GEO και AI SEO χωρίς μύθους: τι λειτουργεί πραγματικά

Το brand φτάνει στις απαντήσεις του ChatGPT, του Gemini, του Perplexity και του AI Overview κυρίως με δύο δρόμους που αλληλοεπικαλύπτονται, και το GEO είναι η δουλειά και στους δύο:

1. Μέσω αναζήτησης. Το μοντέλο ψάχνει στο διαδίκτυο την ώρα που απαντά και παραθέτει μέρος των σελίδων που βρήκε. Εδώ ισχύουν όσα ισχύουν και στο SEO: πρόσβαση για τα ρομπότ, ευρετήριο, ορατότητα στη λέξη-κλειδί και στις παραλλαγές της, και αποσπάσματα που απαντούν στην ερώτηση χωρίς την υπόλοιπη σελίδα. Το αποτέλεσμα φαίνεται, όπως και στο SEO, μετά από εβδομάδες ή μήνες.
2. Μέσω της μνήμης του μοντέλου. Το μοντέλο απαντά από όσα έμαθε πριν από το τέλος της εκπαίδευσής του, και αυτή η μνήμη επηρεάζει και το ποια brand αναφέρει όταν ψάχνει στο διαδίκτυο. Εδώ μετράει τι έχουν γράψει άλλοι για το brand και μία συνεπής περιγραφή του brand σε πολλές πηγές. Τον ρυθμό αλλαγής της μνήμης δεν τον έχω μετρήσει, γι' αυτό δεν υπόσχομαι τίποτα εδώ μέσα σε ένα τρίμηνο.

Τα περισσότερα «τεχνάσματα GEO» δεν έχουν απόδειξη, και μερικά τα έλεγξα στα δικά μου δεδομένα. Το αρχείο llms.txt και τα δομημένα δεδομένα δεν έχουν απόδειξη ότι φέρνουν παραθέσεις. Περισσότερες επικεφαλίδες δεν ανέβασαν σελίδες στο top 3 στο τεστ μου. Το τεστ για το αν η θέση στα υποερωτήματα προβλέπει την παράθεση καλύτερα από τη θέση στην κύρια λέξη-κλειδί δεν κατέληξε πουθενά, και το πρώτο μου συμπέρασμα από αυτό το ανέτρεψε ο διασταυρούμενος έλεγχος. Οι αποδείξεις για καθεμία από αυτές τις προτάσεις βρίσκονται παρακάτω.

Τι είναι το GEO και πώς ονομάζεται;

Το GEO είναι η δουλειά ώστε ένα brand να εμφανίζεται στις απαντήσεις που παράγει η AI: στο AI Overview και στη λειτουργία AI της Google, στο ChatGPT, στο Gemini, στο Perplexity και στο Copilot. Η ίδια δουλειά έχει πολλές ονομασίες και οι διαφορές τους είναι κυρίως διαφημιστικές:

Η ονομασία GEO έχει επιστημονική προέλευση, και η βάση όλης αυτής της δουλειάς είναι η ίδια με του SEO. Το GEO προέρχεται από επιστημονική εργασία του Νοεμβρίου 2023, που έγινε δεκτή στο συνέδριο KDD 2024. Οι συγγραφείς της, ο Pranjal Aggarwal και οι συνεργάτες του, έδειξαν στο δικό τους σύνολο δοκιμών ότι οι αλλαγές στο περιεχόμενο μπορούν να αυξήσουν την ορατότητα μιας πηγής στις παραγωγικές απαντήσεις έως και κατά 40% (arXiv). Η Google γράφει στην τεκμηρίωσή της ότι η βελτιστοποίηση για την παραγωγική αναζήτηση εξακολουθεί να είναι SEO (Google Search Central). Ο Cyrus Shepard από τη Zyppy απαντά παρόμοια στο ερώτημα αν μια εταιρεία χρειάζεται ξεχωριστή στρατηγική GEO:

Ούτε οι άνθρωποι έχουν μία ονομασία για αυτή τη δουλειά, και αυτό φαίνεται στα αποτελέσματα της Google. Η ερώτηση «Jak nazywa się pozycjonowanie w AI?» (πώς ονομάζεται η βελτιστοποίηση για την AI) εμφανίζεται στην ενότητα «Σχετικές ερωτήσεις» στα πολωνικά αποτελέσματα, και αντίστοιχές της στα αποτελέσματα από τη Γερμανία, την Ισπανία και τη Φινλανδία, ενώ η αγγλική «What is AI SEO called now?» εμφανίζεται στα αποτελέσματα από τις ΗΠΑ, τη Σουηδία και τη Σιγκαπούρη. Η ερώτηση για τη διαφορά ανάμεσα στο GEO (ή το LLMO) και το SEO εμφανίζεται σε 9 από τις 27 αγορές που έλεγξα, από τη Βραζιλία ως την Ιαπωνία.

Η ονομασία που κυριαρχεί εξαρτάται από την αγορά. Στην Ιαπωνία το 72% από περίπου 16.730 αναζητήσεις τον μήνα σε αυτό το θέμα είναι LLMO, και η ίδια η λέξη-κλειδί «llmo» έχει περίπου 12.100 αναζητήσεις, περισσότερες από το «ai seo» στις ΗΠΑ (περίπου 6.600). Στη Γερμανία και στη Γαλλία κυριαρχεί το GEO (64% και 66%), στη Νότια Κορέα με 83%. Στην Πολωνία το 58% από περίπου 2.265 αναζητήσεις τον μήνα είναι AI SEO μαζί με τη λέξη-κλειδί «ai seo» και τις πολωνικές περιγραφές («pozycjonowanie ai», «pozycjonowanie w ai»), και το GEO το 32%. Στις ΗΠΑ το AI SEO και το GEO πάνε πλάι πλάι: 42% και 39% από περίπου 25.400 αναζητήσεις, ενώ στην Ισπανία υπάρχει ισοπαλία (44% και 44%). Στην Τσεχία στα δεδομένα δεν υπάρχει ζήτηση για καμία από τις ονομασίες.

Η λέξη-κλειδί «ai seo» είναι αμφίσημη, γι' αυτό το μερίδιο του AI SEO το θεωρώ ανώτατο όριο. Στο «ai seo» η Google δείχνει δίπλα στα κείμενα για τη βελτιστοποίηση για την AI και εργαλεία AI και οδηγούς για το πώς να κάνετε SEO με τη βοήθεια της AI: στις ΗΠΑ είναι πάνω από τα μισά αποτελέσματα του top 10, στη Δανία τουλάχιστον 6 από τα 8. Το AI Overview για αυτή τη λέξη-κλειδί στις ΗΠΑ και στη Δανία περιγράφει πάντως το AI SEO ως βελτιστοποίηση για τις απαντήσεις της AI, επομένως η Google την αντιμετωπίζει ως ονομασία αυτής της δουλειάς. Χωρίς αυτή τη μία λέξη-κλειδί το GEO προηγείται σε 25 από τις 26 αγορές του blog μου, και στην Ιαπωνία μένει το LLMO. Στην Πολωνία οι σαφείς πολωνικές περιγραφές («pozycjonowanie ai», «pozycjonowanie w ai») έχουν μαζί περίπου 580 αναζητήσεις τον μήνα και το GEO περίπου 725. Για τα εργαλεία AI στο SEO θα γράψω χωριστό κείμενο.

Την ίδια τη λέξη-κλειδί «aeo» δεν την υπολογίζω, γιατί στην Πολωνία σημαίνει κυρίως τελωνειακό πιστοποιητικό και στις ΗΠΑ μέρος των αποτελεσμάτων είναι οι τιμές μετοχής μιας αλυσίδας ρούχων, της American Eagle. Στο «aeo» στην πολωνική Google τρία από τα τέσσερα πρώτα αποτελέσματα είναι σελίδες του υπουργείου οικονομικών. Τις λέξεις-κλειδιά με την πλήρη ονομασία, για παράδειγμα «answer engine optimization», τις μετράω στη σειρά «Άλλα».

Κάθε γλωσσική έκδοση αυτού του κειμένου χρησιμοποιεί την ονομασία που αναζητούν οι άνθρωποι στην αντίστοιχη αγορά. Η ιαπωνική μιλά για LLMO, η γερμανική και η γαλλική για GEO, και η πολωνική για «pozycjonowanie w AI» και AI SEO. Η ζήτηση στην Ελλάδα είναι μικρή: περίπου 100 αναζητήσεις τον μήνα, από τις οποίες το 80% είναι GEO, γι' αυτό αυτή η έκδοση χρησιμοποιεί τα GEO και AI SEO μαζί.

Πώς επιλέγει η AI τις πηγές των απαντήσεων;

Το μοντέλο απαντά από την αναζήτηση ή από τη μνήμη, και από αυτό εξαρτάται τι μπορείτε να αλλάξετε. Όταν ψάχνει στο διαδίκτυο, διασπά την ερώτηση σε αρκετά ερωτήματα, κατεβάζει αποτελέσματα, επιλέγει από αυτά αποσπάσματα και παραθέτει μέρος τους. Η Google το ονομάζει στην τεκμηρίωσή της «query fan-out»: το σύστημα στέλνει πολλές συναφείς αναζητήσεις για υποθέματα και από διαφορετικές πηγές (Google Search Central). Όταν το μοντέλο δεν ψάχνει, απαντά από όσα έμαθε στην εκπαίδευση, και τότε η θέση της σελίδας στην Google δεν αλλάζει τίποτα.

Οι δρόμοι αλληλοεπικαλύπτονται, γιατί η μνήμη του μοντέλου επηρεάζει και την απάντηση στην οποία το μοντέλο έψαξε στο διαδίκτυο. Ο Dan Petrovic από τη Dejan γράφει ότι η μνεία ενός brand στο κείμενο της απάντησης στηρίζεται κυρίως στην προηγούμενη γνώση του μοντέλου και μία μεμονωμένη σελίδα σχεδόν δεν την μετακινεί (Dejan, 7.07.2026). Γι' αυτό μετρώ τους δύο δρόμους χωριστά, αλλά δουλεύω και στους δύο παράλληλα.

Πόσο συχνά ψάχνει το μοντέλο στο διαδίκτυο εξαρτάται από το μοντέλο: στο τεστ μου από 10 έως 94 λέξεις-κλειδιά στις 94. Το έλεγξα μέσω API σε 94 λέξεις-κλειδιά από έργα που διαχειρίζομαι, στα αγγλικά και στα πολωνικά, τη νύχτα από 3 προς 4 Οκτωβρίου 2026 και το πρωί για δεύτερη φορά. Στο κείμενο για τη στρατηγική SEO περιέγραψα το ίδιο φαινόμενο σε πέντε ερωτήσεις οδηγού, εδώ είναι σε μεγαλύτερο σύνολο.

• 93 από 94Τόσες φορές το Gemini 2.5 Flash χρησιμοποίησε την αναζήτηση στην πρώτη εκτέλεση (στη δεύτερη 94 από 94).Το τεστ μου μέσω API, 3-4.10.2026
• 71 από 94Τόσες φορές έψαξε το Gemini 3.5 Flash (στη δεύτερη εκτέλεση 69 από 94).Το τεστ μου μέσω API, 3-4.10.2026
• 25 από 84Τόσες φορές έψαξε το Gemini 3.1 Pro (10 κλήσεις έληξαν με σφάλμα ορίου· στη δεύτερη εκτέλεση 32 από 94).Το τεστ μου μέσω API, 3-4.10.2026
• 10 από 94Τόσες φορές έψαξε το Gemini 3.8 Flash (στη δεύτερη εκτέλεση 15 από 94). Στις υπόλοιπες λέξεις-κλειδιά απαντούσε από τη μνήμη.Το τεστ μου μέσω API, 3-4.10.2026

Σε αυτή τη διαμόρφωση οι νεότερες εκδόσεις του Gemini Flash έψαχναν σπανιότερα, αλλά το Gemini 3.1 Pro δεν ταιριάζει σε αυτό το μοτίβο. Το Pro έχει παλαιότερο αριθμό έκδοσης από το 3.5 Flash και έψαξε σπανιότερα από αυτό. Πρόκειται για μία οικογένεια μοντέλων και μία διαμόρφωση API και όχι για την εφαρμογή Gemini που βλέπει ο χρήστης, γι' αυτό τους αριθμούς τους θεωρώ ένδειξη και όχι κανόνα. Αρκούν πάντως για να ελέγχω σε κάθε μέτρηση σε πόσες ερωτήσεις το μοντέλο ψάχνει καν.

Η μνήμη των μοντέλων για ένα νέο πολωνικό brand αποδείχθηκε γεμάτη τρύπες, και μέρος των μοντέλων επινοούσε την περιγραφή του. Στο ίδιο έργο περίπου 500 απαντήσεις σε ερωτήσεις για brand με τα οποία δουλεύω αξιολογήθηκαν τυφλά από ξεχωριστό μοντέλο. Ένα από τα νέα πολωνικά brand του συνόλου ήταν άγνωστο σε όλα τα μοντέλα που ελέγχθηκαν, και σε 9 από τις 12 απαντήσεις για αυτό η περιγραφή ήταν επινοημένη. Το ποσοστό των επινοήσεων εξαρτιόταν από το μοντέλο: από 5% έως 77% των απαντήσεων για όλα τα brand. Τις απαντήσεις αξιολόγησε ένα μοντέλο-κριτής, γι' αυτό τις διαφορές κάτω από περίπου 10 ποσοστιαίες μονάδες τις θεωρώ θόρυβο.

Το ίδιο domain μπορεί να είναι ορατό στον έναν δρόμο και αόρατο στον άλλο. Ένας από τους ιστότοπους παρατίθεται στη λειτουργία AI της Google σε 10 από 13 ζεύγη λέξεων-κλειδιών, ενώ στις απαντήσεις μοντέλων χωρίς αναζήτηση δεν εμφανίστηκε ούτε μία φορά (0 από 13). Είναι ένα domain και 13 ζεύγη, επομένως είναι παράδειγμα και όχι κανόνας.

Συγγενές φαινόμενο φαίνεται σε έρευνα μεγαλύτερης κλίμακας. Ο Dan Petrovic παρουσιάζει έρευνα της Google Research σε 13 μοντέλα και 2.150 γεγονότα από τη Wikipedia: τα κορυφαία από αυτά τα μοντέλα, όπως το Gemini 3 Pro και το GPT-5, έχουν στα βάρη τους το 95-98% αυτής της γνώσης, αλλά δεν μπορούν να ανακαλέσουν το 26-34% της (Dejan, 17.08.2026). Είναι εγκυκλοπαιδικά γεγονότα και όχι γνώση για brand, αλλά το συμπέρασμα για ένα brand είναι παρόμοιο: η παρουσία μιας πληροφορίας στα δεδομένα εκπαίδευσης δεν εγγυάται ότι το μοντέλο θα την πει.

Πώς να εμφανιστείτε στις απαντήσεις AI μέσω αναζήτησης;

Στον δρόμο μέσω αναζήτησης ισχύει το ίδιο με το SEO, με μία διαφορά. Η Google γράφει ότι για να μπει μια σελίδα στο AI Overview και στη λειτουργία AI πρέπει να βρίσκεται στο ευρετήριο και να μπορεί να εμφανιστεί στα αποτελέσματα με απόσπασμα κειμένου, και ότι πρόσθετες τεχνικές απαιτήσεις δεν υπάρχουν (Google Search Central). Η διαφορά είναι ότι το μοντέλο κάνει αρκετά ερωτήματα ταυτόχρονα, επομένως μια σελίδα ορατή μόνο στην κύρια λέξη-κλειδί έχει λιγότερες ευκαιρίες παράθεσης από μια σελίδα ορατή και στις παραλλαγές της. Το ChatGPT έχει επιπλέον δικό του ρομπότ αναζήτησης (γι' αυτό παρακάτω), επομένως η ορατότητα στην Google δεν μεταφέρεται σε αυτό απευθείας.

Πρόσβαση για τα ρομπότ AI

Τα ρομπότ των μηχανών αναζήτησης AI μπορεί να είναι μπλοκαρισμένα χωρίς να το ξέρει ο ιδιοκτήτης της σελίδας. Το firewall ή μια ρύθμιση στο δίκτυο διανομής περιεχομένου (CDN) μπορεί να τα μπλοκάρει, συχνά μόνο αφού ξεπεραστεί ένα όριο αιτημάτων, γι' αυτό ένα μεμονωμένο τεστ δεν θα δείξει τίποτα. Στέλνω σειρά αιτημάτων με τα ονόματα των ρομπότ της Google, της OpenAI, της Perplexity και της Anthropic και συγκρίνω την απάντηση του διακομιστή με αυτή που παίρνει ένα κανονικό πρόγραμμα περιήγησης.

Το μπλοκάρισμα της εκπαίδευσης μοντέλων είναι άλλη απόφαση από το μπλοκάρισμα της αναζήτησης. Η OpenAI ξεχωρίζει αυτούς τους ρόλους: το GPTBot συλλέγει περιεχόμενο που μπορεί να καταλήξει στην εκπαίδευση μοντέλων και το OAI-SearchBot καθορίζει την παρουσία στα αποτελέσματα αναζήτησης του ChatGPT. Η OpenAI γράφει ότι οι σελίδες που μπλοκάρουν το OAI-SearchBot δεν θα εμφανίζονται στις απαντήσεις αναζήτησης του ChatGPT, ενώ το μπλοκάρισμα του GPTBot δεν το αλλάζει (OpenAI). Παρόμοια, το Google-Extended ελέγχει τη χρήση περιεχομένου από τα μοντέλα Gemini, αλλά σύμφωνα με την Google δεν επηρεάζει ούτε την παρουσία ούτε τη θέση στην αναζήτηση (Google Search Central). Όποιος μπλοκάρει όλα τα ρομπότ AI με έναν διακόπτη μπορεί να χάσει την παρουσία στην αναζήτηση του ChatGPT, που δεν ήθελε καθόλου να παραδώσει.

Θέση στη λέξη-κλειδί και στα υποερωτήματα

Δεν ξέρω αν υψηλότερη θέση αυξάνει την πιθανότητα παράθεσης, γιατί τα δεδομένα μου δεν το κρίνουν. Στο κείμενο για τη στρατηγική SEO, στον χάρτη υποθέσεων, περιέγραψα ένα άρθρο που σε πέντε πολύ κοντινές λέξεις-κλειδιά παρατέθηκε στο AI Overview μόνο σε μία, και μάλιστα σε αυτήν όπου βρισκόταν χαμηλότερα. Τα υποερωτήματα τα συντάσσει το μοντέλο και μπορεί να διαφέρουν σε κάθε απάντηση, γι' αυτό δεν υπάρχει μία σταθερή λίστα «υποερωτημάτων για τη λέξη-κλειδί Χ». Στο σύνολό μου των 94 λέξεων-κλειδιών το μοντέλο παρήγαγε σε μία εκτέλεση 493 διαφορετικά υποερωτήματα, κατά μέσο όρο πάνω από πέντε ανά λέξη-κλειδί.

Έλεγξα αν η θέση στα υποερωτήματα προβλέπει την παράθεση καλύτερα από τη θέση στην κύρια λέξη-κλειδί, και το πρώτο μου αποτέλεσμα δεν άντεξε στον έλεγχο. Σε ζεύγη λέξης-κλειδιού και σελίδας από έργα που διαχειρίζομαι κατέγραψα τον κανόνα πριν υπολογίσω το αποτέλεσμα. Το μέτρο ήταν το εμβαδόν κάτω από την καμπύλη ROC (AUC), δηλαδή το πόσο καλά ένα σήμα ξεχωρίζει τις σελίδες που παρατίθενται από αυτές που δεν παρατίθενται (το 0,5 είναι επίπεδο στρίψιμου νομίσματος και το 1 διαχωρισμός χωρίς σφάλμα). Τα υποερωτήματα θα κέρδιζαν αν το εμβαδόν τους ήταν μεγαλύτερο τουλάχιστον κατά 0,10. Στα 29 ζεύγη που κρατήθηκαν για το τεστ AI Overview η διαφορά ήταν 0,44, δηλαδή το τεστ «πέρασε».

Ο διασταυρούμενος έλεγχος έδειξε ότι είχα συγκρίνει δύο μετρήσεις με διαφορετική ακρίβεια. Ο αναθεωρητής, που ξαναϋπολόγισε τα πάντα από την αρχή, αναπαρήγαγε τους αριθμούς μου μέχρι το τελευταίο ψηφίο, αλλά πρόσεξε ότι τη θέση στην κύρια λέξη-κλειδί την είχα πάρει από μία λήψη αποτελεσμάτων Google, ενώ την παράθεση από πέντε. Αφού υπολογίστηκε η θέση από τις ίδιες πέντε λήψεις, η διαφορά έπεσε στο 0,04, με διάστημα εμπιστοσύνης από -0,28 έως +0,36. Δεν απέδειξα λοιπόν ότι τα υποερωτήματα είναι καλύτερα από τη θέση, ούτε ότι είναι χειρότερα. Και τα δύο σήματα λένε κάτι, γι' αυτό δουλεύω και με τα δύο.

Η θέση από μία λήψη του DataForSEO αποδείχθηκε κλήρωση μίας από αρκετές παραλλαγές αποτελεσμάτων. Όταν κατέβασα τις ίδιες 94 λέξεις-κλειδιά τρεις φορές με διαφορά περίπου μίας ώρας, δύο λήψεις της ίδιας λέξης-κλειδιού είχαν στον διάμεσο λίγες κοινές διευθύνσεις στο top 10: ο δείκτης Jaccard, δηλαδή το μέτρο συμφωνίας δύο συνόλων από 0 έως 1, ήταν 0,14-0,15. Μέρος των παραλλαγών είναι πιθανώς αποτελέσματα που ο άνθρωπος στο πρόγραμμα περιήγησης δεν βλέπει, γιατί σε 5 λέξεις-κλειδιά το πρόγραμμα περιήγησης συμφωνούσε με μία από αυτές. Το AI Overview ήταν σταθερό: η παρουσία του συμφωνούσε ανάμεσα στις λήψεις κατά 97-99%. Γι' αυτό τη θέση από αυτό το εργαλείο την υπολογίζω σήμερα ως ποσοστό από περίπου 10 λήψεις που στέλνονται ταυτόχρονα. Άλλα εργαλεία δεν τα έλεγξα με αυτόν τον τρόπο.

Αποσπάσματα που απαντούν αυτόνομα

Το μοντέλο συνήθως χρησιμοποιεί όχι ολόκληρη τη σελίδα, αλλά αποσπάσματα που απαντούν στο ερώτημά του. Γι' αυτό γράφω έτσι ώστε κάθε απόσπασμα να γίνεται κατανοητό χωρίς την υπόλοιπη σελίδα: απάντηση στην πρώτη πρόταση κάτω από την επικεφαλίδα, συγκεκριμένοι αριθμοί με παρονομαστή και ημερομηνία, ονόματα αντί για «αυτό» και «εκείνο». Κάθε παράγραφος σε αυτό το κείμενο ξεκινά με πρόταση που περιέχει το συμπέρασμα ακριβώς γι' αυτόν τον λόγο. Είναι καλή πρακτική γραφής που βοηθά και τους ανθρώπους, και όχι ξεχωριστή τεχνική για την AI.

Αυτό δεν σημαίνει ότι πρέπει να τεμαχίσετε το περιεχόμενο σε μικρά κομμάτια ή να πολλαπλασιάσετε τις επικεφαλίδες. Η Google γράφει ρητά ότι δεν υπάρχει απαίτηση να χωρίσετε το περιεχόμενο σε μικρά αποσπάσματα για να το καταλαβαίνει καλύτερα η AI (Google Search Central). Έλεγξα και αν περισσότερες επικεφαλίδες βοηθούν να μπει μια σελίδα στο top 3. Σε 632 σελίδες του top 10 για 119 ερωτήματα στα αγγλικά από τη niche του λογισμικού για επιχειρήσεις (ΗΠΑ, 26 Σεπτεμβρίου 2026) ο λόγος πιθανοτήτων ήταν 0,95 (διάστημα εμπιστοσύνης 95%: 0,81-1,12), και μετά τη διόρθωση για το μήκος του κειμένου 1,00. Το ποσοστό των σελίδων στο top 3 ήταν σχεδόν το ίδιο στις τρεις ομάδες από τον μικρότερο έως τον μεγαλύτερο αριθμό επικεφαλίδων: 32%, 34% και 32%. Είναι το ίδιο τεστ για το οποίο γράφω στο κείμενο για τη στρατηγική SEO: μία niche και μία ημέρα μέτρησης. Αρκεί πάντως για να μη βάζω επικεφαλίδες με σκοπό να βελτιώσω τη θέση: η επικεφαλίδα πρέπει να λέει περί τίνος είναι το απόσπασμα από κάτω.

Πολωνικές ερωτήσεις, αγγλικά υποερωτήματα

Στο σύνολό μου μέρος των υποερωτημάτων για πολωνικές ερωτήσεις ήταν στα αγγλικά. 81 από τα 277 υποερωτήματα που παρήχθησαν για πολωνικές λέξεις-κλειδιά δεν είχαν χαρακτηριστικά πολωνικής γλώσσας. Για παράδειγμα, μια πολωνική ερώτηση για την κατάταξη προϊόντων σε μία κατηγορία έγινε αγγλικό ερώτημα με τη χρονιά στη διατύπωση. Είναι χονδρική ευρετική σε ένα σύνολο, αλλά αρκεί για να ελέγχω, όταν πρόκειται για πολωνικό brand, και τι λένε γι' αυτό οι αγγλόφωνες πηγές.

Πώς να μπείτε στη μνήμη του μοντέλου;

Τη μνήμη του μοντέλου δεν την αλλάζετε μόνο με τη δική σας σελίδα: μετράει τι γράφουν οι άλλοι για εσάς. Το μοντέλο μαθαίνει από μεγάλα σύνολα κειμένων που συγκεντρώθηκαν πριν από το τέλος της εκπαίδευσης. Αν για ένα brand γράφει κυρίως το ίδιο και οι ξένες πηγές είναι παλιές ή αντιφατικές, το μοντέλο θα επαναλάβει μια παλιά ή αντιφατική εικόνα. Δεν έχω μέτρηση για το πόσο γρήγορα ανανεώνεται η μνήμη των μοντέλων. Υποθέτω ότι γίνεται μόνο στις επόμενες εκδόσεις, γι' αυτό δεν υπόσχομαι τίποτα εδώ μέσα σε ένα τρίμηνο.

Στο δικό μου brand βλέπω και τις δύο πηγές σφαλμάτων ταυτόχρονα. Το Gemini με περιέγραφε με εργοδότη προ ετών σε ενεστώτα και το rogala.pro ως σελίδα «υπό κατασκευή». Δύο περιγραφές που τα μοντέλα επαναλάμβαναν για μένα συχνότερα προέρχονται κατά λέξη από το βιογραφικό μου σε κλαδικό ιστότοπο, που εμφανίζεται ψηλά στην Google για το ονοματεπώνυμό μου. Αυτόν τον εργοδότη ως τρέχοντα δεν τον αναφέρει καμία από τις 26 σελίδες που έλεγξα στα αποτελέσματα για το ονοματεπώνυμό μου, επομένως αυτό το σφάλμα κάθεται πιθανώς στη μνήμη του μοντέλου. Θα το ελέγξω με τις ίδιες ερωτήσεις όταν ενημερωθεί το βιογραφικό.

Τι θυμάται το μοντέλο για ένα brand μπορείτε να το ελέγξετε μόνοι σας, χωρίς εργαλεία ορατότητας στην AI. Κάντε ερωτήσεις για το brand χωρίς πρόσβαση στην αναζήτηση, πιο σίγουρα μέσω API χωρίς εργαλείο αναζήτησης. Ρωτήστε με τι ασχολείται το brand, για ποιους και από πότε λειτουργεί, κάθε ερώτηση τρεις φορές. Μετά συγκρίνετε τις απαντήσεις με τα γεγονότα και καταγράψτε χωριστά τι είναι επίκαιρο, τι ξεπερασμένο και τι επινοημένο.

Οι μνείες χωρίς συνεπή ορισμό του brand επαναλαμβάνουν την παλιά περιγραφή, γι' αυτό ξεκινώ από την ταυτότητα. Η σειρά μου:

• ένας ορισμός του brand, ο ίδιος στη σελίδα, στα προφίλ και στα βιογραφικά σε ξένες σελίδες·
• δομημένα δεδομένα με αναγνωριστικά που έλεγξα χειροκίνητα·
• καταχωρίσεις σε βάσεις γνώσης, όπως το Wikidata, μόνο όπου υπάρχουν πηγές που τις επιβεβαιώνουν·
• μόνο μετά οι μνείες και οι δημοσιεύσεις σε μέρη που τα επιμελείται κάποιος άλλος.

Το αναγνωριστικό πρέπει να το ανοίξετε και να το διαβάσετε πριν μπει στον κώδικα της σελίδας. Στις 5 Οκτωβρίου 2026 πρόσεξα ότι το αναγνωριστικό του Knowledge Graph, που από την προηγούμενη ημέρα βρισκόταν στα δομημένα δεδομένα του rogala.pro, οδηγεί σε πίνακα ηθοποιού με το ίδιο ονοματεπώνυμο. Για περίπου ένα εικοσιτετράωρο η σελίδα μου δήλωνε στις μηχανές αναζήτησης ότι είμαι ηθοποιός. Ο έλεγχος κρατά ένα λεπτό: η διεύθυνση google.com/search?kgmid= με το αναγνωριστικό στο τέλος δείχνει σε ποιον ανήκει πραγματικά.

Το Wikidata δεν δίνει θέση για την οποία δεν υπάρχουν πηγές. Το Wikidata απαιτεί πηγές για πληροφορίες σχετικά με ζωντανά πρόσωπα, επομένως δεν μπορείτε να δηλώσετε σε αυτό μια ειδίκευση για την οποία δεν έχει γράψει κανείς εκτός από εσάς. Γι' αυτό στη δική μου περίπτωση ξεκίνησα από δημοσιεύσεις σε μέρη που επιμελούνται άλλοι και όχι από καταχώριση στη βάση.

Τι λειτουργεί στο GEO και τι είναι μύθος;

Τους ισχυρισμούς για το GEO τους χωρίζω ανάλογα με τη δύναμη της απόδειξης. Τεκμηριωμένα είναι όσα επιβεβαιώνει η τεκμηρίωση της μηχανής αναζήτησης, και η δική μου μέτρηση είναι αποτέλεσμα από μία διαμόρφωση που επαναλαμβάνω. Ανατραπέντες και μη αποδεδειγμένοι είναι οι ισχυρισμοί που έλεγξα στα δικά μου δεδομένα και που είτε δεν άντεξαν είτε δεν κατέληξαν πουθενά. Χωρίς απόδειξη είναι οι δημοφιλείς συμβουλές πίσω από τις οποίες δεν υπάρχει μέτρηση, και μερικές φορές υπάρχει αντίθετη απόδειξη.

Δεν υπάρχει απόδειξη ότι το αρχείο llms.txt και οι εκδόσεις σελίδων σε Markdown βοηθούν να μπείτε στις απαντήσεις της AI. Η Google γράφει ότι για την παρουσία στην αναζήτησή της δεν χρειάζεται να δημιουργήσετε νέα αρχεία για μηχανές, αρχεία κειμένου για την AI, σήμανση ή Markdown (Google Search Central). Όταν τον Ιούλιο του 2026 έλεγξα 10 domain από το χαρτοφυλάκιό μου, κανένα δεν σέρβιρε στους πράκτορες AI έκδοση σε Markdown. Στο rogala.pro κάθε σελίδα έχει από τις 8 Οκτωβρίου έκδοση σε Markdown και αρχείο llms.txt, και μέχρι τις 8 Νοεμβρίου μετρώ στα logs του διακομιστή αν τα κατεβάζει κανείς. Στην Πολωνία η λέξη-κλειδί «llms txt» έχει περίπου 720 αναζητήσεις τον μήνα, γι' αυτό θα περιγράψω αυτό το θέμα χωριστά.

Τα δομημένα δεδομένα περιγράφουν το brand στη μηχανή αναζήτησης, αλλά δεν υπάρχει απόδειξη ότι φέρνουν παραθέσεις. Η Google γράφει ότι τα δομημένα δεδομένα δεν απαιτούνται στην παραγωγική αναζήτηση και ότι δεν υπάρχει ειδική σήμανση schema.org που πρέπει να προστεθεί (Google Search Central). Ο Matt Buxbaum από τη Seer Interactive ανέλυσε 8.500 λέξεις-κλειδιά με AI Overview και 6.354 σελίδες που κέρδισαν σε αυτά την πρώτη παράθεση: το schema και τα σήματα E-E-A-T συνδέονταν ασθενέστερα με τη νίκη, ενώ οι σελίδες με τον μεγαλύτερο αριθμό σημάνσεων FAQ και HowTo είχαν περίπου 10 φορές χειρότερη επίδοση (Seer Interactive, 28.05.2026). Είναι συσχέτιση, επομένως δεν ξέρω αν η σήμανση βλάπτει, αλλά αυτά τα δεδομένα δεν τα διαβάζω ως απόδειξη οφέλους. Τα δομημένα δεδομένα τα χρησιμοποιώ για την περιγραφή οντοτήτων (ποιος, τι, πού, με ποια αναγνωριστικά), γιατί γι' αυτό υπάρχουν. Δικό μου τεστ της επίδρασής τους στις απαντήσεις της AI δεν έχω ολοκληρώσει ακόμη.

Η μνεία και η παράθεση είναι δύο διαφορετικά πράγματα και πολλές αναφορές τα μπερδεύουν. Ο Petrovic ξεχωρίζει τρία γεγονότα: τη σελίδα που το σύστημα κατέβασε ως υλικό για την απάντηση, την παράθεση, δηλαδή τη σελίδα που εμφανίζεται ως πηγή, και τη μνεία, δηλαδή το όνομα του brand στο κείμενο της απάντησης, που ο χρήστης διαβάζει και θυμάται (Dejan, 7.07.2026). Ένα brand μπορεί να παρατίθεται χωρίς μνεία στο κείμενο και να αναφέρεται χωρίς να παρατίθεται η σελίδα του. Γι' αυτό μετρώ αυτά τα δύο χωριστά και δεν τα αθροίζω σε ένα «σκορ ορατότητας στην AI».

Πώς να ελέγξετε αν το GEO δουλεύει;

Χωρίς σημείο μηδέν δεν μπορείτε να αποδώσετε το αποτέλεσμα σε καμία αλλαγή, γι' αυτό το καταγράφω πριν από την πρώτη διόρθωση. Στο σημείο μηδέν μπαίνουν οι ερωτήσεις γραμμένες κατά λέξη, τα ονόματα και οι εκδόσεις των μοντέλων, η ημερομηνία και η αγορά. Τις ερωτήσεις τις συντάσσω από δεδομένα ζήτησης και από το Search Console, και οι περισσότερες δεν περιέχουν το όνομα του brand, γιατί το όνομα μέσα στην ερώτηση υποβάλλει από μόνο του την απάντηση στο μοντέλο. Το σύνολο ερωτήσεων από δύο ζώνες θέσεων το περιγράφω στο κείμενο για τη στρατηγική SEO.

Πέντε πράγματα τα μετρώ χωριστά, γιατί το καθένα μπορεί να πάει προς άλλη κατεύθυνση:

1. Τη μνεία του brand στο κείμενο της απάντησης.
2. Την παράθεση της σελίδας ως πηγής.
3. Το αν το μοντέλο έψαξε καν στο διαδίκτυο, δηλαδή την αναζήτηση και τη μνήμη χωριστά.
4. Την επισκεψιμότητα από βοηθούς AI στο analytics, που είναι πάντα κάτω όριο, γιατί μέρος των επισκέψεων έρχεται χωρίς πληροφορία για την πηγή.
5. Την επισκεψιμότητα από την Google την ίδια περίοδο, ώστε η αλλαγή για την AI να μη γίνει σε βάρος των κανονικών αποτελεσμάτων.

Οι απαντήσεις των chat είναι τυχαίες, γι' αυτό την ίδια ερώτηση τη θέτω τρεις φορές ταυτόχρονα. Το AI Overview είναι σταθερό και για αυτό αρκεί μία λήψη. Τον αριθμό από ένα εργαλείο ορατότητας στην AI τον διαβάζω πάντα μαζί με τον παρονομαστή: είναι το ποσοστό στο δικό μου σύνολο ερωτήσεων και όχι «μερίδιο στην αγορά της AI», που δεν το ξέρει κανείς.

Τι κάνω στη δική μου σελίδα και τι δεν ξέρω ακόμη;

Μιλώ δημόσια για την AI στην αναζήτηση από το 2016 και δικό μου brand στις απαντήσεις της AI δεν έχω ακόμη, και από εκεί ξεκίνησε το πείραμά μου. Σημείο μηδέν της 26ης Ιουλίου 2026: το rogala.pro δεν είχε ούτε μία παράθεση σε καμία από τις 7 επιφάνειες AI που ελέγχθηκαν στο Ahrefs για την Πολωνία, και σε 6 ελέγχους σε τρεις πλατφόρμες, σε ερωτήσεις χωρίς το όνομά μου, κανένα μοντέλο δεν με ανέφερε. Όταν ρωτήθηκε για μένα με το όνομά μου, το μοντέλο επαναλάμβανε μια περιγραφή προ ετών. Είναι μία μέτρηση και χωρίς το ChatGPT, γιατί το εργαλείο με το οποίο συγκέντρωσα τις απαντήσεις δεν επέστρεψε αποτελέσματα γι' αυτό, γι' αυτό τη θεωρώ σημείο εκκίνησης και όχι απόδειξη.

Η σειρά των εργασιών προκύπτει από τα δεδομένα: πρώτα η ταυτότητα, μετά η απήχηση. Τακτοποίησα έναν ορισμό στα προφίλ (στο LinkedIn σε 30 γλωσσικές εκδόσεις), έλεγξα τα αναγνωριστικά στα δομημένα δεδομένα (από εκεί η γκάφα με τον ηθοποιό), έστησα τη σελίδα και το blog σε 27 γλώσσες με εκδόσεις σε Markdown. Η απήχηση, δηλαδή οι δημοσιεύσεις και οι μνείες σε ξένα μέσα, έρχεται μόνο μετά από αυτό.

Δεν ξέρω ακόμη αν αυτό δουλεύει. Την πρώτη επαναληπτική μέτρηση των απαντήσεων της AI την προγραμμάτισα από την 1η Νοεμβρίου 2026, και το αποτέλεσμα της μέτρησης των αρχείων Markdown θα υπάρχει μετά τις 8 Νοεμβρίου. Τα αποτελέσματα θα τα προσθέσω σε αυτό το κείμενο, ακόμη και αν βγουν μηδενικά.

Συχνές ερωτήσεις για το GEO

Από πού να ξεκινήσετε;

Τα τρία πρώτα βήματα δεν κοστίζουν τίποτα εκτός από χρόνο. Ελέγξτε αν τα ρομπότ των μηχανών αναζήτησης AI παίρνουν τη σελίδα σας. Κάντε τρεις φορές ταυτόχρονα μερικές ερωτήσεις που κάνουν οι πελάτες σας, χωρίς το όνομα του brand σας, και καταγράψτε ποιος αναφέρεται και ποιος παρατίθεται. Διαβάστε τι λένε για το brand σας τα αποτελέσματα της Google για το ίδιο το όνομά του, γιατί από τις ίδιες πηγές αντλούν και τα μοντέλα. Αν το αποτέλεσμα σας εκπλήξει, είναι καλό θέμα για συμβουλευτική.