Geçen yıl çoğumuz yapay zeka görünürlüğü hakkında nasıl rapor vereceğimizi ve yapay zeka tarafından görülmesi ve alıntılanması için nelerin gerektiğini anlamaya çalıştık.
Fakat Rand Fishkin'inYapay zeka yanıt değişkenliği üzerine en son çalışmaLLM çıktılarının arama sıralamaları kadar istikrarlı ve öngörülebilir olmadığını, bu KPI'yi yapbozun tutarsız bir parçası haline getirdiğini vurguladı.
Çalışma şunu buldu:100'de 1'den az şansChatGPT veya Google AI, iki yanıtta aynı marka listesini döndürecektir. Ne kadar çeşitli olduklarını vurgulamak için birden fazla LLM'deki binlerce istemi analiz ettiler.
Bu bazı şeyleri bıraktıSEOtopluluk, geniş ölçekte sıralama takibinin değerini sorguluyor. Ancak sıralama takibi işe yaramaz olmaktan çok uzaktır. Sadece yanlış uygulandı.
Yapay zeka yanıt izleme, mevcut durumunda istikrarsız bir performans KPI'sıdır ancak içerik stratejisini bilgilendirmek için bir analiz aracı olarak kullanıldığında son derece güçlü hale gelir.
Anında izlemeye neden hala yatırım yapmanız gerektiğine ve bunun içerik stratejinizi bilgilendirmek için nasıl kullanılabileceğine bir göz atalım.
Yapay zeka görünürlük takibi neden kararsız (şimdilik)
Yüksek Lisanslar deterministik sıralama motorları değildir. Kendi eğitim verilerinden veya canlı aramalardan bilgi toplayabilen ve sentezleyebilen olasılıksal dil modelleridir. Bu modeller her an farklı yanıtlar sunmak için bağlam pencerelerini ve niyet anlayışını kullanır.
Yanıtların istemlere göre değiştiğini gördük ve aynı sorunun pek çok farklı şekilde yazılabileceğini biliyoruz; bu da CMO'nuzun, markanızdan bahsedildiğini veya alıntı yapıldığını gördüklerinde neden belirli bir istem için görünmediğinizi sorgulamasının kapısını açar.
Takip görünürlüğü, kullanıcı isteminde daha fazla netlik sağlanana kadar belirsizlik alanı olmaya devam edecektir. Ama yine de değerli.
Hızlı yanıt takibi istikrarlı bir KPI değilse nedir? Bu, SEO uzmanlarının çok aşina olduğu bir şey olan kalıp analizidir.
Yalnızca alıntı yapılıp yapılmadığına veya listelenmediğine odaklanmak yerine, şunu anlamaya çalışmalısınız:
- Hızlı yanıt nasıl yapılandırılmıştır?
- Hangi kavramlar tekrar tekrar ortaya çıkıyor?
- Hangi anahtar ifadeler veya terimler görünüyor?
- Tipik olarak hangi düzeyde nüans dahil edilir?
Bu zihinsel bir değişim gerektirir.
Daha çok araştırYapay zeka görünürlüğünü ve GEO performansını ölçmeye ilişkin 7 kesin gerçek
Geleneksel SEO ve AI model analizi
Geleneksel SEO'da halihazırda sıralamada olan şeyleri tersine mühendislik yapıyoruz. Yapay zeka aramasıyla, sonuçlarda gördüğümüz kalıplara tersine mühendislik yaparak aynı düşünceyi uygulayabiliriz.
| Geleneksel SEO | Yapay zeka desen analizi |
| Sıralamaları ölçer | Kavram sentezini anlamak |
| İçerik boşluğu analizi | Konu ilişkilendirmeleri |
| Sabit sonuçlar (SERP'ler) | Dinamik yanıtlar |
| Belirlenen sinyaller | Olasılığa dayalı yanıtlar |
Hızlı yanıt modellerini analiz etmek, modellerin kavramları nasıl sentezlediğini anlamamıza yardımcı olabilir; üstelik yalnızca teknik düzeyde değil, içerik düzeyinde de.
Bir modeli tanımlamak için tam yanıt tutarlılığı aramıyorsunuz. Yapıyı, temaları ve yinelenen konuları anlıyorsunuz.
Her LLM modeli, çıktılarını farklı biçimlendirir, ancak erişim yöntemlerindeki ve her birinin işleyişindeki farklılıklara rağmen, yapılarda yine de modeller ortaya çıkabilir.
Bir modeli şu şekilde tanımlarım:
- Çıktıların %75'inde veya daha fazlasında görünüyor.
- İki farklı AI modelinde görünür (GPT ve Gemini gibi).
- Aynı istemin birden çok yinelemesindeki benzerlikler.
%75 hedefi, örneklem büyüklüklerimin rastgelelik yerine güçlü bir modeli vurgulaması açısından yeterince tutarlı geldi. Bunu nasıl tanımlayacağınız tamamen size kalmış. Bu sayının istatistiksel bir anlamı yok.
Bunu içeriğinize ve alanınıza göre ayarlayabilirsiniz, ancak benim için bu, gürültü yerine tutarlılığı tespit etmenin en iyi yolu oldu.
Diyelim ki "fiyatlandırma şeffaflığı" teması 12 yanıttan 9'unda ve iki yapay zeka modelinde görünüyor, bu rastgelelik değil. Bu anlamsal alakadır ve bu da içgörüdür.
çerçeve
Bunu kendiniz test etmek için aradığınızı ayrıntılı olarak açıklayan bir çerçeveye ihtiyacınız var.
Bunu üç tür kalıba ayırabilirsiniz:
- Yapısal desenler.
- Kavramsal desenler.
- Varlık kalıpları.
Yapısal modeller
Yanıtın nasıl organize edildiğine odaklanacağınız yer burasıdır. Şunu arıyorsunuz:
- Başlık/bölüm frekansı.
- Biçimlendirme tutarlılığını listeleyin.
- Sipariş veya adımlar.
- Olumlu/olumsuz çerçeveleme.
- Karşılaştırma tabloları.
- Karar çerçeveleri.
Bu sinyaller modellerin konuları nasıl organize ettiğini göstermeye yardımcı olabilir.
Örneğin, isteminizin çıktıları şunu gösteriyorsa:
- Tanım > Kriterler > Araçlar > Uygulama.
Bu yapısal bir model. Kullanıcınıza neyin faydalı olabileceğini anlamak için bundan yararlanabilirsiniz ancak yapay zeka her zaman doğru değildir. Bu, kalıpları belirlemek ve bunların içeriğinize nasıl uygulanacağına karar vermek için kullanılan başka bir araçtır.
Kavramsal desenler
Bunlar konu odağınıza göre değişecektir ancak hedeflediğiniz kavramları düşünün. Bunları planlamak daha zor olabilir ve bazen kalıpları görmeye başlamak için biraz analiz yapmak gerekebilir.
Ben örnek olarak "En iyi alan adı kayıt şirketlerine" odaklanıyorum ve şunları arıyorum:
- Fiyatlandırma şeffaflığı (yenileme ve satın alma).
- Müşteri hizmetleri belirtiyor.
- Eklenti eklentileri (WHOIS gizliliği, ücretsiz e-postalar, ücretsiz her şey).
- Güvenlik özellikleri.
- Paketleme seçenekleri.
- Transferler.
Bu nedenle, yenileme fiyatlarının bu istemin modelleri ve çeşitleri arasında yaygın olarak tartışıldığını görmeye başlarsam, bu bana bunu nasıl çerçevelediğime ve makalelerimde ve ürün sayfalarımda nasıl tartıştığım konusunda dikkat etmem gerektiğinin sinyalini verir.
Bu kavramsal modeller, bu modellerin karar vermeyle ne gibi ilişkili olduğunu anlamanıza yardımcı olur.
Varlık kalıpları
Burası, sıralarına bakılmaksızın yanıtlarda görünen araçları, markaları ve diğer ifadeleri görüntüleyebileceğiniz yerdir.
Bu şuna benzeyebilir:
- Markadan bahsediliyor.
- Araçtan bahsediliyor.
- Marka çağrışımına yönelik özellik.
- Kategori konumlandırma.
- Alıntı yapılan kaynaklar.
Uygulamada, belirli özelliklerin belirli markalarda nasıl göründüğüne veya hangi sitelerden sıklıkla alıntı yapıldığına dikkat edersiniz. Bu, hangi sitelerle çalıştığınız ve markanızın bu sitelerde nasıl konumlandığı da dahil olmak üzere, bağlı ortaklar veya üçüncü taraf sitelerdeki konumlandırmanızı değerlendirmenize ve fırsatları belirlemenize yardımcı olur.
Daha çok araştırLLM tutarlılığı ve tavsiye paylaşımı: Yeni SEO KPI'sı
Sisteminizi oluşturma
Bunu yapmak için hızlı izleme araçlarına yatırım yapmanıza gerek yoktur, ancak bunlar işi kolaylaştırır. Manuel olarak hallediyorum. Mükemmel değil ama işe yarıyor.
Birden fazla ekip üyesini dahil edemiyorsanız yapıyı kaynaklarınıza uyacak şekilde uyarlayın. Daha uzun bir süre takip etmeniz veya kalıp eşiğinizi düşürmeniz gerekebilir. Tutarlılığı %75 yerine %60 olarak ayarlayabilirsiniz.
1. Adım: İstemlerinizi seçin ve kümeleyin
İzlemek istediğiniz üç öncelikli konuyu belirleyin. Bu konuların her biri için, o konuya uygun 3-5 bilgi istemi sürümü bulun.
Örneğin, öncelikli konularımdan biri alan adı kayıt kuruluşu bulmaktır, dolayısıyla benim için bu küme şunları içeriyor:
- Bir alan adını nasıl kaydederim?
- Nasıl alan adı alabilirim?
- Bir alanı nereden satın alabilirim?
2. Adım: İzleme sayfanızı ayarlayın
Yanıtları takip etmek için aşağıdaki sütunları içeren eski moda bir e-tablo gibi bir yere ihtiyacınız olacak:
| Çabuk | Yüksek Lisans | Web Araması mı? E/H | Tarih | Cevap | Kaynaklar (Varsa) | Markam Bahsediliyor mu? |
Yüksek Lisans sütununda, yeni sürümlerin ne zaman yayınlanacağını kontrol etmeye yardımcı olacak platform ve modeli not edin.
Bu sadece verilerinizi toplamaya başlamak içindir. Hangi desenleri arayacağınızı bildiğinizde bunları sayfaya ekleyin. Analize yardımcı olması için Claude veya ChatGPT'yi kullanmayı düşünün, böylece her şeyi manuel olarak yapmanıza gerek kalmaz.
3. Adım: Bir izleme planı oluşturun ve izlemeye başlayın
Bunu etkili bir şekilde yapmak için şunları tanımlamanız gerekir:
- Hangi modelleri takip etmek istiyorsunuz?
- Arama modunun açık mı kapalı mı olacağına karar vermek modele bırakılmıştır.
- Her modelde her istemi kaç kez çalıştırmak istediğiniz.
- Hangi frekansı izlemek istiyorsunuz?
Mümkünse diğer ekip üyelerini de dahil etmek ve bağlam etkisini en aza indirmek için özel modları kullanmak da yararlı olacaktır.
Haftada bir kez, bir avuç ekip üyem her istemi ChatGPT, AI Genel Bakış, AI Modu ve Perplexity aracılığıyla çalıştırıyor. Her kişi, her bir modeldeki her istemi test ediyor ve bana her istem, model ve haftada 3-5 yanıt veriyor.
4. Adım: Analiz edin
Soru başına 20-30 yanıt topladıktan sonra analiz etmeye başlayın. Bu süreci kolaylaştırmak için seçtiğiniz aracı kullanabilirsiniz.
Buradan yinelenen kalıpları belirleyin ve bunları sitenizdeki ilgili sayfalarla eşleştirin. Bu temaları nerede ele alabilirsiniz? Doğru soruları mı yanıtlıyorsunuz ve içeriğiniz ortaya çıkardığınız kalıpları yansıtıyor mu?
Bu devam eden bir çalışmadır. Değişiklikleri belirlemek için tutarlı bir şekilde takip edin ve modelleri üç ayda bir gözden geçirin. Zamanla bu sizin optimizasyon çerçeveniz haline gelir.
Daha çok araştırYapay zeka modellerinin gerçekte alıntı yaptığı "önce cevap" içeriği nasıl oluşturulur?
AI model analizinin sizi yanıltabileceği yerler
Yapay zeka olasılığa dayalıdır ve her zaman doğru olmayacaktır. Yapay zekayı optimize etmenin tek yolu bu değil ancak başucu kitabınızın bir parçası olabilir.
Hala eğitim verilerinde önyargı, arama veya eğitim verilerinin kullanılmasında tutarsızlık ve farklı LLM'lerde başlatılan yeni "modellerdeki" farklılıklar riskiyle karşı karşıyasınız.
Yapay zeka çıktılarına körü körüne uyum sağlamamalısınız ancak optimizasyonunuz için kullanmak istediğiniz bağlamın bu olup olmadığını anlamak için hedef kitlenize ilişkin en iyi muhakeme yeteneğinizi ve anlayışınızı kullanabilirsiniz.
Bunu performansa nasıl bağlayabilirim?
Şimdi bu işin zor kısmı. Yapay zeka yanıtlarının ne kadar rastgele olabileceğini öğrendik ancak bunun içeriğinizi nasıl etkilediğini görmek için hâlâ ölçebileceğiniz birkaç sinyal var.
- “Geleneksel” metrikler:Daha fazla tıklama görüyor musunuz? GSC'de veya anahtar kelime izleme araçlarında daha iyi konumlar mı var? Peki ya dönüşümler?
- Yapay zeka trafiği:AI trafik verilerinizi Adobe, GA4 veya diğer analiz araçlarından alabiliyorsanız güncellediğiniz sayfalarda herhangi bir hareket olup olmadığını takip edebilirsiniz.
- Yapay zeka izleme araçları:Ve evet, KPI olarak bunda çok fazla değişkenlik olsa da, yapay zeka görünürlük araçlarını kullanıyorsanız, bunlar size yöntemlerinizin işe yarayıp yaramadığına dair bir gösterge verecektir. Markanızın bir model olarak ortaya çıktığını fark edip etmediğinizi görmek için burada özetlenen manuel izlemenin aynısından yararlanabilirsiniz.
Yapay zeka çıktılarını incelemeye başlayın
LLM'lerle ilgili hala pek çok bilinmeyen var ve sanki her gün değişiyorlarmış gibi geliyor.
Ancak değişmeyen bir şey var: Bu araçlar yanıtlar sağlıyor. Bu yanıtlara ilişkin bir anlayış düzeyi varsa, onu kullanmayı deneyebilirsiniz.
Yanıtlardaki kalıplar, konuların nasıl anlaşıldığını ve markaların nasıl tartışıldığını ortaya çıkarabilir ve içerik stratejinizi nasıl uyarlayacağınız konusunda size fikir verebilir.
