính xác của câu trả lời bằng cách làm đầy toàn bộ khung ngữ cảnh của mô hình với dữ liệu phù hợp, hạn chế việc bịa đặt và tạo ra các phản hồi phong phú hơn. Cuối cùng, Jesse nhấn mạnh rằng “điều chỉnh tính toán, ” tái định dạng truy vấn và các mô hình lập chỉ mục sở hữu độc quyền chính là “bí quyết độc đáo” giúp cải thiện khả năng truy xuất đoạn trích và chất lượng tìm kiếm AI của họ. **Hình ảnh đặc trưng** của Shutterstock/Summit Art Creations