Yakın zamandaHarvard İşletme İncelemesiBu parça, SEO endüstrisinde gördüğümüz değişimi yansıtıyor: makro düzeyde, Yüksek Lisanslar ve Google'ın AI Genel Bakışları gibi AI destekli SERP özellikleri, yalnızcasıfır tıklamaçevreyi değiştiriyor, aynı zamanda kullanıcı yolculuklarını ve davranışlarını da değiştiriyor.
Eskiden çok dokunuşlu müşteri yolculuklarını tek bir sentezlenmiş cevaba dönüştürüyorlar.
Daha görsel ve vurgulu bir metafor için, "Arama"nın monoliti çöküyor.
Bu gerçekleştiğinde markalar bir zamanlar sahip oldukları temas noktalarının çoğunu kaybederler ve pazarlama stratejinizin de buna göre değişmesi gerekir. HBR, pazarlamanın artık yeni bir hedef kitleye sahip olduğunu ve algoritmaların ilk izlenimleri giderek daha fazla şekillendirdiğini savunarak bu anı iyi yakalıyor.
Bununla birlikte, makale daha geniş bir eğilim konusunda doğru yöne işaret etse de, taktiksel tavsiyeleri geneldir ve sığ taktiklere dayanmaktadır.
Rehberliğin büyük bir kısmı, kulağa stratejik ve yenilikçi gelen ancak gerçek operasyonel derinlikten yoksun olan tanıdık pazarlama taktik kitabı fikirlerine geri dönüyor. Bu boşluk, görünürlüğün uzun ömürlülüğü ve sürdürülebilirliği açısından önemlidir.
Anlatımı yönetici düzeyinde anlamanız ve tekrarlamanız kolay olabilir, ancak yeni arama ekosistemine uyum sağlamak için aslında yapmanız gereken daha derin yapısal değişiklikleri gözden kaçırıyor.
Sürü taktikleriyle ilgili sorun
HBR makalesi şema, yazarlık sinyalleri ve markalı kavramlara odaklanıyor. Bu tavsiyeler benim "sürü taktiği" dediğim şeye dönüşme riski taşıyor.
Bu fikirler hızla yayılıyor çünkü açıklanması kolay, ancak herkes onları benimsediğinde çok az kalıcı rekabet avantajı sağlıyorlar.
Şema
Schema has been one of the most debated topics in LLM and AI optimization. Microsoft Bing onaylandıYüksek Lisans'ları için şema kullanıyor ancak Google'ın modelleri ile üçüncü taraf Yüksek Lisans'ları arasındaki ilişki o kadar basit değil.
Genel arama optimizasyon faaliyetlerinizin (SEO ve AI) bir parçası olarak şema önermek mutlaka yanlış olmasa da, bunu bir tablo taktiği olarak konumlandırmak, rakipler benzer işaretlemeyi uyguladığında ve standart hale geldiğinde azalan getirileri göz ardı eder.
Diğer bir boşluk ise Wikidata veya yetkili yayıncılar gibi dış bilgi sistemlerinin rolüdür. LLM'lerin güvendiği bilgilerin çoğu, tek bir şirketin web sitesinden ziyade bu kaynaklardan gelir.
Bunu bir etkinlik izleyicide tek bir satır öğesi olarak anlamak, açıklamak ve göstermek daha az doğrusaldır, ancak bunlar, beğenseniz de beğenmeseniz de artık uğraşmanız gereken nüanslardır.
Ayrıca modellerin, güvendikleri birçok yapısal olmayan sinyalle karşılaştırıldığında yapılandırılmış verileri nasıl aldıklarına ve önceliklendirdiklerine dair herhangi bir araştırma veya hatta bir onay da eksik.
Bildiğiniz SEO araç seti ve ihtiyacınız olan AI görünürlük verileri.
E-E-A-T — sığ yazarlık sinyalleri
Gerçek uzmanların adlarının, kimlik bilgilerinin ve biyografilerinin eklenmesi tanıdık E-E-A-T mantığını izler ve makul hijyeni temsil eder.
Sorun tedavinin yüzeysel kalmasıdır. Temel uzmanlık hattını güçlendirmeden sizi biyografiler, vesikalık görüntüler ve kimlik bilgileri listeleri gibi kozmetik sinyallere odaklanmaya itme riski taşır.
Bir sayfaya yazar biyografisi yerleştirmek ile çalışmaları konferanslarda, üçüncü taraf yayınlarda, standart komitelerinde veya akademik işbirliklerinde yer alan gerçek bir uzman varlığı yetiştirmek arasında anlamlı bir fark vardır.
Yalnızca ikincisi, modellerin tanıma ve güvenme olasılığının daha yüksek olduğu sinyaller üretir.
Gösteriş kavramları
Makale ayrıca modellerin fikirleri şirketinizle ilişkilendirmesine yardımcı olmak için markalı çerçeveler veya kavramlar (örneğin, "The Acme Index" gibi) oluşturmayı da öneriyor. Teorik olarak bu kulağa çekici geliyor ancak pratikte uygulanması son derece zordur.
Bu fikirler, LLM'lerin öncelik verme eğiliminde olduğu güvenilir veri kümelerine yayılmadıkça nadiren ilgi görür.
Akademik dergiler, teknik standartlar, yaygın olarak kullanılan yazılım ekosistemleri ve kategorinizdeki diğer önemli kuruluşlar da dahil olmak üzere sizin dışınızdaki kuruluşlar tarafından benimsenen ve tartışılan kavram ve çerçevelere ihtiyacınız var.
Bunun yerine genellikle etkilemeyi amaçladıkları modeller için büyük ölçüde görünmez kalan markalı etiketlerin çoğalması ortaya çıkıyor.
Yapısal kör noktalar
Bu taktiksel konuların ötesinde, analiz daha derin yapısal zorlukları gözden kaçırıyor. Yapay zekayı öncelikli olarak harici bir platform değişimi olarak ele alıyor.
Bunun anlamı, kendi ortamınızı aktif olarak şekillendirmek yerine basitçe ona uyum sağlamanız gerektiğidir.
Yapay zeka altyapısının içselleştirilmesi
HBR, kendi altyapınıza yapay zeka ekleme olasılığını hiçbir zaman ciddi olarak düşünmez. Asistanları, RAG sistemlerini ve alana özel aracıları kendi ürünleriniz ve müşteri deneyimleriniz dahilinde dağıtabilirsiniz.
Bu sistemler, birinci taraf verilerinin ve kontrollü arayüzlerin hala büyük önem taşıdığı, oturum açılmış, işlemsel bağlamlarda çalışır.
Bu ortamlarda site mimarisi, yapılandırılmış veriler ve ürün tasarımı gibi geleneksel kaygılar, genel arama optimizasyonundan farklı şekilde çalışsa da, derinden alakalı olmaya devam ediyor.
Bu sadece SEO değil
Tartışma ayrıca SEO'yu öncelikle keşfe bağlı bir sayfa sıralama sorunu olarak çerçeveliyor.
Bu bakış açısı daha geniş bir değişimi kaçırıyorvarlık düzeyinde bilgi yönetimi(şeyler, dizeler değil).
Yüksek Lisans'lardaki görünürlük, varlıkları, sınıflandırmaları ve bilgi grafiklerini ne kadar iyi yapılandırdığınıza ve bu sistemlerin harici veri kaynaklarına nasıl bağlandığına giderek daha fazla bağlıdır.
Çoğu LLM, verileri Google'ın varlık ilişkilerini anlamak için kullandığı petabayt ölçeğinde işlemez. Bir şey Google'da iyi bir sıralamaya sahip olduğunda, üçüncü taraf LLM'lerin genellikle hangi markaların, ne için ve ne zaman gösterileceği konusunda Google'ın rehberliğiyle ilişki kurduğu ve "güvendiği" yönünde güçlü bir korelasyon vardır.
HBR'nin "mühendislik geri çağırma" ifadesi doğrudan bu daha derin veri mühendisliği çalışmasına işaret ediyor, ancak sonuçları genişletilmiyor.
Yüksek Lisans modeli heterojenliği
Bir diğer önemli eksiklik ise yapay zeka sistemlerinin çeşitliliğidir.
Farklı yapay zeka asistanları ve modelleri, farklı eğitim veri kümelerine, yenileme döngülerine, geri alma mekanizmalarına ve güvenlik katmanlarına dayanır.
Bu heterojenlik, tek bir optimizasyon stratejisinin tüm yapay zeka yüzeylerinde çalışacağını varsayamayacağınız anlamına gelir.
Aynı zamanda geniş kapsamlı yaklaşımların riskini de araştırmıyor. Güvenlik filtrelerini, ilişkilendirme hatalarını veya halüsinasyonları hesaba katmadan yapay zeka modelleri içindeki görünürlüğü artırmaya çalışırsanız, yanlış veya itibarınıza zarar verecek şekillerde görünürlük kazanabilirsiniz.
Tek platformdan Google ve AI aramalarını takip edin, optimize edin ve kazanın.
Yüzey düzeyindeki taktikler yapay zekanın görünürlüğünü artırmaz
HBR'nin makalesi, yapay zekanın pazarlamayı nasıl değiştirdiğine dair üst düzey bir açıklama olarak işe yarıyor. Geleneksel SEO'nun artık tek başına yeterli olmadığını ve yapay zeka sistemlerinin markanızı nasıl gördüğünü ve tanımladığını dikkate almanız gerektiğini anlamanıza yardımcı olur.
Ancak pratik bir rehber olarak tavsiyeler zayıftır. Önerilerin çoğu, birçok şirketin hızla kopyalayacağı, satılması ve ölçülmesi kolay olan sürü taktiklerinin yankı odasını güçlendirecek, ancak uzun vadeli strateji pahasına odak noktanızı kısa vadeli kazançlara daraltma riskiyle karşı karşıya kalacak yüzeysel taktiklere odaklanıyor.
Gerçek zorluk daha derin. Açık varlık tanımlarına, yapılandırılmış bilgi sistemlerine, yapay zeka modellerinin kullandığı güvenilir kaynaklardaki güvenilir verilere, farklı modellerin sizi nasıl temsil ettiğini test etmeye ve kendi ürünlerinizde yapay zeka destekli deneyimlere ihtiyacınız var.
Yapay zeka çağında "kazanmak", kozmetik SEO iyileştirmelerine daha az, perde arkasında daha sıkı yapısal çalışmalara bağlı olacaktır.
