AEO และ GEO สำหรับ AI Overviews, ChatGPT, Claude, Gemini และ Perplexity

 (trevorlasn.com)
1 คะแนน โดย GN⁺ 2 시간 전 | ยังไม่มีความคิดเห็น | แชร์ทาง WhatsApp
  • ผลการค้นหาไม่ได้เป็นเพียงรายการลิงก์อีกต่อไป แต่กำลังเปลี่ยนเป็น หน้าต้นทางที่ AI อ่านแทนผู้ใช้ โดย AI Overviews, ChatGPT, Claude, Perplexity และ Gemini ต่างก็อ้างอิงเว็บเพจแบบเรียลไทม์
  • AEO (Answer Engine Optimization) คือการทำให้หน้าเป็นแหล่งอ้างอิงเมื่อเอนจินคำตอบตอบโดยตรง ส่วน GEO (Generative Engine Optimization) คือการทำให้หน้าไปปรากฏอยู่ภายในคำตอบที่ AI เชิงกำเนิดเขียนขึ้น
  • Google ระบุในคู่มือการปรับแต่งสำหรับ AI ของตนเองว่าแนวคิดทั้งสองเป็น รูปแบบหนึ่งของ SEO แบบเดิม และระบุชัดว่าระบบจัดอันดับและระบบคุณภาพเดียวกันเป็นตัวกำหนดทั้งการค้นหาปกติและ AI Overview
  • เงื่อนไขตั้งต้นของการแสดงผลในฟีเจอร์ AI คือการมีสิทธิ์แสดงเป็นสแนปเพ็ตในการค้นหาปกติ และการแก้ปัญหา การบล็อกการ crawl, render และ index ต้องมาก่อนการปรับแต่งคอนเทนต์
  • หน้าที่ถูกอ้างอิงคือหน้าที่มี ตัวเลขเฉพาะเจาะจง ประสบการณ์เฉพาะตัว และรายละเอียดที่เป็นเอกลักษณ์ ซึ่งโมเดลไม่สามารถเขียนได้จากข้อมูลฝึกเพียงอย่างเดียว และ AEO/GEO ไม่ใช่วิชาแยกจาก SEO แต่เป็นส่วนต่อเนื่องของงานเดียวกัน

นิยามและตำแหน่งของ AEO กับ GEO

  • ต่างจากเมื่อ 2 ปีก่อน ตอนนี้ Google เปิดผลการค้นหาด้วย AI Overviews, ChatGPT และ Claude ดึงผลเว็บแบบเรียลไทม์มาใส่ในคำตอบ, Perplexity สร้างผลิตภัณฑ์ขึ้นบนวิธีนี้โดยตรง และ Gemini เข้าถึงได้ด้วยการแตะครั้งเดียวบนทุกพื้นผิวของ Google
  • หน้าเว็บไม่ใช่ ปลายทางอีกต่อไป แต่เป็นแหล่งข้อมูลที่โมเดลอ่านแทนผู้ใช้
  • AEO (Answer Engine Optimization): การทำให้หน้าเป็นแหล่งข้อมูลที่ถูกใช้เมื่อเอนจินคำตอบให้คำตอบโดยตรงแทนการแสดงรายการลิงก์
  • GEO (Generative Engine Optimization): การทำให้หน้าไปปรากฏอยู่ในคำตอบที่ AI เชิงกำเนิดเขียนขึ้นใหม่ตั้งแต่ต้นโดยอ้างอิงจากหน้าเว็บ
  • คู่มือการปรับแต่ง AI ของ Google ระบุว่า “การปรับแต่งสำหรับการค้นหาแบบ generative AI ก็คือการปรับแต่งเพื่อประสบการณ์การค้นหา ดังนั้นจึงยังคงเป็น SEO”
    • ระบบจัดอันดับและคุณภาพที่กำหนดรายการลิงก์สีน้ำเงินแบบเดิม เป็นระบบเดียวกับที่กำหนดการแสดงผลใน AI Overview
    • หากปรับปรุงด้านหนึ่ง อีกด้านก็มักดีขึ้นตามไปด้วย
  • แต่ละพื้นผิว AI ใช้ดัชนีเว็บต่างกัน แต่ดัชนีส่วนใหญ่เป็น ผลลัพธ์ย่อยจากงาน crawl, render และคุณภาพชุดเดียวกัน

สิทธิ์การแสดงผล (Eligibility) มาก่อนทุกอย่าง

  • หากต้องการให้หน้าไปแสดงในฟีเจอร์ AI ต้องมี สิทธิ์แสดงเป็นสแนปเพ็ตในการค้นหาปกติ ก่อน
    • URL ต้องถูก index แล้ว
    • ต้องอนุญาตให้ crawl ใน robots.txt
    • ต้องอนุญาตให้แสดง snippet (nosnippet, max-snippet:0 ต้องไม่มี)
    • คอนเทนต์ต้องโหลดได้โดยไม่ต้องพึ่งการรัน JavaScript หนัก ๆ
  • ควรตรวจ HTML ที่ถูก render แล้วด้วย “Test live URL” ในการตรวจ URL ของ Google Search Console
    • ถ้าเนื้อหาหลักหายไปจาก HTML ที่ render แล้ว ต้องแก้ก่อนอย่างอื่นทั้งหมด
    • server rendering และ static generation เป็นวิธีที่ปลอดภัยที่สุด
  • การทดสอบ curl ในเทอร์มินัลใช้เป็นเครื่องมือตรวจแบบ 30 วินาทีได้ แต่ 200 OK ที่ได้จากการ spoof UA ไม่ใช่หลักฐานว่าครอว์เลอร์จริงเข้าถึงได้
    • ผู้ดูแลบอตมักบล็อกการ spoof UA
    • การยืนยันที่เชื่อถือได้ควรตรวจจากช่วง IP ที่ประกาศไว้หรือบันทึก reverse-DNS
    • Google, OpenAI, Anthropic และ Perplexity ต่างเผยแพร่ช่วง IP ในเอกสารบอตของตน

แยกครอว์เลอร์สำหรับการฝึกจากครอว์เลอร์สำหรับการค้นหา

  • GPTBot, ClaudeBot: เป็นครอว์เลอร์สำหรับการฝึกโมเดล และการบล็อกไม่มีผลต่อการมองเห็นในการค้นหา
  • Google-Extended: ควบคุมการใช้เพื่อฝึก AI + grounding ใน Gemini Apps และ Vertex AI Grounding โดยไม่มีผลต่ออันดับ Google Search หรือสิทธิ์ใน AI Overview
  • ตัว indexer สำหรับการค้นหาที่เป็นตัวกำหนดการแสดงผลในคำตอบ AI ได้แก่:
    • Googlebot, Bingbot, OAI-SearchBot, Claude-SearchBot, PerplexityBot
  • หลายเว็บไซต์บล็อกหนึ่งในบอตเหล่านี้โดยไม่ตั้งใจ ทำให้การมองเห็นลดลง
  • สามารถตั้งค่า robots.txt ให้อนุญาตการมองเห็นในการค้นหา AI แต่บล็อกบอตสำหรับการฝึกได้
  • แท็ก meta robots เป็นวิธีควบคุม ในระดับหน้า ไม่ใช่ระดับทั้งเว็บไซต์
  • การ opt out จาก Google-Extended ทำได้ผ่าน token ใน robots.txt เท่านั้น และไม่มีการระบุเป็นเอกสารสำหรับ meta tag
  • ทุกเลเยอร์เป็นด่าน และ ต้องเปิดทุกด่านก่อน งานปรับแต่งหลังจากนั้นจึงจะมีความหมาย

คอนเทนต์ที่ถูกอ้างอิงคือสิ่งที่โมเดลเขียนไม่ได้จากข้อมูลฝึกเพียงอย่างเดียว

  • การค้นหาแบบ generative ให้รางวัลกับ ความเฉพาะเจาะจง
    • ข้อมูลทั่วไป โมเดลสรุปได้โดยไม่ต้องอ้างอิง
    • หน้าที่ถูกอ้างอิงคือหน้าที่มีข้อมูลที่โมเดลสังเคราะห์เองไม่ได้
  • คู่มือของ Google เน้นการสร้าง “คอนเทนต์ที่มีเอกลักษณ์ มีคุณค่า และยึดมนุษย์เป็นศูนย์กลาง” และหลีกเลี่ยงคอนเทนต์ commodity ที่หน้าอื่นพูดเหมือนกันหมด
  • คู่มือ Helpful content อธิบายวิธีแสดง ประสบการณ์ตรง ความเชี่ยวชาญจริง และมุมมองเฉพาะตัว
  • ตัวอย่างเปรียบเทียบบทความย้ายระบบ Next.js 16
    • เวอร์ชัน commodity: โมเดลสร้างได้จากข้อมูลฝึกเพียงอย่างเดียว → ไม่ถูกอ้างอิง
    • เวอร์ชัน distinctive: มีตัวเลข 47 หน้าเสีย, จุดพลาดเฉพาะใน function signature และการประเมินเวลา 3 ชั่วโมง
    • แค่รายละเอียดลักษณะนี้เพียงข้อเดียว ก็ทำให้หน้าเปลี่ยนจากหน้าแบบ “สรุปจากข้อมูลฝึก” เป็นหน้าแบบ “ถูกอ้างอิง” ได้

โครงสร้างเทคนิคที่สะอาดช่วยทั้งครอว์เลอร์และโมเดล

  • ต้องใช้ Semantic HTML
    • ใช้ระดับ heading จริงที่มีลำดับความหมายชัดเจน
    • วางคำตอบของหัวข้อหน้ากล้ส่วนบนของหน้า
    • อย่าฝังคอนเทนต์ไว้ลึกเกินไปหลังย่อหน้าเกริ่น
  • เวอร์ชันที่ปรับปรุงแล้วมีโครงสร้างชัดเจนอย่าง article, h1, section, h2
    • ให้โครงสร้างกับครอว์เลอร์ และให้ขอบเขตที่ชัดระหว่าง heading, lede และ body กับโมเดล
  • Core Web Vitals มีผลต่ออันดับ และอันดับก็มีผลโดยตรงต่อสิทธิ์ในการแสดงฟีเจอร์ AI
    • ตัวเลขที่อัลกอริทึมจัดอันดับใช้ดูคือ ข้อมูลภาคสนาม 28 วันจากผู้ใช้ Chrome จริง (CrUX) ไม่ใช่ผล Lighthouse บนเครื่อง
    • ใช้ web-vitals ของ JavaScript เพื่อจัดให้การทดสอบในเครื่องสอดคล้องกับข้อมูลฝั่งระบบของ Google ได้

“ทริกการปรับแต่ง” ที่คู่มือปฏิเสธ

  • การเพิ่มไฟล์ llms.txt ไม่ใช่สัญญาณจัดอันดับ และฟีเจอร์ AI ของ Google ไม่ได้ใช้
  • การหั่นคอนเทนต์เป็นชิ้นเล็ก ๆ หรือเปลี่ยนทุก heading ให้เป็นคำถามเป็นเรื่องไม่จำเป็น (เพราะโมเดลอ่านบริบทของทั้งหน้า)
  • structured data มีประโยชน์เมื่อใช้รองรับ rich result ที่มีเอกสารระบุไว้ แต่ไม่ใช่สิ่งจำเป็นสำหรับการแสดงผลในฟีเจอร์ AI
  • ควรเอาเวลาไปลงทุนกับ คุณภาพคอนเทนต์จริงและการ render

ภาพ, schema และข้อมูลคอมเมิร์ซ คือ pipeline เชิงโครงสร้าง

  • AI Overviews ดึงภาพและวิดีโอคุณภาพสูงมาใช้โดยตรง
    • สกรีนช็อตจริง, ไดอะแกรมจริง, วิดีโอ walkthrough สั้น ๆ มีประโยชน์กว่าภาพสต็อก
    • ใช้พื้นฐาน image SEO ตามเดิม: alt text ที่อธิบายชัด, ชื่อไฟล์ที่มีความหมาย และคำบรรยายที่ช่วยได้
  • ตัวอย่างเปรียบเทียบ Alt text (บทความประสิทธิภาพ Next.js)
    • เหตุผลที่เวอร์ชันที่สองถูกดึงไปอยู่ใน image carousel ของ AI Overview คือ อธิบายได้ชัดพอให้โมเดลเข้าใจว่าภาพนั้นพิสูจน์อะไร
  • structured data คุ้มค่าที่จะเพิ่มเมื่อช่วยรองรับ rich result เฉพาะแบบ
    • schema อย่าง Recipe, Product, FAQ, Event และ Article ล้วนมีผลที่มีเอกสารรองรับในผลค้นหาปกติ
    • และถูกป้อนเข้าสู่เลเยอร์ความเข้าใจเดียวกันที่ฟีเจอร์ AI ใช้
    • ก่อน deploy ควรตรวจช่องที่ขาดหรือข้อผิดพลาดด้วย Rich Results Test

พื้นผิวหลักสำหรับธุรกิจท้องถิ่นและคอมเมิร์ซ

  • Google Business Profile: โปรไฟล์ที่ยืนยันแล้วจะป้อนข้อมูลเวลาเปิดทำการ ที่ตั้ง บริการ และรีวิวให้คำตอบ AI ฝั่ง local
  • Merchant Center: feed เป็นแหล่งข้อมูลสินค้าสำหรับ AI Overviews
  • คู่มือการปรับแต่ง AI ระบุชัดว่าสองอย่างนี้เป็น อินพุตหลัก ของผลลัพธ์ด้านธุรกิจและคอมเมิร์ซ

ประสบการณ์แบบเอเจนต์คือพื้นผิวถัดไป

  • เรากำลังเข้าสู่ยุคที่เอเจนต์อัตโนมัติท่องเว็บแทนผู้ใช้
    • Claude with computer use, ChatGPT Operator, assistant ของ Perplexity
  • คู่มือการปรับแต่ง AI ของ Google แนะนำให้คำนึงว่าเอเจนต์ตีความ DOM, control และคอนเทนต์อย่างไร
  • เว็บไซต์ที่มี markup สับสน, control ซ่อนอยู่ หรือข้อมูลสำคัญถูก render เป็นภาพอย่างเดียว จะจัดการได้ยากสำหรับเอเจนต์
  • งานด้าน accessibility สำหรับ screen reader ครอบคลุมพื้นที่เดียวกันนี้เป็นส่วนใหญ่
  • ตัวอย่าง before/after ของ interactive control ในหน้าจอง
    • เวอร์ชันที่ปรับปรุงแล้วสื่อ 3 อย่างให้เอเจนต์ได้: มันคือปุ่มส่งฟอร์ม, action คือ “Confirm booking” และไอคอนเป็นแค่ของตกแต่ง
    • เอเจนต์ที่ระบุปุ่มยืนยันการจองไม่ได้จะยอมแพ้และย้ายไปเว็บไซต์อื่น
  • หลักการเดียวกันใช้กับฟิลด์ฟอร์ม: เอเจนต์อ่าน name, id, aria-label และองค์ประกอบ <label> รอบ ๆ
  • การเปลี่ยนไปใช้ type="datetime-local" เป็นการเปลี่ยนเล็ก ๆ แต่ช่วยให้ทั้งเบราว์เซอร์และเอเจนต์ได้ native datetime picker และการจัดการค่าแบบมีโครงสร้าง
    • เอเจนต์ไม่จำเป็นต้องเดารูปแบบเอง

วัดสิ่งที่วัดได้ และอย่าไล่ตามสิ่งที่วัดไม่ได้

  • Search Console ยังเป็นแหล่งความจริงของข้อมูลฝั่ง Google
    • ทราฟฟิกจาก AI Overviews และ AI Mode ถูกรวมอยู่ในรายงาน Web performance มาตรฐาน
    • ตัวชี้วัดที่ต้องดูคือ impressions และ clicks
  • Bing Webmaster Tools เป็นเครื่องมือเทียบเท่าสำหรับ Bing และ Copilot
  • การอนุมานที่ทำได้อย่างระมัดระวังคือการกรอง Performance ด้วยคิวรีที่ขึ้นต้นเชิงสนทนาอย่าง how, what, why, is, can
    • คิวรี long-tail ลักษณะนี้คือประเภทที่มักกระตุ้น AI Overviews
    • การเปลี่ยนแปลงที่สังเกตได้ของ clicks เทียบกับ impressions ในคิวรีเหล่านี้ อาจสอดคล้องกับความเป็นไปได้ว่าหน้ากำลังถูกสรุปอยู่ในคำตอบ AI แทนการพาคนเข้าเว็บ
    • อย่างไรก็ตาม ควรใช้เป็นสมมติฐาน ไม่ใช่หลักฐาน (เพราะการเปลี่ยนเลย์เอาต์, ความผันผวนของอันดับ, การเปลี่ยนของ query mix และฤดูกาลก็ทำให้เกิดแพตเทิร์นคล้ายกันได้)
  • วิธีทดสอบโดยตรงว่าถูกอ้างอิงโดยโมเดลหรือไม่
    • เปิดแต่ละพื้นผิวแล้วป้อนคำถามที่คอนเทนต์นั้นควรตอบได้
    • หากโดเมนปรากฏในรายการแหล่งอ้างอิงแบบ inline หรือในการอ้างอิงของคำตอบ แปลว่ากำลังถูกค้นเจอ
    • ทำซ้ำทุกสองสามสัปดาห์ในหัวข้อธุรกิจที่สำคัญบนพื้นผิวหลัก
    • ติดตามจำนวน cite-event เหมือนการติดตามแบ็กลิงก์

สรุป: AEO และ GEO ไม่ใช่วิชาที่แยกจาก SEO

  • งานที่กล่าวมาข้างต้นครอบคลุมทั้งคำแนะนำในคู่มือการปรับแต่ง AI ของ Google และสิ่งที่พื้นผิวการค้นหา AI อื่น ๆ ให้รางวัล
  • AEO และ GEO ไม่ใช่สาขาใหม่ที่แยกขาดจาก SEO แต่เป็น งานชุดเดียวกันที่ให้ความสนใจกับความเป็นต้นฉบับของคอนเทนต์ การ render และ pipeline เชิงโครงสร้างที่ป้อนเข้าสู่ทุกพื้นผิว AI อย่างคมชัดยิ่งขึ้น

บทความที่เกี่ยวข้อง

ยังไม่มีความคิดเห็น

ยังไม่มีความคิดเห็น