In het licht van de groeiende hoeveelheid tools om zichtbaarheid in generatieve zoekmachines te meten, roept de auteur van een analyse op Search Engine Journal bedrijven op hun strategie niet aan software over te laten. Volgens hem stelt een nog onvolwassen markt teams bloot aan instabiele tools die onderling moeilijk vergelijkbaar zijn en soms lastig te verlaten.
Ter onderbouwing meldt de auteur 194 tools te hebben geïdentificeerd die de afgelopen twee tot drie jaar zijn gelanceerd, via Product Hunt, G2 en LinkedIn. Naar zijn schatting is iets meer dan 60% daarvan ambachtelijke experimenten, nevenprojecten of creaties van solo-oprichters. Het sterftecijfer in deze categorie schat hij tussen 55% en 60%, zonder de tools die hij niet heeft kunnen identificeren. Elke maand, zegt hij, stoppen diensten hun API, laten hun domeinnamen verlopen of richten zich op niet-gerelateerde applicaties.
De kosten zijn volgens de auteur de belangrijkste factor van kwetsbaarheid. Een klassieke zoekmachine bevragen en de HTML-code analyseren kost een fractie van de prijs van een reeks complexe queries, in meerdere interacties, op AI-modellen met actieve webnavigatie. Hij noemt ook de inspanningen van Google om dit type dataverzameling tegen te gaan, wat uitgevers van deze tools dwingt voortdurend te herinvesteren. Voor een self-service tool van $100 per maand zouden de marges volgens hem nihil zijn. Een wijziging in de inferentietarieven, querylimieten of interface van een modelaanbieder is genoeg om deze projecten te laten sneuvelen.
Metingen die niet op elkaar lijken
Van tool wisselen is volgens de auteur niet hetzelfde als het ene instrument door een gelijkwaardig ander vervangen. Meerjarige contracten bemoeilijken het vertrek, en het exporteren van data is niet altijd voldoende, omdat er geen gemeenschappelijke standaard bestaat. Hij verwijst in dit verband naar een document van de IAB dat de afwezigheid noteert van een universeel geaccepteerde norm voor het meten van antwoorden van conversionele AI.
De verschillen zitten op meerdere punten. Het ene platform kan het model rechtstreeks bevragen, terwijl een ander via webnavigatie gaat die vergelijkbaar is met die van een online gebruiker. Sommige tools controleren alleen of het merk wordt genoemd, andere evalueren de plaats en toon. Een simpele korte vermelding kan bij de ene als succes tellen en bij de andere de score verlagen. Ten slotte kan het ene platform een vaste ranking tonen, terwijl een ander de frequentie van variaties over meerdere tests meet. Volgens de auteur kan de ene tool een topaanwezigheid in 80% van de antwoorden melden, terwijl een andere het merk nooit noemt, omdat AI-antwoorden op willekeurige wijze variëren.
Je eigen data opbouwen
Volgens de auteur moet een bedrijf intern zijn eigen lijst van queries, sets van prompts en verzamelde antwoorden bezitten. Hij raadt aan deze elementen buiten elk extern abonnement op te slaan, en de voorkeur te geven aan platforms die het exporteren van antwoordteksten, tijdstempels, bron-URL’s en queries mogelijk maken, via webhook, BigQuery of gestandaardiseerde CSV. Zo blijft de ruwe historie bruikbaar als een leverancier zijn berekeningsmethode wijzigt.
De auteur benadrukt tot slot dat zichtbaarheid volgens hem een resultaat is en geen hefboom. De taalmodelen die de antwoorden genereren, zouden merken citeren met sterke entiteitsdefinities, ondubbelzinnige architecturen en schema’s, en een actieve digitale aanwezigheid, in plaats van merken die software hebben gekocht. Hij voorziet dat consolidatie in de sector zal versnellen en dat de meeste tools zullen verdwijnen.
