શું ઑન-સાઇટ AEO સંકેતો AI જવાબોમાં દેખાવાનું અનુમાન આપે છે? અમે 62 વ્યવસાયો માપ્યા

ના, ઓછામાં ઓછું આ અભ્યાસમાં તો નહીં. જાપાનના 62 સ્થાનિક વ્યવસાયોમાં, અમારા ઑન-સાઇટ AEO સ્કોર (સ્ટ્રક્ચર્ડ ડેટા, llms.txt, ક્રૉલર ઍક્સેસ અને તેના જેવા સંકેતો)નો એ બાબત સાથે કોઈ સંબંધ જોવા મળ્યો નહીં કે ભલામણો માગવામાં આવે ત્યારે Perplexity કોઈ વ્યવસાયનું નામ કેટલી વાર લે છે અથવા તેને ટાંકે છે: સ્પિયરમેન ρ = 0.03 (95% CI −0.23 થી 0.28, p = 0.834). 62 વ્યવસાયો સાથે આ અભ્યાસ વિશ્વસનીય રીતે માત્ર આશરે |ρ| ≥ 0.35ના સહસંબંધો જ પકડી શકે તેમ હતો, તેથી વધુ નબળા સંબંધને નકારી શકાય નહીં.

પ્રકાશિત: 28 ઑક્ટોબર 2026. ડેટા માપ્યાની તારીખ: 24 ઑક્ટોબર 2026. Nurevo AEO ટૂલ્સ બનાવે છે, જેમાં અહીં ચકાસાયેલ સ્કોર પણ સામેલ છે; નીચે "અમારો હિતોનો ટકરાવ" જુઓ.

સારાંશ

  1. પ્રશ્ન: જે વ્યવસાયોની વેબસાઇટ Nurevoના AI-વાંચનક્ષમતા સ્કોર (0 થી 100) પર વધુ ગુણ મેળવે છે, શું તેઓ એવા પ્રશ્નોના AI જવાબોમાં વધુ વાર દેખાય છે જેમાં તેમનું નામ લેવાયું નથી?
  2. જવાબ: સમર્થન મળ્યું નથી. એકંદરે ρ = 0.03, અને ઉદ્યોગ તથા શહેર મુજબ સમાયોજન પછી પણ 0.03.
  3. એકંદરે, વ્યવસાયો શોધ પ્રશ્નોના 21.0% જવાબોમાં દેખાયા; 62માંથી 25 ઓછામાં ઓછી એક વાર દેખાયા.
  4. બહુવિધ પરીક્ષણો માટે સુધારણા પછી સ્કોરના કોઈ પણ અલગ ભાગ (સ્ટ્રક્ચર્ડ ડેટા, llms.txt, કવરેજ વગેરે)માં પણ કોઈ સંબંધ જોવા મળ્યો નહીં.
  5. અમારું તારણ: સ્ટ્રક્ચર્ડ ડેટા AIને વ્યવસાયની માહિતી યોગ્ય રીતે વાંચવામાં મદદ કરે છે, પરંતુ એકલો તે નક્કી કરતો નથી કે વ્યવસાયનો ઉલ્લેખ થશે કે નહીં. અન્ય પરિબળો વધુ મહત્ત્વનાં છે, જેમાં સંભવતઃ એ પણ સામેલ છે કે બીજી સાઇટ્સ વ્યવસાય વિશે શું કહે છે. આ છેલ્લો મુદ્દો એક પરિકલ્પના છે જેને આ અભ્યાસે ચકાસી નથી.

અમે આ અભ્યાસ શા માટે કર્યો

AEO (આન્સર એન્જિન ઑપ્ટિમાઇઝેશન) સંબંધિત સલાહ, અમારી પોતાની સલાહ સહિત, કહે છે કે વેબસાઇટને AI માટે વાંચવામાં સરળ બનાવવી (schema.org સ્ટ્રક્ચર્ડ ડેટા, llms.txt ફાઇલ, AI ક્રૉલર્સને પ્રવેશ આપવો, સર્વર-સાઇડ રેન્ડર થયેલ કન્ટેન્ટ) વ્યવસાયને AI જવાબોમાં દેખાવામાં મદદ કરે છે. Nurevo બરાબર આ જ સંકેતો પર આધારિત સ્કોર વેચે છે. અમે પ્રામાણિક પુરાવો ઇચ્છતા હતા કે શું આ સ્કોર એ બાબતને દર્શાવે છે જેની વ્યવસાય માલિકોને ખરેખર પરવા છે: AI દ્વારા તેમનું નામ લેવાય. કોઈ પણ જવાબ એકત્રિત કરતાં પહેલાં અમે પરિકલ્પના, વિશ્લેષણ અને નિર્ણયના માપદંડ નક્કી કરી દીધા હતા, અને પરિણામ ગમે તે આવે તે પ્રકાશિત કરવાની પ્રતિબદ્ધતા લીધી હતી.

પદ્ધતિ

  1. નમૂનો: પોતાની સત્તાવાર વેબસાઇટ ધરાવતા 72 સ્થાનિક વ્યવસાયો, જે વેબ સર્ચ દ્વારા પસંદ કરાયા (પોર્ટલ સાઇટ્સ બાકાત), 5 ઉદ્યોગો (ડેન્ટલ ક્લિનિક, રેસ્ટોરન્ટ, બ્યુટી સલૂન, ટૅક્સ એકાઉન્ટન્ટ, રહેઠાણ) અને જાપાનનાં 4 શહેરો (ટોક્યો, ઓસાકા, ફુકુઓકા, સાપોરો)માંથી. 10ને બાકાત રખાયા કારણ કે તેમની સાઇટનો સ્કોર ગણી શકાયો નહીં, જેથી વિશ્લેષણ માટે 62 બાકી રહ્યા.
  2. સ્કોર: દરેક સાઇટના હોમ પેજ, robots.txt અને llms.txtને Nurevoના જાહેર સ્કોર જેવા જ કોડથી માપવામાં આવ્યાં: સ્ટ્રક્ચર્ડ ડેટા (30 ગુણ), કવરેજ (25), વાંચનક્ષમતા (20), llms.txt (15) અને સુસંગતતા (10), સાથે ક્રૉલર ઍક્સેસ, એજ બ્લૉકિંગ અને સર્વર રેન્ડરિંગ માટે એક ગેટ (તેમાં નિષ્ફળ જતાં સ્કોર મહત્તમ 15 સુધી મર્યાદિત થાય છે).
  3. એન્જિન: Perplexity, તેના Agent API દ્વારા "fast" પ્રીસેટ સાથે (એક વેબ સર્ચ, પછી જવાબ) — એ જ ઍડેપ્ટર જે Nurevoનો પેઇડ પ્લાન AI દૃશ્યતા માટે વાપરે છે. માત્ર એક એન્જિન; મર્યાદાઓ જુઓ.
  4. પ્રશ્નો: દરેક વ્યવસાય માટે ત્રણ "શોધ" પ્રશ્નો, જેમાં વિસ્તાર અને વ્યવસાયના પ્રકારનું નામ છે પણ વ્યવસાયનું નહીં (ઉદાહરણ તરીકે, "Umedaમાં કોઈ ડેન્ટિસ્ટની ભલામણ કરો"), જે એક જ વિસ્તારના એક જ ઉદ્યોગના બધા વ્યવસાયો માટે સમાન હતા, ઉપરાંત એક "નામવાળો" પ્રશ્ન જેમાં વ્યવસાયનું સરનામું અને ખુલવાનો સમય પૂછાયો. દરેક પ્રશ્ન ત્રણ વાર પૂછાયો.
  5. પરિણામ માપદંડ: કોઈ જવાબમાં વ્યવસાય ત્યારે "દેખાયો" ગણાયો જ્યારે તેનું નામ જવાબમાં હોય અથવા તેનું પોતાનું ડોમેન ટાંકેલા સ્રોતોમાં હોય. હાજરી દર એટલે શોધ જવાબોનો એ હિસ્સો જેમાં તે દેખાયો.
  6. ડિટેક્ટર ચકાસણી: નામવાળા પ્રશ્નોના જવાબોમાં વ્યવસાયનું નામ 84.3% વખત ઓળખાયું, જે ડિટેક્ટર પર વિશ્વાસ કરવા માટે અમે નક્કી કરેલી 70%ની મર્યાદાથી વધુ છે.
  7. વિશ્લેષણ: પર્મ્યુટેશન p-મૂલ્ય અને bootstrap વિશ્વાસ અંતરાલ સાથે સ્પિયરમેન રૅન્ક સહસંબંધ; ઉદ્યોગ અને શહેરને ફિક્સ્ડ ઇફેક્ટ તરીકે લઈ આંશિક સહસંબંધ; સ્તરોની અંદર પર્મ્યુટેશન પરીક્ષણ; અને ઉદ્યોગ તથા શહેરની ફિક્સ્ડ ઇફેક્ટ્સ અને quasi-binomial સુધારણા સાથે લૉજિસ્ટિક રિગ્રેશન, કારણ કે એક જ પ્રશ્નના વારંવારના જવાબો સ્વતંત્ર નથી. છ ઘટક-પરીક્ષણો પર Holm સુધારણા લાગુ કરાઈ.

"સમર્થન" માટેનો માપદંડ અગાઉથી નક્કી હતો: ρ ≥ 0.3, p < 0.05, 95% CI શૂન્યથી ઉપર, અને સમાયોજિત સહસંબંધ ધન. જવાબોનું લખાણ સાચવવામાં આવ્યું નહોતું; માત્ર નામ આવ્યું કે નહીં, ડોમેન ટંકાયું કે નહીં અને ટાંકણનું સ્થાન.

પરિણામો

નિર્ણય છે "સમર્થન મળ્યું નથી". હાજરી સામે સ્કોરનું દરેક પરીક્ષણ શૂન્યની નજીકનો સહસંબંધ આપે છે:

n = 62 વ્યવસાયો. Perplexity પર 24 ઑક્ટોબર 2026ના રોજ માપ્યું.
પરીક્ષણપરિણામp-મૂલ્ય
સ્કોર વિ. હાજરી દર (સ્પિયરમેન ρ, પ્રાથમિક)0.03 (95% CI −0.23 થી 0.28)0.834
એ જ, ઉદ્યોગ અને શહેર મુજબ સમાયોજિત (આંશિક સહસંબંધ)0.030.845
એ જ, સ્તરોની અંદર પર્મ્યુટેશન પરીક્ષણ0.030.829
સ્કોર વિ. નામ દેખાવું (શોધ પ્રશ્નો)−0.040.782
સ્કોર વિ. પોતાની સાઇટ ટંકાવી (શોધ પ્રશ્નો)0.180.149
સ્કોર વિ. પોતાની સાઇટ ટંકાવી (નામવાળા પ્રશ્નો)−0.030.813
ઉદ્યોગ/શહેર ફિક્સ્ડ ઇફેક્ટ્સ સાથે લૉજિસ્ટિક રિગ્રેશન, quasi-binomial: સ્કોરમાં દર +1 SD (18.81 ગુણ) દીઠ ઑડ્સ×1.01 (95% CI 0.62 થી 1.64)0.972

સૌથી મોટો ગુણાંક, સ્કોર અને વ્યવસાયની પોતાની સાઇટ ટંકાવા વચ્ચેનો 0.18, શૂન્યથી અલગ પાડી શકાય તેમ નથી (p = 0.149) અને તેને કોઈ તારણ તરીકે ન વાંચવો જોઈએ.

સ્કોર બૅન્ડ મુજબ

Nurevo સ્કોરને લાલ, પીળા કે લીલા રંગમાં બતાવે છે. નમૂનાની મોટા ભાગની સાઇટ્સ લાલ હતી અને કોઈ પણ લીલા સુધી પહોંચી નહીં, તેથી આ અભ્યાસ ખૂબ ઊંચા સ્કોર વિશે કંઈ કહેતો નથી.

બૅન્ડવ્યવસાયોસરેરાશ હાજરી દરઓછામાં ઓછી એક વાર દેખાયા
લાલ5420.8%22
પીળો822.2%3
લીલો0--

સ્કોરના ઘટકો મુજબ

સ્કોરનો કોઈ પણ ભાગ હાજરી સાથે સંબંધિત નહોતો. Holm સુધારણા પછી દરેક p-મૂલ્ય 1.000 છે. આ પરીક્ષણો અન્વેષણાત્મક હતાં.

દરેક ઘટક માટે Holm-સુધારિત p = 1.000.
ઘટકહાજરી દર સાથે સ્પિયરમેન ρ
સ્ટ્રક્ચર્ડ ડેટા (schema)0.08
કવરેજ0.12
વાંચનક્ષમતા−0.17
llms.txt−0.02 (ઑડ્સ રેશિયો 1.41, 95% CI 0.79 થી 2.52)
સુસંગતતા0.06
ગેટ (ક્રૉલર ઍક્સેસ, એજ, સર્વર રેન્ડરિંગ)61 પાસ: 21.3% હાજરી; 1 નિષ્ફળ: 0%

ઉદ્યોગ અને શહેર મુજબ

હાજરી સ્કોર કરતાં ઉદ્યોગ અને શહેર મુજબ વધુ બદલાઈ. આ નાનાં જૂથોના વર્ણનાત્મક આંકડા છે, ચકાસાયેલા તફાવતો નથી.

ઉદ્યોગની પંક્તિઓ અને શહેરની પંક્તિઓ, બંને એ જ 62 વ્યવસાયોને આવરી લે છે.
જૂથવ્યવસાયોસરેરાશ સ્કોરહાજરી દર
ટૅક્સ એકાઉન્ટન્ટ1327.9210.3%
રહેઠાણ1321.0823.9%
ડેન્ટલ ક્લિનિક1340.1525.6%
બ્યુટી સલૂન824.258.3%
રેસ્ટોરન્ટ1524.2030.4%
ઓસાકા1526.2715.6%
સાપોરો1729.419.8%
ટોક્યો1525.5331.1%
ફુકુઓકા1529.2728.9%

મર્યાદાઓ

  1. ક્રૉસ-સેક્શનલ: ઘણી સાઇટ્સનું એક વખતનું માપ સંબંધ દર્શાવે છે, કારણ નહીં. સાઇટમાં સુધારો કરવાથી તેની હાજરી બદલાય છે કે નહીં તે જાણવા માટે એ જ સાઇટ્સ પર પહેલાં-અને-પછીનો અભ્યાસ જરૂરી છે.
  2. આંકડાકીય ક્ષમતા: 62 વ્યવસાયો સાથે, આશરે |ρ| = 0.35થી નબળો સહસંબંધ ઘણી વાર ચૂકી જવાય. એક જ વિસ્તાર અને ઉદ્યોગના વ્યવસાયો સમાન જવાબો વહેંચે છે, તેથી અસરકારક નમૂનો તેનાથી પણ નાનો છે. અહીં "મળ્યું નથી"નો અર્થ "અસ્તિત્વમાં નથી" એવો નથી.
  3. એક એન્જિન, એક અઠવાડિયું: "fast" પ્રીસેટ સાથે Perplexity, 24 ઑક્ટોબર 2026ના રોજ માપ્યું. ChatGPT, Gemini, Googleના AI Overviews અને Copilot અલગ સર્ચ ઇન્ડેક્સ અને મોડલ વાપરે છે; આ પરિણામો તેમને લાગુ પડતાં નથી.
  4. અવલોકન ન કરાયેલાં ગૂંચવતાં પરિબળો: રિવ્યૂ, બ્રાન્ડ ઓળખ, જાહેરાત, વ્યવસાયનાં વર્ષો અને અન્ય સાઇટ્સ પરની લિસ્ટિંગ માપવામાં આવ્યાં નહોતાં. સમાયોજન માત્ર ઉદ્યોગ અને શહેર માટે કરાયું.
  5. નમૂનો: વ્યવસાયો વેબ સર્ચ દ્વારા શોધાયા હતા, તેથી તેઓ એવા વ્યવસાયો તરફ ઝૂકેલા છે જે પહેલેથી સરળતાથી મળી જાય છે. કોઈ પણ સાઇટનો સ્કોર લીલો નહોતો. જાપાનના 5 ઉદ્યોગો અને 4 શહેરો અન્ય ઉદ્યોગો, પ્રદેશો કે ભાષાઓનું પ્રતિનિધિત્વ ન પણ કરે.

વ્યવસાયની વેબસાઇટ માટે આનો શું અર્થ છે

સ્ટ્રક્ચર્ડ ડેટા, llms.txt અને ક્રૉલર ઍક્સેસ હજુ પણ એક કામ કરે છે: તે AIને અનુમાન લગાવવાને બદલે વ્યવસાયની માહિતી (સરનામું, ખુલવાનો સમય, ફોન નંબર, સેવાઓ) સીધી અને યોગ્ય રીતે વાંચવા દે છે. એ કામ કરવા જેવું છે, અને તે ભલામણ મેળવવાથી અલગ કામ છે. આ અભ્યાસમાં, વધુ સારી રીતે વંચાતી સાઇટનો વધુ ઉલ્લેખ થયો નહોતો.

અમારી કાર્યકારી પરિકલ્પના એ છે કે વેબસાઇટની બહારના સ્રોતો (રિવ્યૂ અને મૅપ લિસ્ટિંગ, સ્થાનિક મીડિયા, ડિરેક્ટરીઓ, વ્યવસાયનો ઉલ્લેખ કરતી અન્ય સાઇટ્સ) ભલામણ પ્રશ્નનો જવાબ આપતી વખતે AI કોઈ વ્યવસાયનું નામ લે છે કે નહીં તેમાં મોટું વજન ધરાવે છે. આ અભ્યાસે એ સ્રોતો માપ્યા નથી, તેથી આ ચકાસવાની પરિકલ્પના છે, પરિણામ નહીં.

વ્યવહારમાં: ઑન-સાઇટ પાયાની બાબતો વ્યવસ્થિત રાખો, કારણ કે તે AI તમારા વિશે જે કહે છે તેને સચોટ બનાવે છે, અને વાંચનક્ષમતા સ્કોર પરથી અનુમાન લગાવવાને બદલે માપો કે AI ખરેખર તમારો ઉલ્લેખ કરે છે કે નહીં.

અમારો હિતોનો ટકરાવ, અને અમે શું બદલી રહ્યા છીએ

Nurevo AEO ટૂલ્સ બનાવે છે, અને અહીં ચકાસાયેલ સ્કોર અમારાં ઉત્પાદનોમાંનું એક છે. સ્કોર હાજરીનું અનુમાન આપતો નથી એવું પરિણામ અમે પસંદ ન કરત; અમે તેને પ્રકાશિત કરીએ છીએ કારણ કે ડેટા આવે તે પહેલાં માપદંડ નક્કી થઈ ગયા હતા, અને કારણ કે વ્યવસાય માલિકોએ જાણવું જોઈએ કે કોઈ સ્કોર તેમને શું કહી શકે છે અને શું નહીં.

અમે આ અંગે શું કરી રહ્યા છીએ: અમે AI-વાંચનક્ષમતા સ્કોરને AI જવાબોમાં દેખાવાના અનુમાનક તરીકે રજૂ કરતા નથી. તેના બદલે અમે હાજરીને સીધી માપીએ છીએ: Pro પ્લાન માપે છે કે Perplexity કેટલી વાર કોઈ સાઇટનું નામ લે છે અથવા તેને ટાંકે છે (બીટા), અને અમે Free અને Standard સાઇટ્સ માટે એક નાની માસિક હાજરી ચકાસણી ઉમેરી રહ્યા છીએ. અમે સ્કોરનું બીજું સંસ્કરણ પણ વિકસાવી રહ્યા છીએ, જે માત્ર ઑન-સાઇટ સંકેતો પર આધાર રાખવાને બદલે માપેલી AI દૃશ્યતાને ઑન-સાઇટ સંકેતો સાથે જોડે છે.

માપવામાં આવેલા વ્યવસાયોનાં નામ અને વેબસાઇટ્સ પ્રકાશિત કરવામાં આવતાં નથી.

વારંવાર પૂછાતા પ્રશ્નો

શું સ્ટ્રક્ચર્ડ ડેટાથી AI મારા વ્યવસાયનો ઉલ્લેખ કરે છે?

Perplexity પર 62 સ્થાનિક વ્યવસાયોના આ અભ્યાસમાં, સ્ટ્રક્ચર્ડ ડેટા જેવા ઑન-સાઇટ સંકેતો અને વ્યવસાયનો કેટલી વાર ઉલ્લેખ થયો તે વચ્ચે કોઈ સંબંધ મળ્યો નહીં (ρ = 0.03). સ્ટ્રક્ચર્ડ ડેટા AIને તમારી માહિતી યોગ્ય રીતે વાંચવામાં મદદ કરે છે, પરંતુ એકલા તેણે ઉલ્લેખ થવાનું અનુમાન આપ્યું નહીં.

શું llms.txt વ્યવસાયને AI જવાબોમાં દેખાવામાં મદદ કરે છે?

આ અભ્યાસમાં અમને કોઈ સંબંધ મળ્યો નહીં: llms.txt ઘટક અને હાજરી દર વચ્ચે ρ = −0.02 (Holm-સુધારિત p = 1.000). અભ્યાસ નાનો હતો અને તેમાં એક જ એન્જિન વપરાયું હતું, તેથી આ llms.txt ક્યારેય મહત્ત્વનું નથી તેનો પુરાવો નથી.

શું આનો અર્થ એ છે કે AEO નકામું છે?

ના. ઑન-સાઇટ AEO એ સુનિશ્ચિત કરે છે કે AI વ્યવસાય વિશે જે કહે તે સચોટ હોય. આ અભ્યાસ સૂચવે છે કે ભલામણ મેળવવા માટે તે પૂરતું નથી, અને ઉલ્લેખ થવાને વાંચનક્ષમતા સ્કોર પરથી અનુમાનવાને બદલે સીધો માપવો જોઈએ.

કયું AI એન્જિન માપવામાં આવ્યું?

માત્ર Perplexity, તેના Agent API દ્વારા "fast" પ્રીસેટ સાથે, 24 ઑક્ટોબર 2026ના રોજ. પરિણામો ChatGPT, Gemini, Googleના AI Overviews કે Copilotને લાગુ પડતાં નથી.