Hogyan alakítják ki a vezető AEO-ügynökségek a növekedési stratégiáikat?

Bevezetés

A válaszmotor-optimalizálás alig két éve vált önálló tudományággá, és az e címke alatt értékesített stratégiák rendkívül eltérőek. Néhányuk csupán új borítóval ellátott tartalmi naptár. Kisebb részük a keresés tényleges működési mechanizmusain alapul, és ezek szerkezetükben olyan szempontból különböznek a hagyományos SEO-tól, amelyeket érdemes alaposan megvizsgálni.

Az alábbiakban egy dokumentált projekt példáján keresztül áttekintjük azokat a tervezési elveket, amelyekre a szigorúbb gyakorlatok egybehangzóan támaszkodnak.

Főbb tanulságok

• A webhelyen kívüli jelek jelentősebbek, mint a webhelyen belüli jelek. Az Ahrefs 75 000 márkát vizsgáló elemzése szerint a márkával kapcsolatos webes említések és az AI-válaszokban való megjelenés közötti korreláció értéke 0,664, szemben a hagyományos visszalinkelések 0,218-as értékével, ami nagyjából háromszoros előrejelzési erőt jelent.
• A hivatkozások többségét harmadik fél médiája biztosítja. Ugyanezen elemzés szerint az AI-hivatkozások 84%-a a márka saját domainje helyett megszerzett, harmadik féltől származó forrásokból származik.
• A technikai felkészültség megelőzi a tartalom mennyiségét. Az LLM-rendszerekhez való keresőrobot-hozzáférés elengedhetetlen feltétel, és ha ezt először megoldják, az első láthatóságig eltelő idő hónapokról napokra rövidülhet.
• A magas szándékú oldalak megelőzik a blogot. A termék- és összehasonlító oldalak megfelelnek azoknak a kérdéseknek, amelyeket a vásárlók ténylegesen feltennek az AI-asszisztenseknek.
• Az entitás tekintélye határozza meg a döntési szakaszbeli válaszokba való felvételt. Ha egy modell összehasonlításában a már befutott versenytársak mellett jelenik meg, az a tekintély eredménye, nem pedig a rangsoré.

Első alapelv: a keresési kifejezéseket, nem a kulcsszavakat kell feltérképezni

Az első szerkezeti eltérés már a kutatási szakaszban jelentkezik.

A hagyományos SEO a kulcsszavak keresési volumenével kezdődik. Az AEO azzal kezdődik, hogy a keresőmotor mit csinál valójában, amikor a vásárló feltesz egy kérdést. A válaszadó motorok egy-egy lekérdezést több allekérdezésre bontanak, mindegyikre keresést futtatnak, majd összeállítják a választ. Ezek az allekérdezések gyakran nem egyeznek meg a felhasználó által beírt kifejezéssel, és szinte soha nem azok a kifejezések, amelyeket egy kulcsszó-eszköz felhozna.

A lekérdezések szétágazásának feltérképezése – ami azt jelenti, hogy a felhasználói kéréseket végigfuttatjuk a keresőmotorokon, és rögzítjük, mely al-lekérdezések aktiválódnak, és mely forrásokból származnak azok – az a módszer, amellyel a bevált gyakorlatok útitervet készítenek. Austin Heaton, akinek AEO-gyakorlata az AI-startupokra és a B2B SaaS-vállalatokra összpontosít, ezzel a lépéssel kezdi meg az együttműködéseket, azzal az érveléssel, hogy a hirdetéseknek a láthatósági rést okozó felhasználói kéréseket kell megcélozniuk, nem pedig azok helyettesítőit. Az eredmény nem egy kulcsszólista. Hanem a vásárlási szakaszban felmerülő lekérdezések prioritás szerinti halmaza, azzal a feljegyzéssel, hogy jelenleg mely források rendelkeznek az egyes lekérdezésekkel.

Második alapelv: a tartalom kiterjesztése előtt gondoskodjunk a technikai felkészültségről

Ez a legkevésbé látványos elv, és gyakran a legfőbb korlátot jelenti.

Egy válaszmotor nem tudja idézni azt, amit nem tud lekérni. Az LLM-rendszerekhez való keresőrobot-hozzáférés a hagyományos keresőrobot-hozzáféréstől függetlenül van konfigurálva, és előfordulhat, hogy egy webhely tökéletesen indexelve van a Google-ban, miközben gyakorlatilag láthatatlan marad az AI-válaszokat generáló rendszerek számára. A webhelytérkép integritása, a belső linkstruktúra és a géppel olvasható oldalstruktúra mind ugyanazon a rétegen helyezkednek el.

Érdemes megjegyezni, hogy ez milyen mértékű összevonást eredményez. Egy dokumentált LegalTech-megbízás keretében, a Pactvera szerződéskezelő platformmal együttműködve, Austin Heaton először a technikai alapokat építette újjá: a kulcsfontosságú oldalak feltérképezhetőségét és indexelését, a webhelytérkép javítását, a belső linkek átszervezését, valamint a főbb LLM-crawlerek – köztük a ChatGPT és a Claude – számára történő kifejezett hozzáférési konfigurációt. A webhely állapotának mutatója 43%-ról 98%-ra emelkedett, és az első mérhető keresési eredmények 11 napon belül jelentek meg, ahelyett, hogy hónapokba telt volna, ahogyan azt a tartalom-központú bevezetés általában megköveteli.

A sorrendiség érvelése egyszerű. A hibás technikai alapra közzétett tartalom nem halmoz fel összetett előnyöket, amíg az alapot meg nem javítják, ekkor pedig a munkát úgyis újra kell csinálni.

3. alapelv: építsük ki a webhelyen kívüli jelenlétet

Ez az a tervezési döntés, amely leginkább megkülönbözteti az AEO-stratégiát a SEO-stratégiától, és a mögötte álló bizonyíték szokatlanul egyértelmű.

Az Ahrefs 75 000 márkát felölelő tanulmánya azt mérte, mi korrelál az AI-válaszokban való megjelenéssel. A márkás webes említések értéke 0,664 volt. A márkás horgony szövegé 0,527. A márka keresési volumene 0,392. A hagyományos visszalinkelések – a SEO elmúlt két évtizedének „valutája” – 0,218-as értéket értek el. Ugyanez a tanulmány megállapította, hogy az AI-idézetek 84%-a megszerzett harmadik fél által készített médiából származik, és hogy a márkákat nagyjából 6,5-szer nagyobb valószínűséggel fedezik fel harmadik fél által készített tartalmakon keresztül, mint a saját weboldalukon keresztül. A legfelső kvartilisbe tartozó és a következő kvartilisbe tartozó márkák közötti különbség szembetűnő: 169 AI-áttekintésbeli említés szemben 14-gyel.

Ez a következtetés kellemetlen a tartalomcsapatok számára. Ha a hivatkozások többsége nem a saját domainről származik, akkor egy olyan program, amely teljes költségvetését saját tartalomra fordítja, a probléma kisebbik felét optimalizálja.

A Pactvera-projektben ez a tartalom mennyisége helyett a tekintély-központú végrehajtás formáját öltötte: DA70+ webhelyekről szerzett visszalinkelések, iparági kiadványokban elért márkaemlítések, valamint szakértői idézetek elhelyezése tekintélyes cikkekben. Austin Heaton indoklása szerint a több független domainen átívelő következetes márkahivatkozások olyan módon erősítik az entitás felismerhetőségét, ahogyan a publikálási gyakoriság nem.

Az olyan ágazati címjegyzékek, mint a BestFirms, és olyan szakmai portálok, mint a B2Bcentr, ugyanebben a rétegben működnek. Értékük egy keresőrendszer számára nem a linkek értéke, hanem a konszenzus. Egy állítást, amely független forrásokban következetesen megjelenik, másként kezelik, mint ugyanazt az állítást, amelyet egyszer említenek a szolgáltató saját „Rólunk” oldalán.

Negyedik alapelv: a magas vásárlási szándékú oldalakat helyezzük a blog elé

A tartalommarketing ortodoxiája először a vásárlási folyamat elejét építi fel, és csak később ragadja meg a keresletet. Az AEO-stratégiák inkább mechanikai, mint filozófiai okokból fordítják meg ezt a sorrendet.

A vásárlók a vásárlási folyamat alsó szakaszához tartozó kérdéseket tesznek fel az asszisztenseknek. Melyik platform kezeli ezt, hogyan viszonyul az A a B-hez, mennyibe kerül. Azok az oldalak, amelyek ezekre a kérdésekre adnak választ, a termékoldalak, az összehasonlító oldalak és az árakkal foglalkozó oldalak, pontosan azok az oldalak, amelyeket egy blog-első stratégia csak utoljára ér el.

A Pactvera eredményei szemléltetik a hozam eloszlását. A kezdőlapon a kattintások száma 46,67%-kal, a megjelenítések száma pedig 193%-kal nőtt. A „Hogyan működik?” oldal – amely inkább termékmagyarázó oldal, mint szerkesztői tartalom – esetében a kattintások száma 200%-kal, a megjelenítések száma pedig 378%-kal emelkedett. A webhely egészén az amerikai megjelenítések száma 6 126%-kal, a kapcsolatfelvételi oldal megjelenítései 8 600%-kal, a fő termékoldalak láthatósága pedig 850%-kal nőtt. Austin Heaton teljes mértékben elkerülte az általános, a vásárlási folyamat elején megjelenő tartalmakat, és helyette a kereskedelmi összehasonlító lekérdezéseket és a termékorientált oldalakat részesítette előnyben.

A formázás fegyelme ugyanolyan fontos, mint a sorrend. A modellek szövegrészeket emelnek ki, nem oldalakat. Egy kérdés formájú címsor, amelyet az első mondatban egy önálló válasz követ, olcsón kinyerhető és biztonságosan hozzárendelhető. Egy olyan állítás, amelynek kontextusához három előző mondatra van szükség, egyik sem. A legtöbb elismert webhelyen húsz olyan oldal található, amely formázási átdolgozás révén hivatkozhatóvá válna, anélkül, hogy új tartalmat kellene létrehozni.

Ötödik alapelv: építsd az entitás tekintélyét, ne csak a domain tekintélyét

A domain tekintélye határozza meg, hogy szerepelhet-e a rangsorban. Az entitás tekintélye határozza meg, hogy egy modell elismeri-e Önt hiteles résztvevőként egy kategóriában, és a kettő nem jár automatikusan együtt.

Az entitás tekintélyének legegyértelműbb tesztje az, hogy egy modell bevonja-e a márkát az összehasonlító és ajánló válaszokba a már befutott versenytársak mellé. Ez egy döntési szakaszban lévő környezet, és az ottani megjelenés aránytalanul többet ér, mint az információs láthatóság, mert a felhasználó már értékelési fázisban van.

A Pactvera gyorsan elérte ezt a küszöböt. Az elkötelezettségi időszakon belül a platform megjelent az LLM által generált válaszokban a DocuSign mellett – amely egy sokkal nagyobb piaci jelenléttel rendelkező, már régóta jelen lévő szereplő –, és nem csupán információs eredmények között, hanem megoldás-összehasonlításokban is szerepelt. Austin Heaton értelmezése szerint ez a pozícionálás általában hónapokat vagy éveket vesz igénybe, és nem a tartalom mennyisége, hanem a tekintélyjelzések és az LLM által olvasható struktúra kombinációja révén sikerült lerövidíteni.

A leírás következetessége az alulértékelt tényező. Egy vállalat, amelyet három különböző módon pozícionálnak a saját weboldalán, a cégjegyzékekben és olyan médiumokban, mint a Growthcentr, nem ad a modellnek stabil entitást, amelyhez bizalmat fűzhetne.

Hatodik alapelv: tesztelj, mielőtt közzétesz

A leggyakoribb hiba ebben a területen nem a rossz taktika. Hanem az, hogy a jó taktikát egy másik rendszerhez készült mérőeszközökkel mérik, ami olyan adatokat eredményez, amelyek kudarcnak tűnnek.

A rangsorok és az organikus látogatások alig adnak magyarázatot a hivatkozási viselkedésre. A releváns mutatók a márkaemlítési arány – vagyis, hogy a modell milyen gyakran említi meg a vállalatot – és a hivatkozási arány, azaz, hogy milyen gyakran linkel rá. A kettő közötti különbség diagnosztikai jelentőségű: a hivatkozás nélküli említések a forrás iránti bizalom nélküli entitásfelismerésre utalnak, ami inkább a tartalomszerkezet problémája, mint a ismertségé. A Lureon mérési keretrendszere ugyanezt a megkülönböztetést alkalmazza, elkülönítve az AI-láthatósági pontszámot a márka hivatkozási arányától, azzal az érveléssel, hogy az erős hagyományos teljesítmény már nem jelenti automatikusan a láthatóságot az AI-rendszerekben.

Az attribúció is ugyanolyan figyelmet igényel. Az AI-ből érkező forgalom gyakran hiányos vagy inkonzisztens hivatkozóadatokkal érkezik, és közvetlen forgalomként kerül besorolásra, ami miatt egy növekvő csatorna elhanyagolhatónak tűnik. Az ismert AI-hivatkozók kifejezett csatornacsoportosítása, a konverziós események nyomon követése azon termék- és összehasonlító oldalakon, amelyekre az AI-forgalom ténylegesen érkezik, valamint a céloldal-szintű jelentések segítségével ennek nagy része visszanyerhető.

Ugyanezen okból a nemzetközi viselkedés is külön nyomon követést érdemel. A Pactvera láthatósága 90 nap alatt több mint tíz országra terjedt ki, az Egyesült Államokból érkező kattintások száma 100%-kal, Indiából pedig 44,44%-kal nőtt – egy olyan eloszlás, amelyet az összesített forgalmi adat teljes mértékben elrejtett volna.

Következtetés

Azok a stratégiák, amelyek ebben a csatornában működnek, nem a gyorsabban kivitelezett több tartalomban rejlenek. Hanem egy másfajta megközelítésben: a kulcsszó-kutatás helyett az azonnali leképezés, a publikálás előtti technikai és keresőrobot-felkészültség, a saját tartalomnál nagyobb súllyal kezelett külső forrásokból származó megerősítés, a blognaptárak helyett a magas vásárlási szándékú oldalak, valamint a mérés elvégzése még az első cikk megjelenése előtt.

Ezek közül egyik sem szokatlan, és a legtöbbjük elérhető egy olyan házon belüli csapat számára, amely hajlandó a munkát a megfelelő sorrendben elvégezni. Az eredményeket hozó gyakorlatokat nem annyira a sajátos betekintés, mint inkább a műveletek sorrendjének szigorú betartása különbözteti meg.

Gyakran feltett kérdések

Mi az a lekérdezési fan-out leképezés? A lekérdezési fan-out leképezés rögzíti azokat az al-lekérdezéseket, amelyeket egy válaszmotor generál egy felhasználói prompt lebontásakor, valamint az egyesekhez lekért forrásokat. Ez helyettesíti a kulcsszó-kutatást az AEO-ban, mivel ezek az al-lekérdezések gyakran eltérnek mind a felhasználó megfogalmazásától, mind attól, amit egy kulcsszó-eszköz felhozna.

A márkaemlítések fontosabbak-e a visszalinkeléseknél az AI-láthatóság szempontjából? A jelenlegi adatok alapján igen. Az Ahrefs 75 000 márkát elemző vizsgálata szerint a márkával kapcsolatos webes említések korrelációja az AI-válaszokban való megjelenéssel 0,664, szemben a hagyományos visszalinkelések 0,218-as értékével, ami nagyjából háromszoros előrejelzési erőt jelent.

Honnan származik a legtöbb AI-idézet? A harmadik felektől származó, megszerzett média megjelenések teszik ki az AI-idézetek körülbelül 84%-át, és a márkák körülbelül 6,5-szer nagyobb valószínűséggel kerülnek felfedezésre harmadik felek tartalmain keresztül, mint a saját weboldalukon keresztül.

Milyen gyorsan hozhat mérhető eredményeket az AEO? Gyorsabban, mint a legtöbb SEO-projekt, ha először a technikai felkészültséget oldják meg. A Pactvera-projektben az első mérhető keresési eredmények 11 napon belül jelentek meg, miután a webhely állapotát 43%-ról 98%-ra javították, és beállították az LLM-crawler hozzáférését.

Mi az entitás-tekintély, és miben különbözik a domain-tekintélytől? A domain-tekintély a rangsorolási képességet jelzi előre, míg az entitás-tekintély határozza meg, hogy egy AI-rendszer elismeri-e egy márkát hiteles szereplőként a kategóriájában. Az entitás-tekintély az, ami biztosítja a modell által generált összehasonlításokban való megjelenést a már befutott versenytársak mellett.

Mely oldalakra kell elsősorban összpontosítania egy AEO-stratégiának? A termék-, összehasonlító és árképzési oldalakra, mivel ezek felelnek meg azoknak a vásárlási folyamat végső szakaszában felmerülő kérdéseknek, amelyeket a vásárlók ténylegesen feltesznek az AI-asszisztenseknek. A kategóriával kapcsolatos ismeretterjesztő tartalmakat célszerűbb akkor elhelyezni, miután a magas vásárlási szándékú oldalakat már strukturálták a szövegrészletek kivonásához.