Προβλέπουν τα σήματα AEO του ιστότοπου την εμφάνιση σε απαντήσεις ΤΝ; Μετρήσαμε 62 επιχειρήσεις

Όχι, τουλάχιστον όχι σε αυτή τη μελέτη. Σε 62 τοπικές επιχειρήσεις στην Ιαπωνία, η βαθμολογία AEO του ιστότοπου (δομημένα δεδομένα, llms.txt, πρόσβαση crawler και παρόμοια σήματα) δεν έδειξε καμία σχέση με το πόσο συχνά το Perplexity ανέφερε ή παρέθετε μια επιχείρηση όταν του ζητούσαμε συστάσεις: Spearman ρ = 0.03 (95% CI −0.23 έως 0.28, p = 0.834). Με 62 επιχειρήσεις, η μελέτη μπορούσε να εντοπίσει αξιόπιστα μόνο συσχετίσεις περίπου |ρ| ≥ 0.35, επομένως δεν μπορεί να αποκλειστεί μια ασθενέστερη σχέση.

Δημοσίευση: 28 Οκτωβρίου 2026. Ημερομηνία μέτρησης: 24 Οκτωβρίου 2026. Η Nurevo αναπτύσσει εργαλεία AEO, μεταξύ των οποίων και η βαθμολογία που εξετάζεται εδώ· δείτε παρακάτω την ενότητα «Η σύγκρουση συμφερόντων μας».

Σύνοψη

  1. Ερώτημα: εμφανίζονται συχνότερα σε απαντήσεις ΤΝ, σε ερωτήσεις που δεν τις κατονομάζουν, οι επιχειρήσεις των οποίων οι ιστότοποι έχουν υψηλότερη βαθμολογία στην κλίμακα αναγνωσιμότητας για ΤΝ της Nurevo (0 έως 100);
  2. Απάντηση: δεν επιβεβαιώνεται. ρ = 0.03 συνολικά, και πάλι 0.03 μετά την προσαρμογή για κλάδο και πόλη.
  3. Συνολικά, οι επιχειρήσεις εμφανίστηκαν στο 21.0% των απαντήσεων σε ερωτήσεις ανακάλυψης· 25 από τις 62 εμφανίστηκαν τουλάχιστον μία φορά.
  4. Κανένα επιμέρους στοιχείο της βαθμολογίας (δομημένα δεδομένα, llms.txt, κάλυψη κ.λπ.) δεν έδειξε σχέση, μετά τη διόρθωση για πολλαπλούς ελέγχους.
  5. Τι συμπεραίνουμε: τα δομημένα δεδομένα βοηθούν την ΤΝ να διαβάζει σωστά τα στοιχεία μιας επιχείρησης, αλλά από μόνα τους δεν καθορίζουν αν η επιχείρηση θα αναφερθεί. Άλλοι παράγοντες μετρούν περισσότερο, πιθανότατα μεταξύ αυτών και όσα γράφουν άλλοι ιστότοποι για την επιχείρηση. Αυτό το τελευταίο είναι υπόθεση που η μελέτη δεν εξέτασε.

Γιατί κάναμε αυτή τη μελέτη

Οι συμβουλές για το AEO (answer engine optimization, βελτιστοποίηση για μηχανές απαντήσεων), συμπεριλαμβανομένων των δικών μας, λένε ότι αν ένας ιστότοπος γίνει εύκολα αναγνώσιμος από την ΤΝ (δομημένα δεδομένα schema.org, αρχείο llms.txt, πρόσβαση στα ρομπότ ΤΝ, περιεχόμενο που αποδίδεται στον διακομιστή), η επιχείρηση εμφανίζεται ευκολότερα στις απαντήσεις ΤΝ. Η Nurevo πουλά μια βαθμολογία που βασίζεται ακριβώς σε αυτά τα σήματα. Θέλαμε ειλικρινή στοιχεία για το αν η βαθμολογία συμβαδίζει με αυτό που πραγματικά ενδιαφέρει τους ιδιοκτήτες: να τους κατονομάζει η ΤΝ. Ορίσαμε την υπόθεση, την ανάλυση και τα κριτήρια απόφασης πριν συλλέξουμε οποιαδήποτε απάντηση και δεσμευτήκαμε να δημοσιεύσουμε το αποτέλεσμα, όποιο κι αν ήταν.

Μέθοδος

  1. Δείγμα: 72 τοπικές επιχειρήσεις με δικό τους επίσημο ιστότοπο, που επιλέχθηκαν μέσω αναζήτησης στο web (εξαιρούνται οι πύλες), σε 5 κλάδους (οδοντιατρεία, εστιατόρια, κομμωτήρια και κέντρα αισθητικής, φοροτεχνικοί, καταλύματα) και 4 ιαπωνικές πόλεις (Τόκιο, Οσάκα, Φουκουόκα, Σαπόρο). 10 εξαιρέθηκαν επειδή δεν ήταν δυνατός ο υπολογισμός της βαθμολογίας για τον ιστότοπό τους, οπότε απέμειναν 62 για ανάλυση.
  2. Βαθμολογία: η αρχική σελίδα, το robots.txt και το llms.txt κάθε ιστότοπου βαθμολογήθηκαν με τον ίδιο κώδικα με τη δημόσια βαθμολογία της Nurevo: δομημένα δεδομένα (30 βαθμοί), κάλυψη (25), αναγνωσιμότητα (20), llms.txt (15) και συνέπεια (10), με ένα κατώφλι ελέγχου για πρόσβαση crawler, αποκλεισμό σε επίπεδο edge και απόδοση στον διακομιστή (αν δεν περάσει, η βαθμολογία περιορίζεται στο 15).
  3. Μηχανή: Perplexity, μέσω του Agent API με την προεπιλογή «fast» (μία αναζήτηση στο web και στη συνέχεια απάντηση), ο ίδιος προσαρμογέας που χρησιμοποιεί το επί πληρωμή πρόγραμμα της Nurevo για την ορατότητα σε ΤΝ. Μόνο μία μηχανή· δείτε τους περιορισμούς.
  4. Ερωτήσεις: τρεις ερωτήσεις «ανακάλυψης» ανά επιχείρηση, που αναφέρουν την περιοχή και το είδος της επιχείρησης αλλά όχι την ίδια την επιχείρηση (για παράδειγμα, «Προτείνετε έναν οδοντίατρο στην Umeda»), κοινές για όλες τις επιχειρήσεις του ίδιου κλάδου στην ίδια περιοχή, καθώς και μία «ονομαστική» ερώτηση για τη διεύθυνση και το ωράριο λειτουργίας της επιχείρησης. Κάθε ερώτηση υποβλήθηκε τρεις φορές.
  5. Μέτρο έκβασης: μια επιχείρηση «εμφανίστηκε» σε μια απάντηση αν το όνομά της υπήρχε στην απάντηση ή αν ο δικός της τομέας (domain) ήταν μεταξύ των πηγών που παρατέθηκαν. Το ποσοστό εμφάνισης είναι το μερίδιο των απαντήσεων ανακάλυψης στις οποίες εμφανίστηκε.
  6. Έλεγχος ανιχνευτή: στις απαντήσεις στις ονομαστικές ερωτήσεις, το όνομα της επιχείρησης ανιχνεύθηκε στο 84.3% των περιπτώσεων, πάνω από το όριο του 70% που είχαμε θέσει για να θεωρήσουμε αξιόπιστο τον ανιχνευτή.
  7. Ανάλυση: συσχέτιση τάξεων Spearman με p-value μεταθέσεων και διάστημα εμπιστοσύνης bootstrap· μερική συσχέτιση με κλάδο και πόλη ως σταθερές επιδράσεις· έλεγχος μεταθέσεων εντός στρωμάτων· και λογιστική παλινδρόμηση με σταθερές επιδράσεις κλάδου και πόλης και διόρθωση quasi-binomial, επειδή οι επαναλαμβανόμενες απαντήσεις στην ίδια ερώτηση δεν είναι ανεξάρτητες. Οι έξι έλεγχοι επιμέρους στοιχείων διορθώθηκαν με τη μέθοδο Holm.

Το κριτήριο για το «επιβεβαιώνεται» ορίστηκε εκ των προτέρων: ρ ≥ 0.3, p < 0.05, 95% CI πάνω από το μηδέν και θετική προσαρμοσμένη συσχέτιση. Το κείμενο των απαντήσεων δεν αποθηκεύτηκε· μόνο το αν εμφανίστηκε το όνομα, αν παρατέθηκε ο τομέας και η θέση της παραπομπής.

Αποτελέσματα

Το συμπέρασμα είναι «δεν επιβεβαιώνεται». Κάθε έλεγχος της βαθμολογίας έναντι της εμφάνισης δίνει συσχέτιση κοντά στο μηδέν:

n = 62 επιχειρήσεις. Μέτρηση στο Perplexity στις 24 Οκτωβρίου 2026.
ΈλεγχοςΑποτέλεσμαp-value
Βαθμολογία έναντι ποσοστού εμφάνισης (Spearman ρ, κύριος)0.03 (95% CI −0.23 έως 0.28)0.834
Το ίδιο, με προσαρμογή για κλάδο και πόλη (μερική συσχέτιση)0.030.845
Το ίδιο, έλεγχος μεταθέσεων εντός στρωμάτων0.030.829
Βαθμολογία έναντι εμφάνισης ονόματος (ερωτήσεις ανακάλυψης)−0.040.782
Βαθμολογία έναντι παράθεσης του δικού της ιστότοπου (ερωτήσεις ανακάλυψης)0.180.149
Βαθμολογία έναντι παράθεσης του δικού της ιστότοπου (ονομαστικές ερωτήσεις)−0.030.813
Λογιστική παλινδρόμηση με σταθερές επιδράσεις κλάδου/πόλης, quasi-binomial: λόγος πιθανοτήτων ανά +1 SD βαθμολογίας (18.81 βαθμοί)×1.01 (95% CI 0.62 έως 1.64)0.972

Ο μεγαλύτερος συντελεστής, 0.18 μεταξύ της βαθμολογίας και της παράθεσης του ιστότοπου της ίδιας της επιχείρησης, δεν διακρίνεται από το μηδέν (p = 0.149) και δεν πρέπει να ερμηνευθεί ως εύρημα.

Ανά ζώνη βαθμολογίας

Η Nurevo εμφανίζει τη βαθμολογία ως κόκκινη, κίτρινη ή πράσινη. Οι περισσότεροι ιστότοποι του δείγματος ήταν κόκκινοι και κανένας δεν έφτασε στο πράσινο, επομένως η μελέτη δεν λέει τίποτα για πολύ υψηλές βαθμολογίες.

ΖώνηΕπιχειρήσειςΜέσο ποσοστό εμφάνισηςΕμφανίστηκαν τουλάχιστον μία φορά
Κόκκινη5420.8%22
Κίτρινη822.2%3
Πράσινη0--

Ανά στοιχείο της βαθμολογίας

Κανένα από τα στοιχεία της βαθμολογίας δεν σχετιζόταν με την εμφάνιση. Μετά τη διόρθωση Holm, κάθε p-value είναι 1.000. Οι έλεγχοι αυτοί ήταν διερευνητικοί.

p = 1.000 με διόρθωση Holm για κάθε στοιχείο.
ΣτοιχείοSpearman ρ με το ποσοστό εμφάνισης
Δομημένα δεδομένα (schema)0.08
Κάλυψη0.12
Αναγνωσιμότητα−0.17
llms.txt−0.02 (λόγος πιθανοτήτων 1.41, 95% CI 0.79 έως 2.52)
Συνέπεια0.06
Κατώφλι ελέγχου (πρόσβαση crawler, edge, απόδοση στον διακομιστή)61 πέρασαν: 21.3% εμφάνιση· 1 απέτυχε: 0%

Ανά κλάδο και ανά πόλη

Η εμφάνιση διέφερε περισσότερο ανά κλάδο και πόλη παρά ανά βαθμολογία. Πρόκειται για περιγραφικά στοιχεία από μικρές ομάδες, όχι για στατιστικά ελεγμένες διαφορές.

Οι γραμμές κλάδων και οι γραμμές πόλεων καλύπτουν η καθεμία τις ίδιες 62 επιχειρήσεις.
ΟμάδαΕπιχειρήσειςΜέση βαθμολογίαΠοσοστό εμφάνισης
Φοροτεχνικοί1327.9210.3%
Καταλύματα1321.0823.9%
Οδοντιατρεία1340.1525.6%
Κομμωτήρια και κέντρα αισθητικής824.258.3%
Εστιατόρια1524.2030.4%
Οσάκα1526.2715.6%
Σαπόρο1729.419.8%
Τόκιο1525.5331.1%
Φουκουόκα1529.2728.9%

Περιορισμοί

  1. Συγχρονική μελέτη: μία μέτρηση πολλών ιστότοπων δείχνει συσχέτιση, όχι αιτιότητα. Για το αν η βελτίωση ενός ιστότοπου αλλάζει την εμφάνισή του χρειάζεται μελέτη πριν και μετά στους ίδιους ιστότοπους.
  2. Στατιστική ισχύς: με 62 επιχειρήσεις, μια συσχέτιση ασθενέστερη από περίπου |ρ| = 0.35 θα διέφευγε συχνά. Οι επιχειρήσεις της ίδιας περιοχής και του ίδιου κλάδου μοιράζονται τις ίδιες απαντήσεις, οπότε το πραγματικό δείγμα είναι ακόμη μικρότερο. Το «δεν βρέθηκε» εδώ δεν σημαίνει «δεν υπάρχει».
  3. Μία μηχανή, μία εβδομάδα: Perplexity με την προεπιλογή «fast», μέτρηση στις 24 Οκτωβρίου 2026. Τα ChatGPT, Gemini, οι AI Overviews της Google και το Copilot χρησιμοποιούν διαφορετικά ευρετήρια αναζήτησης και μοντέλα· τα αποτελέσματα αυτά δεν μεταφέρονται σε εκείνα.
  4. Μη παρατηρούμενοι συγχυτικοί παράγοντες: δεν μετρήθηκαν οι κριτικές, η αναγνωρισιμότητα της επωνυμίας, η διαφήμιση, τα χρόνια λειτουργίας και οι καταχωρίσεις σε άλλους ιστότοπους. Έγινε προσαρμογή μόνο για κλάδο και πόλη.
  5. Δείγμα: οι επιχειρήσεις βρέθηκαν μέσω αναζήτησης στο web, οπότε το δείγμα κλίνει προς επιχειρήσεις που ήδη εντοπίζονται εύκολα. Κανένας ιστότοπος δεν πήρε πράσινη βαθμολογία. 5 κλάδοι και 4 πόλεις της Ιαπωνίας ενδέχεται να μην είναι αντιπροσωπευτικοί για άλλους κλάδους, περιοχές ή γλώσσες.

Τι σημαίνει αυτό για τον ιστότοπο μιας επιχείρησης

Τα δομημένα δεδομένα, το llms.txt και η πρόσβαση crawler εξακολουθούν να επιτελούν μια λειτουργία: επιτρέπουν στην ΤΝ να διαβάζει τα στοιχεία μιας επιχείρησης (διεύθυνση, ωράριο, τηλέφωνο, υπηρεσίες) άμεσα και σωστά αντί να μαντεύει. Αξίζει να γίνεται, αλλά είναι διαφορετική δουλειά από το να σας προτείνει η ΤΝ. Σε αυτή τη μελέτη, ένας ιστότοπος που διαβαζόταν καλύτερα δεν αναφερόταν συχνότερα.

Η υπόθεση εργασίας μας είναι ότι πηγές εκτός του ιστότοπου (καταχωρίσεις σε πλατφόρμες κριτικών και χαρτών, τοπικά μέσα, κατάλογοι, άλλοι ιστότοποι που αναφέρουν την επιχείρηση) βαραίνουν πολύ στο αν μια ΤΝ κατονομάζει μια επιχείρηση όταν απαντά σε ερώτηση για συστάσεις. Η μελέτη δεν μέτρησε αυτές τις πηγές, οπότε πρόκειται για υπόθεση προς έλεγχο, όχι για αποτέλεσμα.

Στην πράξη: διατηρήστε σε τάξη τα βασικά στοιχεία του ιστότοπου, επειδή κάνουν ακριβή όσα λέει η ΤΝ για εσάς, και μετρήστε αν η ΤΝ πράγματι σας αναφέρει, αντί να το συμπεραίνετε από μια βαθμολογία αναγνωσιμότητας.

Η σύγκρουση συμφερόντων μας και τι αλλάζουμε

Η Nurevo αναπτύσσει εργαλεία AEO και η βαθμολογία που εξετάστηκε εδώ είναι ένα από τα προϊόντα μας. Ένα αποτέλεσμα σύμφωνα με το οποίο η βαθμολογία δεν προβλέπει την εμφάνιση δεν είναι αυτό που θα επιλέγαμε· το δημοσιεύουμε επειδή τα κριτήρια ορίστηκαν πριν έρθουν τα δεδομένα και επειδή οι ιδιοκτήτες πρέπει να γνωρίζουν τι μπορεί και τι δεν μπορεί να τους πει μια βαθμολογία.

Τι κάνουμε γι' αυτό: δεν παρουσιάζουμε τη βαθμολογία αναγνωσιμότητας για ΤΝ ως προγνωστικό δείκτη εμφάνισης σε απαντήσεις ΤΝ. Αντίθετα, μετράμε την εμφάνιση άμεσα: το πρόγραμμα Pro μετρά πόσο συχνά το Perplexity κατονομάζει ή παραθέτει έναν ιστότοπο (beta), και προσθέτουμε έναν μικρό μηνιαίο έλεγχο εμφάνισης για ιστότοπους των προγραμμάτων Free και Standard. Αναπτύσσουμε επίσης μια δεύτερη έκδοση της βαθμολογίας που συνδυάζει τη μετρημένη ορατότητα σε ΤΝ με τα σήματα του ιστότοπου, αντί να βασίζεται αποκλειστικά σε αυτά.

Τα ονόματα και οι ιστότοποι των επιχειρήσεων που μετρήθηκαν δεν δημοσιεύονται.

Συχνές ερωτήσεις

Τα δομημένα δεδομένα κάνουν την ΤΝ να αναφέρει την επιχείρησή μου;

Σε αυτή τη μελέτη 62 τοπικών επιχειρήσεων στο Perplexity, δεν βρέθηκε σχέση μεταξύ σημάτων του ιστότοπου, όπως τα δομημένα δεδομένα, και του πόσο συχνά αναφερόταν μια επιχείρηση (ρ = 0.03). Τα δομημένα δεδομένα βοηθούν την ΤΝ να διαβάζει σωστά τα στοιχεία σας, αλλά από μόνα τους δεν προέβλεψαν την αναφορά.

Βοηθά το llms.txt μια επιχείρηση να εμφανίζεται σε απαντήσεις ΤΝ;

Δεν βρήκαμε σχέση σε αυτή τη μελέτη: ρ = −0.02 μεταξύ του στοιχείου llms.txt και του ποσοστού εμφάνισης (p = 1.000 με διόρθωση Holm). Η μελέτη ήταν μικρή και χρησιμοποίησε μία μηχανή, οπότε δεν αποδεικνύει ότι το llms.txt δεν έχει ποτέ σημασία.

Σημαίνει αυτό ότι το AEO είναι άσκοπο;

Όχι. Το AEO στον ιστότοπο κάνει ακριβή όσα λέει η ΤΝ για μια επιχείρηση. Η μελέτη υποδηλώνει ότι δεν αρκεί για να σας προτείνει η ΤΝ και ότι η αναφορά πρέπει να μετριέται άμεσα αντί να συνάγεται από μια βαθμολογία αναγνωσιμότητας.

Ποια μηχανή ΤΝ μετρήθηκε;

Μόνο το Perplexity, μέσω του Agent API με την προεπιλογή «fast», στις 24 Οκτωβρίου 2026. Τα αποτελέσματα δεν μεταφέρονται στα ChatGPT, Gemini, στις AI Overviews της Google ή στο Copilot.