AI-sökning är inte längre bara text. Multimodala modeller kan bearbeta bilder direkt, och AI-plattformar indexerar allt oftare video- och ljudinnehåll, vilket betyder att en sidas synlighet nu beror på mer än dess skrivna text.
Om dina bilder saknar beskrivande kontext och dina videor saknar transkription är du osynlig för en växande del av vad AI-sökmotorer faktiskt kan förstå och citera, oavsett hur bra ditt skrivna innehåll är.
Poängsätt Din SidaMultimodala modeller kan bearbeta mer än en typ av inmatning, text, bilder, och allt oftare ljud och video, inom samma resonemangsprocess. I praktiken betyder det att ett modernt AI-system kan titta på en bild direkt och beskriva vad som finns på den, i stället för att uteslutande förlita sig på alt-texten eller bildtexten en sidförfattare skrev. Det betyder också att video- och ljudinnehåll inte längre är osynligt som standard på det sätt det var för äldre, textbaserade crawlers, om en transkription eller undertext finns blir det innehållet läsbar, citerbar text.
Det här är en annan angelägenhet än tillgänglighetsfokuserad alt-text, även om de två överlappar på vissa punkter. Tillgänglighets-alt-text finns för att beskriva en bild för någon som använder en skärmläsare, och dess riktlinjer (var koncis, beskriv funktion och innehåll, undvik redundanta fraser som "bild av") handlar om ett specifikt mänskligt användningsfall. Multimodal AI-förståelse handlar om att ge ett AI-system tillräckligt med omgivande kontext, i alt-texten, bildtexten, filnamnet och den närliggande texten, för att korrekt förstå vad bilden visar och varför den finns där, vilket sedan gör den citerbar i ett svar om det innehållet.
Video och ljud står inför en mer grundläggande lucka: utan transkription finns det ofta ingen text alls för en AI-crawler att läsa. En välproducerad video som förklarar din produkt kan vara funktionellt osynlig för ett system som bara bearbetar text, oavsett hur bra det visuella innehållet är, om inte en transkription, undertexter eller en detaljerad textsammanfattning finns bredvid. Det här är för närvarande den enskilt största hävstången för multimodal GEO på de flesta webbplatser, eftersom den ofta helt enkelt saknas snarare än är dåligt gjord.
Alt-text, bildtexter och texten precis runt en bild hjälper alla ett AI-system att korrekt tolka vad den visar och varför det spelar roll, utöver vad visuell analys ensam kan härleda.
En fullständig transkription förvandlar en video från en osynlig tillgång till läsbar, citerbar text. Undertexter tjänar samma syfte för plattformar som indexerar dem, och båda gynnar tillgänglighet samtidigt.
Poddar och ljudinnehåll behöver en textmotsvarighet, detaljerade avsnittsanteckningar eller en fullständig transkription, för att förstås och citeras av AI-system på samma sätt som en artikel skulle.
Varje bild, video och ljudtillgång med rätt textkontext är ytterligare en del innehåll ett AI-system faktiskt kan referera till, i stället för innehåll som finns på din sida men är funktionellt osynligt för det.
En väl beskriven bild eller en transkriberad video kan dyka upp för förfrågningar där en ren textsida kanske inte skulle göra det, särskilt allt eftersom AI-plattformar lägger till inbyggd förståelse för bild och video.
AI-sökplattformar utökar aktivt sina multimodala förmågor. Innehåll som redan är korrekt beskrivet och transkriberat behöver inte anpassas i efterhand när den förmågan når din trafik.
Kontrollera alt-text, bildtexter och filnamn för dina viktigaste bilder. Ersätt generisk eller saknad alt-text med en beskrivning som anger vad bilden faktiskt visar och varför den är relevant för det omgivande innehållet, inte bara ett sökord instoppat för SEO.
Börja med ditt videoinnehåll med mest trafik eller störst betydelse. En fullständig transkription, publicerad som synlig text nära videon eller inbäddad via undertexter, är den enskilda åtgärden med störst genomslag för de flesta webbplatser, eftersom många inte har någon alls idag.
Publicera detaljerade avsnittsanteckningar eller en fullständig transkription bredvid ljudspelaren för poddar eller annat ljud. Ta det lika seriöst som du skulle ta själva ljudet, ett AI-system kan inte lyssna, det kan bara läsa.
Allt oftare båda. Multimodala modeller kan bearbeta en bild direkt och beskriva dess innehåll, men alt-text, bildtexter och omgivande text ger fortfarande viktig kontext, som varför bilden spelar roll och vad den illustrerar, som visuell analys ensam kanske inte fångar.
De överlappar men är inte identiska. Tillgänglighets-alt-text skrivs för någon som använder en skärmläsare och följer konventioner byggda för det användningsfallet. Multimodal GEO handlar om att ge ett AI-system tillräckligt med kontext, via alt-text, bildtexter och närliggande text, för att korrekt förstå och citera vad bilden visar. Bra, tillgänglig alt-text är oftast en stark utgångspunkt för båda.
Textbaserade AI-crawlers och många nuvarande AI-sökssystem bearbetar fortfarande text mycket mer tillförlitligt än rå video eller ljud. En transkription garanterar att din videos faktiska innehåll är läsbart och citerbart, i stället för att bero på om ett givet system redan bearbetar video på ett inbyggt sätt.
Bara om det finns text att citera, avsnittsanteckningar eller en transkription. Utan det är ljudinnehållet funktionellt osynligt för de flesta AI-crawlers idag, oavsett hur värdefullt själva samtalet är.
Mindre än förekomsten av medföljande text. En transkription publicerad som riktig, läsbar text på sidan, inte inlåst i en PDF eller en bild av text, spelar större roll än vilken videovärd eller vilket ljudformat du använder.
Prioritera efter trafik och betydelse i stället för att försöka transkribera allt på en gång. Börja med dina mest sedda eller kommersiellt viktigaste videor, eftersom det är där citerings- och trafikvinsten är störst.
GEO-Score kontrollerar mer än bara din skrivna text. Poängsätt din sida på alla 22 GEO-mått för att se var bilder, struktur och innehåll hjälper eller skadar din AI-synlighet. Fem kontroller per domän är gratis var 30:e dag.
Poängsätt Din Sida