Every: kako naterati AI agente da preporučuju vaše članke
Kako AI asistenti sve više sede između pretrage i članaka koji na nju odgovaraju, autorima i urednicima se javlja praktično pitanje: šta navodi AI agenta da izabere vaš tekst, a ne alternative? Mike Taylor, šef evaluacija u Every, objavio je u oktobru 2026. nalaze eksperimenta dizajniranog da odgovori na to pitanje.
Metodologija
Taylor je sproveo 2.484 nezavisne sesije sa četiri AI agenta: Claude Opus 5.5, Claude Sonnet 5.5, Claude Haiku 5.5 i GPT-6.1-Sol. Svaka sesija je primala varijantu naslova izolovano, bez pamćenja ostalih testova — struktuirano kao A/B test. U glavnom eksperimentu svaki agent je dobijao pitanje korisnika i pet do osam rezultata pretrage, zatim birao dva najkorisnija. Sporedni eksperiment je pitao agente koji od 38 postova bi sami najradije pročitali. Ovo je bila simulacija, a ne test živog saobraćaja, pa rezultati opisuju ponašanje agenata, a ne potvrđene efekte na saobraćaj.
Sedam pravila
Recite tačno šta je unutra. Opišite konkretan sadržaj, a ne tezu. Jedna prepravka — gde su naslov i podnaslov bili eksplicitni o tome šta tekst zapravo sadrži — pomakla je vodič od citiranog u 2 od 240 sesija do citiranog u svakoj sesiji.
Napišite opis kao odgovor, ne kao tagline. Opisi koji su direktno odgovarali na pitanje koje članak adresira nadmašili su opise koji su uokvirivali temu ili predstavljali autora.
Počnite sa onim šta čitalac dobija. Početak sa opisom problema koji se rešava ili sa referencama autora dosledno je slabio stopu citiranja. Početak sa ishodom je davao bolje rezultate.
Oznake svežine ne pomažu. Dodavanje “(Updated 2026)” naslovu dovelo je udeo citiranja na nulu u testu. Agenti eksplicitne signale svežine tretiraju kao ometanje, a ne kao pokazatelje kvaliteta.
Agenti podržavaju jedan post po temi. Kada je više članaka pokrivalo isto pitanje, jedan je apsorbovao većinu citiranja, a ostali su dobijali vrlo malo. Implikacija za izdavače je da odaberu jedan najjači tekst na temu i optimizuju ga, umesto da raspoređuju napor na više preklapajućih članaka.
Bliskost publike povećava udeo citiranja. Kada je agentu dat detaljan profil korisnika koji odgovara pretpostavljenom čitaocu članka, udeo citiranja je porastao sa 42% na 50%. Pisanje za specifičnu publiku i njeno jasno navođenje pomaže agentima da usklađuju sadržaj sa pitanjima.
Agenti ne čitaju ono što vaši čitaoci čitaju. Korelacija između saobraćaja članka i citiranja od strane agenata bila je bliska nuli. Agenti koji čitaju za sebe preferirali su postove o ponašanju i ograničenjima AI. Agenti koji odgovaraju na pitanja korisnika preferirali su najdirektniji odgovor bez obzira na rang saobraćaja.
Šta ovo znači za autore i urednike
Glavni praktični nalaz je da jasnoća u naslovima i metapodacima nosi veću težinu kod AI agenata nego kod mnogih čitalaca-ljudi. Taylor tvrdi da ovo nije kompromis: pisanje koje direktno odgovara na pitanje služi obeju publikama. Studija ne adresira strukturu sadržaja na stranici, samo naslove i opise, pa je ovo polazna tačka, a ne kompletan vodič za optimizaciju.
Autori i uredničke ekipe koje rade na dugim formama, njuzleterima ili bazama znanja naći će metodologiju merenja udela citiranja vrednom prilagođavanja za sopstvena testiranja.