Princetonská štúdia GEO: Metodológia, výsledky a kritika

Princetonská štúdia GEO je východiskovým bodom každej serióznej práce s Generative Engine Optimization. Kto chce v B2B v regióne DACH pochopiť, prečo štatistiky, uvádzanie zdrojov a citáty v odpovediach AI zrazu platia za optimalizačné páky, tejto publikácii sa nevyhne. V roku 2023 ako preprint (publikovaná na KDD 2024) po prvý raz priniesla merateľný a reprodukovateľný dôkaz, že obsah sa dá cielene navrhnúť tak, aby ho generatívne vyhľadávacie systémy citovali častejšie a výraznejšie. Tento článok zasadzuje štúdiu do kontextu, vysvetľuje jej metodológiu, správne interpretuje často citovaný hlavný výsledok a pomenúva limity, ktoré treba zohľadniť pri prenose na dnešné systémy a na nemecky hovoriaci trh.

Čo je štúdia GEO z Princetonu a prečo zostáva relevantná

Autormi práce s názvom „GEO: Generative Engine Optimization“ sú Pranjal Aggarwal, Vishvak Murahari, Tanmay Rajpurohit, Ashwin Kalyan, Karthik Narasimhan a Ameet Deshpande. Práca vyšla na konferencii ACM SIGKDD 2024 (KDD 2024) a ako preprint je voľne dostupná pod arXiv 2311.09735. Autori zaviedli pojem Generative Engine Optimization a definovali ho ako samostatnú disciplínu popri klasickej optimalizácii pre vyhľadávače.

Relevancia vyplýva z východiskovej situácie. Klasické SEO sa zameriava na umiestnenie, teda na pozície v zozname výsledkov. Generatívne vyhľadávacie systémy ako Google AI Overviews, ChatGPT Search alebo Perplexity namiesto toho poskytujú syntetizovanú odpoveď a odkazujú už len na vybrané zdroje. Štúdia z Princetonu bola prvou prácou, ktorá túto novú realitu zmerala v kontrolovanom experimente. Posunula otázku od „Ako sa umiestnim vyššie?“ k „Ako sa dostanem do generovanej odpovede?“. Práve tento posun robí z publikácie zakladajúci dokument disciplíny, ktorej taktiky sa dnes objavujú v každej príručke GEO.

Dôležité pre správne pochopenie: štúdia je akademická, nie komerčná. Jej tvrdenia pochádzajú z recenzovaného experimentu, nie z marketingu poskytovateľa nástrojov. To jej dáva náskok v dôveryhodnosti, ktorý pri mnohých neskorších odvetvových štúdiách nemožno predpokladať.

Metodológia: GEO-bench a nové metriky viditeľnosti

Jadrom štúdie je špeciálne vyvinutý benchmarkový framework s názvom GEO-bench. Obsahuje 10 000 vyhľadávacích dopytov rozdelených na 8 000 tréningových, 1 000 validačných a 1 000 testovacích, získaných z deviatich rôznych zdrojov dát v 25 doménach, ako sú umenie, zdravie alebo hry. Aby dátový súbor zodpovedal reálnemu vyhľadávaniu, autori dodržali typické rozloženie dopytov: 80 percent informačných a po 10 percent transakčných a navigačných dopytov. Táto šírka je rozhodujúca, pretože bráni tomu, aby výsledok platil len pre jedinú niku.

Druhým metodologickým prínosom sú dve nové metriky, vďaka ktorým sa viditeľnosť v generovanej odpovedi dá vôbec kvantifikovať. Obe merajú niečo iné ako klasické umiestnenie vo výsledkoch:

Position-Adjusted Word Count: Tento ukazovateľ počíta, koľko slov odpovede AI pochádza z konkrétneho zdroja, a váži ich podľa pozície v odpovedi. Zdroj, ktorý sa v odpovedi spracuje skoro a podrobne, dostane vyššiu hodnotu ako zdroj, ktorý sa objaví len okrajovo. Meria teda rozsah a výraznosť prevzatia.

Subjective Impression: Táto metrika používa jazykový model ako hodnotiteľa a posudzuje vnímanú relevanciu, mieru vplyvu a užitočnosť citovaného zdroja v rámci odpovede. Zachytáva tak kvalitatívne aspekty, ktoré samotné počítanie slov nepostihne.

Samotné hodnotenie prebiehalo pomocou generatívneho systému postaveného na vtedy aktuálnom modeli GPT, ktorý ako podklad používal výsledky vyhľadávania. Pri každom testovacom dopyte sa obsah cieľového zdroja upravil podľa jednej metódy GEO a potom sa meralo, či a ako výrazne sa zmenila viditeľnosť tohto zdroja v generovanej odpovedi.

Deväť testovaných metód GEO a ich účinok

Štúdia testovala deväť konkrétnych úprav obsahu oproti neoptimalizovanému východiskovému stavu. Najdôležitejšie sa dajú rozdeliť do troch skupín:

Signály autority (víťazi): Patria sem Statistics Addition (doplnenie vhodných čísel a štatistík), Quotation Addition (doplnenie relevantných citátov) a Cite Sources (uvedenie zdrojov s odkazmi na dôveryhodné podklady). Autori označujú tieto tri metódy za najúčinnejšie v celom výskume.

Jazyková optimalizácia: Sem patria Fluency Optimization (plynulejšie a jasnejšie formulácie), Authoritative (autoritatívnejší tón) a Technical Terms (zapracovanie odborných pojmov). V metrike Position-Adjusted Word Count dosiahla Fluency Optimization 24,7 bodu (bez optimalizácie 19,3), čím bola približne na úrovni Cite Sources (24,6). Authoritative a Technical Terms pôsobili mierne a ich účinok silno závisel od odboru.

Neúčinné alebo škodlivé prístupy: Keyword stuffing, teda mechanické opakovanie kľúčových slov, patril k najslabším prístupom a viditeľnosť oproti východiskovému stavu mohol dokonca zhoršiť. V praktickom teste na Perplexity dosiahol keyword stuffing v metrike Position-Adjusted Word Count približne o 10 percent horší výsledok ako neoptimalizovaný východiskový stav. To je kľúčové zistenie: klasické SEO spamové taktiky sa na generatívne systémy neprenášajú.

Prakticky najcennejšie zistenie spočíva v kombinácii. Autori ukázali, že spojenie jazykovej optimalizácie so zapracovaním štatistík prekonáva každú jednotlivú metódu. Pre B2B v regióne DACH to znamená: zvyšuj hustotu dôkazov a čitateľnosť naraz a nevyberaj si len jednu taktiku.

Ako správne interpretovať hlavný výsledok „až o 40 percent“

Najcitovanejším číslom štúdie je hlavné tvrdenie, že viditeľnosť v generatívnych odpovediach sa dá zvýšiť až o 40 percent. V praxi sa toto číslo často chápe nesprávne, preto sa oplatí presne ho vysvetliť.

Po prvé, ide o maximálnu hodnotu, nie o priemer. Konkrétne tri metódy vyzdvihnuté autormi (Cite Sources, Quotation Addition a Statistics Addition) dosiahli podľa publikácie relatívne zlepšenie o 30 až 40 percent v metrike Position-Adjusted Word Count (po prepočte z tabuľky 1 publikácie: približne 27 percent pri Cite Sources až 41 percent pri Quotation Addition). Ide teda o vrchol toho, čo je možné za ideálnych podmienok, nie o záruku pre akýkoľvek obsah.

Po druhé, ide o relatívne, nie absolútne zlepšenie. Opisuje nárast oproti neoptimalizovanému východiskovému stavu toho istého zdroja v rovnakom kontexte odpovede. Kto je už aj tak dominantne citovaný, má menší priestor smerom nahor.

Po tretie, a to je strategicky najdôležitejší bod, najviac profitovali nižšie umiestnené zdroje. Štúdia opisuje vyrovnávací efekt: obsah, ktorý bol bez optimalizácie sotva viditeľný, získal vďaka metódam GEO neúmerne veľa. Pre malých a stredných poskytovateľov z regiónu DACH je to tá skutočne dobrá správa. GEO dáva reálnu šancu na zmienku práve outsiderom a neslúži len na to, aby boli zavedení lídri trhu ešte viditeľnejší.

Doménová špecifickosť: prečo rovnaká metóda pôsobí rozdielne

Často prehliadaným zistením štúdie je závislosť od domény. Naprieč 25 pokrytými doménami nepôsobila žiadna metóda všade rovnako. V niektorých odboroch zvyšovali viditeľnosť najviac štatistiky, v iných citáty alebo autoritatívnejší jazykový štýl.

Pre B2B používateľov z toho vyplýva konkrétne odporúčanie: univerzálny vzorec GEO neexistuje. Technický priemyselný produkt, právne poradenstvo a ponuka typu software as a service potrebujú rozdielne ťažiská. Kde dôvera vzniká na základe tvrdých dát, oplatí sa hustota štatistík. Kde vzniká vďaka expertíze a reputácii, oplatia sa citáty s uvedeným autorom. Štúdia tak poskytuje metodiku na testovanie, nie recept. Kto berie GEO vážne, meria účinok pre každú tematickú oblasť zvlášť a neuplatňuje jednu paušálnu stratégiu na celý obsah.

Kritika a limity štúdie

Akokoľvek je štúdia z Princetonu významná, jej výpovedná hodnota má jasné hranice, ktoré musíš poznať, ak ju chceš seriózne uplatniť.

Syntetické a čiastočne nepriehľadné hodnotenie: Viditeľnosť sa merala strojovo, sčasti s jazykovým modelom ako hodnotiteľom. Generatívny systém a jeho výber zdrojov zostávajú čiernou skrinkou. Nie je úplne zrejmé, prečo bol niektorý zdroj uprednostnený.

Stav modelov 2023/2024: Experimenty prebiehali s vtedajším stavom modelov a vyhľadávacích systémov. Dnešné systémy ako Google AI Overviews, Google AI Mode, Perplexity alebo Claude pracujú s novšími architektúrami, iným spôsobom vyhľadávania (retrieval) a sčasti s úplne inou logikou výberu zdrojov. Konkrétne percentuálne hodnoty preto nemožno jedna k jednej preniesť na rok 2026.

Usporiadanie s nulovým súčtom: V experimente súperilo o viditeľnosť v rámci jednej odpovede len niekoľko zdrojov. V takomto uzavretom nastavení vychádzajú relatívne zisky väčšie ako v otvorenej realite, v ktorej systém vyberá z miliónov stránok. Hodnoty zlepšenia preto čítaj ako ukazovateľ smeru, nie ako presnú prognózu pre vlastný web.

Zovšeobecniteľnosť: Štúdia testovala generatívnu syntézu, nie každý dnešný produkt. To, že mechanizmus v princípe funguje, sa považuje za dobre preukázané. To, že presné čísla platia pre konkrétny dnešný systém, je predpoklad, nie dokázaný fakt.

Od štúdie k praxi: operacionalizácia zistení

Výsledky výskumu sa dajú pretaviť do štyroch praktických pák, ktoré môžeš v B2B v regióne DACH okamžite zaviesť:

Front-Loading: Najdôležitejšia odpoveď patrí na začiatok sekcie. Generatívne systémy prednostne spracúvajú skoré, jasne formulované tvrdenia. To zodpovedá zisteniu, že výrazné umiestnenie má v logike Position-Adjusted Word Count vyššiu váhu.

Answer Islands: Obsah by mal byť členený do samostatných, sémanticky úplných pasáží, z ktorých každá úplne odpovedá na jednu otázku. Takéto uzavreté bloky sa ľahšie prevezmú do odpovede AI ako celok.

Hustota faktov a štatistík: Keďže Statistics Addition patrila k najsilnejším metódam, konkrétna a podložená hustota dát je priamou pákou GEO. Zvlášť cenné sú pritom vlastné, proprietárne čísla, pretože sa nedajú ľubovoľne zameniť.

Schéma a štruktúra: Štruktúrované dáta a čistá hierarchia nadpisov pomáhajú systémom správne priradiť obsah. Sú technickou operacionalizáciou obsahových zistení.

Aktuálny stav výskumu od princetonskej štúdie

Štúdia z Princetonu bola začiatkom, nie posledným slovom. Viacero nadväzujúcich prác potvrdzuje základný smer a relativizuje jednotlivé predpoklady.

Rozšírené frameworky zväčšili pôvodný katalóg metód a doplnili ho o štrukturálne znaky, napríklad čitateľnosť, formátovanie a sémantickú jasnosť. Smer zostáva rovnaký: signály autority a dobrá štruktúra zvyšujú pravdepodobnosť citovania.

Mimoriadne poučný je výskum otázky, čo poháňa viditeľnosť v AI mimo samotnej stránky. Analýza 1 000 domén zistila, že autorita domény zreteľne súvisí so zmienkami v AI (Pearson 0,65, Spearman 0,57). Pozoruhodné je, že nofollow odkazy vykazujú takmer rovnaký vzťah k viditeľnosti v AI ako follow odkazy. Pre prax to posúva dôraz od samotnej sily odkazov k reputácii a zmienkam ako celku. Prítomnosť značky a spätné odkazy sú vo svete AI príbuznejšie, než naznačuje klasické SEO.

Tento nadväzujúci výskum potvrdzuje jadro štúdie z Princetonu a dopĺňa ho o dôležitý rozmer: samotná on-page optimalizácia nestačí, musí ju podporiť externá autorita.

llms.txt vo svetle dôkazov

V prostredí GEO koluje myšlienka poskytnúť jazykovým modelom v súbore s názvom llms.txt kurátorsky pripravenú mapu obsahu. Pre hodnotenie založené na dôkazoch je dôležité: táto myšlienka nie je súčasťou štúdie z Princetonu a štúdia ju ani nepodporuje.

Realita je vytriezvujúca. Napriek rastúcemu rozšíreniu zatiaľ žiadny veľký poskytovateľ AI oficiálne nepotvrdil, že llms.txt používa na generovanie odpovedí. Odvetvové analýzy doteraz nenachádzajú spoľahlivú súvislosť medzi existenciou súboru llms.txt a vyššou mierou citovania. Rozdiel medzi pozornosťou a skutočným účinkom je tu veľký. Ak robíš GEO seriózne, považuj llms.txt za experimentálny prvok s nízkou prioritou a zdroje investuj najprv do overených pák, ako sú hustota dôkazov, štruktúra a reputácia.

Prenos do regiónu DACH a do Rakúska

Štúdia z Princetonu je v angličtine a zameraná na USA. Otázka, či jej zistenia platia aj na nemecky hovoriacom B2B trhu, si vyžaduje diferencovanú odpoveď.

Mechanizmus nezávisí od jazyka. To, že generatívne systémy uprednostňujú podložený, dobre štruktúrovaný a autoritatívny obsah, vyplýva zo syntézy odpovede, nie z angličtiny. Kvalitatívne zistenia sú preto prenosné. Presné percentuálne hodnoty nie sú, pretože sú viazané na testované systémy a anglické dátové súbory.

Význam pre rakúsky trh rýchlo rastie. Podľa Statistik Austria používalo v roku 2025 AI už 29,9 percenta rakúskych podnikov s aspoň 10 zamestnancami, pričom v roku 2024 to bolo 20,3 percenta a v roku 2023 ešte 10,8 percenta. To je takmer o 10 percentuálnych bodov viac v priebehu jedného roka. Roky však nie sú úplne porovnateľné, pretože prieskum sa od roku 2025 pýta na osem namiesto siedmich technológií AI. Bez novej kategórie by hodnota za rok 2025 bola 28,9 percenta. Pre GEO je zvlášť dôležité, že 51 percent podnikov využívajúcich AI ju nasadzuje na generovanie jazyka. Technológia, na ktorej stojí generatívne vyhľadávanie, sa teda už dostala do rakúskych malých a stredných podnikov.

Pre región DACH sú rozhodujúce dva praktické body. Po prvé, generatívne vyhľadávanie merateľne mení správanie pri klikaní. Podľa medzinárodnej analýzy Ahrefs dnes prítomnosť AI Overview koreluje s priemernou mierou prekliku nižšou o 58 percent, oproti 34,5 % v predchádzajúcej analýze z apríla 2025. Viditeľnosť v odpovedi je tak dôležitejšia ako samotná pozícia v zozname. Po druhé, zostávajúca návštevnosť má vyššiu hodnotu. Medzinárodná štúdia Semrush zistila, že návštevník z AI vyhľadávania je na základe konverzného pomeru 4,4-krát hodnotnejší ako klasický organický návštevník z vyhľadávania. Pre B2B poskytovateľov v regióne DACH, ktorí majú dlhé predajné cykly s vysokou potrebou poradenstva, táto kombinácia jasne posúva prioritu smerom ku GEO.

Ďalšie témy

Štúdia z Princetonu poskytuje vedecký základ, hotovú stratégiu však nie. Na operatívne zavedenie v B2B v regióne DACH sa odporúča prepojiť jej zistenia s doplňujúcimi témami tejto znalostnej bázy: s úlohou štatistík a dát ako jednej z najsilnejších samostatných pák, so vzťahom medzi zmienkami o značke a spätnými odkazmi, so štruktúrovaním obsahu pomocou Front-Loadingu a Answer Islands a s priebežným meraním úspechu pomocou vhodných metrík GEO. Najväčší úžitok získaš, ak štúdiu použiješ ako generátor hypotéz a jej zistenia otestuješ vo vlastnej tematickej oblasti, namiesto toho, aby si percentuálne hodnoty čítal ako sľub.