Jak działa ta kontrola
To jedyna kontrola, która pyta sztuczną inteligencję. Scanaris przekazuje modelowi językowemu Twoją domenę (bez www) i tytuł strony, i prosi o odpowiedź wyłącznie, czy ma prawdziwą, konkretną wcześniejszą wiedzę o tej stronie lub marce, z wyraźnym poleceniem, żeby odpowiedział „nie", jeśli musiałby zgadywać po nazwie. Model zwraca tak albo nie. Jeśli nie, otwiera ustalenie informacyjne, które nie kosztuje punktów. Jeśli model zawiedzie albo nie odpowie w oczekiwanym formacie, nic nie jest otwierane: w razie wątpliwości ustalenie nie jest wymyślane. Używany jest mały, szybki model, żeby test był tani i spójny.
Co oznacza wynik
„Nie" oznacza, że w wiedzy, na której ten model był trenowany, Twoja marka nie pojawia się wystarczająco często, żeby ją rozpoznał. To przybliżenie, nie dokładna miara: każdy asystent jest trenowany na innych danych i może też szukać na żywo. Ale to przydatny sygnał, bo modele trenują na podobnych źródłach, i jeśli jeden Cię nie zna, pozostałe prawdopodobnie też nie. A konsekwencja jest konkretna: gdy ktoś pyta ChatGPT, Claude'a lub Perplexity „jakiego narzędzia użyć do X", asystenci polecają to, co znają. Jeśli Cię nie znają, nie polecają, choćby Twój produkt był najlepszy. Dla nowej marki to oczekiwany wynik; ciekawe jest zeskanować ponownie za kilka miesięcy i zobaczyć, czy się zmienił.
Jak to poprawić
Nie ma technicznego skrótu: modele uczą się z tego, co pisze się o Tobie na stronach, które przeszukują. Co działa, w kolejności wpływu:
- Być tam, gdzie modele czytają. GitHub, Product Hunt, katalogi Twojej kategorii, G2 i Capterra, jeśli jesteś oprogramowaniem, przydatne odpowiedzi na Reddicie, Stack Overflow i Hacker News, artykuły w mediach Twojej branży. Spójne wzmianki o Twojej nazwie obok tego, co robisz.
- Treść odpowiadająca na prawdziwe pytania. Asystenci cytują strony, które bezpośrednio odpowiadają na to, o co ludzie pytają: „jak zabezpieczyć aplikację zrobioną w Lovable", a nie „innowacyjne rozwiązania bezpieczeństwa". Każde pytanie to strona albo sekcja z własnym nagłówkiem.
- Dane strukturalne z
OrganizationisameAswskazującym na Twoje profile, żeby maszyny połączyły Twoją stronę z tym, co już wiedzą o Tobie z innych źródeł; mierzy to dane strukturalne. - Wyróżniająca nazwa marki, zawsze używana tak samo. Markę będącą zwykłym słowem prawie nie da się rozpoznać.
- Pozwól się czytać: nie blokuj robotów AI i serwuj treść w HTML-u, nie tylko w JavaScripcie.
Licz w miesiącach, nie tygodniach: modele są okresowo trenowane na nowo, a wyszukiwania na żywo potrzebują źródeł do cytowania.
Sprawdź, czy naprawione
Nie ma na to polecenia. Najbliższe temu jest zapytanie samemu trzech asystentów, w oknie bez Twojej historii: „Czym jest twojadomena.pl?", a potem „Jakie narzędzia polecasz do [Twoja kategoria]?". Zapisz odpowiedzi i powtarzaj co kwartał. Następny skan Scanaris ponownie wykona test automatyczny.
Często zadawane pytania
Model mówi, że mnie nie zna, ale ChatGPT mnie znajduje.
ChatGPT z włączonym wyszukiwaniem odwiedza sieć na żywo, a to co innego: znajduje Cię tak, jak zrobiłoby to Google. Ta kontrola mierzy wiedzę wcześniejszą, tę, dzięki której jesteś polecany, choć nikt Cię nie szukał. Jak sprawdzić tę drugą część, jest w jak sprawdzić, czy ChatGPT widzi Twoją stronę.
Dlaczego to informacyjne i nie odejmuje punktów?
Bo to nie Twój błąd, tylko stan Twojej rozpoznawalności. Świeżo uruchomiona strona z wszystkim idealnie i tak dostanie „nie". To punkt wyjścia do mierzenia postępu.
Czy mogę „oszukać" model?
Nie ze swojej strony: model nie odwiedza jej w tym teście, odpowiada tym, co już wie. Jedyne, co zmienia wynik, to więcej wiarygodnych informacji o Tobie w świecie.