Astra dominuje w nowym AEO Trackerze, Anthropic woli szerszy research

Latent Space uruchomiło nowy Frontier AEO Tracker, który mapuje, jak czołowe modele AI polecają narzędzia i usługi w 161 kategoriach. Metodologia obejmowała miliardy tokenów i 6 wariantów promptów na 7 różnych modelach z aktywnym wyszukiwaniem w sieci. Celem jest dostarczenie założycielom i deweloperom twardych danych na temat tego, jak ich produkty plasują się w oczach generatywnej sztucznej inteligencji, gdy użytkownicy proszą o rekomendacje w obszarach od agentów kodujących po oprogramowanie kadrowe.

Mniejsza liczba źródeł prowadzi do większej asertywności

Podczas gdy modele Anthropic mają tendencję do przeszukiwania większej liczby źródeł (Fable z medianą 15 źródeł, Opus 11), modele Astra preferują wydajność i polegają na mniejszej liczbie źródeł (mediana Astra 5, Sol 9). Test pokazuje, że Astra jest znacznie bardziej asertywna i mniej skłonna do zmiany odpowiedzi przy nieznacznej modyfikacji promptu. Dla firm oznacza to, że optymalizacja AEO jest jeszcze ważniejsza w przypadku bardziej pewnych siebie modeli, ponieważ zmniejsza się losowość odpowiedzi.

Silne ukierunkowanie w narzędziach deweloperskich

Tracker ujawnił interesujące miękkie uprzedzenia. Na przykład w kategorii agentów kodujących Fable i Opus logicznie preferują Claude Code, Sol i Astra polecają Codex, Grok skłania się ku Cursorowi, a SWE-1.7 wyróżnia Devina. Z drugiej strony modele GPT od OpenAI wykazały chwalebną neutralność, czasami same polecając Claude'a. Ze 161 kategorii 28 ma wyraźnego i uniwersalnego faworyta we wszystkich modelach, podczas gdy reszta pozostaje wysoce konkurencyjnym polem bitwy dla AEO.

Kto nie czyta sformatowanych treści ten przegrywa

Analiza potwierdziła, że modele faktycznie oceniają i konsumują treści na podstawie ich struktury. Praktyki takie jak negocjowanie treści za pomocą Markdown, mierzone przez usługi takie jak Ora lub Vercel, mają realny wpływ. Jeśli modele nie mogą technicznie odczytać Twojej witryny ze względu na błędy lub złe formatowanie, logicznie rzecz biorąc, nie będą Cię cytować ani polecać, co daje wyraźny sygnał do technicznego utrzymania blogów firmowych i dokumentacji.

Utrata różnorodności w rekomendacjach

Zbyt pewne siebie modele mogą ograniczyć różnorodność narzędzi o których dowiadują się użytkownicy. Jeśli startupom nie uda się znaleźć wśród najczęściej polecanych opcji w tych wysoce asertywnych systemach, zostaną odcięte od stale rosnącego udziału w ruchu i potencjalnych klientów.

Werdykt Lilith

Uczenie sztucznej inteligencji wypowiadania twojego imienia jest teraz cenniejsze niż kupowanie AdWords. Kto nie optymalizuje dla maszyn, przestanie istnieć dla ludzi.