Predpovedajú signály AEO na webe výskyt v odpovediach AI? Zmerali sme 62 firiem

Nie, aspoň nie v tejto štúdii. Pri 62 miestnych firmách v Japonsku nevykázalo naše skóre AEO webu (štruktúrované údaje, llms.txt, prístup AI crawlerov a podobné signály) žiadny vzťah k tomu, ako často Perplexity firmu menoval alebo citoval, keď bol požiadaný o odporúčanie: Spearmanovo ρ = 0.03 (95% CI −0.23 až 0.28, p = 0.834). Pri 62 firmách mohla štúdia spoľahlivo odhaliť iba korelácie približne |ρ| ≥ 0.35, slabší vzťah preto nemožno vylúčiť.

Zverejnené 28. októbra 2026. Údaje namerané 24. októbra 2026. Nurevo vyvíja nástroje AEO vrátane tu testovaného skóre; pozrite si časť „Náš konflikt záujmov“ nižšie.

Zhrnutie

  1. Otázka: objavujú sa firmy, ktorých weby dosahujú vyššie skóre čitateľnosti pre AI od Nurevo (0 až 100), častejšie v odpovediach AI na otázky, ktoré ich nemenujú?
  2. Odpoveď: nepotvrdené. Celkovo ρ = 0.03 a po zohľadnení odvetvia a mesta stále 0.03.
  3. Celkovo sa firmy objavili v 21.0% odpovedí na objavovacie otázky; 25 zo 62 sa objavilo aspoň raz.
  4. Po korekcii na viacnásobné testovanie nevykázala vzťah ani žiadna jednotlivá zložka skóre (štruktúrované údaje, llms.txt, pokrytie atď.).
  5. Čo si z toho berieme: štruktúrované údaje pomáhajú AI správne prečítať údaje o firme, samy osebe však nerozhodujú o tom, či bude firma spomenutá. Väčšiu úlohu zohrávajú iné faktory, veľmi pravdepodobne vrátane toho, čo o firme píšu iné weby. Tento posledný bod je hypotéza, ktorú štúdia netestovala.

Prečo sme štúdiu uskutočnili

Odporúčania k AEO (answer engine optimization), vrátane našich, tvrdia, že web ľahko čitateľný pre AI (štruktúrované údaje schema.org, súbor llms.txt, povolenie AI crawlerov, obsah vykresľovaný na serveri) pomáha firme objavovať sa v odpovediach AI. Nurevo predáva skóre postavené práve na týchto signáloch. Chceli sme poctivo overiť, či skóre zodpovedá tomu, na čom majiteľom skutočne záleží: aby ich AI menovala. Hypotézu, analýzu aj rozhodovacie kritériá sme stanovili pred zberom akýchkoľvek odpovedí a zaviazali sme sa výsledok zverejniť bez ohľadu na to, ako dopadne.

Metodika

  1. Vzorka: 72 miestnych firiem s vlastnými oficiálnymi webmi, vybraných pomocou webového vyhľadávania (bez portálov), z 5 odvetví (zubné ambulancie, reštaurácie, kozmetické salóny, daňoví poradcovia, ubytovanie) a 4 japonských miest (Tokio, Osaka, Fukuoka, Sapporo). 10 bolo vylúčených, pretože pre ich web sa skóre nedalo vypočítať; na analýzu zostalo 62.
  2. Skóre: domovská stránka, robots.txt a llms.txt každého webu boli ohodnotené rovnakým kódom ako verejné skóre Nurevo: štruktúrované údaje (30 bodov), pokrytie (25), čitateľnosť (20), llms.txt (15) a konzistentnosť (10), s bránou pre prístup crawlerov, blokovanie na okraji siete a vykresľovanie na serveri (jej nesplnenie obmedzí skóre na 15).
  3. Engine: Perplexity cez Agent API s predvoľbou „fast“ (jedno webové vyhľadávanie, potom odpoveď), ten istý adaptér, ktorý platený plán Nurevo používa na viditeľnosť v AI. Iba jeden engine; pozrite obmedzenia.
  4. Otázky: tri „objavovacie“ otázky na firmu, ktoré uvádzajú oblasť a typ podniku, ale nie samotnú firmu (napríklad „Odporuč zubára v Umeda“), spoločné pre všetky firmy rovnakého odvetvia v rovnakej oblasti, a jedna „menná“ otázka na adresu a otváracie hodiny firmy. Každá otázka bola položená trikrát.
  5. Výsledná premenná: firma sa v odpovedi „objavila“, ak v nej bol jej názov alebo ak bola jej vlastná doména medzi citovanými zdrojmi. Miera výskytu je podiel jej odpovedí na objavovacie otázky, v ktorých sa objavila.
  6. Kontrola detektora: v odpovediach na menné otázky bol názov firmy rozpoznaný v 84.3% prípadov, teda nad prahom 70%, ktorý sme stanovili pre dôveru v detektor.
  7. Analýza: Spearmanova poradová korelácia s permutačnou p-hodnotou a bootstrapovým intervalom spoľahlivosti; parciálna korelácia s odvetvím a mestom ako fixnými efektmi; permutačný test v rámci strát; a logistická regresia s fixnými efektmi odvetvia a mesta a kvázibinomickou korekciou, pretože opakované odpovede na tú istú otázku nie sú nezávislé. Šesť testov zložiek je korigovaných Holmovou metódou.

Kritérium „potvrdenia“ bolo stanovené vopred: ρ ≥ 0.3, p < 0.05, 95% CI nad nulou a kladná upravená korelácia. Text odpovedí sa neukladal; zaznamenávalo sa iba to, či sa objavil názov, či bola citovaná doména a pozícia citácie.

Výsledky

Verdikt znie „nepotvrdené“. Každý test skóre voči výskytu dáva koreláciu blízku nule:

n = 62 firiem. Merané v Perplexity 24. októbra 2026.
TestVýsledokp-hodnota
Skóre vs. miera výskytu (Spearmanovo ρ, primárny)0.03 (95% CI −0.23 až 0.28)0.834
To isté, upravené o odvetvie a mesto (parciálna korelácia)0.030.845
To isté, permutačný test v rámci strát0.030.829
Skóre vs. výskyt názvu (objavovacie otázky)−0.040.782
Skóre vs. citácia vlastného webu (objavovacie otázky)0.180.149
Skóre vs. citácia vlastného webu (menné otázky)−0.030.813
Logistická regresia s fixnými efektmi odvetvia/mesta, kvázibinomická: pomer šancí na +1 SD skóre (18.81 bodu)×1.01 (95% CI 0.62 až 1.64)0.972

Najväčší koeficient, 0.18 medzi skóre a citáciou vlastného webu firmy, nemožno odlíšiť od nuly (p = 0.149) a nemal by sa vykladať ako zistenie.

Podľa pásma skóre

Nurevo zobrazuje skóre ako červené, žlté alebo zelené. Väčšina webov vo vzorke bola červená a žiadny nedosiahol zelenú, takže táto štúdia o veľmi vysokých skóre nič nehovorí.

PásmoFirmyPriemerná miera výskytuObjavili sa aspoň raz
Červené5420.8%22
Žlté822.2%3
Zelené0--

Podľa zložiek skóre

Žiadna zo zložiek skóre nesúvisela s výskytom. Po Holmovej korekcii je každá p-hodnota 1.000. Išlo o exploračné testy.

Holmovou metódou korigované p = 1.000 pre každú zložku.
ZložkaSpearmanovo ρ s mierou výskytu
Štruktúrované údaje (schema)0.08
Pokrytie0.12
Čitateľnosť−0.17
llms.txt−0.02 (pomer šancí 1.41, 95% CI 0.79 až 2.52)
Konzistentnosť0.06
Brána (prístup crawlerov, okraj siete, vykresľovanie na serveri)61 prešlo: výskyt 21.3%; 1 neprešla: 0%

Podľa odvetvia a mesta

Výskyt sa líšil podľa odvetvia a mesta viac než podľa skóre. Ide o opisné údaje z malých skupín, nie o testované rozdiely.

Riadky odvetví aj riadky miest pokrývajú tých istých 62 firiem.
SkupinaFirmyPriemerné skóreMiera výskytu
Daňoví poradcovia1327.9210.3%
Ubytovanie1321.0823.9%
Zubné ambulancie1340.1525.6%
Kozmetické salóny824.258.3%
Reštaurácie1524.2030.4%
Osaka1526.2715.6%
Sapporo1729.419.8%
Tokio1525.5331.1%
Fukuoka1529.2728.9%

Obmedzenia

  1. Prierezová štúdia: jedno meranie mnohých webov ukazuje súvislosť, nie príčinu. Či zlepšenie webu zmení jeho výskyt, si vyžaduje štúdiu tých istých webov pred zmenou a po nej.
  2. Štatistická sila: pri 62 firmách by korelácia slabšia než približne |ρ| = 0.35 často zostala nepovšimnutá. Firmy z rovnakej oblasti a odvetvia zdieľajú tie isté odpovede, takže efektívna vzorka je ešte menšia. „Nenájdené“ tu neznamená „neexistuje“.
  3. Jeden engine, jeden týždeň: Perplexity s predvoľbou „fast“, merané 24. októbra 2026. ChatGPT, Gemini, AI Overviews od Googlu a Copilot používajú iné vyhľadávacie indexy a modely; tieto výsledky na ne nemožno prenášať.
  4. Nepozorované skresľujúce faktory: recenzie, známosť značky, reklama, dĺžka pôsobenia na trhu ani záznamy na iných weboch sa nemerali. Zohľadnené boli iba odvetvie a mesto.
  5. Vzorka: firmy boli nájdené cez webové vyhľadávanie, takže prevažujú tie, ktoré sa už ľahko nájdu. Žiadny web nedosiahol zelené skóre. 5 odvetví a 4 mestá v Japonsku nemusia reprezentovať iné odvetvia, regióny či jazyky.

Čo to znamená pre firemný web

Štruktúrované údaje, llms.txt a prístup crawlerov majú stále svoj význam: umožňujú AI čítať údaje o firme (adresu, otváracie hodiny, telefónne číslo, služby) priamo a správne, namiesto toho, aby ich odhadovala. Táto práca sa oplatí, no je to iná úloha než získať odporúčanie. V tejto štúdii nebol lepšie čitateľný web spomínaný častejšie.

Naša pracovná hypotéza je, že zdroje mimo webu (recenzné a mapové záznamy, miestne médiá, katalógy, iné weby spomínajúce firmu) majú veľkú váhu pri tom, či AI firmu pomenuje, keď odpovedá na žiadosť o odporúčanie. Táto štúdia tieto zdroje nemerala, ide teda o hypotézu na overenie, nie o výsledok.

V praxi: udržiavajte základy na webe v poriadku, pretože vďaka nim je to, čo o vás AI hovorí, presné, a merajte, či vás AI skutočne spomína, namiesto toho, aby ste to vyvodzovali zo skóre čitateľnosti.

Náš konflikt záujmov a čo meníme

Nurevo vyvíja nástroje AEO a tu testované skóre je jedným z našich produktov. Výsledok, že skóre nepredpovedá výskyt, by sme si sami nevybrali. Zverejňujeme ho, pretože kritériá boli stanovené skôr, než prišli údaje, a pretože majitelia by mali vedieť, čo im skóre povedať môže a čo nie.

Čo s tým robíme: skóre čitateľnosti pre AI neprezentujeme ako prediktor výskytu v odpovediach AI. Namiesto toho výskyt meriame priamo: plán Pro meria, ako často Perplexity web menuje alebo cituje (beta), a pre weby v plánoch Free a Standard pridávame malú mesačnú kontrolu výskytu. Vyvíjame aj druhú verziu skóre, ktorá kombinuje nameranú viditeľnosť v AI so signálmi na webe, namiesto toho, aby sa spoliehala len na signály na webe.

Názvy a weby meraných firiem nezverejňujeme.

Časté otázky

Zabezpečia štruktúrované údaje, že AI spomenie moju firmu?

V tejto štúdii 62 miestnych firiem v Perplexity sa nezistil žiadny vzťah medzi signálmi na webe, ako sú štruktúrované údaje, a tým, ako často bola firma spomenutá (ρ = 0.03). Štruktúrované údaje pomáhajú AI správne čítať vaše údaje, samy osebe však zmienku nepredpovedali.

Pomáha llms.txt firme objavovať sa v odpovediach AI?

V tejto štúdii sme žiadny vzťah nenašli: ρ = −0.02 medzi zložkou llms.txt a mierou výskytu (p po Holmovej korekcii = 1.000). Štúdia bola malá a pracovala s jedným enginom, takže nedokazuje, že llms.txt nikdy nehrá rolu.

Znamená to, že AEO nemá zmysel?

Nie. AEO na webe zabezpečuje, že to, čo AI o firme hovorí, je presné. Táto štúdia naznačuje, že na získanie odporúčania nestačí a že zmienky treba merať priamo, nie ich vyvodzovať zo skóre čitateľnosti.

Ktorý AI engine bol meraný?

Iba Perplexity, cez Agent API s predvoľbou „fast“, dňa 24. októbra 2026. Výsledky nemožno prenášať na ChatGPT, Gemini, AI Overviews od Googlu ani Copilot.