Preverili smo idejo, da lahko z večkratnim izvajanjem komercialnih promptov odkrijemo strukturo AI odgovorov, poiščemo manjkajoče informacije na svoji strani in s tem povečamo možnost, da nas AI priporoči. Metoda se je izkazala za uporabnejšo, kot bi lahko sklepali iz rezultata. Njena razlaga pa na več mestih prehiti dokaze.
Kaj pravzaprav preverjamo?
S ponavljanjem komercialnih promptov lahko odkrijemo informacije, ki jih AI pogosto uporablja pri sestavljanju odgovorov. Če te pogosto uporabljene informacije dodamo na svojo stran in jih jasno strukturiramo, povečamo možnost, da bo AI našo vsebino uporabil oziroma priporočil.
Ideja je privlačna: namesto da bi analizirali samo strani, ki se uvrščajo v Googlu, analiziramo tudi odgovore AI sistemov. Iz njih izluščimo ceno, čas implementacije, integracije, migracijo, poročanje in druge pogosto uporabljene informacije ter preverimo, ali jih vsebuje tudi naša stran.
Toda objava nato naredi še en korak: iz strukture generiranega odgovora sklepa na to, katere informacije AI potrebuje, kako jih pridobiva in kaj mora obstajati na strani, da jo bo sistem lažje priporočil. Prav ta preskok je bil glavni predmet preverjanja.
📄 Kaj trdi originalna objava?
Objavljena metoda predlaga, da isti komercialni prompt izvedemo večkrat in namesto zmagovalnih znamk analiziramo strukturo odgovorov.
Pri primeru izbire CRM-ja za 30-člansko SaaS podjetje bi tako spremljali, kako pogosto se v odgovorih pojavljajo cena, čas implementacije, Salesforce migracija, integracije, reporting, fleksibilnost pogodbe in informacije o tem, za koga je posamezna rešitev primerna.
Če se neka informacija v odgovorih pogosto pojavlja, na analizirani strani pa je ni, jo objava poimenuje Answer Component Gap. Manjkajoče pogoste komponente naj bi nato dodali na stran, jih postavili pod zelo eksplicitne naslove, nanje odgovorili neposredno in dodali dokaz.
Najmočnejši del razlage je trditev, da s tem praktično odkrivamo »schema of the answer engine« – strukturo informacij, ki naj bi jih sistem potreboval, da lahko našo vsebino uporabi oziroma priporoči.
PODPRTO
DELNO
NEPOTRJENO
V NASPROTJU
Analiza ponavljajočih se komponent AI odgovorov je lahko uporaben dodaten vir za content research. Iz tega pa še ne sledi, da smo odkrili notranjo strukturo answer enginea, katere informacije AI potrebuje za retrieval ali kaj mora stran vsebovati, da bo priporočena.
Kje nastane marketinška megla?
Analiza AI odgovorov nam lahko precej zanesljivo pokaže, kaj se v opazovanih odgovorih pogosto pojavlja. Bistveno težje pa iz končnega odgovora sklepamo, zakaj je sistem neko informacijo uporabil, ali je vplivala na retrieval in ali bo njeno dodajanje na našo stran povečalo možnost priporočila.
To razlikovanje je pomembno tudi pri optimizaciji za AI iskalnike. Analiza outputov je lahko zelo uporaben raziskovalni signal, vendar sama po sebi še ni dokaz, da smo odkrili retrieval mehanizem sistema.
7 trditev smo preverili posebej
01 Isti komercialni prompt je smiselno izvajati večkrat
Generativni sistemi pri ponovitvah istega oziroma primerljivega vprašanja ne vrnejo nujno identičnega odgovora. Zato je pri raziskovanju njihovega vedenja več meritev metodološko smiselnejših od ene same.
ponavljanje meritev, preverjanje variabilnosti ter uporabo več promptov oziroma parafraz namesto sklepanja iz enega samega outputa.
iz razpoložljivih dokazov ne dobimo univerzalnega pravila, da je ravno 5 ali 10 ponovitev zadosten vzorec za odkrivanje stabilne strukture odgovorov.
02 Iz odgovorov lahko izluščimo ponavljajočo se strukturo
Če se cena, čas implementacije, integracije ali drugi atributi ponavljajo v več odgovorih, jih lahko izluščimo, preštejemo in primerjamo. S tem dobimo legitimen opis strukture opazovanih outputov.
iz več odgovorov je mogoče izdelati zemljevid pogosto uporabljanih informacij oziroma Observed Answer Structure.
struktura končnega odgovora še ni isto kot notranja decision structure sistema. Iz outputa ne vidimo neposredno retrievala, rerankinga ali drugih notranjih korakov.
03 Pogosto pojavljanje atributa pomeni, da AI to informacijo potrebuje
Če se implementation time pojavi v osmih od desetih odgovorov, lahko rečemo, da se pogosto pojavlja v našem vzorcu. Iz tega pa še ne moremo sklepati, da ga je sistem potreboval pri izbiri oziroma retrievalu priporočene rešitve.
generativno iskanje vključuje več različnih faz. Izbor oziroma pridobivanje vira in dejanska uporaba njegovih informacij v končnem odgovoru nista ista procesna koraka.
pogostost v outputu dokazuje pogostost v outputu. Ne dokazuje, da je bila ista informacija razlog za retrieval ali recommendation.
04 Če pogosta komponenta na naši strani manjka, imamo Answer Component Gap
Kot deskriptivni koncept je Answer Component Gap povsem uporaben: komponenta se pogosto pojavlja v opazovanih AI odgovorih, na naši strani pa je ni oziroma ni jasno navedena.
pogostost komponente v vzorcu odgovorov in njeno prisotnost oziroma odsotnost na analizirani strani.
sama ugotovljena vrzel še ne dokazuje, da zaradi nje AI stran težje pridobi, citira ali priporoči.
05 Dodajanje HIGH-frequency komponent izboljša retrieval in možnost priporočila
Obstajajo raziskave, ki kažejo, da lahko spremembe vsebine in njene strukture vplivajo na vidnost oziroma uporabo vira v generativnih odgovorih. To pa še ne potrjuje konkretne vzročne verige iz objave.
kakovost, struktura, semantična relevantnost in izluščljive informacije lahko vplivajo na generativno vidnost oziroma uporabo že pridobljene vsebine.
HIGH-frequency answer component → dodajanje na stran → boljši organski retrieval → več recommendationov.
Poleg tega frequency ni isto kot importance. Informacija, ki se pojavi redkeje, je lahko odločilna za ožji in zelo pomemben intent.
06 Eksplicitni naslov + neposreden odgovor + dokaz pomagajo AI uporabi informacije
To je eden bolje podprtih delov originalnega postopka. Raziskave kažejo povezave med uporabo vsebine v generiranih odgovorih ter semantično skladnostjo, jasno izluščljivimi dejstvi, številkami, primerjavami, definicijami in proceduralnimi informacijami.
jasen, neposreden in dokazljiv odgovor je za generativni sistem potencialno lažje uporaben kot nejasno, razpršeno ali nedokazano besedilo.
ni dokazanega univerzalnega pravila »eksplicitni H2 = več AI citatov«, prav tako ni dovolj dokazov za samostojen vpliv takšne strukture na organski retrieval.
07 »Odkrivamo schema of the answer engine«
Iz več outputov lahko odkrijemo njihovo opazovano strukturo. Ne moremo pa samo iz končnega odgovora rekonstruirati notranje arhitekture retrievala, rerankinga in generiranja.
Izraz »schema of the answer engine« je zato močnejša interpretacija trditve #02, ne samostojna nova trditev.
08 Iz AI odgovorov lahko izdelamo drugačen AEO content brief
Analiza AI outputov je lahko legitimen dodaten vir za content research. Klasična SERP analiza preučuje predvsem strani in rezultate, ki se uvrščajo. Analiza AI odgovorov pa lahko pokaže, katere informacije se pri določenem intentu pogosto znajdejo v generiranih odgovorih.
AI outpute kot dodaten dataset za odkrivanje vprašanj, atributov, primerjav in potencialnih informacijskih vrzeli.
iz tega še ne moremo določiti, katere informacije morajo obstajati na strani, da jo bo sistem priporočil.
Bi ta AEO postopek dejansko uporabili?
Da. In prav tu postane rezultat zanimiv: 45 % marketinške megle ne pomeni, da je 45 % postopka neuporabnega. Skoraj ves operativni postopek bi obdržali. Previdnejši bi bili predvsem pri razlagi, zakaj naj bi deloval.
Skoraj ves postopek bi uporabili. Ne bi pa iz njegovih rezultatov sklepali tega, kar o notranjem delovanju AI sklepa originalna objava.
Pred MLINČKOM → po MLINČKU
AEO growth hack
↓
REPEAT
↓
EXTRACT
↓
COUNT
↓
REBUILD
↓
LAŽJI RETRIEVAL
↓
VEČ PRIPOROČIL
Preverljiva content-research metoda
↓
REPEAT
↓
EXTRACT
↓
COUNT
↓
CONTENT HIPOTEZA
↓
IZBOLJŠAVA
↓
TEST
↓
MERITEV
🧪 OBJAVA BREZ MEGLE — kako bi isto idejo zapisali po preverjanju?
Here’s an AEO research method worth testing:
→ Reverse-engineer the structure of AI answers — not just the structure of ranking pages.
Say you want ChatGPT to recommend you for: “Best CRM for a 30-person SaaS team”
Run the prompt multiple times. Instead of focusing only on which brands appear, extract the information the answers repeatedly use:
→ price for 30 seats
→ implementation time
→ Salesforce migration
→ integrations
→ reporting
→ contract flexibility
→ best fit / avoid if
Then compare those components with your page.
If implementation time repeatedly appears in the answers but your page never states it clearly, you’ve found a useful Answer Component Gap: information that frequently appears in observed AI answers but is missing or unclear on your page.
My process:
Run your important commercial prompts multiple times. Extract the attributes and facts used in the answers. Count which components appear repeatedly. Map them against your page. Identify relevant information gaps. Add missing information where it genuinely improves the page. State it clearly, answer directly and support it with evidence. Then measure whether AI visibility actually changes.
This doesn’t tell you the internal “schema of the answer engine”. And a frequently appearing component isn’t proof that adding it will make your page more retrievable or more likely to be recommended.
What it gives you is something simpler — and still useful: an observed map of the information AI systems frequently use when answering your target questions.
SEOs reverse-engineer SERPs to understand what currently ranks. AI answers can provide another dataset: what information repeatedly appears when the system constructs an answer.
Use both.
That’s a stronger content brief — and a hypothesis you can actually test.
🔬 Vsi ključni dokazi in raziskave
1. Generative Engine Optimization (GEO)
Temeljna GEO raziskava je pokazala, da lahko določene spremembe vsebine, med drugim dodajanje statistik, citatov in relevantnih navedkov, v eksperimentalnem okolju vplivajo na vidnost vira v generiranih odgovorih. To podpira idejo, da način predstavitve informacij ni nepomemben.
Ne dokazuje pa konkretne verige: pogosto opažena komponenta → dodajanje na stran → organski retrieval → recommendation.
Aggarwal et al. — GEO: Generative Engine Optimization
2. Citation selection ni isto kot citation absorption
Raziskava na več sto promptih in več tisoč pridobljenih oziroma citiranih straneh ločuje med tem, kateri vir sistem izbere, in tem, koliko informacij iz izbranega vira dejansko uporabi v končnem odgovoru.
To je pomembna omejitev pri sklepanju iz finalnega outputa nazaj na notranji retrieval mehanizem.
From Citation Selection to Citation Absorption
3. Kritični pregled GEO raziskav
Pregled več deset GEO raziskav opozarja na razlikovanje med discoverability, retrievalom, citation selectionom, prominence in dejansko uporabo vsebine. Prav tako opozarja, da rezultati eksperimentov na že pridobljeni vsebini niso avtomatičen dokaz izboljšane organske discoverability.
Critical review of GEO evidence
4. Answer Component Gap framework
Razširjena metodologija, povezana z analizirano objavo, opisuje analizo 100 Google AI Overview odgovorov v 20 software kategorijah ter iz njih izpeljuje ponavljajoče se komponente odgovorov.
Dataset je uporaben dokaz, da je mogoče answer components sistematično izluščati in šteti. Ker pa gre za analizo outputov, sam po sebi ne dokazuje, da opažene komponente predstavljajo notranje retrieval slote ali nujne pogoje za priporočilo.
⚙️ Kako je MLINČEK izračunal 45 %?
MLINČEK meri razdaljo med močjo trditve in močjo dokazov, ki podpirajo prav to formulacijo.
Vsaka samostojna glavna trditev je ocenjena samo enkrat:
🟢 0 % — PODPRTO
🟡 35 % — DELNO PODPRTO
🟠 70 % — NEPOTRJENO
🔴 100 % — V NASPROTJU Z DOKAZI
V #002 je bilo ocenjenih 7 samostojnih glavnih trditev. Pet jih je prejelo 35 točk, dve pa 70 točk.
315 ÷ 7 = 45 % marketinške megle
Trditev #07 – »schema of the answer engine« – je bila analizirana, vendar izločena iz imenovalca, ker predstavlja močnejšo interpretacijo že ocenjene trditve #02. Tako istega argumenta ne kaznujemo dvakrat.
Odsotnost dokazov sama po sebi ni dokaz napačnosti. Zato trditve, za katere trenutno ni dovolj neposrednih dokazov, dobijo status NEPOTRJENO, ne avtomatično V NASPROTJU Z DOKAZI.
MLINČEK #002 ne kaže, da je analiza AI odgovorov neuporabna. Nasprotno: lahko predstavlja zelo zanimiv dodaten raziskovalni signal pri optimizaciji za AI iskalnike. Pomembno je le, da iz opažene strukture outputov ne naredimo dokaza o notranjem delovanju sistema.
MLINČEK je eden od raziskovalnih formatov SEO-Praktik Laba, kjer SEO, GEO in AI trditve preverjamo z eksperimenti, podatki in razpoložljivimi dokazi.
Imate trditev, raziskavo ali objavo za MLINČEK?
Pošljite nam newsletter, LinkedIn objavo, raziskavo, webinar, SEO priporočilo ali drugo vsebino, pri kateri vas zanima, koliko trditev dejansko podpirajo dokazi.
POŠLJITE MATERIAL V MLINČEK →