LLMO (large language model optimization)
Denne siden finnes også på engelsk.
LLMO (large language model optimization, optimalisering for store språkmodeller) er arbeidet med å forbedre hvordan store språkmodeller, for eksempel de som ligger bak ChatGPT og Gemini, beskriver og anbefaler en merkevare, ved å publisere korrekt og konsekvent informasjon både i dataene modellene lærer av og på sidene de henter når de svarer.
Hva er LLMO?
LLMO behandler selve språkmodellen som det du optimaliserer for. En modell svarer på et spørsmål om en merkevare ut fra to kilder: det den tok opp i seg under treningen, som kan være måneder eller år gammelt, og det den henter fra nettet i det øyeblikket den svarer. LLMO jobber med begge. Treningssiden er langsom og indirekte: sørg for at dine egne sider, katalogoppføringer, anmeldelsesprofiler og presseomtale oppgir de samme oppdaterte fakta, slik at neste modellversjon lærer et korrekt bilde. Hentesiden går raskere: gi motorer som søker på nettet en tydelig side som er lett å sitere, for hvert spørsmål kjøperne dine stiller.
I praksis ligner arbeidet mer på entitetshygiene enn på søkeordarbeid: ett konsekvent navn og én konsekvent beskrivelse for selskapet og hvert produkt, fakta som sies rett ut i stedet for å antydes, og de samme faktaene bekreftet av tredjepartskilder som en modell sannsynligvis stoler på. Hvor mye en enkelt kilde påvirker en modell, er sjelden synlig utenfra, og derfor vurderes LLMO etter resultatet: hva motorene faktisk sier om deg.
Eksempel
Et selskap oppdager at en AI-assistent beskriver det med et produktnavn det la ned for to år siden. Selskapet publiserer en tydelig, oppdatert beskrivelse av produktene sine på eget nettsted og ber katalogene og anmeldelsesnettstedene som omtaler det, om å oppdatere oppføringene sine. Motorene som henter sider direkte fra nettet, fanger opp det nye navnet når de har gjennomsøkt sidene på nytt; de som svarer ut fra treningsdata, henger seg på først når modellen deres oppdateres.
LLMO vs. GEO vs. AEO
De tre betegnelsene beskriver det samme arbeidet fra ulike vinkler, og de fleste team bruker dem om hverandre. Forskjellen ligger i hva hver av dem setter i forgrunnen.
| Begrep | Står for | Legger vekt på |
|---|---|---|
| LLMO | Large language model optimization (optimalisering for store språkmodeller) | Modellen: hva den mener om en merkevare, ut fra treningsdataene og det den henter |
| GEO | Generative engine optimization (optimalisering for generative motorer) | Motoren: hvordan generative systemer som AI-chatassistenter og AI-søk setter sammen et svar |
| AEO | Answer engine optimization (optimalisering for svarmotorer) | Resultatet: å bli nevnt og sitert i svaret en person får |
Hvis du vil ha én tommelfingerregel: si AEO når du mener resultatet, GEO når du mener systemene, og LLMO når poenget er modellens egen forståelse av merkevaren din. Den lengre sammenligningen finner du i GEO vs. AEO vs. LLMO.
Hvorfor det er viktig
Noen svar bygger mest på det en modell lærte under treningen, og det kan henge etter dine nåværende produkter og din posisjonering. Andre bygger på henting fra nettet i sanntid. Konsekvent og korrekt informasjon på nettstedet ditt og i tredjepartskildene som omtaler deg, hjelper i begge tilfeller, og det er den eneste delen av modellens bilde av deg som du selv kontrollerer.
Slik håndterer Stellarcast det
Stellarcast måler resultatet LLMO jobber mot: om hver AI-motor den sporer, nevner og siterer merkevaren din for spørsmålene kjøperne dine stiller, per marked, med et P25-P75-intervall, og hvilken konkurrent som ble nevnt når du ikke ble det. Det gir LLMO-arbeidet et før og et etter.
Se hvordan AI beskriver merkevaren din
Få en gratis analyse av AI-synlighet i ChatGPT, Gemini, Perplexity og Google AI Overviews, og se hvor du står sammenlignet med konkurrentene.
Få din gratis synlighetsanalyse