Analiza SE Ranking – ChatGPT

Analiza SE Ranking (129.000 domen, 216.524 strani) razkriva ključne dejavnike, po katerih ChatGPT izbira vire za citiranje. Pet signalov loči pogosto citirane strani od tistih, ki jih AI ignorira:

  1. Avtoriteta domene je odločilna
    Strani z več kot 32.000 povratnimi domenami dobijo povprečno 8+ citatov, šibki backlink profili pa skoraj nobenega. Visok Trust (DT > 90) prinese do 4× več citatov.

  2. “Answer capsules” so ključne
    Skoraj vse citirane strani imajo na vrhu jasno, samostojno oblikovan odgovor (brez povezav), ki ga LLM-ji lažje povzamejo in citirajo.

  3. Svežina vsebine ima veliko težo
    Večina citiranih strani je mlajših od 2 let ali posodobljenih v letu 2025. Redne posodobitve in označen datum “last updated” bistveno izboljšajo vidnost.

  4. Wikipedia in Reddit prevladujeta
    ChatGPT daje prednost enciklopedičnim in skupnostnim virom. Komercialne strani izgubljajo promet, zato je pomembno pojavljanje v strokovnih publikacijah, Wikipediji in kakovostnih Reddit razpravah.

  5. Obstajajo prometni in zaupanjski pragovi
    Pod ~190.000 mesečnimi obiski ni večjih razlik v citiranju; nad tem pragom citati močno narastejo. Pomembnejša je avtoriteta celotne domene kot posamezne strani.

ChatGPT najraje citira strani z visoko domeno avtoritete, jasnimi začetnimi odgovori, svežo vsebino, enciklopedičnim ali skupnostnim kontekstom ter zadostnim prometom in zaupanjem.

Izzivi malih podjetij na Google Ads : Wordstream CPC podatki za PPC oglase po nišah

image

image

image

image

Plačljivo oglaševanje prek Google Ads ostaja ključen marketinški kanal, vendar večje blagovne znamke vse bolj dominirajo oglasni prostor in otežujejo uspeh manjšim oglaševalcem. Več kot polovica anketiranih v nedavni raziskavi meni, da so bila mala podjetja cenovno izrinjena iz Google Ads, predvsem zaradi rasti stroškov na klik in kompleksnosti platforme. Kljub temu lahko mala podjetja s pravilno strategijo, natančnim ciljanjem in premišljenim upravljanjem kampanj še vedno uspešno konkurirajo.​

Ključni izzivi malih podjetij v Google Ads

Naraščanje stroškov na klik (CPC)

Višji CPC pomeni, da isti proračun danes kupi bistveno manj klikov kot v preteklosti, kar močno prizadene mala podjetja z omejenimi sredstvi. Velike blagovne znamke imajo več fleksibilnosti pri povečanju proračunov in zato lažje ohranjajo ali širijo doseg, medtem ko manjši oglaševalci izgubljajo priložnosti.​

Nizki volumni podatkov in učenje algoritmov

Učinkovite funkcije Google Ads, kot so samodejne strategije licitiranja in odzivni oglasi, zahtevajo zadostno količino podatkov, da se lahko sistem optimalno nauči. Pri manjših kampanjah z omejenim proračunom se faza učenja podaljša na tedne ali mesece, kar si veliko malih podjetij težko privošči.​

Kompleksno upravljanje računov

Za učinkovito vodenje Google Ads je potrebno usklajeno upravljanje strategij ponudb, ključnih besed, vrst ujemanja, strukture kampanj in najboljših praks. Velike organizacije pogosto razpolagajo s specializiranimi ekipami ali agencijami, medtem ko mala podjetja teh znanj in resursov pogosto nimajo, zato platforme ne izkoristijo v celoti.​

Pomanjkanje prepoznavnosti blagovne znamke

Višja prepoznavnost blagovne znamke izboljšuje stopnjo klikov in konverzij, saj uporabniki raje izberejo znano podjetje. Manj znane znamke morajo hkrati graditi zaupanje, kredibilnost in prepoznavnost, kar otežuje neposreden spopad z uveljavljenimi konkurenti v plačanem iskanju.​

Kako lahko mala podjetja konkurirajo: strateški pristop

Osnovno načelo: outsmart, not outspend

Mala podjetja ne morejo preprosto prekositi velikih glede na proračun, lahko pa jih prekosijo v strateški natančnosti in prilagodljivosti. Ključ je v osredotočenosti na kakovosten promet, robustno merjenje in učinkovito uporabo kreativnih orodij, namesto v širjenju kampanj brez jasne vrednosti.​

Cilj iskalnega namena in uporabniške vrednosti

Strategija mora izhajati iz specifičnih poslovnih ciljev in dejanskega iskalnega namena uporabnikov, ne zgolj iz generičnih ključnih besed z velikim volumnom. S tem mala podjetja zmanjšajo zapravljanje proračuna na nekvalificirane klike in povečajo delež prometa, ki ima realen potencial konverzije.​

Fokus na kakovosten promet, ne količino

Zmanjšanje širine in povečanje relevantnosti

Široko ciljanje lahko prinese velik volumen klikov, vendar pogosto vključuje uporabnike, ki sploh niso prava ciljna skupina. Za mala podjetja je bolj smiselno zožiti ciljanje na manjši segment z jasno definiranim problemom in namenom, ki se ujema s ponudbo.​

Primer: specializirane storitve (npr. catering za poroke)

Če podjetje nudi izključno catering za poroke, mora to jasno odražati celotna struktura kampanje:​

  • ključne besede, osredotočene na poročni catering in povezana iskanja

  • besedila oglasov, ki nagovarjajo pare v fazi načrtovanja poroke

  • razširitve oglasov, usmerjene v poročne menije, reference in pakete

  • pristajalna stran, prilagojena specifično poročnim povpraševanjem

Tak pristop lahko zmanjšuje prikaze in klik volumen, vendar hkrati poveča delež kvalificiranega prometa in izboljša vrednost na klik.​

Natančno sledenje konverzijam: vsak klik mora šteti

Zakaj je conversion tracking kritičen

Brez pravilno nastavljenega sledenja konverzijam ni mogoče objektivno oceniti uspešnosti kampanj in optimizirati licitiranja ali porabe. To je še posebej pomembno za mala podjetja, kjer vsak porabljen evro neposredno vpliva na likvidnost in donosnost.​

Kaj mora spremljati malo podjetje

Za mala podjetja je priporočljivo spremljati:

  • oddajo obrazcev za povpraševanje

  • telefonske klice z oglasov ali s spletnega mesta

  • nakupe oziroma rezervacije

  • mikro-konverzije (npr. prenos ponudbe, prijava na e-novice), kjer je prodajni ciklus daljši

Le s celovitim pogledom na poti uporabnikov se lahko prilagodi strategija licitiranja in razporeditev proračuna.​

Ustvarjanje učinkovitih oglasov brez visokih produkcijskih stroškov

Uporaba Google Ads Asset Studio

Z uvedbo orodja Asset Studio v Google Ads lahko tudi mala podjetja enostavno ustvarjajo in urejajo slike ter videoposnetke neposredno v platformi. To zmanjšuje potrebo po zunanjih produkcijskih ekipah in omogoča hitro testiranje različnih vizualnih kreativa.​

Vloga umetne inteligence in smernic blagovne znamke

Čeprav orodja z umetno inteligenco ponujajo praktično neomejene možnosti generiranja vizualnih vsebin, mora podjetje ohraniti skladnost z blagovno znamko. Vizualne rešitve morajo ostati avtentičen odraz podjetja, sicer lahko pretirano “eksperimentalni” elementi zmanjšajo zaupanje in profesionalno percepcijo.​

Razširitev preko Google Ads: alternative za mala podjetja

Microsoft Advertising kot stroškovno učinkovita alternativa

Microsoft Advertising je v številnih panogah privlačna alternativa, saj ima pogosto nižje CPC in dosega starejšo, bolj profesionalno publiko. Vmesnik in logika upravljanja sta podobna Google Ads, oglasi pa se prikazujejo v omrežju Microsoft in partnerskih iskalnikih, kot sta Bing in Yahoo.​

Družbena omrežja: Meta, TikTok in druge platforme

Oglaševanje na platformah Meta (Facebook, Instagram) in TikTok omogoča doseg uporabnikov tam, kjer dejansko preživijo čas. Za mala podjetja so to dodatni kanali za krepitev prepoznavnosti, remarketing ter pridobivanje novih strank izven iskalnega okolja.​

Operativni koraki za mala podjetja na Google Ads

Strateška zasnova kampanj

  • Jasno opredeliti poslovne cilje (npr. povpraševanja, rezervacije, prodaja).​

  • Definirati idealne segmente uporabnikov in njihov iskalni namen.​

  • Strukturo kampanj prilagoditi storitvam/produktom, ne generičnim pojmom.​

Tehnična nastavitev in optimizacija

  • Vzpostaviti natančno sledenje konverzijam (vključno s ključnimi mikro-konverzijami).​

  • Izbrati ustrezne strategije licitiranja glede na obseg podatkov in cilje.​

  • Redno analizirati porabo, iskalne izraze in prilagajati ciljanje glede na uspešnost.​

Kreativa in testiranje

  • Uporabiti Asset Studio za ustvarjanje več variant slik in videov ter jih sistematično testirati.​

  • V oglasih jasno komunicirati vrednostno ponudbo, socialni dokaz (ocene, reference) in jasen poziv k akciji.​

  • Skrbeti za usklajenost med oglasnim besedilom, vizuali in pristajalno stranjo.​

Ali se mala podjetja sploh še lahko “kosajo” na Google Ads?

Mala podjetja lahko dosežejo smiseln uspeh na Google Ads, če sistematično stremijo k ostrejšemu ciljanju, boljšemu merjenju in učinkoviti uporabi kreativnih orodij. Velike blagovne znamke imajo prednost proračuna in prepoznavnosti, vendar to ne izključuje malih oglaševalcev, ki znajo optimizirati vsak klik in kanal. Pot ni enostavna, vendar je z dobro zasnovano strategijo in pripravljenostjo na prilagajanje povsem izvedljiva.​

Amazonov AI-pomočnik Rufus

Amazonov AI-pomočnik Rufus se sedaj nekaterim skupinam obiskovalcev že samodejno sproži ob obisku Amazona. Gre za nakupovalnega pomočnika, ki lahko odgovarja na vprašanja prek AI. To bi lahko zadržalo ljudi na Amazonu in jih odvrnilo od AI-iskalnikov. Zanimivo bo spremljati razvoj dogodkov in odgovor OpenAI, Gemini, Perplexity in drugih….

image

(Trenutne) Omejitve AI v razvoju programske opreme …

vir: https://www.youtube.com/watch?v=MjSUCg2NN4g

AI-generirana koda pogosto povzroča varnostne težave. Raziskave kažejo, da je odgovorna za 1 od 5 varnostnih kršitev, saj ne upošteva konteksta in najboljših praks. Na primer, orodja kot GitHub Copilot hitro generirajo kodo, vendar brez pregleda vodijo do ranljivosti, kot so napadi z vnosom. Razvijalci morajo zato vedno preverjati in optimizirati AI predloge.

Pomanjkanje človeškega reševanja problemov (tudi zaradi omejenega kontekstnega okna)

AI odlično obvlada rutinske naloge, ne zmore pa kompleksnega mišljenja. Devin AI in podobni agenti odpovejo pri resničnih projektih brez človeškega vnosa. Študije potrjujejo, da AI upočasni izkušene programerje pri zahtevnih nalogah. Ključno ostaja človeška sposobnost analize konteksta in inovacij.

Omejeno kontekstno okno velikih jezikovnih modelov (LLM) omejuje obseg kode in konteksta, ki ga model obdela v enem koraku, kar vpliva na kakovost in zanesljivost programiranja. To povzroča padec natančnosti pri velikih projektih in zahteva posebne strategije upravljanja. V letu 2025 modeli kot GPT-4.1 (128.000 tokenov) ali Gemini (do 1 milijon) še vedno kažejo degradacijo zmogljivosti pri polni obremenitvi.​

Kaj je kontekstno okno LLM?

Kontekstno okno določa največjo količino tokenov (približno 0,8 besede v angleščini), ki jo LLM obdela v enem pozivu, vključno s kodo, navodili in zgodovino pogovora. Na primer, GPT-4.1 obdeluje okoli 450.000 znakov, GPT-5 pa do 700.000, vendar se vključijo tudi odgovori modela. Preseganje limita povzroči izgubo zgodnjega konteksta, podobno brisanju strani iz knjige.​

Ključni vplivi na programiranje – padec natančnosti in halucinacije

Pri polnjenju kontekstnega okna natančnost LLM pada, saj model pozabi zgodnji kontekst in generira netočne predloge kode. Testi kažejo, da se čas odziva pri GPT-4.1 poveča za 50-krat (do 60 sekund) blizu limita, kar vodi do napak v kompleksnih projektih. V programiranju to pomeni slabe povezave med razredami ali funkcijami v velikih repozitorijih.​

Počasnejši razvoj in stroški

Večje kontekstno okno zahteva več GPU pomnilnika in računske moči, kar podraži uporabo orodij kot GitHub Copilot ali Cursor. Programerji izgubljajo čas z resetiranjem sej, saj model ne ohrani celotnega codebase-a, kar upočasni debugging in refactoring. V praksi to vpliva na IDE agente, kjer majhni lokalni modeli odpovejo pri velikih datotekah.​

Omejitve pri resničnih projektih

LLM ne more obdelati celotnih aplikacij brez fragmentacije, kar omejuje avtomatizacijo arhitekture ali analize odvisnosti. V Sloveniji raziskave potrjujejo, da večje okna (npr. 200.000 tokenov) izboljšajo interpretacijo, a še vedno zahtevajo človeški nadzor.​

OpenAI uvaja novo funkcijo Instant Checkout za neposredno nakupovanje v pogovoru

Kanonična URL: https://neilpatel.com/blog/chatgpt-shopping/neilpatel​

Članek Neila Patela, objavljen 6. decembra 2025 na neilpatel.com, podrobno razlaga novo funkcijo nakupovanja v ChatGPT, imenovano Instant Checkout. Ta omogoča uporabnikom, da z naravnim jezikom iščejo izdelke, primerjajo cene in celo zaključijo nakup neposredno v pogovornem vmesniku, brez preklapljanja na druge strani. Funkcija je integrirana z orodji kot Stripe, Shopify in Walmart, ki zagotavljajo resnične podatke o cenah, razpoložljivosti in ocenah. Patel poudarja, da to ni samo priporočila, ampak celotna nakupna pot: od odkritja do plačila v enem koraku. Ključni preobrat je pogovorno iskanje, kjer poizvedbe kot “udobni copati za hojo v Evropi pozimi” prinesejo personalizirane rezultate, prilagojene proračunu ali preference. Za e-trgovine to pomeni konec tradicionalnega brskanja po kategorijah – namesto tega AI interpretira kontekst in prioritetizira ustrezne izdelke.

Vpliv na e-trgovino je revolucionaren. Namesto plačljivih oglasov v Google Shopping, kjer dominirajo budgeti, ChatGPT deluje organsko: izbira temelji na strukturiranih podatkih, preteklih odzivih modela in social proofu (ocene, recenzije). Blagovne znamke brez schema markup (za ceno, slike, razpoložljivost) ali z zastarelimi opisi so nevidne. Patel navaja primere: za “espresso machines under $200” ChatGPT prikaže kartice z slikami, cenami in povezavami, pogosto z neposrednim checkoutom. To spodbuja impulzivne nakupe, zlasti med mobilnimi uporabniki, ki cenijo brezhibno izkušnjo. E-trgovine morajo optimizirati strani za AI: jasna imena izdelkov (npr. “Moški vodoodporni tekaški copati – Cloudstep LX” namesto samo “Cloudstep LX”), naravni opisi (“ohladite se med dolgim delovnim dnem” namesto tehničnih specifikacij), sveže ocene in hitro nalaganje na mobilnih napravah. Brez tega AI ne more pravilno interpretirati in priporočiti izdelkov.

  • OpenAI je decembra 2025 uvedel funkcijo Instant Checkout v ChatGPT, ki omogoča iskanje, primerjavo in nakup izdelkov neposredno v klepetu z resničnimi cenami in razpoložljivostjo prek partnerjev kot so Stripe, Shopify in Walmart.neilpatel​

  • Funkcija temelji na pogovornem iskanju, kjer uporabniki z naravnim jezikom dobijo personalizirane predloge, brez potrebe po ključnih besedah ali filtrih, kar spremeni nakupno izkušnjo iz brskanja v hitro odločanje.neilpatel​

  • Za e-trgovine to pomeni potrebo po optimizaciji: uporaba schema markup, naravnih opisov, jasnih imen izdelkov, svežih ocen in hitrih mobilnih strani, da se izdelki prikažejo v priporočilih.neilpatel​

  • Vpliv na e-trgovino je velik: prehaja od ključnih besed k kontekstualnim poizvedbam (npr. “darilo za sodelavca pod 50 €”), kar zahteva strukturirane podatke in social proof za vidnost.neilpatel​

  • Članek poudarja, da ni plačljivih oglasov, temveč organska vidnost na podlagi kakovostnih podatkov, in poziva e-trgovine k prilagoditvi za novo nakupno pot.neilpatel​

DEJSTVA

  1. Funkcija Instant Checkout je na voljo vsem ameriškim uporabnikom ChatGPT, ne glede na naročniški paket.neilpatel​

  2. ChatGPT prikazuje resnične cene, razpoložljivost, slike, ocene in neposredne povezave za nakup brez izhoda iz klepeta.neilpatel​

  3. Partnerji vključujejo Stripe, Shopify in Walmart za integracijo live podatkov.neilpatel​

  4. Optimizacija zahteva schema markup za ceno, razpoložljivost in ocene ter naravne, koristmi usmerjene opise.neilpatel​

  5. Primer poizvedbe: “espresso machines under $200” vrne kurirane predloge z affiliate karticami.neilpatel​

Optimizacijske smernice so praktične in takoj uporabne:

  • Schema markup: Osnova za ekstrakcijo podatkov (cena, zaloga, ocene).

  • Naravni opisi: Pisanje v jeziku kupcev za boljše ujemanje s poizvedbami.

  • Social proof: Sveže recenzije za kredibilnost.

  • Mobilna hitrost: Ključno za konverzije v trenutku.

  • Jasna imena: Enostavna prepoznavnost brez marketing trikov.


Vpliv umetne inteligence na znamko: kako meriti uspeh onkraj klikov

vir:  https://www.wordstream.com/blog/ai-brand-impact

Razmerje med znamkami in iskalniki se je radikalno spremenilo: ustvarjate vsebino, odgovore pa uporabnik dobi neposredno v AI povzetku brez obiska vaše strani. Umetna inteligenca (AI Overviews in drugi generativni sistemi) povzame več virov, pri čemer je vaša vsebina gorivo odgovora, promet pa se pogosto »odreže«.​ V takem okolju uspeha ni več mogoče meriti samo s sejami, kliki in uvrstitvami, temveč predvsem z vidnostjo, zapomljivostjo in vplivom na vedenje uporabnikov skozi celoten nakupni cikel.​


Zakaj manj organskega prometa ni konec sveta

AI Overviews in zero‑click iskanja drastično zmanjšujejo klike, a večinoma le pri površinskih, informativnih poizvedbah z nizko poslovno vrednostjo. Te poizvedbe so tipa »what is…«, hitre definicije, generične primerjave in preprosti odgovori, kjer so uporabniki vedno težko konvertirali.​

  • Analize kažejo, da je več kot 60% vseh Googlovih poizvedb že zero‑click in delež še raste.​

  • Kliki pri informativnih poizvedbah so v različnih panogah upadli za približno 18–30%, medtem ko poizvedbe z jasnim nakupnim namenom ostajajo precej manj prizadete.​

  • 65% AI odgovorov sploh ne vsebuje neposrednih povezav do virov, četudi ti viri dejansko oblikujejo vsebino odgovora.​

To pomeni, da promet upada tam, kjer je bil že prej težko monetiziran, medtem ko ključno občinstvo z jasnim namenom reševanja problema, izbire ponudnika ali nakupa še vedno bolj pogosto klika na rezultate. V takih poglobljenih, transakcijskih iskanjih imajo AI sistemi več težav z natančnim povzemanje kompleksnih primerjav, cen in pogojev, zato se v večji meri še vedno opirajo na klasične rezultate.​


Preusmeritev fokusa: od klikov k vidnosti znamke

Sprememba vprašanja: iz »Ali so kliknili?« v »Ali so nas videli in si nas zapomnili?«

Osrednje vprašanje v AI‑dobi ni več »Ali smo dobili klik?«, temveč:

  • Ali je uporabnik videl našo znamko v odgovoru?

  • Ali si jo je zapomnil?

  • Ali je ta izpostavljenost vplivala na naslednje korake v njegovi poti?​

Vidnost znotraj AI povzetkov ustvarja izjemen doseg brez obiska spletnega mesta, a kljub temu gradi zavedanje, zaupanje in dolgoročno povpraševanje. Tako nastane nova oblika »nevidnega vpliva«, ki ga klasični SEO KPI‑ji ne zaznajo.​

Redefinicija uspeha SEO

Da bi SEO ostal strateško pomemben, je treba uspeh redefinirati iz prometa v dvig znamke:

  • ali se znamka pojavlja v ključnih AI odgovorih,

  • ali je sporočilo predstavljeno natančno in diferencirano,

  • ali se to odraža v večjem številu znamčnih iskanj, direktnega prometa in asistiranih konverzij.​

Kratkoročno to zahteva prilagoditev poročanja, srednjeročno pa spremembo kulture v organizaciji: vodstvo mora sprejeti, da kliki niso več edino merilo vrednosti organskega nastopa.​


Ključni izzivi merjenja vpliva znamke v AI‑iskalniku

1. Omenjanje brez atribucije

Generativni modeli pogosto parafrazirajo vsebino brez povezave do vira, kar pomeni, da:

  • vaša vsebina oblikuje odgovor,

  • vašemu spletnemu mestu pa ni pripisana nobena sejo ali klasičen referral.​

To ustvarja paradoks: vsebina ima realen vpliv na uporabnike, a v analitiki ostaja neviden.​

2. Popačena ali osiromašena predstavitev sporočila

AI sistemi lahko vaš diferenciator izbrišejo ali ga poenostavijo:

  • trajnostno usmerjena modna znamka postane le »mid‑range t‑shirts«,

  • SaaS z izjemno podporo se reducira na »task management software«.​

V panogi založništva je to že povzročilo drastičen upad prometa: študije poročajo o do 79–80% padca pri poizvedbah, kjer so AI povzetki potisnili izvorne članke pod pregib.​

3. Analitične slepe pege

Orodja, kot so Google Analytics, Google Search Console in klasični SEO suite‑i, so zasnovana za klike in uvrstitve, ne pa za prikaze znotraj AI odgovorov. Posledica je, da:​

  • ne vidite, kdaj in v kakšnem kontekstu se znamka pojavi v AI Overview,

  • ne morete neposredno povezati izpostavljenosti z vidnimi rezultati v poročilih.​

Brez novega merilnega okvira je zato težko dokazati vrednost AI‑vidnosti vodstvu.​


Nove metrike za merjenje vpliva znamke v AI‑dobi

1. Prikazi in vidnost v SERP (impressions & SERP visibility)

Ko kliki padajo, prikazi postanejo osnovna metrika, ki pokaže, ali je znamka še vedno prisotna v igri. Vsak prikaz pomeni:​

  • da algoritmi vašim vsebinam še vedno zaupajo,

  • da je vaše ime ali vsebina del odgovora, četudi ni klika.​

Dolga leta so bili prikazi obravnavani kot “alfa in omega” vsega,  zdaj pa postajajo nov doseg – neposredni pokazatelj, kako pogosto Google potegne vašo vsebino v rezultate, tudi kadar AI uporabniku že na strani z rezultati ponudi dovolj informacije.​

Kako meriti:

  • v Google Search Console odprite »Performance → Search Results« in spremljajte skupne prikaze za prioritetne poizvedbe;​

  • ločite brand  in non-brand poizvedbe;​

  • uvozite podatke v Looker Studio ali BI orodje in grafično prikažite razmerje med prikazi in kliki, da ponazorite, kako se vrzel veča.​

2. Brand obseg iskanja (branded search volume)

Če so prikazi znak, da ste bili opaženi, so brand poizvedbe dokaz, da ste bili zapomnjeni. Nihče ne vpiše vaše znamke, produkta ali domene v iskalnik, če se ni vsaj enkrat že srečal z njo in če ga ne zanima več.​

  • Brand iskanja so tako eden najčistejših signalov dviga zavedanja.​

  • V okolju, kjer AI generično vsebino povzame v hipu, so brand iskanja najbolj obrambna in trajna oblika povpraševanja.​

Kako meriti:

  • v GSC filtrirajte poizvedbe, ki vsebujejo ime podjetja, produktov ali domene;​

  • trende primerjajte z Google Trends in orodji, kot sta Ahrefs ali Semrush;​

  • vzpostavite izhodišče in nato mesečno poročajte o rasti ali padcu brand poizvedb, vzporedno s prikazi.​

3. Direktni promet in asistirane konverzije

Velik del vpliva AI‑vidnosti se pokaže z zamikom:

  • uporabnik vidi vašo znamko v AI Overview,

  • dobi hitro rešitev in odide,

  • čez dni ali tedne pa vtipka vaš URL ali znamko, odpre stran in konvertira.​

Direktni promet in asistirane konverzije zato odražajo spominsko vrednost vidnosti:

  • direct seje pogosto delujejo kot »iz nič«, a so rezultat ponavljajoče se izpostavljenosti;​

  • asistirane konverzije pokažejo, kako pogosto organska izpostavljenost sproži pot, ki jo nato zaključi drug kanal.​

Kako meriti:

  • v GA4 pod »Reports → Acquisition → Traffic acquisition« spremljajte Direct in Organic skupaj;​

  • v »Advertising → Attribution → Conversion Paths« analizirajte, kolikokrat se organic pojavi kot zgodnji vir na poti do konverzije;​

  • z explorations raziskujte tipične časovne zamike med prvo izpostavljenostjo in konverzijo.​

4. Delež glasu v AI odgovorih (AI share of voice)

Tradicionalno ste merili delež glasu prek pozicij v SERP; danes se igra seli v odgovore AI. Ključno vprašanje se glasi: ko nekdo vpraša AI orodje za rešitev problema v vaši panogi, ali se vaša znamka pojavi v odgovoru?​

Pristop:

  • oblikujte »prompt mapo« z 20–50 ključnimi vprašanji, ki jih imajo vaši potencialni kupci;​

  • mesečno ta vprašanja testirajte v Google AI Overviews, Perplexity in ChatGPT z omogočenim brskanjem;​

  • zapisujte, katere znamke se pojavljajo in izračunajte svoj delež v primerjavi s konkurenco.​

Orodja, kot so Perplexity Labs, ContentLab AI ali Keyword.com AI Visibility Tracker, omogočajo delno avtomatizacijo in obsežnejše spremljanje omenjene vidnosti.​

5. Sentiment in natančnost predstavitve

Vidnost brez natančne in skladne predstavitve ni uspeh, ampak tveganje za ugled. Pomembno je spremljati:​

  • ali AI pravilno povzema vašo ponudbo, pozicioniranje in ključne prednosti,

  • ali vas pomeša z generičnimi konkurenti ali napačnimi kategorijami.​

Primer založnikov jasno pokaže nevarnost: promet je upadel tudi do 80%, medtem ko so AI povzetki iz vsebine odstranili kontekst, znamko in del diferenciacije.​

Kako meriti:

  • uporabite lastno prompt mapo in mesečno preverjajte odgovore različnih AI orodij;​

  • za vsako omembo ocenite, ali je znamka predstavljena pravilno, delno pravilno ali napačno;​

  • vodite interno evidenco »AI brand accuracy score« in spremljajte spremembe po spremembah vsebine ali sheme (structured data).​

6. Post‑ekspozicijski signali (post‑exposure engagement)

AI vidnost pogosto sproži dejanja na drugih kanalih:

  • sledenje na LinkedInu ali drugih družbenih omrežjih,

  • vpis v e‑poštni seznam ali prenos vodiča,

  • začetek brezplačnega preizkusa produkta.​

Ti signali so posredni dokazi, da izpostavljenost v AI‑odgovorih sproža zanimanje, čeprav ne v obliki klasičnega klika iz SERP.​

Kako meriti:

  • spremljajte rast sledilcev, prijav na e‑pošto in aktivacij preizkusov skozi čas;​

  • v GSC identificirajte skoke v prikazih in jih povežite s skoki angažiranosti;​

  • dosledno uporabljajte UTM oznake, da lahko lažje povezujete poti uporabnikov med kanali.​


Orodja za sledenje vpliva znamke v AI okolju

Za relevanten AI brand measurement potrebujete kombinacijo klasičnih in novih orodij:​

  • Perplexity Labs: spremljanje, kako in kdaj je znamka citirana v rezultatih Perplexity, ki med redkimi AI sistemi dosledno prikazuje atribucije.​

  • ContentLab AI in Profound: specializirana za identifikacijo prisotnosti znamke v Google AI Overviews in za vzpostavitev AI‑ekvivalenta sledenja pozicij.​

  • BrandMentions in Mention: razširjeno spremljanje omemb znamke prek spleta, družbenih omrežij in AI sistemov.​

  • Google Search Console in GA4: še vedno temelj za spremljanje prikazov, znamčnih poizvedb, direktnega prometa in asistiranih konverzij.​

Vsako posamezno orodje reši le del uganke, skupaj pa omogočajo 360‑stopinjski pogled na to, kako vaša znamka živi v AI ekosistemu.​


Poročanje: kako povezati nove metrike v prepričljiv okvir

Ključni KPI‑ji AI‑dobe

V poročila za vodstvo je smiselno vključiti:

  • AI share of voice: delež odgovorov, v katerih se vaša znamka pojavi v primerjavi s konkurenti.​

  • Prisotnost citatov: kako pogosto AI sistem navede vas kot vir ali prikaže vašo domeno.​

  • Dvig brand spomina (brand recall lift): izmerjen prek anket, social poslušanja ali kontroliranih oglaševalskih kampanj.​

  • Branded search growth: trend brand poizvedb in njegov odnos do prikazov ter direktnega prometa.​

  • Asistirane konverzije iz organske izpostavljenosti: prikazane v GA4 prek poti konverzij.​

Štirje praktični koraki za začetek

Za prehod v »AI‑pripravljeno« merjenje predlagani okvir vključuje:​

  1. Vzpostavite AI prompt mapo z glavnimi vprašanji kupcev in jo redno testirajte v ključnih AI orodjih.​

  2. Vsak mesec spremljajte in poročajte o prikazih in brandiranih poizvedbah v GSC.​

  3. V GA4 uporabite atribucijska poročila, da povežete izpostavljenost z dejanskimi konverzijami (tudi če pridejo prek drugih kanalov).​

  4. Redno revidirajte, kako AI predstavlja vašo znamko ter prilagajajte vsebino in strukturo (npr. shema, jasnejši USP‑ji), da povečate natančnost.​

Tako oblikovan framework omogoča poročanje, ki presega golo štetje sej in vodstvu pokaže, kako SEO in vsebina prispevata k vidnosti, razumevanju in povpraševanju po znamki v času, ko AI prevzema vedno večji del uporabniškega stika z informacijami.​


Zaključek: kako meriti uspeh onkraj klikov

Promet iz iskalnikov ni več zanesljivo merilo uspeha, saj AI Overviews in zero‑click izkušnje vedno pogosteje rešijo uporabnikov problem neposredno na strani z rezultati. Zmagovale bodo znamke, ki bodo pokazale, da so prikazi, brand povpraševanje, delež glasu v AI odgovorih, natančna predstavitev in asistirane konverzije enako (ali celo bolj) pomembni kot zgolj kliki.​

Namesto da bi se krčevito oklepali starih metrik, je smiselno:

  • preoblikovati SEO poročanje v smer merjenja vpliva na znamko,

  • graditi vsebino, ki jasno artikulira diferenciatorje in je strukturirana za AI povzemanje,

  • strateško vlagati v vidnost tam, kjer se sprejemajo odločitve, četudi do klika nikoli ne pride.​

AI vam klika ne dolguje, lahko pa poskrbite, da bo vaša znamka vidna, zapomnljiva in zaupanja vredna v trenutku, ko se odgovori podajajo – to pa je nova valuta uspeha v iskalnem ekosistemu.​

History LLM

vir: https://github.com/DGoettlich/history-llms

Projekt History LLMs razvija velike zgodovinske jezikovne modele (LLM), ki so strogo časovno zaklenjeni na določena obdobja in ne poznajo dogodkov po izbranem letu, saj teh podatkov ni v učni množici. Modeli tako omogočajo analizo diskurzov, idej in vrednot »iz perspektive časa«, ne skozi prizmo kasnejšega zgodovinskega znanja.​

Projekt izvajata Univerza v Zürichu in Univerza v Kölnu, GitHub repozitorij pa služi kot informacijsko središče, ki povezuje opise modelov, metodologijo in prihodnje podatkovne ter modelne repozitorije. Jedro ekipe sestavljajo Daniel Göttlich, Dominik Loibner, Guohui Jiang in Hans‑Joachim Voth, kontakt pa poteka prek naslova history-llms@econ.uzh.ch.​

Osrednja inovacija je koncept time‑locked LLM‑jev: vsak model ima določen »knowledge cutoff« (npr. 1913, 1929, 1933, 1939, 1946), učni korpus pa se zaključi z besedili do tega leta. Primer je model Ranke‑4B‑1913, ki ne »ve« za prvo svetovno vojno in odgovarja na podlagi predvojnega intelektualnega in političnega sveta, zajetega v časopisih, knjigah in esejih.​

Jedro modelne družine predstavljajo Ranke‑4B modeli z okoli 4 milijardami parametrov, grajeni na arhitekturi Qwen3. Vsak od njih je treniran na 80 milijardah tokenov, izbranih iz skrbno kuriranega zgodovinskega korpusa z več kot 600 milijardami časovno označenih tokenov. Ekipa napoveduje objavo dodatnih repozitorijev (pretraining, data, posttraining, Hugging Face), kjer bodo modeli in podatki javno dostopni.​

Zgodovinski LLM‑ji so kompresirane reprezentacije velikih besedilnih zbirk in služijo kot orodje za analizo diskurznih struktur ter semantičnih vzorcev. Niso popoln odsev javnega mnenja, ker temeljijo na objavljenih, pogosto elitnih in dominantnih virih, ter podedujejo njihove pristranskosti. Namenjeni so dopolnjevanju, ne nadomeščanju, klasičnega arhivskega raziskovanja in kritičnega branja primarnih virov.​

Projekt se jasno razlikuje od pristopa »sodobnih LLM‑jev, ki se pretvarjajo, da so zgodovinski«, kjer model sicer simulira slog neke dobe, vendar pozna celotno kasnejšo zgodovino. To vodi do pojava »hindsight contamination«, ko odgovori neizogibno odražajo vednost o prihodnjih dogodkih, kar popači avtentičnost zgodovinskega diskurza. Time‑locked modeli ta problem zmanjšujejo, ker preprosto nimajo dostopa do poznejših podatkov.​

Ker izhajajo iz zgodovinskih virov, modeli reproducirajo tudi rasistične, antisemitske, mizogine in imperialistične vsebine, značilne za svoja obdobja. Ekipa to razume kot ključen raziskovalni vidik, ne kot normativno stališče, zato v modele namerno ne vgrajuje retroaktivnega »čiščenja« teh pogledov. Vzpostaviti namerava zaščitne mehanizme, da se prepreči zloraba takih vsebin v sodobnih kontekstih.​

Za raziskovalce in učitelje zgodovinski LLM‑ji odpirajo nove možnosti: analizo nacionalizma, kolonializma, rase ali spola v točno določenem času, primerjave med različnimi letnicami ter pedagoško uporabo modela kot »glasu obdobja«. Repozitorij vključuje tudi BibTeX zapis za standardizirano citiranje projekta kot tehničnega poročila iz leta 2025 z URL‑jem https://github.com/DGoettlich/history-llms.​

»Seznam poletnega branja za leto 2025«. Chicago Sun-Times je vseboval neobstoječe knjige

vir: https://www.npr.org/2025/05/20/nx-s1-5405022/fake-summer-reading-list-ai

image

Marca je časopis Chicago Sun-Times objavil »Seznam poletnega branja za leto 2025«. Vseboval je 15 naslovov, med drugim tudi delo The Rainmakers avtorja Percivala Everetta, ki ga je časopis opisal kot zgodbo, ki se odvija v »bližnji prihodnosti na ameriškem zahodu, kjer je umetno povzročeno deževje postalo luksuzno blago«.

Problem? The Rainmakers, skupaj z devetimi drugimi knjigami s seznama, v resnici ne obstaja. Kot se je izkazalo, je avtor za sestavo seznama uporabil umetno inteligenco. Navedel je resnične objavljene avtorje, jim pa pripisal izmišljene naslove, skupaj z opisom, ki ga je izmislil. Včasih je fikcija bolj čudna od resnice.

Spletna baza odkritih pravnih halucinacij v ZDA: “AI Hallucination Cases”

vir: https://www.damiencharlotin.com/hallucinations/

Po podatkih iz baze pravnih halucinacij, ki spremlja to metriko, je bilo vsaj 671 primerov pravnih odločitev, v katerih je generativna umetna inteligenca ustvarila halucinacijske vsebine. Večina teh je bila lažnih citatov, vendar so bili tudi drugi tipi argumentov, ki jih je ustvarila umetna inteligenca. V enem od odmevnih primerov je bil odvetnik nedavno kaznovan z 10.000 dolarji, ker je vložil pritožbo, v kateri je navedel 21 lažnih primerov, ki jih je ustvaril ChatGPT.

Baza primerov halucinacij generativne umetne inteligence v pravnih odločbah sledi 693 dokumentiranim primerom iz 30+ jurisdikcij.

  • Damien Charlotin vzdržuje interaktivno zbirko primerov, kjer generativna AI ustvari lažne citate ali argumente v pravnih dokumentih.

  • Baza vključuje filtre po državah (npr. ZDA 471, Avstralija 43), straneh (odvetniki 282, pro se tožniki 390), vrstah halucinacij (izmišljene 548) in sankcijah.

  • Nedavni primeri iz decembra 2025 kažejo opozorila, globe (do 59.500 USD) in prepovedi vložitev.

  • Ponuja orodje PelAIkan za preverjanje referenc in CSV prenos; baza je citirana v medijih in sodnih odločbah.

  • Stran promovira Substack “Artificial Authority” za analize.

DEJSTVA

  1. Identificiranih 693 primerov iz 30+ držav, večinoma ZDA (471), Kanada (50), Izrael (33).

  2. Glavne vrste: izmišljene sodne odločbe (583), lažni citati (191), napačno predstavljene (302).

  3. Stranke: odvetniki (282), pro se tožniki (390), sodniki (8); orodja pogosto implicirana ali ChatGPT.

  4. Sankcije: monetarne globe (npr. 59.500 USD v Jordan v. CHA), prepovedi vložitev, napotitve na disciplinske odbore.

  5. Zadnji primeri (dec. 2025): Liza Gardner v. Combs (6.000 USD globe), Couvrette v. Wisnovsky (15.500 USD).

AI na PPC testu ni blestel – na splošno je odgovoril napačno v 20 % primerov

vir:  https://www.wordstream.com/blog/how-accurate-is-ai-for-ppc

Susie Marino je nedavno izvedla lasten test, v katerem je petim različnim AI orodjem zastavila 45 vprašanj o oglaševanju po sistemu plačila na klik (PPC). Na splošno so odgovorili napačno v 20 % primerov.

Izbrali so oglase PPC, ker so zelo priljubljena in učinkovita oglaševalska strategija, ki pa zahteva precejšnje učenje. Ljudje pogosto iščejo pomoč na spletu (izraz »oglaševanje PPC« ima več kot 330.000 mesečnih iskanj v Googlu).

Susie je ugotovila tudi, da večina AI orodij ni mogla dati kakovostnih predlogov ključnih besed, Meta AI in AIO so dajali zastarele informacije o strukturi računa Google Ads, vsa orodja razen Meta AI pa so napačno odgovorila na vprašanja o stroških in učinkovitosti oglasov Facebook Ads.

Test natančnosti AI orodij pri odgovarjanju na 45 vprašanj o PPC oglasovanju razkriva 20% netočnosti.

  • WordStream je testiral pet AI orodij (ChatGPT, Google AI Overviews, Perplexity, Google Gemini, Meta AI) z istimi 45 vprašanji o PPC najboljših praksah, platformah in trendih.

  • Povprečna natančnost je 80%; Google Gemini je bil najboljši (94%), Google AI Overviews najslabši (74%).​

  • Ključne ugotovitve kažejo na zastarele podatke, pristranskost k lastnim platformam in neučinkovitost pri naprednih nalogah kot so skripti ali ključne besede.​

DEJSTVA

  • Google AI Overviews: 26% napačnih odgovorov, največ napak pri PPC podatkih.

  • Google Gemini: le 6% napačnih odgovorov, najbolj zanesljiv za Google Ads vprašanja.

  • Meta AI: popolnoma natančen pri Facebook oglasih, a pristranski proti njim pri Google Ads.

  • ChatGPT: 22% napak, preveč “prijaznih” analiz slabe uspešnosti.

  • Perplexity: 13% napak, soliden pri stroških in uspešnosti Google Ads.​