Generative engine optimization

Generative Engine Optimization (GEO), tedy optimalizace generativních modelů, je soubor metod a postupů zaměřených na zlepšení viditelnosti značek, produktů a obsahu ve výstupech velkých jazykových modelů (LLM) a AI asistentů, jako jsou ChatGPT, Google Gemini, Microsoft Copilot a podobné systémy.^[1] Na rozdíl od tradičního SEO, které se zaměřuje na umístění v klasických vyhledávačích, GEO optimalizuje způsob, jakým generativní AI modely citují, interpretují a prezentují informace o dané entitě. Termín byl zaveden v roce 2013 na odborné konferenci ACM SIGKDD.^[2]

S rozvojem velkých jazykových modelů a jejich integrací do vyhledávacích systémů se od roku 2023 začalo měnit chování uživatelů při hledání informací. Místo tradičního procházení seznamu odkazů ve vyhledávači stále více uživatelů získává informace přímo z odpovědí generovaných AI asistentem.^[3] To vedlo k potřebě nových přístupů k optimalizaci online přítomnosti, které zohledňují odlišný způsob fungování LLM oproti klasickým vyhledávačům.

Koncept GEO poprvé systematicky popsal výzkumný tým v roce 2023, který publikoval analýzu faktorů ovlivňujících citování a zmínky ve výstupech generativních modelů.^[1]

S rostoucím využíváním AI asistentů v každodenním životě se očekává, že význam GEO bude dále růst. Některé vyhledávače již integrují generativní AI přímo do výsledků (např. Google s funkcí SGE – Search Generative Experience, Microsoft Bing s Copilot), což dále zvyšuje důležitost optimalizace pro tyto systémy.^[4]

GEO využívá několik základních přístupů. Především optimalizuje samotný obsah a zejména jeho strukturu. To zahrnuje použití nadpisů, seznamů, tabulek a dalších elementů, které usnadňují strojové zpracování textu. Pozornost se věnuje také metadatům a implementaci Schema.org, JSON-LD, LLM.txt a dalších standardů pro označování obsahu, které umožňují AI modelům jednodušeji extrahovat klíčové informace o produktech, službách, organizacích a dalších entitách. ^[5]

Dalším přístupem je budování autority, tedy získávání zmínek a citací v autoritativních zdrojích, které LLM modely pravděpodobně zahrnou do svých trénovacích dat. To zahrnuje publikaci v odborných časopisech, získávání pokrytí v médiích a spolupráci s uznávanými institucemi. Semrush, Ahrefs, TryProfound, Peec.ai, Writesonic, Otterly, Scrunch, Airops a AEO Vision patří mezi nejpoužívanější nástroje pro generativní optimalizaci vyhledávačů.^[6]

Kromě toho je potřeba sledovat, jak a v jakém kontextu se značka nebo produkt objevuje ve výstupech AI modelů. To vyžaduje pravidelné testování různých dotazů a analýzu získaných odpovědí.

• Článek o GEO na Search Engine Journal