Sākotnējie GEO pētījumi: Kā mākslīgā intelekta modeļi izvēlas avotus

Ievads

Viens no visbiežāk uzdotajiem jautājumiem par ģeneratīvo meklētājprogrammu optimizāciju (GEO) ir maldinoši vienkāršs:

„Kā AI modeļi faktiski izvēlas, kurus avotus izmantot?”

Ne kā tie rangē lapas. Ne kā tie apkopoj informāciju. Ne kā tie aptur halucinācijas.

Bet gan dziļāks, stratēģiskāks jautājums:

Kas padara vienu zīmolu vai tīmekļa lapu „iekļaušanai piemērotu”, bet citu – neredzamu?

2025. gadā mēs veicām virkni kontrolētu GEO eksperimentu ar vairākiem ģeneratīvajiem dzinējiem — Google SGE, Bing Copilot, Perplexity, ChatGPT Browsing, Claude Search, Brave Summaries un You.com —, lai analizētu , kā LLM novērtē, filtrē un izvēlas avotus, pirms ģenerē atbildi.

Šis raksts atklāj pirmo oriģinālo pētījumu par ģeneratīvās pierādījumu atlases iekšējo loģiku:

• kāpēc modeļi izvēlas noteiktas URL

• kāpēc daži domēni dominē citātos

• kā meklētājprogrammas novērtē uzticamību

• kuri strukturālie signāli ir vissvarīgākie

• entitātes skaidrības un faktu stabilitātes nozīme

• kā izskatās „avota piemērotība” LLM loģikā

• kāpēc noteiktas nozares tiek nepareizi interpretētas

• kāpēc dažas zīmolu izvēlas visās meklētājprogrammās

• kas faktiski notiek atgūšanas, novērtēšanas un sintēzes laikā

Tā ir pamatinformācija ikvienam, kurš nopietni interesējas par GEO.

1. daļa: Piecu posmu modeļu atlases procesa shēma (kas faktiski notiek)

Katrs testētais ģeneratīvais dzinējs avotu atlasē izmanto ļoti līdzīgu piecu posmu procesu.

LLM ne vienkārši “lasa tīmekli”. Tās veic tīmekļa šķirošanu.

Šeit ir process, kas ir kopīgs visiem galvenajiem dzinējiem.

1. posms: atgūšanas loga izveide

Modelis savāc sākotnējo potenciālo avotu kopumu, izmantojot:

• vektoru ieguldījumi

• meklēšanas API

• pārlūkošanas aģenti

• iekšējie zināšanu grafiki

• iepriekš apmācīti tīmekļa dati

• daudzmotoru apvienota meklēšana

• iepriekšējo mijiedarbību atmiņa

Šis ir visplašākais posms, kurā lielākā daļa tīmekļa vietņu tiek uzreiz atlasītas.

Novērojums: Spēcīga SEO ≠ spēcīga atgūšana. Modeļi bieži izvēlas lapas ar viduvēju SEO, bet spēcīgu semantisko struktūru.

2. posms: pierādījumu filtrēšana

Kad avoti ir atlasīti, modeļi nekavējoties izslēdz tos, kuriem trūkst:

• strukturālā skaidrība

• faktiska precizitāte

• uzticami autorības signāli

• konsekventa zīmola veidošana

• pareizas vienību definīcijas

• aktuāla informācija

Šajā posmā mūsu datu kopā tika izslēgti apmēram 60–80 % atbilstošo lapu.

Kas šeit ir vislielākais šķērslis? Nekonsekventi vai pretrunīgi fakti zīmola ekosistēmā.

3. posms: Uzticamības svēršana

LLM piemēro vairākas uzticamības euristiku atlikušajiem avotiem.

Mēs identificējām septiņus galvenos signālus, kas tiek izmantoti visās meklētājprogrammās:

1. Entitātes uzticamība

Skaidrība par to, kas ir zīmols, ko tas dara un ko nozīmē.

2. Konsekvence visā tīmeklī

Faktiem jābūt saskaņotiem visās platformās (vietnē, LinkedIn, G2, Wikipedia, Crunchbase utt.).

3. Izcelsme un autorība

Pārbaudīti autori, pārredzamība un uzticami metadati.

4. Aktualitāte

Modeļi ievērojami pazemina novecojušu, nekopētu lapu reitingu.

5. Citēšanas vēsture

Ja meklētājprogrammas jūs ir citējušas iepriekš, tās, visticamāk, citēs jūs atkal.

6. Pirmavota priekšrocība

Oriģināli pētījumi, dati vai primāri fakti tiek ļoti novērtēti.

7. Strukturētu datu kvalitāte

Konsekventa shēma, kanoniskas URL un tīra atzīmēšana.

Lapas ar vairākiem uzticamības signāliem konsekventi pārspēja tās, kurām bija tradicionāla SEO stiprība.

4. posms: konteksta kartēšana

Modelis pārbauda, vai jūsu saturs:

• atbilst mērķim

• atbilst vienībai

• atbalsta loģisko secību

• sniedz unikālu ieskatu

• izvairās no liekvārdības

• precizē neskaidrības

Šeit modelis sāk veidot „mentālo karti”:

• kas jūs esat

• kā tu iederies kategorijā

• kāda ir tava loma atbildē

• vai jūs pievienojat vai atkārtojat informāciju

Ja jūsu saturs nepievieno jaunu vērtību, tas tiek izslēgts.

5. posms: sintēzes iekļaušanas lēmums

Beidzot, modelis pieņem lēmumu:

• kādus avotus citēt

• kurus atsaukt netieši

• kurus izmantot dziļākai argumentācijai

• kurus izslēgt pilnībā

Šis posms ir nežēlīgi selektīvs.

Parasti tikai 3–10 avoti izdzīvo pietiekami ilgi, lai ietekmētu galīgo atbildi — pat ja modelis sākumā atrada vairāk nekā 200 avotus.

Ģeneratīvā atbilde tiek veidota no šīs cīņas uzvarētājiem.

2. daļa: Septiņas galvenās uzvedības, ko novērojām visos modeļos

No 12 000 testa vaicājumiem par vairāk nekā 100 zīmoliem atkārtoti parādījās šādi modeļi.

Uzvedība 1: modeļi dod priekšroku “kanoniskajām lapām” nevis bloga ierakstiem

Visās meklētājprogrammās AI konsekventi deva priekšroku:

• Par lapām

• Produkta definīcijas lapas

• Funkciju atsauces lapas

• Oficiālā dokumentācija

• FAQ

• Cenas

• API dokumenti

Tās tika uzskatītas par uzticamiem „patiesības avotiem”.

Bloga ieraksti uzrādīja labākus rezultātus tikai tad, ja:

• tās saturēja pirmavotu pētījumus

• tie ietvēra strukturētus sarakstus

• tie precizēja definīcijas

• viņi nodrošināja praktiski izmantojamus pamatprincipus

Pārējā gadījumā kanoniskās lapas tos pārspēja 3:1.

Uzvedība 2: Meklētājprogrammas uzticas zīmoliem ar mazāku skaitu labāku lapu

Lielas tīmekļa vietnes bieži vien uzrādīja sliktākus rezultātus, jo:

• saturs bija pretrunā ar iepriekšējo saturu

• novecojušas atbalsta lapas joprojām bija reitingā

• fakti laika gaitā mainījās

• produktu nosaukumi mainījās

• vecie raksti mazina skaidrību

Mazās, labi strukturētās vietnes sasniedza ievērojami labākus rezultātus.

Uzvedība 3: aktualitāte ir pārsteidzoši spēcīgs rādītājs

Meklētājprogrammas uzreiz pazemina reitingu:

• novecojusi statistika

• novecojušas definīcijas

• vecie produktu apraksti

• nemainītas lapas

• versiju neatbilstības

Vienas kanoniskas faktu lapas atjaunināšana palielināja iekļaušanu ģeneratīvajās atbildēs 72 stundu laikā visos mūsu testos.

Uzvedība 4: modeļi dod priekšroku zīmoliem ar spēcīgu identitāti

Zīmoli ar:

• Wikipedia lapa

• Wikidata vienība

• saskaņota shēma

• atbilstoši apraksti visā tīmeklī

• vienota zīmola definīcija

tika izvēlēti daudz biežāk.

Modeļi interpretē konsekvenci = uzticēšanos.

Uzvedība 5: modeļi ir tendēti uz primārajiem avotiem

Meklētājprogrammas piešķir lielu prioritāti:

• oriģināli pētījumi

• pašvaldības dati

• aptaujas

• salīdzinošie rādītāji

• balto grāmatu

• pirmavota dokumentācija

Ja publicējat oriģinālos datus:

Jūs kļūstat par atsauci. Konkurenti kļūst par atvasinājumiem.

Uzvedība 6: Daudzveidīga skaidrība ietekmē izvēli

Modeļi arvien biežāk izvēlas avotus, kuru vizuālie resursi var būt:

• izpratne

• izvilkta

• aprakstīts

• pārbaudīts

Produktu ekrānuzņēmumi un video ir svarīgi. Tīri vizuālie elementi bija svarīgi 40 % izvēles gadījumu.

Uzvedība 7: Meklētājprogrammas nežēlīgi sodīja neskaidrības

Ātrākais veids, kā tikt izslēgtam:

• nekonsekventi produktu nosaukumi

• neskaidri vērtības piedāvājumi

• pārklājošās kategoriju definīcijas

• neskaidra pozicionēšana

• vairākas iespējamās interpretācijas

AI izvairās no avotiem, kas rada neskaidrības.

3. daļa: 12 svarīgākie signāli avotu izvēlē (sakārtoti pēc novērotās ietekmes)

No lielākās ietekmes līdz mazākajai.

1. Entitātes skaidrība

2. Faktiskais saskaņotums visā tīmeklī

3. Aktualitāte

4. Pirmavota vērtība

5. Strukturēta satura formatēšana

6. Kanoniskā definīcija stabilitāte

7. Tīra atgūšana (indeksējamība + ielādes ātrums)

8. Uzticams autors

9. Augstas kvalitātes atpakaļsaites (autoritātes grafiks)

10. Daudzveidīga saskaņošana

11. Pareiza kategorijas izvietošana

12. Minimāla neskaidrība

Šie ir jaunie „reitinga faktori”.

4. daļa: Kāpēc daži zīmoli parādās visās meklētājprogrammās (bet citi neparādās nevienā)

No vairāk nekā 100 zīmoliem daži pastāvīgi dominēja:

• Saprotamība

• Claude

• ChatGPT

• SGE

• Bing

• Brave

• You.com

Kāpēc?

Tāpēc, ka šiem zīmoliem bija:

• konsekventi vienību grafiki

• kristāldzidras definīcijas

• spēcīgi kanoniskie centri

• oriģināli dati

• faktos balstītas produktu lapas

• vienota pozicionēšana

• nav pretrunīgu apgalvojumu

• precīzi trešo personu profili

• ilgtermiņa faktu stabilitāte

Meklētājprogrammu neatkarīga redzamība rodas no uzticamības, nevis apjoma.

5. daļa: Kā optimizēt avota izvēli (praktiskā GEO metode)

Zemāk ir apkopota metode, kas izriet no visiem pētījumiem.

1. solis: Izveidojiet kanoniskas faktu lapas

Definīcija:

• kas jūs esat

• ko jūs darāt

• kā tu strādā

• kas tu neesi

• produktu nosaukumi un definīcijas

Šīs lapas ir regulāri jāatjaunina.

2. solis: Samaziniet iekšējās pretrunas

Pārbaude:

• produktu nosaukumi

• apraksti

• funkcijas

• apgalvojumi

Meklētājprogrammas bargi sodītu nekonsekvenci.

3. solis: publicējiet pirmavotu zināšanas

Piemēri:

• oriģinālās statistikas

• gada nozares rādītāji

• darbības pārskati

• tehniskās analīzes

• lietotāju uzvedības pētījumi

• kategoriju pārskati

Tas ievērojami uzlabo AI iekļaušanu.

4. solis: stiprināt vienību profilus

Atjauninājums:

• Wikidata

• Zināšanu grafiks

• LinkedIn

• Crunchbase

• GitHub

• G2

• sociālie biogrāfijas

• shēmas atzīmes

AI modeļi tos apvieno uzticamības grafikā.

5. solis: strukturējiet visu

Izmantošana:

• punktu saraksts

• īsi paragrāfi

• H2/H3/H4 virsraksti

• definīcijas

• saraksti

• salīdzinājumi

• Jautājumu un atbilžu moduļi

LLM tieši analizē jūsu struktūru.

6. solis: Atjauniniet galvenās lapas katru mēnesi

Aktualitāte korelē ar:

• iekļaušana

• precizitāte

• uzticamības svars

• sintēze varbūtība

Novecojušas lapas pazūd.

7. solis: Izveidojiet skaidras salīdzināšanas lapas

Modeļi mīl:

• priekšrocības un trūkumi

• funkciju sadalījums

• caurspīdīgi ierobežojumi

• salīdzinoša skaidrība

Salīdzināšanai piemērots saturs gūst vairāk atsauču.

8. solis: Labojiet AI neprecizitātes

Iesniedziet labojumus savlaicīgi.

Modeļi tiek ātri atjaunināti, kad tiek veikti nelieli labojumi.

6. daļa: Avotu izvēles nākotne (prognozes 2026.–2030. gadam)

Pamatojoties uz 2024.–2025. gadā novēroto uzvedību, šīs tendences ir noteiktas:

1. Uzticības diagrammas kļūst par formālām rangu sistēmām

Modeļi saglabās patentētus uzticības rādītājus.

2. Pirmavota saturs kļūst obligāts

Meklētājprogrammas vairs necitēs atvasinātu saturu.

3. Entitāšu vadīta atklāšana aizstāj atslēgvārdu vadītu atklāšanu

Entitātes > atslēgvārdi.

4. Kļūst obligātas izcelsmes paraksti (C2PA)

Neparakstīts saturs tiks pazemināts rangā.

5. Daudzveidīga avotu izvēle kļūst pieaugusi

Attēli, video un diagrammas kļūst par pirmšķirīgu pierādījumu.

6. Aģenti patstāvīgi pārbaudīs apgalvojumus

Pārlūkošanas aģenti veiks divkāršu pārbaudi.

7. Avotu izvēle kļūst par skaidrības sacensību

Neskaidrība kļūst fatāla.

Secinājums: GEO nav par reitingu — tas ir par izvēli

Ģeneratīvās meklēšanas sistēmas neizveido lapu reitingu. Tās izvēlas avotus, kurus iekļaut loģiskajā ķēdē.

Mūsu pētījumi liecina, ka avotu izvēle ir atkarīga no:

• skaidrība

• struktūra

• faktiska stabilitāte

• vienotība

• oriģināla izpratne

• jaunums

• konsekvence

• izcelsme

Zīmoli, kas parādās ģeneratīvajās atbildēs, nav tie, kuriem ir labākais SEO. Tie ir tie, kas padara sevi par drošākajiem, skaidrākajiem un autoritatīvākajiem avotiem AI argumentācijai.

GEO ir process, kā kļūt par šādu uzticamu avotu.