Allanando el camino para clasificar sus servicios en LLM

Con los recientes desarrollos en IA y LLM (Large Language Models), no podemos suprimir las implicaciones que esto tendrá en la forma en que las personas usan los motores de búsqueda y entienden el SEO.

Si el modelo tradicional de clasificación de páginas para clasificar los vínculos de retroceso y el valor de los sitios web desarrollado originalmente por Google fue un gran avance en 1996, la base de cómo clasificamos los sitios web no ha cambiado mucho, aparte de otros factores menos importantes, pero aún relevantes, que influyen en los sitios web y sus correspondientes rankings de consultas en los motores de búsqueda.

Los LLM, particularmente GPT de primera línea, han comenzado a desafiar estos modelos tradicionales, ofreciendo nuevas formas en que los usuarios pueden buscar información. Usar ChatGPT para obtener ciertos hechos o información requiere mucho menos tiempo y clics y, a menudo, esta información es más representativa de hechos objetivos, ya que la naturaleza misma de los LLM es "consumir" grandes cantidades de información.

Esto hace que los LLM sean muy prácticos no solo para escribir poemas, codificar y preparar itinerarios de viaje, sino también para proporcionar numerosas “búsquedas” de información útil.

Veamos algunos ejemplos de cómo las personas aprendieron a usar LLM y GPT para obtener respuestas rápidas y eficientes a preguntas específicas, y lo que esto podría significar para el futuro del SEO.

LLM en la práctica

Le preguntamos a ChatGPT "¿Cuáles son los sitios web más confiables para buscar y comparar vuelos en términos de precio, precisión y servicio al cliente?"

GPT enumeró muy bien todas las opciones, con un breve resumen de cada servicio. Al reconocer la eficiencia de este enfoque, que no solo ahorra tiempo sino que, lo que es más importante, también evita las opiniones sesgadas de los sitios de reseñas, los usuarios recurren cada vez más a GPT para acceder a la información.

Con esto estamos descubriendo un nuevo campo de optimización de la información que incluye, similar al SEO, técnicas y enfoques para comprender las preguntas que nuestros clientes potenciales y usuarios utilizan para buscar soluciones a los problemas que nuestros productos o servicios están resolviendo.

Esta disciplina emergente, podríamos llamarla LLMO (Large Language Model Optimization), se centra en formas de optimizar nuestra posición para que estas consultas se vuelvan más relevantes, visibles y tengan una clasificación más alta.

En las siguientes partes analizaremos en profundidad en qué se diferencian estas preguntas de GPT de las consultas de búsqueda que los usuarios realizan en los motores de búsqueda, por qué deberíamos preocuparnos por ellas y cómo deberíamos prepararnos para la optimización a fin de aprovechar esta innovación para el crecimiento de nuestro negocio o los servicios y productos de nuestros clientes.

Por qué los usuarios prefieren recurrir a ChatGPT

Este cambio de utilizar un motor de búsqueda tradicional a dirigir su pregunta a ChatGPT no es una tendencia novedosa, sino una respuesta directa a sus ventajas. Algunas de las razones clave por las que los usuarios encuentran respuestas de devoluciones de GPT más alineadas con sus requisitos son las siguientes:

• Completo e informativo. Mientras que los motores de búsqueda devuelven una lista de enlaces a sitios web, que el usuario debe examinar manualmente, GPT es capaz de generar texto que responde directamente a su consulta. Esto es especialmente útil para los usuarios que buscan una respuesta rápida y completa, sin necesariamente tener el tiempo o la capacidad para abrir y leer un montón de enlaces de los resultados de la primera página.

• Objetivo e imparcial . Los resultados de los motores de búsqueda tradicionales pueden verse influenciados por algunos factores que pueden no estar disponibles de manera equívoca para todos, como el presupuesto de un sitio web que pueden gastar en la compra de enlaces u otras estrategias dudosas para ayudarlos a obtener una clasificación más alta. Los LLM, por otro lado, están capacitados en conjuntos de datos masivos y utilizan algoritmos avanzados de clasificación y correlación para generar una respuesta que se basa en hechos y evidencia, no en los presupuestos de la empresa.

• Personalizado. Mencionar información personal más compleja, que es esencial para las respuestas que busca un usuario, no augura nada bueno para los motores de búsqueda tradicionales, que normalmente emplean un enfoque único para todos y presentan resultados de búsqueda idénticos para una consulta determinada. . GPT es innovador en este sentido, ya que es capaz de comprender y adaptarse a las preferencias y requisitos del usuario a través de entradas explícitas y ricas en contexto, todo ello sin inmiscuirse en la privacidad del usuario.

• Dinámica. Los LLM tienen la capacidad de participar en conversaciones de varios turnos, animando a los usuarios a refinar sus consultas y proporcionar contexto adicional a través de preguntas de seguimiento. Esto les permite generar respuestas progresivamente refinadas que se sienten como si estuvieran diseñadas específicamente para cada usuario.

Cómo los LLM están cambiando la forma en que realizamos búsquedas

Al trabajar con motores de búsqueda tradicionales, los usuarios han aprendido a ingresar palabras clave precisas que coinciden con la información que buscan, un enfoque que a menudo requiere fragmentar las consultas en múltiples palabras clave, lo que a menudo es ineficiente y puede no producir los resultados deseados.

Incluso con la integración de los LLM en los motores de búsqueda, específicamente con el objetivo de lograr una mayor relevancia de los resultados, los motores de búsqueda todavía tienen dificultades y, en la mayoría de los casos, presentan resultados irrelevantes e incompletos.

Con la aparición de modelos como GPT, se están abriendo nuevas perspectivas sobre el proceso de búsqueda y estamos viendo un cambio definitivo desde un enfoque fragmentado basado en palabras clave hacia un planteamiento de preguntas más natural e intuitivo. Esta evolución coincide con el auge de las tecnologías de búsqueda por voz, que ahora representan el 20% de las consultas de búsqueda móvil de Google.

Las interacciones con los LLM, como Chat GPT, permiten a los usuarios dar forma y dirigir activamente el proceso de búsqueda de información; para desarrollar una comprensión más profunda de la información que necesitan y cómo articular eficazmente sus preguntas para obtener los resultados deseados.

En lugar de depender de una simple cadena de palabras clave desconectadas, están aprendiendo a:

• formular sus preguntas de manera clara y concisa, evitando la ambigüedad y el lenguaje vago;
• Proporcionar contexto y detalles específicos, incluida información general relevante, preferencias y factores situacionales.

¿Qué tipo de preguntas hace la gente?

Retrocediendo un paso en el proceso de consulta GPT, es esencial comprender no solo por qué y cuándo las personas recurren a la IA en busca de respuestas, sino también cómo formulan sus consultas y qué otra información contextual podría inferirse de ello.

Esta comprensión forma el núcleo de la disciplina emergente de AEO (Answer Engine Optimization) que se concentra en los patrones de estas consultas de los usuarios, enfatizando la necesidad de contenido que aborde directamente las necesidades específicas de los usuarios.

Estas preguntas siguen patrones y estructuras específicos que será esencial comprender en los intentos de optimización de GPT. Aquí hay algunas frases comunes de consultas que los usuarios han estado dirigiendo en ChatGPT cuando buscan productos o servicios específicos :

Buscando recomendaciones personalizadas

Los usuarios frecuentemente recurren a GPT para pedir sugerencias, recomendaciones personalizadas o consejos de expertos, formulando sus preguntas como "¿ Cuáles son los mejores... " o " ¿Puedes recomendar algunos... "? ‍

Consultas sensibles al precio

‍ Los LLM son una gran herramienta para consultar cuando desee encontrar el mejor valor por su dinero. Pueden proporcionar información en tiempo real sobre precios, descuentos y opciones rentables para diversos escenarios.

Las preguntas están formuladas del modo siguiente: "¿ Cuáles son los más baratos... ", "¿ Cuál es el más rentable ..." o "¿ Dónde puedo encontrar algo asequible? ". ‍

Solicitudes de características específicas

A menudo, los usuarios preguntan sobre características o cualidades específicas de los servicios y productos.

Por ejemplo, podrían preguntar "¿ Qué [producto/servicio] tiene la mejor [característica específica]? " o " ¿Puede nombrar un [producto/servicio] que ofrezca [característica específica]? "

Preguntas comparativas

Este tipo de consultas son especialmente adecuadas para los LLM, ya que pueden proporcionar un análisis detallado de diferentes productos, en función de las necesidades y preferencias indicadas por el usuario.

Formulan sus preguntas como "¿ Es X mejor que Y ?", "¿ Cómo se compara X con Y en términos de [característica específica]? " o "¿ Cuál es la diferencia entre X e Y? "

Búsquedas basadas en la ubicación

‍ Los LLM son excelentes con consultas que incorporan elementos geográficos, ofreciendo información en tiempo real sobre opciones, servicios o actividades cercanas.

Las preguntas están formuladas como "¿ Dónde puedo comprar X cerca de mí? " o "¿ Cuáles son los mejores [servicios] disponibles en [ubicación]? "

Consultas de resolución de problemas

Muchos usuarios acuden a LLM con un problema específico y preguntan "¿ Cómo puedo resolver X? " o "¿ Cuál es la mejor manera de lidiar con Y? "

Estas preguntas indican que están buscando productos o servicios como soluciones.

‍

En respuesta a estos conocimientos, se recomienda a las empresas que adopten una estrategia de contenido proactiva y se concentren en crear material que satisfaga con precisión las necesidades específicas destacadas por las consultas de los usuarios. Hacerlo garantiza que los productos y servicios no sólo sean visibles en los resultados de búsqueda, sino que también resuenen directamente con las necesidades del público objetivo en diversos escenarios.

Mecanismos de clasificación de GPT de chat

Ahora que hemos explorado la importancia de comprender el tipo y la estructura de las preguntas que los usuarios recurren a GPT, veamos el otro extremo del proceso para ver qué factores determinan las clasificaciones de las consultas basadas en soluciones. Este mecanismo subyacente implica un proceso integral y no lineal que incluye:

Análisis semántico

El proceso de análisis semántico conecta palabras y frases en relaciones semánticas más amplias para comprender cómo se juntan las palabras en diferentes contextos.

Para hacer esto, GPT analiza grandes cantidades de texto para mapear patrones y asociaciones que no son evidentes de inmediato pero que son esenciales para captar el significado completo de una consulta. El proceso incluye :

Análisis de consultas

GPT lleva a cabo un análisis semántico en profundidad que implica dividir la consulta en sus elementos (palabras, frases y sus relaciones sintácticas) que luego se evalúan en su contexto colectivo, es decir. cómo se relacionan entre sí. ‍

Determinar la intención del usuario

Utilizando un enfoque probabilístico para determinar la intención del usuario, GPT analiza las frecuencias de patrones de palabras en sus datos de entrenamiento y cómo se correlacionan en contextos específicos.

Por ejemplo, en una consulta sobre "automóviles familiares económicos", GPT reconoce la correlación entre consideraciones "económicas" y de costos en los vehículos, al igual que los autos "familiares" se asocian con atributos como el espacio y la seguridad. ‍

Evaluación en contexto

Los LLM tienen en cuenta que las consultas, aunque pueden contener palabras similares, pueden tener significados y requisitos completamente diferentes e identifican si la redacción de la pregunta indica que un usuario busca consejo, hace comparaciones o pregunta sobre características específicas. Las respuestas se adaptan a las necesidades subyacentes del usuario, ya sean restricciones presupuestarias, características de rendimiento o preferencias de marca.

Recuperación y síntesis de datos

Además de los hallazgos del análisis semántico, ChatGPT evalúa la consulta con su extenso conjunto de datos de entrenamiento, así como con la búsqueda web en tiempo real.

Conjunto de datos de entrenamiento

‍ La base de datos de GPT abarca una amplia gama de fuentes, desde artículos académicos hasta medios populares, lo que garantiza una comprensión integral de varios dominios. Sin embargo, no se sabe con precisión qué incluye el conjunto de capacitación, ni según qué pautas se incluyen las fuentes en él. ‍

Búsqueda Web

Un aspecto crucial de los datos de entrenamiento de GPT es su limitación de tiempo: al momento de escribir este artículo, se limita a abril de 2023. Para complementar esto, la versión Pro de ChatGPT ahora también ofrece capacidades de búsqueda web a través de Bing. Esta integración es particularmente importante en campos donde con frecuencia se introducen nuevos productos o servicios.

Factores de clasificación

Cuando GPT clasifica productos o servicios en respuesta a una consulta, se basa en un conjunto de factores de clasificación. Estos están diseñados para garantizar que las respuestas no sólo sean relevantes sino también creíbles, diversas y oportunas. He aquí un vistazo más de cerca a algunos de los más importantes:

Consulta y coincidencia contextual

GPT prioriza soluciones que abordan directamente las necesidades del usuario. Esta relevancia no está determinada únicamente por la frecuencia de las palabras clave, sino por la profundidad de la coincidencia entre la intención de la consulta y la información asociada con los productos o servicios.

Credibilidad y popularidad

Cuando se mencionan productos o servicios, GPT evalúa la confiabilidad de las fuentes. Esto implica evaluar la frecuencia y el contexto de las menciones en un espectro de fuentes, dando mayor peso a aquellas citadas con frecuencia en contextos acreditados. El modelo también considera la popularidad de los productos, como lo indica su prevalencia en los datos de capacitación.

Análisis de comentarios de usuarios

GPT realiza un análisis de sentimiento sobre los comentarios y revisiones de sus datos de capacitación y resultados de búsqueda web recientes. Los productos o servicios con un sentimiento predominantemente positivo se ven favorecidos en su clasificación. ‍

Diversidad y Cobertura

Al tiempo que garantiza la diversidad, GPT mantiene un equilibrio para que los usuarios dispongan de un amplio conjunto de opciones que siguen siendo muy relevantes para la consulta. ‍

Información fresca

Si bien los datos históricos constituyen la columna vertebral del conocimiento de GPT, ya que algunas consultas pueden beneficiarse de información probada en el tiempo o de una reputación de larga data, también considera información nueva, particularmente para mercados donde los desarrollos ocurren rápidamente.

‍

Junto a estos, GPT considera otros factores, aunque en menor medida, como:

Personalización y comentarios

‍ Las respuestas de GPT no son estáticas y cada interacción del usuario es una oportunidad para que el modelo aprenda y se ajuste. Cuando los usuarios brindan requisitos o comentarios más específicos, GPT altera dinámicamente sus respuestas. Este proceso iterativo permite a GPT ajustar dinámicamente sus clasificaciones, asegurando que las recomendaciones finales sean lo más relevantes y personalizadas posible. ‍

Clasificación ética e imparcial

‍ GPT se esfuerza por mantener una postura objetiva en sus respuestas. Está programado para evitar sesgos que pudieran surgir de promociones pagadas, publicidad o cualquier influencia externa indebida. La atención se centra en un análisis objetivo de los datos, con recomendaciones basadas en el mérito y la relevancia.

Ultimas palabras

No hay duda: la introducción de GPT y sus posteriores iteraciones están redefiniendo los parámetros de optimización de motores de búsqueda. A diferencia de los modelos de clasificación tradicionales basados ​​principalmente en vínculos de retroceso y densidades de palabras clave, GPT presenta una nueva frontera en la que anticipar y comprender el contexto y la intención del usuario, y optimizar proactivamente el contenido para consultas complejas, estará a la vanguardia.

Para hacer esto de manera efectiva, es importante no solo comprender las aportaciones de los usuarios y los mecanismos de clasificación de GPT, sino también saber dónde se clasifican los productos y servicios en varios modelos de LLM. Quienes miren hacia el futuro deberían considerar la posibilidad de utilizar la ayuda de herramientas avanzadas, diseñadas específicamente para realizar un seguimiento de las clasificaciones de GPT, para obtener información sobre las posiciones de clasificación para diferentes preguntas de los usuarios.

Mientras adoptamos las capacidades innovadoras de los LLM y nos preparamos para los avances que su progreso está marcando el comienzo en el mundo del SEO, es importante recordar que la era de la IA aún está en su infancia y sujeta a cambios rápidos.

Esperamos que esta guía haya ayudado a arrojar luz sobre algunos de los aspectos más importantes de los mecanismos de clasificación de GPT que será fundamental comprender para utilizar eficazmente esta tecnología emergente. Como siempre, recuerde mantenerse informado sobre los últimos desarrollos y estar atento a más innovaciones.