LLMO (large language model optimization)
Denne side findes også på engelsk.
LLMO (large language model optimization, optimering til store sprogmodeller) er arbejdet med at forbedre, hvordan store sprogmodeller, som dem bag ChatGPT og Gemini, beskriver og anbefaler et brand, ved at udgive korrekte og ensartede oplysninger både i de data, modellerne lærer af, og på de sider, de henter, når de svarer.
Hvad er LLMO?
LLMO behandler selve sprogmodellen som det, der skal optimeres til. En model besvarer et spørgsmål om et brand ud fra to kilder: det, den optog under træningen, som kan være måneder eller år gammelt, og det, den henter fra det levende web i det øjeblik, den svarer. LLMO arbejder med begge. Træningssiden er langsom og indirekte: sørg for, at dine egne sider, katalogopslag, anmeldelsesprofiler og presseomtale angiver de samme aktuelle fakta, så den næste modelversion lærer et korrekt billede. Hentesiden er hurtigere: giv de motorer, der søger på nettet, en klar side, der er let at citere, for hvert spørgsmål dine købere stiller.
I praksis ligner arbejdet mere entitetshygiejne end søgeordsarbejde: ét ensartet navn og én ensartet beskrivelse af virksomheden og hvert produkt, fakta sagt direkte i stedet for antydet, og de samme fakta bekræftet af tredjepartskilder, som en model sandsynligvis har tillid til. Hvor meget en enkelt kilde flytter en model, kan sjældent ses udefra, og derfor bedømmes LLMO på resultatet: hvad motorerne faktisk siger om dig.
Eksempel
En virksomhed opdager, at en AI-assistent beskriver den med et produktnavn, den udfasede for to år siden. Den udgiver en klar, aktuel beskrivelse af sine produkter på sit eget website og beder de kataloger og anmeldelsessites, der nævner den, om at opdatere deres opslag. De motorer, der henter levende sider, opfanger det nye navn, når de crawler siderne igen; de motorer, der svarer ud fra træningsdata, kommer først med, når deres model bliver opdateret.
LLMO vs. GEO vs. AEO
De tre betegnelser beskriver det samme arbejde fra forskellige vinkler, og de fleste teams bruger dem i flæng. Forskellen er, hvad hver af dem sætter i forgrunden.
| Begreb | Står for | Lægger vægten på |
|---|---|---|
| LLMO | Large language model optimization (optimering til store sprogmodeller) | Modellen: hvad den mener om et brand ud fra sine træningsdata og det, den henter |
| GEO | Generative engine optimization (optimering til generative motorer) | Motoren: hvordan generative systemer som AI-chatassistenter og AI-søgning sammensætter et svar |
| AEO | Answer engine optimization (optimering til svarmotorer) | Resultatet: at blive nævnt og citeret i det svar, en person får |
Hvis du vil have én tommelfingerregel: sig AEO, når du mener resultatet, GEO, når du mener systemerne, og LLMO, når pointen er modellens egen forståelse af dit brand. Den længere sammenligning finder du i GEO vs. AEO vs. LLMO.
Hvorfor det betyder noget
Nogle svar bygger mest på det, en model lærte under træningen, som kan halte efter dine nuværende produkter og din positionering. Andre bygger på hentning i realtid. Ensartede, korrekte oplysninger på dit website og i de tredjepartskilder, der nævner dig, hjælper i begge tilfælde, og det er den eneste del af en models billede af dig, som du selv styrer.
Sådan håndterer Stellarcast det
Stellarcast måler det resultat, LLMO arbejder hen imod: om hver AI-motor, den overvåger, nævner og citerer dit brand for de spørgsmål, dine købere stiller, pr. marked, med et P25-P75-interval, og hvilken konkurrent der blev nævnt, når du ikke blev. Det giver LLMO-arbejdet et før og et efter.
Se, hvordan AI beskriver dit brand
Få en gratis AI-synlighedsanalyse på tværs af ChatGPT, Gemini, Perplexity og Google AI Overviews, og se, hvor du står i forhold til dine konkurrenter.
Få din gratis synlighedsanalyse