Zichtbaarheid in AI garanderen is onmogelijk: dit moeten merken in plaats daarvan meten
OpenAI
Perplexity AI
Het artikel legt uit waarom reacties van AI-chatbots zoals ChatGPT niet kunnen garanderen dat een merk wordt genoemd, vanwege de probabilistische aard van taalmodellen. Het introduceert Share of Model als een betrouwbare maatstaf voor het meten van merkzichtbaarheid en adviseert merken om op zoek te gaan naar partners die meetbare metrieken bieden in plaats van loze beloften.
De auteur, die werkt met AI-zichtbaarheid van merken, ontving drie commerciële aanbiedingen die beloofden merken bovenaan de antwoorden van ChatGPT te plaatsen, zelfs met een specifieke positie binnen 30 dagen. Hij legt uit dat dergelijke garanties fysiek onmogelijk zijn, omdat AI-modellen tekst probabilistisch genereren, woord voor woord, en zelfs met een temperatuur van 0 en een vaste seed leiden kleine variaties in serverberekeningen en batchverwerking tot verschillende uitvoer. Bovendien zijn moderne modellen ensembles van kleinere modellen, wat een extra laag van onvoorspelbaarheid toevoegt. Daarnaast hangen AI-antwoorden af van zowel de trainingsdata van het model als van live webzoekopdrachten, die beide onafhankelijk veranderen en niet door een merk kunnen worden beheerst. In plaats daarvan stelt de auteur voor om 'Share of Model' te meten, het percentage gecontroleerde prompts waarbij een model een merk noemt zonder directe hint, door een steekproef van 15-20 echte prompts te draaien vóór en na contentoptimalisatie. Hij verwijst naar een studie uit 2024 van Aggarwal en anderen die een toename van 30-115% in citatiefrequentie door goede optimalisatie liet zien. Hij waarschuwt ook voor rode vlaggen bij opdrachtnemers, zoals het beloven van specifieke posities of uniforme groeipercentages op verschillende platforms, en adviseert om te vragen om reproduceerbare metingen in plaats van positiegaranties.
Bron: Habr — хаб NLP —
origineel
