क्या ऑन-साइट AEO संकेत AI जवाबों में दिखने का अनुमान लगाते हैं? हमने 62 व्यवसायों को मापा
नहीं, कम से कम इस अध्ययन में नहीं। जापान के 62 स्थानीय व्यवसायों में, हमारे ऑन-साइट AEO स्कोर (संरचित डेटा, llms.txt, क्रॉलर एक्सेस और इसी तरह के संकेत) का इस बात से कोई संबंध नहीं दिखा कि सिफ़ारिशें मांगे जाने पर Perplexity ने किसी व्यवसाय का नाम कितनी बार लिया या उसे उद्धृत किया: स्पीयरमैन ρ = 0.03 (95% CI −0.23 से 0.28, p = 0.834)। 62 व्यवसायों के साथ यह अध्ययन भरोसेमंद रूप से केवल लगभग |ρ| ≥ 0.35 के सहसंबंध ही पकड़ सकता था, इसलिए किसी कमज़ोर संबंध को खारिज नहीं किया जा सकता।
प्रकाशित: 28 अक्टूबर 2026। डेटा मापा गया: 24 अक्टूबर 2026। Nurevo AEO टूल बनाता है, जिनमें यहाँ परखा गया स्कोर भी शामिल है; नीचे "हमारा हितों का टकराव" देखें।
सारांश
- प्रश्न: क्या जिन व्यवसायों की वेबसाइटें Nurevo के AI-पठनीयता स्कोर (0 से 100) पर अधिक अंक पाती हैं, वे उन प्रश्नों के AI जवाबों में अधिक बार दिखते हैं जिनमें उनका नाम नहीं लिया गया?
- उत्तर: पुष्टि नहीं हुई। कुल मिलाकर ρ = 0.03, और उद्योग व शहर के अनुसार समायोजन के बाद भी 0.03।
- कुल मिलाकर, व्यवसाय खोज वाले प्रश्नों के 21.0% जवाबों में दिखे; 62 में से 25 कम से कम एक बार दिखे।
- बहु-परीक्षण सुधार के बाद स्कोर के किसी भी अलग हिस्से (संरचित डेटा, llms.txt, कवरेज आदि) में भी कोई संबंध नहीं दिखा।
- हमारा निष्कर्ष: संरचित डेटा AI को व्यवसाय की जानकारी सही ढंग से पढ़ने में मदद करता है, लेकिन अकेले यह तय नहीं करता कि व्यवसाय का ज़िक्र होगा या नहीं। अन्य कारक अधिक मायने रखते हैं, जिनमें बहुत संभवतः यह भी शामिल है कि दूसरी साइटें उस व्यवसाय के बारे में क्या कहती हैं। यह आख़िरी बात एक परिकल्पना है जिसे इस अध्ययन ने नहीं परखा।
हमने यह अध्ययन क्यों किया
AEO (आंसर इंजन ऑप्टिमाइज़ेशन) से जुड़ी सलाह, हमारी अपनी सलाह सहित, कहती है कि वेबसाइट को AI के लिए पढ़ने में आसान बनाना (schema.org संरचित डेटा, llms.txt फ़ाइल, AI क्रॉलर को अनुमति देना, सर्वर-साइड रेंडर किया गया कंटेंट) व्यवसाय को AI जवाबों में दिखने में मदद करता है। Nurevo ठीक इन्हीं संकेतों पर आधारित स्कोर बेचता है। हम ईमानदार प्रमाण चाहते थे कि क्या यह स्कोर उस चीज़ को दर्शाता है जिसकी व्यवसाय मालिकों को वास्तव में परवाह है: AI द्वारा उनका नाम लिया जाना। हमने कोई भी जवाब इकट्ठा करने से पहले परिकल्पना, विश्लेषण और निर्णय के मानदंड तय कर दिए थे, और परिणाम जो भी हो, उसे प्रकाशित करने की प्रतिबद्धता ली थी।
पद्धति
- नमूना: अपनी आधिकारिक वेबसाइट वाले 72 स्थानीय व्यवसाय, जिन्हें वेब सर्च के ज़रिए चुना गया (पोर्टल साइटें शामिल नहीं), 5 उद्योगों (डेंटल क्लिनिक, रेस्तरां, ब्यूटी सैलून, टैक्स अकाउंटेंट, आवास) और जापान के 4 शहरों (टोक्यो, ओसाका, फ़ुकुओका, सापोरो) से। 10 को इसलिए हटाया गया क्योंकि उनकी साइट का स्कोर नहीं निकाला जा सका, जिससे विश्लेषण के लिए 62 बचे।
- स्कोर: हर साइट के होम पेज, robots.txt और llms.txt को उसी कोड से आंका गया जो Nurevo के सार्वजनिक स्कोर में इस्तेमाल होता है: संरचित डेटा (30 अंक), कवरेज (25), पठनीयता (20), llms.txt (15) और संगति (10), साथ में क्रॉलर एक्सेस, एज ब्लॉकिंग और सर्वर रेंडरिंग के लिए एक गेट (इसमें विफल होने पर स्कोर अधिकतम 15 तक सीमित हो जाता है)।
- इंजन: Perplexity, उसके Agent API के ज़रिए "fast" प्रीसेट के साथ (एक वेब सर्च, फिर जवाब) — वही एडैप्टर जिसे Nurevo का पेड प्लान AI दृश्यता के लिए इस्तेमाल करता है। केवल एक इंजन; सीमाएँ देखें।
- प्रश्न: हर व्यवसाय के लिए तीन "खोज" प्रश्न, जिनमें क्षेत्र और व्यवसाय के प्रकार का नाम है लेकिन व्यवसाय का नहीं (जैसे "Umeda में किसी डेंटिस्ट की सिफ़ारिश करें"), जो एक ही क्षेत्र के एक ही उद्योग के सभी व्यवसायों के लिए समान थे, और साथ में एक "नाम वाला" प्रश्न जिसमें व्यवसाय का पता और खुलने का समय पूछा गया। हर प्रश्न तीन बार पूछा गया।
- परिणाम मापदंड: किसी जवाब में व्यवसाय तब "दिखा" माना गया जब उसका नाम जवाब में हो या उसका अपना डोमेन उद्धृत स्रोतों में हो। उपस्थिति दर खोज वाले जवाबों का वह हिस्सा है जिनमें वह दिखा।
- डिटेक्टर जाँच: नाम वाले प्रश्नों के जवाबों में व्यवसाय का नाम 84.3% बार पहचाना गया, जो डिटेक्टर पर भरोसा करने के लिए हमारे तय 70% के सीमा-मान से ऊपर है।
- विश्लेषण: परम्यूटेशन p-मान और bootstrap विश्वास अंतराल के साथ स्पीयरमैन रैंक सहसंबंध; उद्योग और शहर को फ़िक्स्ड इफ़ेक्ट मानते हुए आंशिक सहसंबंध; स्तरों के भीतर परम्यूटेशन परीक्षण; और उद्योग व शहर के फ़िक्स्ड इफ़ेक्ट तथा quasi-binomial सुधार के साथ लॉजिस्टिक रिग्रेशन, क्योंकि एक ही प्रश्न के बार-बार मिले जवाब स्वतंत्र नहीं होते। छह घटक-परीक्षणों पर Holm सुधार लागू किया गया।
"पुष्टि" का मानदंड पहले से तय था: ρ ≥ 0.3, p < 0.05, 95% CI शून्य से ऊपर, और समायोजित सहसंबंध धनात्मक। जवाबों का टेक्स्ट सहेजा नहीं गया; केवल यह कि नाम आया या नहीं, डोमेन उद्धृत हुआ या नहीं, और उद्धरण की स्थिति।
परिणाम
निर्णय है "पुष्टि नहीं हुई"। उपस्थिति के मुकाबले स्कोर का हर परीक्षण शून्य के करीब सहसंबंध देता है:
| परीक्षण | परिणाम | p-मान |
|---|---|---|
| स्कोर बनाम उपस्थिति दर (स्पीयरमैन ρ, प्राथमिक) | 0.03 (95% CI −0.23 से 0.28) | 0.834 |
| वही, उद्योग और शहर के अनुसार समायोजित (आंशिक सहसंबंध) | 0.03 | 0.845 |
| वही, स्तरों के भीतर परम्यूटेशन परीक्षण | 0.03 | 0.829 |
| स्कोर बनाम नाम का आना (खोज वाले प्रश्न) | −0.04 | 0.782 |
| स्कोर बनाम अपनी साइट का उद्धृत होना (खोज वाले प्रश्न) | 0.18 | 0.149 |
| स्कोर बनाम अपनी साइट का उद्धृत होना (नाम वाले प्रश्न) | −0.03 | 0.813 |
| उद्योग/शहर फ़िक्स्ड इफ़ेक्ट के साथ लॉजिस्टिक रिग्रेशन, quasi-binomial: स्कोर में हर +1 SD (18.81 अंक) पर ऑड्स | ×1.01 (95% CI 0.62 से 1.64) | 0.972 |
सबसे बड़ा गुणांक, स्कोर और व्यवसाय की अपनी साइट के उद्धृत होने के बीच 0.18, शून्य से अलग नहीं किया जा सकता (p = 0.149) और इसे कोई निष्कर्ष नहीं माना जाना चाहिए।
स्कोर बैंड के अनुसार
Nurevo स्कोर को लाल, पीले या हरे रंग में दिखाता है। नमूने की अधिकांश साइटें लाल थीं और कोई भी हरे तक नहीं पहुँची, इसलिए यह अध्ययन बहुत ऊँचे स्कोर के बारे में कुछ नहीं कहता।
| बैंड | व्यवसाय | औसत उपस्थिति दर | कम से कम एक बार दिखे |
|---|---|---|---|
| लाल | 54 | 20.8% | 22 |
| पीला | 8 | 22.2% | 3 |
| हरा | 0 | - | - |
स्कोर के घटकों के अनुसार
स्कोर का कोई भी हिस्सा उपस्थिति से संबंधित नहीं था। Holm सुधार के बाद हर p-मान 1.000 है। ये परीक्षण खोजपरक (exploratory) थे।
| घटक | उपस्थिति दर के साथ स्पीयरमैन ρ |
|---|---|
| संरचित डेटा (schema) | 0.08 |
| कवरेज | 0.12 |
| पठनीयता | −0.17 |
| llms.txt | −0.02 (ऑड्स अनुपात 1.41, 95% CI 0.79 से 2.52) |
| संगति | 0.06 |
| गेट (क्रॉलर एक्सेस, एज, सर्वर रेंडरिंग) | 61 पास: 21.3% उपस्थिति; 1 फ़ेल: 0% |
उद्योग और शहर के अनुसार
उपस्थिति स्कोर की तुलना में उद्योग और शहर के अनुसार अधिक बदली। ये छोटे समूहों के वर्णनात्मक आँकड़े हैं, परखे गए अंतर नहीं।
| समूह | व्यवसाय | औसत स्कोर | उपस्थिति दर |
|---|---|---|---|
| टैक्स अकाउंटेंट | 13 | 27.92 | 10.3% |
| आवास | 13 | 21.08 | 23.9% |
| डेंटल क्लिनिक | 13 | 40.15 | 25.6% |
| ब्यूटी सैलून | 8 | 24.25 | 8.3% |
| रेस्तरां | 15 | 24.20 | 30.4% |
| ओसाका | 15 | 26.27 | 15.6% |
| सापोरो | 17 | 29.41 | 9.8% |
| टोक्यो | 15 | 25.53 | 31.1% |
| फ़ुकुओका | 15 | 29.27 | 28.9% |
सीमाएँ
- क्रॉस-सेक्शनल: कई साइटों का एक बार का माप संबंध दिखाता है, कारण नहीं। साइट में सुधार करने से उसकी उपस्थिति बदलती है या नहीं, यह जानने के लिए उन्हीं साइटों पर पहले-और-बाद का अध्ययन चाहिए।
- सांख्यिकीय क्षमता: 62 व्यवसायों के साथ, लगभग |ρ| = 0.35 से कमज़ोर सहसंबंध अक्सर छूट जाएगा। एक ही क्षेत्र और उद्योग के व्यवसाय एक जैसे जवाब साझा करते हैं, इसलिए प्रभावी नमूना और भी छोटा है। यहाँ "नहीं मिला" का अर्थ "मौजूद नहीं है" नहीं है।
- एक इंजन, एक सप्ताह: "fast" प्रीसेट के साथ Perplexity, 24 अक्टूबर 2026 को मापा गया। ChatGPT, Gemini, Google के AI Overviews और Copilot अलग सर्च इंडेक्स और मॉडल इस्तेमाल करते हैं; ये परिणाम उन पर लागू नहीं होते।
- अनदेखे भ्रमित करने वाले कारक: रिव्यू, ब्रांड पहचान, विज्ञापन, कारोबार के वर्ष और दूसरी साइटों पर लिस्टिंग को मापा नहीं गया। समायोजन केवल उद्योग और शहर के लिए किया गया।
- नमूना: व्यवसाय वेब सर्च के ज़रिए खोजे गए, इसलिए उनका झुकाव उन व्यवसायों की ओर है जो पहले से आसानी से मिल जाते हैं। किसी भी साइट का स्कोर हरा नहीं था। जापान के 5 उद्योग और 4 शहर अन्य उद्योगों, क्षेत्रों या भाषाओं का प्रतिनिधित्व नहीं भी कर सकते।
व्यवसाय की वेबसाइट के लिए इसका क्या अर्थ है
संरचित डेटा, llms.txt और क्रॉलर एक्सेस अब भी एक काम करते हैं: वे AI को व्यवसाय की जानकारी (पता, खुलने का समय, फ़ोन नंबर, सेवाएँ) अंदाज़ा लगाने के बजाय सीधे और सही ढंग से पढ़ने देते हैं। यह काम करने लायक है, और यह सिफ़ारिश किए जाने से अलग काम है। इस अध्ययन में, बेहतर पढ़ी जाने वाली साइट का ज़िक्र ज़्यादा नहीं हुआ।
हमारी कार्यशील परिकल्पना यह है कि वेबसाइट के बाहर के स्रोत (रिव्यू और मैप लिस्टिंग, स्थानीय मीडिया, डायरेक्टरी, व्यवसाय का ज़िक्र करने वाली अन्य साइटें) इस बात में बड़ा वज़न रखते हैं कि सिफ़ारिश वाले प्रश्न का जवाब देते समय AI किसी व्यवसाय का नाम लेता है या नहीं। इस अध्ययन ने उन स्रोतों को नहीं मापा, इसलिए यह परखी जाने वाली परिकल्पना है, परिणाम नहीं।
व्यवहार में: ऑन-साइट बुनियादी चीज़ें दुरुस्त रखें, क्योंकि वे AI द्वारा आपके बारे में कही गई बातों को सटीक बनाती हैं, और पठनीयता स्कोर से अनुमान लगाने के बजाय यह मापें कि AI वास्तव में आपका ज़िक्र करता है या नहीं।
हमारा हितों का टकराव, और हम क्या बदल रहे हैं
Nurevo AEO टूल बनाता है, और यहाँ परखा गया स्कोर हमारे उत्पादों में से एक है। यह परिणाम कि स्कोर उपस्थिति का अनुमान नहीं लगाता, ऐसा नहीं है जिसे हम चुनते; हम इसे इसलिए प्रकाशित कर रहे हैं क्योंकि डेटा आने से पहले मानदंड तय कर दिए गए थे, और क्योंकि व्यवसाय मालिकों को पता होना चाहिए कि कोई स्कोर उन्हें क्या बता सकता है और क्या नहीं।
हम इस बारे में क्या कर रहे हैं: हम AI-पठनीयता स्कोर को AI जवाबों में दिखने के अनुमानक के रूप में प्रस्तुत नहीं करते। इसके बजाय हम उपस्थिति को सीधे मापते हैं: Pro प्लान मापता है कि Perplexity कितनी बार किसी साइट का नाम लेता है या उसे उद्धृत करता है (बीटा), और हम Free और Standard साइटों के लिए एक छोटी मासिक उपस्थिति जाँच जोड़ रहे हैं। हम स्कोर का एक दूसरा संस्करण भी विकसित कर रहे हैं, जो केवल ऑन-साइट संकेतों पर निर्भर रहने के बजाय मापी गई AI दृश्यता को ऑन-साइट संकेतों के साथ मिलाता है।
मापे गए व्यवसायों के नाम और वेबसाइटें प्रकाशित नहीं की जातीं।
अक्सर पूछे जाने वाले प्रश्न
क्या संरचित डेटा से AI मेरे व्यवसाय का ज़िक्र करता है?
Perplexity पर 62 स्थानीय व्यवसायों के इस अध्ययन में, संरचित डेटा जैसे ऑन-साइट संकेतों और किसी व्यवसाय के ज़िक्र होने की आवृत्ति के बीच कोई संबंध नहीं मिला (ρ = 0.03)। संरचित डेटा AI को आपकी जानकारी सही पढ़ने में मदद करता है, लेकिन अकेले इसने ज़िक्र होने का अनुमान नहीं लगाया।
क्या llms.txt किसी व्यवसाय को AI जवाबों में दिखने में मदद करता है?
इस अध्ययन में हमें कोई संबंध नहीं मिला: llms.txt घटक और उपस्थिति दर के बीच ρ = −0.02 (Holm-सुधारित p = 1.000)। अध्ययन छोटा था और इसमें एक ही इंजन इस्तेमाल हुआ, इसलिए यह इस बात का प्रमाण नहीं है कि llms.txt कभी मायने नहीं रखता।
क्या इसका मतलब है कि AEO बेकार है?
नहीं। ऑन-साइट AEO यह सुनिश्चित करता है कि AI किसी व्यवसाय के बारे में जो कहे वह सटीक हो। यह अध्ययन संकेत देता है कि सिफ़ारिश पाने के लिए यह पर्याप्त नहीं है, और ज़िक्र होने को पठनीयता स्कोर से अनुमान लगाने के बजाय सीधे मापा जाना चाहिए।
किस AI इंजन को मापा गया?
केवल Perplexity, उसके Agent API के ज़रिए "fast" प्रीसेट के साथ, 24 अक्टूबर 2026 को। परिणाम ChatGPT, Gemini, Google के AI Overviews या Copilot पर लागू नहीं होते।