Yapay zeka yanıtlarında alıntılanmak yaygın bir görünürlük ölçütü haline geliyor. Ancak alıntılar tek başına belirli markaların neden sürekli olarak ChatGPT, Google AI Modu, Perplexity ve diğer AI arama sistemlerinde göründüğünü açıklamıyor.
Alıntılar, onları üreten temel sistemleri değil, görünürlük sonuçlarını yansıtır. Yapay zeka platformları, eğitim verileri, incelemeler, medya kapsamı, arama sistemleri ve birbirine bağlı web varlıkları genelinde güçlü anlamsal varlığa sahip markalara öncelik verir.
Bu yüzdencoğrafi konumAslında iki görünürlük zorluğunun aynı anda gerçekleşmesi: Yapay zeka sistemlerinde uzun vadeli marka ağırlığı oluşturmak ve aynı zamanda modern erişim hatlarından sağ çıkabilecek içerik oluşturmak.
Yapay zeka önerileri hem alma hem de sentez sırasında şekillenir. Her iki sistemde de şansınızı artıran şey marka derinliğidir.
GEO aynı anda iki oyun oynamak anlamına gelir
Her katman görünürlüğü farklı şekilde etkiler.
Oyun 1: Parametrik ağırlık
Markalar, eğitim verilerindeki sinyallerin yoğunluğu ve tutarlılığıyla tanımlanan bir Yüksek Lisans'ın yerleştirme alanındaki koordinatlar olarak hareket eder.
Bu parametrik ağırlık, web üzerindeki tutarlı varlık sayesinde aylar ve yıllar boyunca yavaş yavaş oluşturulur. Mesajlaşma tutarsızsa markanın vektörü bulanık hale gelir ve hatırlanma ve güven azalır.
Parametrik ağırlığı az olan bir marka işlevseldir, unutulabilir ve değiştirilebilir. Bir modelin eğitim sırasında zaten içselleştirmiş olduğu şeyleri kolayca değiştiremezsiniz; bu nedenle çabaların çoğu gelecekteki eğitim döngülerine yöneliktir.
Aylarca yalnızca alıntılara odaklanmak, sonunda bu alıntıları kaçınılmaz kılan yapısal temeli ihmal etmek anlamına gelir.
Oyun 2: Geri alma hayatta kalma
Google AI Modu veya ChatGPT Arama gibi bir sistem, alma hattını başlattığında içeriğiniz bunu başarabiliyor mu?
Markadan bahsedilenlerin yaklaşık %85'iAI aramalarında markanın kendi sitesinden değil, harici alanlardan gelir. Her büyük yapay zeka arama sistemi erişimle başlar, ancak her biri bunu farklı şekilde ele alır:
- Perplexity, LLM tek bir belirteç oluşturmadan önce alıntıları alır, sıralar ve bağlam penceresine yerleştirir. Model, yanıtları doğrudan eğitim verilerinden ziyade alınan kanıtlardan sentezler.
- Google AI Modu, bir yanıtı sentezlemeden önce tek bir sorguyu canlı web, Google'ın Bilgi Grafiği ve özel veri kaynakları genelinde 8-12 paralel alt sorguya ayrıştırır. Google bu sorguyu yayma olarak adlandırıyor.
- ChatGPT araması, bir sorguyu beş veya altı anlamsal varyasyona genişletir, 35 ila 42 aday URL'yi alır, çıkarmadan önce %83'ünü diskalifiye eder ve son yanıtta üç ila beş alıntıyı sentezler. Geri çağırma genellikle yalnızca yaratıcı yazma veya temel matematik gibi gerçek olmayan istemler için atlanır.
Yayma sistemlerinde eş zamanlı olarak 8-12 paralel alt sorgu arasında rekabet edersiniz.
Alıntılar makbuzlardır
Yalnızca %6 ila %27Sıkça bahsedilen markaların isimleri de en çok alıntı yapılan kaynaklardır. Modeller bir markayı alıntı yapmadan tanıyabilir.
Alıntı sıklığı, markayı ilk etapta ortaya çıkaran erişim ve sentez kararlarını değil, çıktının varlığını izler. Alıntıların optimizasyonu, temel etkenden ziyade makbuz üzerine odaklanır.
Yoğunluk, tutarlılık ve çapraz kaynak kapsamı yoluyla oluşturulan marka derinliği, bir markayı, alıntı yapılmadan önce istatistiksel olarak düşük riskli yanıt haline getiren şeydir.
Marka derinliği: İnsan beyni ve Yüksek Lisans'lar varsayılan olarak tanıdık olanı nasıl kullanıyor?
İnsan beyni Yüksek Lisans'lara benzer şekilde çalışır. Zaman içinde oluşturulan zihinsel çerçevelere ve buluşsal yöntemlere dayanarak çok büyük miktarda günlük kararları yönetiyoruz.
Bu fikrin kökleritahmine dayalı işleme teorisibeyni, hataları en aza indirmek için geçmiş bilgileri kullanan bir tahmin motoru olarak tanımlıyor.
Yüksek Lisans ve insan bilişi belirsizliği benzer şekillerde ele alır: Her ikisi de kendi sistemlerinde en yoğun şekilde yerleşik olan bilgilere öncelik verir.
| Marka öğesi | İnsan beyni | Yüksek Lisans |
| Bellek ve hatırlama | Duyusal ipuçlarıyla tetiklenen, epizodik ve duygusal. | Eğitim verilerinde istatistiksel frekans ve birlikte oluşma yoğunluğu. Yüksek frekans hatırlamayı artırır. |
| Marka kimliği | Duyusal ve görsel: logo, tipografi ve paketleme. | Anlamsal yakınlık: marka adıyla ilişkilendirilen sıfatlar, incelemeler ve makaleler. Gömme alanında bir koordinat. |
| Güven oluşturmak | Sosyal kanıt, ağızdan ağza iletişim ve kişisel yargılama. | Parametrik yetki: yüksek yetkili kaynaklara göre ağırlıklandırılmış eğitim verileri. |
| Hataları ele alma | Empati yoluyla affetmek. Bir özür ilişkiyi onarabilir. | Veri kalıcılığı: modeller amacı değil kalıpları birleştirir. Negatif sinyal akınları, daha yeni veriler onları aşıncaya kadar devam eder. |
| Tavsiye | Dürtüsel ve önyargıya dayalı: kıtlık, FOMO ve halo etkisi. | Sentez ağırlıklı: parametrik bellekte en yoğun şekilde temsil edilenler ve aynı anda alınan kaynaklar tarafından şekillendirilir. |
Marka derinliği ile markalaşma konusunda teknik bilgi edinmek
Yapay zeka modelleri ve Google'ın Bilgi Grafiği aynı güvenilir web sitelerinin çoğundan bilgi alır. Yapay zeka modelleri hangi kelimelerin sıklıkla bir arada göründüğünü tespit ederek öğrenirken Google da aynı bilgiyi bağlantılı gerçeklerden oluşan bir ağ oluşturmak için kullanır.
Google'ın sistemleri özellikle varlık belirginliğini, varlık tutarlılığını ve kuruluşlar arası ilişki yoğunluğunu değerlendirir.
Varlık belirginliği
Markanızın belirli bir konu kümesinde ne kadar öne çıkan ve farklı olduğu. Varlık belirginliği alıntı olasılığını etkiler.
- Google şunu soruyor: Bu marka bir konu kümesinde ne kadar öne çıkıyor?
- Yüksek Lisans'lar çıkarım sırasında benzer bir soru sorar: Bir konu sorgulandığında hangi varlıklar ortaya çıkacak yeterli istatistiksel ağırlığa sahiptir?
Düşük belirginlik, yalnızca tam olarak markalı sorgular yoluyla elde edilebileceğiniz anlamına gelir. High salience means you appear when the topic comes up, not just when your name is searched.
Google, dikkat çekiciliği aşağıdaki gibi sistemler aracılığıyla değerlendirir:DepoWebrefLatentEntitiesBir markanın birlikte ortaya çıktığı gizli varlıkları haritalandıran veDepoWebrefKGCollectionHer gün
Varlık tutarlılığı
Markanızın kimliğinin, alınan tüm bağlamlarda tutarlılığı.
Tutarsız isimlendirme, çelişkili konumlandırma ve çelişkili tarihler, bir varlığın güvenilmez olduğuna işaret eder. Aynı külliyat üzerinde eğitim almış Yüksek Lisans'lar parçalanmış, güven düzeyi düşük bir temsili öğrenir.
Model, varlık tutarsızlığının yarattığı boşlukları doldurur ve marka sürüklenmesine yol açar; eğitim sinyali hiçbir zaman onu sabitleyecek kadar istikrarlı olmadığı için markanızın model versiyonu gerçeklikten yavaş yavaş sapar.
Kuruluşlar arası ilişki yoğunluğu
Ürünler, konseptler ve kanıtlar da dahil olmak üzere markanız ile diğer yetkili varlıklar arasındaki bağlantıların gücü ve sayısı.
Varlıklar arası ilişki yoğunluğu ilişkisel erişim yollarını etkiler.
Deep Research, AI Mode ve Perplexity Pro gibi ajansal sistemlerde her akıl yürütme adımı bir geri getirme olayıdır. İlişki yoğunluğu, markanızın ikinci ve üçüncü atlamada hayatta kalıp kalamayacağını belirler.
Yalnızca kendi grafiğinin merkezinde yer alan bir marka, sorgunun bir adım öteye gittiği anda yok olur.GlobalLinkInfo ve Gizli VarlıkGoogle'ın İçerik Ambarı'nda bu varlıklar arası kenarların haritasını çıkarın.
RAG katmanı, site kalitesinin bir kapı haline geldiği yerdir
Mark Williams-CookAralık 2024'te site kalite puanı belgelendi. Puanlamada 0'dan 1'e kadar bir ölçek kullanılır ve kabaca 0,4'ün altında puan alan siteler, optimizasyon çabaları ne olursa olsun aday olarak alınmaz.
Bu önemlidir, çünkü geri alma uygunluğu ilk etapta hangi varlıkların ve kaynakların tekrar tekrar yapay zeka sistemlerine girdiğini etkiler. Marka bütünlüğü bir altyapı sorunu haline geliyor. Markanızı tutarlı bir şekilde geri alınabilir kılan varlık tutarlılığını ve ilişki yoğunluğunu ilk önce oluşturmadıysanız, LLM alıntılarına giden yolu optimize edemezsiniz.
Yapay zeka sistemleri neden sürekli olarak Black Honey'i ortaya çıkarıyor?
Ne kadar çok eşzamanlı olaya sahipseniz, karşılıklı bilgi puanınız o kadar yüksek olur ve yanıtlarda o kadar sık görünürsünüz.
Clinique'in Black Honey ruju, güçlü varlık derinliği nedeniyle bunun pratikte nasıl işlediğine iyi bir örnek:
- Konsept:“Evrensel olarak gurur verici” ve “dudaklarım ama daha iyisi” (MLBB) değer önermeleriyle birlikte ortaya çıkar.
- Eğilim:2021'de yüksek hızın tetiklediği "TikTok viralliği" ile birlikte ortaya çıkıyor.
- Rakipler ve kopyalar:Karşılaştırma durumunu güçlendiren "e.l.f. Black Cherry dupe" ile birlikte ortaya çıkar.
- Kanıt:“Liv Tyler” ve “Arwen” ile birlikte ortaya çıkıyor ve kültürel bir dayanak noktası oluşturuyor.
- Tarih:Uzun ömürlülüğü güçlendiren “1971” ile birlikte ortaya çıkar.
Bu yoğunluk nedeniyle yapay zeka sistemleri, evrensel olarak hoş görünen rujlarla ilgili soruları yanıtlarken sürekli olarak Black Honey'i öne çıkarıyor.
- Yüksek hatırlama:Yapay zeka modellerinin, "evrensel olarak en iyi rujlar", "viral makyaj trendleri" ve "90'ların ikonik güzelliği" dahil olmak üzere çok çeşitli ilgili sorgularda Clinique Black Honey'i hatırlama ve bahsetme olasılığı daha yüksektir.
- Yüksek otorite:Tarihsel kanıtlar, kültürel bağlam ve ürün çeşitleri de dahil olmak üzere birlikte ortaya çıkmanın derinliği, yapay zeka modellerine ayrıntılı, güvenilir ve çok yönlü yanıtlar üretmek için yeterli bilgi sağlar.
Geri çağırma, geri çağırma ve tavsiye için oluşturma
Tercih hayatta kalan şeydir. Sentez ağırlığını belirleyen katman ve geri alma hunisinin içinde olup bitenler için inşa edin.
Markanız belirli, tutarlı ve güncel kümeler arasında yoğun bir şekilde bağlantılı olduğunda, yapay zeka sistemlerinin alması, sentezlemesi ve önermesi daha kolay hale gelir.
Geri alma hunisinden hayatta kalanlara odaklanın
Spesifik, veri açısından zengin, yeniden üretilmesi zor içerik alınır ve alıntılanır. Akademik literatürde buna uyarlanabilir erişim adı verilmektedir.
Model kendi başına oluşturabildiği için genel, öngörülebilir içerik atlanır.
| Düşük entropi göz ardı ediliyor | Yüksek entropiden bahsediliyor |
| “Kahvemiz pürüzsüz ve lezzetlidir.” | "Boquete, Panama'daki Hacienda La Esmeralda'dan gelen Gesha çeşidi. 1.700 metrede yetiştirildi. 94 C'de su. Demleme oranı 1:16." |
İkinci versiyon, bir çeşitlilik, bir organizasyon, bir konum ve niceliksel değerler dahil olmak üzere adlandırılmış varlıkları sabitler. Bunlar modelin detaylarıbir kaynak olmadan makul bir şekilde üretilemezHer gün
Uygulanabilir ipucu:Almayla artırılmış üretim (RAG) sistemleri için temel veri olarak hizmet vermek üzere tasarlanmış, şirket geçmişi, ekip biyografileri ve ISO sertifikaları dahil yüksek yoğunluklu varlıklar ekleyin.
Yapay zeka navigasyon haritaları oluşturun
Web siteniz bir bilgi grafiği gibi çalışır. Yapay zeka sistemleri, alan adınızın anlamsal bir haritasını oluşturmak için dahili bağlantıları kullanır.
Varlıklar arasındaki mantıksal ilişkileri tanımlayan ve tarayıcıların izleyeceği net yollar oluşturan bağlantıları yerleştirin. Genellikle yapay zeka erişim yollarını yansıtan, kullanıcının karar yolculuğu etrafındaki bağlantıları yapılandırın:
- Konu → Alt konu (geniş bağlam)
- Alt konu → Ürün (özel çözüm)
- Ürün → İnceleme (sosyal kanıt)
- İnceleme → İade politikası (güven sinyali)
- İade politikası → Organizasyon (varlığın güvenilirliği)
Yetim sayfalarından kaçının
Anlamlı bir gelen bağlantıya sahip olmayan sayfaların işleme sırasında sıralaması büyük olasılıkla düşürülür. SiteAuthority'yi biriktirmezler veyaNavBoostsinyaller.
Çözüm, bu sayfalara onları grafiğe bağlayan stratejik dahili bağlantılar vermek veya silmektir. Bir sayfa bağlanmaya değer değilse, insanların mı yoksa botların mı ilgisini çekmeye değer?
Görünürlük alıntıdan önce başlar
Atıf sıklığı çalışmaları tanı araçları değil, semptom izleyicileridir. Size belirli markaların daha sık göründüğünü söyleyebilirler. Bu görünürlüğün eğitim verilerinden mi, RAG alımından mı, varlık belirginliğinden mi yoksa kategori baskınlığından mı kaynaklandığını güvenilir bir şekilde açıklayamıyorlar.
Alıntılara neden olan şeyi yapın, taklit edeni değil.
