Astraが新しいAEOトラッカーを独占、Anthropicはより広範なリサーチを好む

Latent Spaceは、トップクラスのAIモデルが161のカテゴリーにわたってツールやサービスをどのように推奨しているかをマッピングする新しいFrontier AEO トラッカーをリリースしました。この方法論には、数十億のトークンと、アクティブなウェブ検索を備えた7つの異なるモデルにわたる6つのプロンプトのバリエーションが含まれていました。目標は、コーディングエージェントから給与計算ソフトに至るまでの分野でユーザーが推奨事項を求めたときに、生成AIの目に自社の製品がどのようにランク付けされているかに関するハードデータを創業者や開発者に提供することです。

情報源が少ないほどより強い断定につながる

Anthropicのモデルはより多くのソースを検索する傾向がありますが（Fableのソースの中央値は15、Opusは11）、Astraモデルは効率を好み、より少ないソースに依存しています（Astraの中央値は5、Solは9）。テストの結果、Astraははるかに断定的であり、プロンプトがわずかに変更された場合でも回答を変更しにくいことがわかりました。企業にとって、これはランダムな回答のバリエーションが減少するため、より自信のあるモデルではAEOの最適化がさらに重要になることを意味します。

開発者ツールにおける強いバイアス

トラッカーは興味深いソフトバイアスを明らかにしました。たとえば、コーディングエージェントのカテゴリーでは、FableとOpusは論理的にClaude Codeを好み、SolとAstraはCodexを推奨し、GrokはCursorに傾き、SWE-1.7はDevinを強調します。一方、OpenAIのGPTモデルは称賛に値する中立性を示し、時には自分たちでClaudeを推奨することもありました。161のカテゴリーのうち、28はすべてのモデルで明確かつ普遍的なお気に入りですが、残りはAEOにとって非常に競争の激しい戦場であり続けています。

フォーマットされたコンテンツを読まない者は敗北する

この分析により、モデルはその構造に基づいてコンテンツを評価し、消費することが確認されました。OraやVercelなどのサービスによって測定されるマークダウンコンテンツ交渉のような慣行は、実際に影響を及ぼします。エラーやフォーマットの悪さのためにモデルがWebサイトを技術的に読み取れない場合、当然のことながら引用や推奨は行われず、企業のブログやドキュメントの技術的なメンテナンスに対する明確なシグナルとなります。

推奨事項の多様性の喪失

自信過剰なモデルは、ユーザーが学習するツールの多様性を制限する可能性があります。スタートアップ企業がこれらの非常に断定的なシステムでトップのおすすめオプションに入ることができなければ、増え続けるトラフィックや潜在的な顧客のシェアから切り離されることになります。

Lilithの判定

AIに自分の名前を言わせることは、今やAdWordsを買うことよりも価値があります。機械向けに最適化しない者は、人間にとっても存在しなくなるでしょう。