自从谷歌推出人工智能模式后，我始终思考着两个问题：
- 如何确保我们的内容在人工智能结果中显示出来？
- 如何判断什么有效，当人工智能搜索还是一个谜团时？
虽然网络上有很多建议，但大多数最好归类为推测。每个人都对人工智能优化有假设，但很少有人真正进行实验来看看什么有效。
一种想法是优化查询扩散。查询扩散是一个过程，其中人工智能系统（尤其是谷歌人工智能模式和ChatGPT搜索）将您的原始搜索查询分解为多个子查询，然后从各个来源收集信息以构建一个综合的响应。
这个图完美地描述了查询扩散过程。
优化策略很简单：确定特定主题周围的子查询，然后确保您的网页包含以这些查询为目标的内容。如果您这样做，您将有更好的机会被选入人工智能答案（至少在理论上）。
因此，我决定运行一个小测试来看看这是否实际有效。我选择了我们博客上的四篇文章，并请求团队成员更新这些文章以解决相关的扩散查询。我跟踪了一个月的AI可见性。
结果很有趣：它们揭示了一些关于人工智能优化的有趣见解。
关键收获
- 针对扩散查询进行优化可以显著增加人工智能引文：在我们四篇文章的小样本中，我们使跟踪提示中的引文从两次增加到五次。虽然绝对数字很小，考虑到样本大小，但引文是我们旨在影响的主要指标，而且这种增加表明了方向上的成功。
- 人工智能引文可能是不确定的：我不时检查，在某个时候，我们的引文增加到九次，然后又下降到五次。有报道称ChatGPT大幅减少了所有品牌和出版商的引文。这只是表明，当您依赖人工智能平台进行可见性时，事情可能会发生多么快速的变化。
- 我们的品牌提及次数下降了，其他品牌也看到同样的下降：总体而言，我们注意到更少的品牌提及出现在AI响应中，针对我们监控的查询。这影响了我们的市场份额、品牌可见性和总提及次数。其他品牌也经历了类似的下降。这似乎是一个与引文变化不同的独立问题——更多地与人工智能平台在我们的实验期间处理品牌提及的方式有关。
我们稍后将详细讨论该实验的结果。首先，让我告诉你我们如何进行这个实验，这样你就可以理解我们的方法，并可能复制或改进我们的方法。
我们如何运行查询扩散实验
这是我们如何设置和运行实验的方法：
- 我选择了我们博客上的四篇文章
- 针对每篇选定的文章，我研究了10到20个扩散查询
- 我与团队成员Tushar Pol合作，他是我们的高级内容作者，帮助我执行这些实验的内容更改。他编辑了这些文章的内容，以解决尽可能多的扩散查询。
- 我设置了跟踪查询扩散查询的指标，以便我们可以衡量更新前后的AI可见性。我使用Semrush Enterprise AIO平台来做这件事。我们主要希望看到我们的内容更改如何影响Google AI Mode的可见性，但我们的优化也可能提高其他平台（如ChatGPT Search）上的可见性，所以我也跟踪了那里的性能。
让我们更详细地看看每一步。
1. 文章选择
选择实验文章时，我有一些特定的标准。
首先，我希望文章在过去几个月内表现稳定。流量最近一直很波动，在不稳定的页面上进行测试将使我们无法确定性能的任何变化是否是由于我们的修改还是正常的波动。
其次，我避免选择对我们业务至关重要的文章。这毕竟是一个实验。如果出了什么问题，我不希望对我们在关键主题上的可见性产生负面影响。
在审阅我们的内容库后，我找到了四篇非常合适的文章：
- 介绍如何创建营销日历的指南
- 关于子域名是什么及其工作原理的解释
- 关于谷歌关键词排名的综合指南
- 关于如何进行技术SEO审计的详细流程
2. 研究扩散查询
接下来，我继续研究每篇文章的扩散查询。
目前无法知道谷歌会在AI模式下使用哪些扩散查询（相关问题和后续问题），因为这些是动态生成的，并且可能会随着每次搜索而变化。
因此，我不得不依靠合成查询。这些是AI生成的查询，近似地模拟了谷歌在AI模式下可能生成的内容。
我决定使用两个工具来生成这些查询。
首先，我使用Screaming Frog。该工具允许我针对每篇文章运行自定义脚本。该脚本分析页面内容，确定它所针对的主要关键词，然后执行它自己的查询扩散版本以建议相关查询。
不幸的是，数据不适合在Screaming Frog中查看——所有内容都被塞进了一个单元格。因此，我不得不将整个单元格的内容复制并粘贴到一个单独的Google表单中。
现在我终于可以看到数据了。
好消息是该脚本还检查我们的内容是否已经解决了这些查询。如果一些查询已经被解决，我们可以跳过它们。但如果有新的查询，我们需要为它们添加新的内容。
接下来，我使用了Qforia，iPullRank的Mike King和他的团队创建的一个免费工具。
我使用另一个工具的原因很简单：不同的工具经常产生不同的查询。通过投入更广泛的网，我们将拥有一个更全面的潜在扩散查询列表。
此外，如果某些查询在两个工具中都很常见，那么解决这些问题可能很重要。
Qforia的工作原理很简单：在给定的字段中输入文章的主要关键词，添加Gemini API密钥，选择搜索模式（要么是谷歌AI模式，要么是AI概述），然后运行分析。该工具将为您生成相关查询。
对于每篇文章，我运行了分析，并将结果保存在相同的Google表单中。
3. 更新文章
凭借一个包含扩散查询的电子表格，现在是时候真正更新我们的文章了。这是Tushar介入的地方。
我的指示很简单：
检查每篇文章的扩散查询，并解决那些尚未被解决且可行的查询。如果一些查询感觉超出了文章的范围，可以跳过它们并继续前进。
我还告诉Tushar，直接包含查询不是必须的。只要我们回答了查询提出的问题，确切的措辞并不那么重要。目标是确保我们的内容包括读者实际寻找的东西。
有时，解决一个查询意味着小幅调整——仅添加一两句话到现有的内容中。其他时候，它需要创建全新的部分。
例如，我们关于技术SEO审计的文章中有一个扩散查询：“技术SEO审计与页面SEO审计之间的区别”.
我们可以通过多种方式解决这个查询，但一个明智的选择是在定义技术SEO审计后立即进行比较。
有时，不容易（或甚至不可能）将查询自然地集成到现有的内容中。在这种情况下，我们通过创建一个新的FAQ部分并在该部分中解决多个扩散查询来解决它们。
以下是一个例子：
在一周的时间里，我们更新了所有四篇文章。这些文章并没有经过我们的标准编辑审查程序。我们行动迅速。但这是故意的，因为这是一个实验，而不是普通的内容更新。
4. 设置跟踪
在我们发布更新之前，我记录了每篇文章当前的性能，以建立一个基线来比较。这将使我们能够判断查询扩散优化是否真正提高了我们的AI可见性。
我使用了我们的Enterprise AIO平台来跟踪结果。我在工具中创建了一个新项目，输入了我们要跟踪的所有查询。然后，该工具开始衡量我们的当前可见性，在Google AI模式和ChatGPT中。
以下是实验开始时的性能情况：
- 引文：这衡量我们的页面在AI响应中被引用的次数。最初，只有我们四篇文章中的两篇每次至少被引用一次。
- 总提及：该指标显示我们直接在AI响应中被提及的查询比例。该比例为18/33，这意味着在33个跟踪的查询中，我们在18个查询中被提及。
- 回声份额：这是一个加权指标，考虑了品牌位置和在跟踪的AI查询中的提及次数。我们的得分是23.4%，这意味着我们出现在一些响应中，但不是全部，或者在领导位置上。
- 品牌可见性：这让我们知道在提示的什么百分比中，品牌至少被提到一次，不论是任何位置。
我决定等待一个月后再记录一次指标。然后，是时候结束我们的实验了。
结果：关于查询扩散优化的收获
结果很复杂。
首先，有些好消息：我们的引文总数增加了。
我们的四篇文章从被引用两次增加到五次——增加了150%。例如，我们在技术SEO文章（如前所示）中进行的编辑被用作AI响应中的源。
看到我们的内容被引用是我们所希望的，所以这算是一个成功。尽管样本量很小。
有趣的是，如果我们更早地结束实验，结果可能会更令人印象深刻。在某个时候，我们的引文数量增加到9次，但后来减少到5次，当ChatGPT大幅度减少了所有品牌的引文时。这只表明了当你依赖人工智能平台进行可见性时，事情可能会发生多么快速的变化。
但是，我们跟踪的其他指标呢？
我们的回声份额从23.4%下降到20.0%，品牌可见性从13.6%下降到10.6%，品牌提及次数从18下降到10。
根据我们的数据，我们并不是唯一一个品牌指标下降的品牌。以下是一张图，显示了多个品牌的回声份额下降情况:
这是因为AI平台在生成响应时提到了更少的品牌名称。这种情况与我之前提到的引文波动是一个独立的问题——更多地与AI平台在我们的实验期间处理品牌提及的方式有关。
考虑到外部因素，我认为我们的优化工作在数据显示的基础上表现得更好。尽管遇到了阻碍，我们还是设法增加了我们的引文数量。
所以，现在的问题是：
查询扩散优化是否有效？
根据我们在实验中所学到的，我会说是的——但是带有一个巨大的星号。
查询扩散优化可以帮助您获得更多的引文，这是有价值的。但是，当事情这么动态时，预测增长很难。请记住这一点，当您进行AI优化时。
如果您有兴趣了解更多关于AI SEO的信息，请关注我们博客上新发布的内容。以下是一些您可以先看的文章：
