Sodobni LLM-i (ChatGPT, Claude, Gemini in drugi) temeljijo na nevronskih mrežah, ki jih v računalništvu opisujemo tudi kot »črne skrinjice«. Črna skrinjica je model, ki ima vhod (to, kar uporabnik vpiše) in izhod (to, kar LLM odgovori). Neznano pa je, kako se vhod preslika v izhod.

Povedano drugače: čeprav vemo, kako je LLM zgrajen, ne vemo, kako se »odloča« in »razmišlja«. Niti najboljši strokovnjaki ne morejo zagotovo odgovoriti na vprašanje: »Zakaj se je LLM tako odzval?«

V negotovosti brsti oportunizem, zato ni presenetljivo, da se je v zadnjem času pojavila sestrska veja SEO, ljubko poimenovana GEO (oz. Generative Engine Optimisation) z mamljivo obljubo: izboljšaj teh nekaj zadev in ChatGPT te bo priporočal v svojih odgovorih.

Resnica seveda ni tako preprosta.

Isto vprašanje, drugačen odgovor

Največji skeptiki menijo, da je optimizacija za AI sisteme nemogoča, saj so AI odgovori nepredvidljivi.

Da bo primer še bolj nazoren, smo tretji poskus ponovili 50-krat in prešteli, kolikokrat se posamezna turistična destinacija pojavi v odgovorih. Rezultati so izredno zanimivi.

Japonska se v kar 46 od 50 odgovorov pojavi na prvem mestu. Če pokukamo v Google trende, opazimo avgusta 2025 silovit poskok iskalnega izraza »travel to Japan«, kar vseeno ne pojasni takšne dominance.

Na drugem mestu se pojavi Slovenija – morebitna posledica nastavitev lokacije in jezika. Šele nato sledijo bolj enakomerno razporejeni odgovori.

Če se vrnemo na začetno tezo: gotovih razlogov, zakaj je Japonska tako disproporcionalno izpostavljena, ne moremo ponuditi. Lahko pa seveda postavimo nekaj hipotez:

• Japonska je pogosta in popularna turistična destinacija.
• Japonska je eksotična, kar pomeni, da bodo turisti zajeli več fotografij, napisali več vsebin in objavljali več na družbenih omrežjih.
• Ker je avgusta 2025 povpraševanje po Japonski močno naraslo in decembra 2025 doseglo vrh, je mogoče, da so novi modeli zajeli večji delež vsebin o potovanju na Japonsko.

Ta primer nazorno kaže, da odgovorov ne smemo obravnavati izolirano. Šele z dovolj velikim številom ponovitev lahko v podatkih odkrijemo vzorce. In ko govorimo o vzorcih, govorimo o statistiki.

Statistika veli, da pričakovanja presedlamo z »V LLM odgovorih se bomo zagotovo pojavili« na »Obstaja večja verjetnost, da nas LLM omeni, ko uporabnik vpiše izbran poziv«.

Prva ovira je torej: kako pridobiti čim bolj realne pozive dejanskih uporabnikov?

Zaprt sistem

Največji komercialni AI sistemi so trenutno zaprti. Velike korporacije zbirajo pozive in podatke o uporabnikih, a teh (še) ne delijo s širšo publiko, kot to počnejo Google in drugi ponudniki oglasnih prostorov.

Brez znanja, kaj vaša ciljna publika vpisuje v LLM-e, se procesa optimizacije ne morete lotiti. Vprašanj, ki jih lahko uporabnik zastavi ChatGPT-ju, je, zaokroženo na najbližjo decimalko, neskončno. Nesmiselno je, da podjetje optimizira takšno širino neznanih pozivov, ko pa se je problema moč lotiti na bolj sistematičen način.

Druga glavna težava zaprtih sistemov je, da nihče ne ve, kako točno jih podjetja upravljajo. Katere vire vključujejo v učno množico? Kako izvajajo proces učenja? S kakšnimi metodami usmerjajo sistem? Te odločitve bistveno vplivajo na delovanje LLM-ov.

Neznano je, kateri viri se uporabljajo za učenje teh modelov. Neznano je, s kakšnim pristopom brskajo po spletu. Neznano je, kako se učijo. Neznano je, kako se izvajajo posodobitve.

Vidnost, nevidnost

Kar pa ni neznano, je način, kako AI modeli »berejo« vaše spletišče. Ob iskanju odgovora AI preišče več relevantnih strani, a ker vsaka prebrana beseda nekaj stane (dobesedno, v $$$), modeli ob prebiranju ubirajo bližnjice.

Ena od bližnjic je, da večina AI modelov kode JavaScript sploh ne izvede [2]. Ta v sodobnih spletiščih poganja animacije, dinamične vsebine, prikaz izdelkov in tudi zložljive razdelke, ki jim pravimo harmonike.

Pri harmoniki sta z vidika AI vidnosti možni dve izvedbi: prava in napačna. Pri pravi je vsa vsebina dostopna že v izvorni kodi strani – AI model jo lahko prebere, tudi če ničesar ne klikne. Pri napačni se vsebina naloži šele, ko jo razpremo s klikom na gumb. Za AI model, ki po strani ne »klika«, je ta vsebina popolnoma nevidna.

Harmonike so idealno mesto za odgovore na vprašanja uporabnikov in prav ti odgovori so eden najmočnejših prijemov za izboljšanje AI vidnosti.

To je tehnična plat. Ostane težji del: konkretno, s čim jih napolniti? Odgovor se skriva v virih, ki jih verjetno že imate.

• Vprašanja, ki jih prejema podpora (klici, poizvedbe).
• Vprašanja, ki jih prodajna ekipa sliši na sestankih.
• Vprašanja na forumih (za angleško govoreče trge je Reddit še posebej dober vir) [3].
• Iskalni nizi iz vašega internega iskalnika na spletišču.

Oponašanje, ne resnica

Sedaj, ko ste zbrali pozive uporabnikov, ste pripravljeni na analizo. Po testiranju so tipični trije scenariji:

• V AI odgovorih ste prisotni, a v to niste vložili nobenega truda.
• V AI odgovorih niste prisotni.
• V AI odgovorih ste prisotni, a sistem o vas navaja napačne informacije.

Ko analizirate AI odgovore, ne berete globalne resnice. Ne berete niti povprečnega mnenja uporabnikov. Berete amalgamacijo najpogostejših zapisov iz virov, ki jih je AI sistem uporabil pri svojem učenju. Za naš mali trg so ti viri velikokrat vprašljivi, pomanjkljivi in celo napačni.

Skromnost virov je težava, a hkrati priložnost: nove, verodostojne vire lahko ustvarite kar sami.

Nova tehnologija = nova paradigma

Čeprav veliko govorimo o AI sistemih, ne smemo pozabiti, da je AI optimizacija pravzaprav optimizacija za ljudi. Ko ustvarjamo nove vire in se pozicioniramo kot avtoriteta na svojem področju, to počnemo v upanju, da bomo navdušili ljudi, ne AI sistemov.

Iz tega sledi, da naj AI optimizacija nastopi šele kot druga prioriteta. Prva naj ostane človek – tako iz etičnih kot poslovnih vidikov. Ko LLM brska po spletu, povzema besede iz vašega spletišča. Če so napisane dobro in prepričljivo, bomo potencialnega kupca spremenili v navdušenega kupca. To pomeni boljšo konverzijo. To pomeni večji dobiček.

AI ne spreminja kupca, spreminja način odločanja

Na prvi pogled se morda zdi, da je AI optimizacija kot SEO – ali kakršnakoli podobna veda, ki obljublja, da bomo z nekaj specializiranimi prijemi dosegli boljše rezultate.

V resnici pa gre za veliko širši pojem. AI optimizacija je temelj, na katerem je zgrajena nova infrastruktura komunikacije. Ljudje se z AI pogovarjamo. Ljudje z AI opravljamo nakupe. V nekaterih primerih AI-ju celo prepuščamo samostojne odločitve.

AI zato predstavlja novo dimenzijo potrošnika. Če je prej veljalo, da mora znamka optimizirati spletišče, družbena omrežja in stik s kupcem, sedaj velja, da se mora znamka boriti na novi fronti – v AI oknu.

In »keč« je ravno v tem, da skoraj ni plasti, ki se je AI ne bi dotaknil. Splet, CRM, programi zvestobe, priporočevalni sistemi, zbiranje podatkov, personalizacija. AI postaja jedro sodobnega nakupnega procesa.

AI vidnost je le prvi korak

V poplavi priložnosti je treba (nekako) izbrati najboljše prijeme in jih (nekako) optimizirati. A ravno zato, ker so AI sistemi črne skrinjice, je pomembno, da se optimizacije ne lotevamo z ugibanjem, temveč s preciznim pristopom.

Ta pristop v Renderspaceu povezujemo v celoto, ki ji pravimo Data Driven Growth Enablement. AI vidnost je le en del tega sistema. Prava konkurenčna prednost nastane šele takrat, ko se AI vidnost poveže s podatki, uporabniško izkušnjo, CRM-jem, personalizacijo in neprekinjeno optimizacijo poslovnih rezultatov.

Naš pristop k AI vidnosti ponuja jasno pot do odgovorov na nekaj ključnih vprašanj:

• Kako sploh meriti AI vidnost?
• Kako oceniti rezultate?
• Kako učinkovito izvesti izboljšave?
• Kako izmeriti sentiment?
• Kako zbrati kakovostne podatke o AI vidnosti?
• Kateri prijemi sploh delujejo?
• Kakšne vsebine ustvariti in katere izboljšati?

Na izobraževanju Marketing TOPX, ki jo Renderspace pripravlja v sodelovanju z DMS 9. septembra, vam bomo na konkretnem primeru pokazali, kako izvajamo optimizacijo AI vidnosti za največja podjetja v regiji.

Vse boste lahko preizkusili tudi na svojem primeru. Pokazali vam bomo, kako izvesti osnovno analizo, na kaj morate biti pozorni in kako podatke pravilno interpretirati. Naš cilj je, da z delavnice odkorakate z vsaj tremi konkretnimi prijemi, ki jih lahko implementirate na svojem spletišču.

Po delavnici boste razumeli vlogo AI vidnosti, kako vpliva na vašo znamko in kako ukrotiti tehnologijo, ki bo, vsaj kakor kaže, glavna gonilna sila 21. stoletja.

PRIJAVE ODPRTE

Za vprašanja ali prijazen klepet se lahko obrnete na: alen.ajanovic@renderspace.si ali info@dmslo.si.