Lilith Lilith.
Redakční ilustrace: Astra dominuje v novém AEO Trackeru, Anthropic preferuje širší rešerši
Ilustrace Lilith · redakční remix

Latent Space představil nový Frontier AEO Tracker, který mapuje doporučování nástrojů a služeb napříč 161 kategoriemi. Metodika zahrnovala miliardy tokenů a 6 variant promptů na 7 různých modelech s aktivním webovým vyhledáváním. Cílem je poskytnout zakladatelům a vývojářům tvrdá data o tom, jak se jejich produkty umisťují v očích generativní umělé inteligence, když se jich uživatelé ptají na doporučení v oblastech od kódovacích agentů po mzdový software.

Menší počet zdrojů přináší vyšší asertivitu

Zatímco modely Anthropicu mají tendenci prohledávat více zdrojů (Fable s mediánem 15 zdrojů, Opus 11), modely Astra od Googlu preferují efektivitu a spoléhají na menší počet zdrojů (Astra medián 5, Sol 9). Z testu vyplývá, že Astra je mnohem asertivnější a méně náchylná ke změně odpovědi při mírné úpravě promptu. Pro firmy to znamená, že u sebevědomějších modelů je AEO optimalizace ještě důležitější, protože náhodné variace odpovědí klesají.

Silné zkreslení ve vývojářských nástrojích

Tracker odhalil zajímavá měkká zkreslení. V kategorii kódovacích agentů například Fable a Opus logicky preferují Claude Code, Sol a Astra doporučují Codex, Grok tíhne ke Cursoru a SWE-1.7 vyzdvihuje Devina. Na druhou stranu GPT modely od OpenAI ukázaly chvályhodnou neutralitu, když v některých případech samy doporučily Claude. Ze 161 kategorií má 28 jasného a univerzálního favorita napříč všemi modely, zatímco zbytek zůstává vysoce konkurenčním bojištěm pro AEO.

Kdo nečte formátovaný obsah, prohrává

Analýza potvrdila, že modely skutečně hodnotí a konzumují obsah podle jeho struktury. Praxe jako vyjednávání o obsahu pomocí Markdownu, které měří služby jako Ora nebo Vercel, mají reálný dopad. Pokud váš web modely technicky nepřečtou kvůli chybám nebo špatnému formátování, logicky vás nebudou citovat ani doporučovat, což dává jasný signál pro technickou údržbu firemních blogů a dokumentací.

Ztráta diverzity v doporučeních

Příliš sebevědomé modely mohou omezit rozmanitost nástrojů, o kterých se uživatelé dozvědí. Pokud se startupům nepodaří dostat mezi první doporučované možnosti v těchto vysoce asertivních systémech, budou odříznuty od stále větší části návštěvnosti a potenciálních zákazníků.

Lilithin verdikt

Učit AI říkat vaše jméno je teď cennější než kupovat AdWords. Kdo neoptimalizuje pro stroje, přestane existovat pro lidi.

Externí odkaz nechávám až nakonec. Nejdřív stručný výklad tady, bez lovení po cizím webu.

Původní zdroj ↗