Perplexityjev AI iskalnik: od univerzalnih rezultatov do personaliziranih odgovorov

Intervju pojasni, da AI iskanje prehaja iz “klasičnega” SEO v odgovorom prilagojeno optimizacijo (AEO), kjer ni več enega univerzalnega rezultata za vse uporabnike.
Osebni kontekst (spomin sistema na uporabnika) povzroči, da lahko dva uporabnika za isto poizvedbo dobita različne odgovore in različne vire.
Ključna tehnološka razlika je med indeksiranjem celotnih dokumentov (GEO) in indeksiranjem pod-dokumentnih fragmentov (snippets), ki jih AI nato sestavi v odgovor.
Perplexity skuša maksimalno zapolniti kontekstno okno modela z najbolj relevantnimi fragmenti (okoli 130.000 tokenov), da zmanjša halucinacije in poveča natančnost odgovorov.
Za SEOs še vedno veljajo klasične prakse (vsebina, povezave, avtoriteta), vendar se fokus seli na to, da je vsebina dovolj strukturirana in kakovostna, da jo sistem lahko učinkovito razbije in uporabi v pod-dokumentnem indeksu.

DEJSTVA

Perplexity uporablja osebni kontekst in “personal memory”, zato dva uporabnika lahko dobita različne odgovore na isto poizvedbo v komercialnem AI iskanju.
Tradicionalni pristop (GEO) najprej izbere 10–50 celih dokumentov, nato LLM iz njih zgenerira povzetek; to je še vedno “klasično” algoritmično iskanje z generativno plastjo na vrhu.
Nov pristop AEO temelji na pod-dokumentnem indeksiranju, kjer se shranjujejo in priklicujejo granularni “snippeti” (približno 5–7 tokenov, 2–4 besede), pretvorjeni v vektorje.
Sistem skuša zbrati toliko fragmentov, da zapolni celotno kontekstno okno modela (okoli 130.000 tokenov), s čimer zmanjša prostor, da bi model “izmišljeval” in poveča natančnost odgovorov.
Konkurenčna prednost Perplexityja je v plasti med indeksom in izborom fragmentov (npr. modulacija računske porabe, reformulacija poizvedb, lastni modeli nad indeksom), kar naj bi vodilo do bolj relevantnih in bogatejših odgovorov ter močnejšega iskalnega API-ja za razvijalce.