Mitos visibilitas LLM: skema, llms.txt, dan penyebutan

Pertanyaan skema, secara perlahan

Markup Schema.org menggambarkan halaman dengan cara yang dapat dibaca mesin. Sederhana. Google telah menyatakan bahwa data terstruktur tidak diperlukan untuk fitur AI-nya, meskipun hal itu masih membantu dengan hasil kaya, yang merupakan alasan bagus untuk menambahkannya.

Apakah hal itu memberi makan model secara langsung tidak diketahui. Tidak ada orang di luar vendor yang tahu. Kami akan mengujinya dengan cara yang membosankan: menandai setengah dari satu set halaman serupa, membiarkan setengah lainnya kosong, dan mencatat kutipan selama delapan minggu.

Praktisi melaporkan pengalaman yang beragam, termasuk banyak keheningan setelah markup penuh. Keheningan adalah data. Jangan kubur di bawah putaran tag lainnya.

Bio penulis dan kredensial 'ahli' mendapat perlakuan yang sama. Mereka membantu pembaca memutuskan apakah akan mempercayai Anda, yang merupakan alasan yang cukup, dan tidak ada studi yang kami lihat menunjukkan bahwa model lebih memilih halaman karena bio hadir.

Kesegaran muncul setiap kali. Halaman dengan tanggal pembaruan terbaru sering muncul dalam jawaban AI tentang topik mirip berita, dan Google telah lama menggunakan kesegaran untuk kueri yang membutuhkannya. Namun, menaikkan tanggal tanpa mengubah konten adalah kebiasaan yang tidak akan kami andalkan, dan Google telah menyatakan bahwa hal itu tidak menyukainya.

Penyebutan: taruhan yang lebih murah

Jika model membaca teks, deskripsi merek Anda yang jelas di situs lain mungkin penting bahkan tanpa tautan. Menemukan halaman seperti itu adalah pekerjaan outreach biasa.

Mulailah dengan nama merek Anda sendiri. Cari nama tersebut, buang situs yang sudah menautkan, dan daftarkan sisanya. Kemudian minta tautan atau deskripsi yang lebih sederhana. Alat seperti Ahrefs dan Semrush memiliki peringatan penyebutan, dan tarikan profil tautan kami menunjukkan siapa yang menautkan ke pesaing yang Anda kagumi.

Peringatan terakhir tentang agensi. Menjual audit visibilitas LLM adalah lini bisnis baru, dan beberapa laporan tipis. Tanyakan apa yang diambil sampelnya, kapan, dan apa yang akan mengubah kesimpulan mereka.

Tidak ada yang membuat markup tidak berguna. Ini mengatakan bahwa efek yang diklaim belum diukur. Luangkan waktu satu jam, bukan seperempat juta, dan pertahankan upaya utama Anda pada halaman yang benar-benar ingin dibaca orang.

Apa yang dilakukan skema

Markup memiliki pekerjaan nyata bahkan ketika pertanyaan AI tetap terbuka. Ada baiknya menjaga pekerjaan-pekerjaan itu tetap terlihat, sehingga hasil nol pada kutipan tidak disalahartikan sebagai hasil nol pada semuanya.

Hasil kaya dan kelayakan

Data terstruktur dapat membuat halaman memenuhi syarat untuk fitur hasil kaya di pencarian Google klasik, di mana markup dibaca dan diperiksa. Manfaat itu konkret dan tidak bergantung pada klaim apa pun tentang jawaban AI.

Jika Anda menambahkan markup untuk alasan itu, validasi dengan alat pengujian hasil kaya sebelum Anda menerbitkannya. Anggap efek apa pun pada jawaban AI sebagai bonus yang belum Anda ukur.

Parsing dan kejelasan

Markup menyatakan fakta dalam format tetap, seperti nama produk, penulis, atau tanggal. Parser yang membaca halaman dapat mengambil bidang-bidang tersebut tanpa menebak. Kejelasan itu membantu alat apa pun yang bekerja dari struktur halaman.

Kejelasan bukan sama dengan kutipan. Halaman dapat mudah diparsing dan tidak pernah dikutip, dan halaman lain dapat dikutip tanpa markup sama sekali.

Apa yang tidak ditunjukkan

Skema bukan daftar suara yang dihitung model. Kami belum melihat studi terkontrol yang menghubungkan markup saja dengan perubahan kutipan, jadi siapa pun yang menjanjikan lonjakan harus menunjukkan sampel di baliknya.

Keheningan setelah menambahkan markup adalah hasil normal dari sebuah uji. Bagian berikutnya menjelaskan mengapa hal itu dapat terjadi tanpa markup menjadi tidak berguna.

Mengapa orang tidak melihat perubahan

Visibilitas LLM bergantung pada banyak hal sekaligus, dan perubahan tunggal jarang menonjol. Ingatlah hal itu sebelum Anda menilai hasil.

Tuas mungkin berada di tempat lain

Peluang halaman untuk dikutip bergantung pada kemampuan crawling, konten, tautan, dan kueri itu sendiri. Markup menyentuh salah satu dari itu. Ketika semuanya tetap sama, perubahan hanya markup mungkin terlalu kecil untuk terlihat.

Sebelum menyalahkan markup, periksa dasar-dasarnya. Konfirmasikan bahwa halaman diindeks, dan bahwa teksnya muncul di HTML daripada hanya setelah skrip dijalankan.

Fan-out kueri mengirim orang ke tempat lain

Beberapa praktisi menggambarkan fan-out kueri, di mana satu pertanyaan menjadi beberapa sub-pencarian. Jika begitu cara model mengumpulkan sumber, halaman yang Anda tandai mungkin dikutip untuk sub-kueri yang tidak pernah Anda lacak. Itulah salah satu alasan pemeriksaan satu-prompt menyesatkan.

Sertakan beberapa sub-pertanyaan dalam set prompt Anda, dan catat halaman mana yang muncul untuk masing-masing.

Ukur sebelum Anda menyimpulkan

Hasil membutuhkan sampel dan garis dasar. Delapan minggu prompt yang dicatat, dibagi menjadi dua kelompok, adalah uji sederhana yang masih bisa salah. Tuliskan batasnya di samping hasil.

Terbitkan juga hasil nol. Uji yang tidak menemukan apa pun masih berguna bagi orang berikutnya yang mengajukan pertanyaan yang sama.

Rendering dan apa yang dapat dibaca model

Teks adalah bahan yang bekerja model, sehingga pertanyaan tentang apa yang dapat dibaca layak diuji daripada diasumsikan.

Konten yang muncul setelah skrip

Beberapa konten hanya muncul setelah skrip dijalankan. Apakah asisten tertentu dapat melihat konten itu adalah sesuatu yang dapat Anda uji. Bandingkan teks yang dikutip asisten dengan apa yang dikembalikan oleh pengambilan HTML biasa.

Jika teks yang dikutip tidak ada di HTML biasa, halaman bergantung pada rendering. Itu layak diketahui sebelum Anda menambahkan markup apa pun.

Markup dibaca sebagai token

Beberapa praktisi berargumen bahwa model memecah JSON-LD menjadi token dan kehilangan strukturnya, sehingga markup menambah sedikit. Argumen itu masuk akal, dan sejauh yang kami ketahui belum diuji. Tidak ada pihak yang menunjukkannya dengan sampel yang adil.

Anggap itu sebagai hipotesis untuk uji Anda sendiri, bukan sebagai aturan untuk dikutip dalam laporan klien.

Pertanyaan tentang markup dan jawaban AI

Beberapa pertanyaan yang muncul setelah orang mulai menguji markup pada halaman mereka sendiri.

Haruskah saya menghapus skema jika tidak membantu jawaban AI?

Tidak berdasarkan bukti ini. Markup masih melayani fitur pencarian klasik dan membuat halaman lebih jelas bagi parser. Hapus hanya jika salah, tidak lagi relevan, atau menyesatkan.

Apakah file llms.txt sepadan dengan satu jam?

Mungkin, sebagai eksperimen murah. Proposal tersebut berasal dari September 2024, dan kami belum melihat vendor utama mengonfirmasi bahwa mereka membaca file tersebut, jadi jangan mengharapkan hasil yang terlihat.

Apakah bio penulis membantu dengan kutipan?

Tidak ada studi yang kami ketahui yang menunjukkan hal itu. Bio dapat membantu pembaca menilai halaman, yang merupakan alasan yang wajar untuk mempertahankannya, tetapi efek kutipan apa pun belum diuji.

Berapa banyak halaman yang harus disertakan dalam uji?

Cukup agar kedua kelompok dapat dibandingkan tanpa satu halaman mendominasi hasil. Sepuluh hingga dua puluh halaman serupa adalah awal yang masuk akal untuk uji pertama, meskipun jumlah yang tepat bergantung pada seberapa banyak prompt Anda bervariasi.