SEO-optimering: Hur Googles AI fungerar (augusti 2025)

Sökmotoroptimering (SEO) är processen att optimera faktorer på och utanför sidan som påverkar hur högt en webbsida rankas för en specifik sökterm. Detta är en mångfacetterad process som inkluderar optimering av sidladdningshastighet, generering av en länkbyggnadsstrategi, användning SEO verktyg, såväl som att lära sig hur man bakåtkonstruerar Googles AI med hjälp av beräkningstänkande.

Beräkningstänkande är en avancerad typ av analys och problemlösningsteknik som datorprogrammerare använder när de skriver kod och algoritmer. Beräkningstänkare kommer att söka grundsanningen genom att bryta ner ett problem och analysera det med hjälp av första principstänkande.

Eftersom Google inte släpper sin hemliga sås till någon, kommer vi att förlita oss på beräkningstänkande. Vi kommer att gå igenom några avgörande ögonblick i Googles historia som format de algoritmer som används, och vi kommer att lära oss varför detta är viktigt.

Hur man skapar ett sinne

Vi börjar med en bok som gavs ut 2012, som heter "Hur man skapar ett sinne: The Secret of Human Thought Revealed” av den kända futuristen och uppfinnaren Ray Kurzweil. Den här boken dissekerade den mänskliga hjärnan och bröt ner hur den fungerar. Vi lär oss från grunden hur hjärnan tränar sig själv med hjälp av mönsterigenkänning för att bli en förutsägelsemaskin, som alltid arbetar med att förutsäga framtiden, till och med förutsäga nästa ord.

Hur känner människor igen mönster i vardagen? Hur bildas dessa kopplingar i hjärnan? Boken börjar med att förstå hierarkiskt tänkande, detta är att förstå en struktur som är sammansatt av olika element som är arrangerade i ett mönster, detta arrangemang representerar sedan en symbol som en bokstav eller ett tecken, och sedan arrangeras detta ytterligare till ett mer avancerat mönster som ett ord och så småningom en mening. Så småningom bildar dessa mönster idéer, och dessa idéer omvandlas till de produkter som människor är ansvariga för att bygga.

Genom att emulera den mänskliga hjärnan, avslöjas är en väg till att skapa en avancerad AI utöver de nuvarande kapaciteterna hos de neurala nätverk som fanns vid tidpunkten för publiceringen.

Boken var en plan för att skapa en AI som kan skalas genom att dammsuga världens data och använda dess flerskiktiga mönsterigenkänningsprocess för att analysera text, bilder, ljud och video. Ett system optimerat för uppskalning på grund av fördelarna med molnet och dess parallella bearbetningsmöjligheter. Med andra ord skulle det inte finnas något maximum på datainmatning eller -utgång.

Den här boken var så avgörande att författaren strax efter publiceringen Ray Kurzweil anställdes av Google att bli chef för ingenjörsvetenskap med fokus på maskininlärning och språkbehandling. En roll som passade perfekt med boken han hade skrivit.

Det skulle vara omöjligt att förneka hur inflytelserik den här boken var för Googles framtid och hur de rangordnar webbplatser. Detta AI bok bör vara obligatorisk läsning för alla som vill bli en SEO-expert.

Deepmind

DeepMind, som lanserades 2010, var en het ny startup som använde en revolutionerande ny typ av AI-algoritm som tog världen med storm, det kallades förstärkningsinlärning. DeepMind beskrev det bäst som:

"Vi presenterar den första modellen för djupinlärning för att framgångsrikt lära oss kontrollpolicyer direkt från högdimensionell sensorisk input med hjälp av förstärkningsinlärning. Modellen är ett konvolutionellt neuralt nätverk, tränat med en variant av Q-learning, vars input är råpixlar och vars utdata är en värdefunktion som uppskattar framtida belöningar."

Genom att förena djupinlärning med förstärkningsinlärning blev det en djup förstärkning inlärning systemet. År 2013 använde DeepMind dessa algoritmer för att vinna segrar mot mänskliga spelare i Atari 2600-spel – och detta uppnåddes genom att efterlikna den mänskliga hjärnan och hur den lär sig av träning och upprepning.

I likhet med hur en människa lär sig genom upprepning, oavsett om det är att sparka en boll eller spela Tetris, skulle AI också lära sig. AI:s neurala nätverk spårade prestanda och skulle stegvis förbättra sig själv, vilket resulterade i ett starkare val av drag i nästa iteration.

DeepMind var så dominerande i sitt tekniska försprång att Google var tvungen att köpa tillgång till tekniken. DeepMind förvärvades för mer än 500 miljoner dollar 2014.

Efter förvärvet såg AI-industrin successiva genombrott, en typ som inte setts sedan dess 11 maj 1997, då schack mästare Garry Kasparov förlorade det första spelet i en sexspelsmatch mot Deep Blue, en schackdator utvecklad av forskare vid IBM. 

Under 2015 förfinade DeepMind algoritmen för att testa den på Ataris svit med 49 spel, och maskinen slog mänsklig prestanda på 23 av dem.

Det var bara början, senare under 2015 började DeepMind fokusera på AlphaGo, ett program med det uttalade syftet att besegra en professionell Go World Champion. Det antika spelet Go, som sågs först i Kina för cirka 4000 år sedan, anses vara det mest utmanande spelet i mänsklighetens historia, med sin potential 10³⁶⁰ möjliga drag.

DeepMind använde övervakad inlärning för att träna AlphaGo-systemet genom att lära av mänskliga spelare. Strax efter skapade DeepMind rubriker efter att AlphaGo slog Lee Sedol, världsmästaren, i en match på fem matcher i mars 2016.

Bli inte överträffad, i oktober 2017 släppte DeepMind AlphaGo Zero, en ny modell med nyckeldifferentieringen att den krävde noll mänsklig träning. Eftersom det inte krävde mänsklig utbildning krävde det inte heller någon märkning av data, det system som i huvudsak användes oövervakat lärande. AlphaGo Zero överträffade snabbt sin föregångare, som beskrivs av DeepMind.

"Tidigare versioner av AlphaGo tränade initialt på tusentals mänskliga amatör- och professionella spel för att lära sig hur man spelar Go. AlphaGo Zero hoppar över det här steget och lär sig att spela helt enkelt genom att spela mot sig själv, med start från helt slumpmässigt spel. Genom att göra det överträffade den snabbt den mänskliga spelnivån och besegrade tidigare publicerat mästare-besegra version av AlphaGo med 100 spel till 0."

Under tiden var SEO-världen hyperfokuserad på PageRank, ryggraden i Google. Det börjar 1995, när Larry Page och Sergey Brin var Ph.D. studenter vid Stanford University. Duon började samarbeta i ett nytt forskningsprojekt med smeknamnet "BackRub”. Målet var att rangordna webbsidor till ett mått av betydelse genom att konvertera deras bakåtlänksdata. En bakåtlänk är helt enkelt vilken länk som helst från en sida till en annan, liknande denna länk.

Algoritmen döptes senare om till PageRank, uppkallad efter både termen "webbsida" och medgrundaren Larry Page. Larry Page och Sergey Brin hade det ambitiösa målet att bygga en sökmotor som kunde driva hela webben enbart med bakåtlänkar.

Och det fungerade.

PageRank dominerar rubriker

SEO-proffs förstod omedelbart grunderna i hur google beräknar en kvalitetsrankning för en webbsida med hjälp av PageRank. Vissa smarta SEO-företagare med svart hatt tog det ett steg längre, och förstod att för att skala innehåll kan det vara vettigt att köpa länkar istället för att vänta med att skaffa dem organiskt.

En ny ekonomi uppstod kring bakåtlänkar. Ivriga webbplatsägare som behövde påverka sökmotorernas ranking skulle köpa länkar, och i gengäld skulle de desperata att tjäna pengar på webbplatser sälja länkar till dem.

Webbplatserna som köpte länkar invaderade ofta över en natt Google överträffade etablerade varumärken.

Rankning med den här metoden fungerade riktigt bra under lång tid – tills den slutade fungera, förmodligen ungefär samtidigt som maskininlärning startade och löste det underliggande problemet. Med introduktionen av djup förstärkningsinlärning skulle PageRank bli en rankningsvariabel, inte den dominerande faktorn.

Vid det här laget är SEO-gemenskapen splittrad i fråga om länkköp som strategi. Jag tror personligen att länkköp ger suboptimala resultat, och att de bästa metoderna för att skaffa bakåtlänkar är baserade på variabler som är branschspecifika. En legitim tjänst som jag kan rekommendera kallas HARO (Hjälp en reporter). Möjligheten hos HARO är att skaffa bakåtlänkar genom att uppfylla mediaförfrågningar.

Etablerade varumärken behövde aldrig oroa sig för att hitta länkar, eftersom de hade fördelarna av att tiden arbetade till deras fördel. Ju äldre en webbplats är, desto mer tid har den haft för att samla in högkvalitativa bakåtlänkar. Med andra ord, en sökmotors rankning var starkt beroende av åldern på en webbplats, om du beräknar med hjälp av måtten tid = bakåtlänkar.

Till exempel skulle CNN naturligtvis ta emot bakåtlänkar till en nyhetsartikel på grund av dess varumärke, dess förtroende och för att den var högt listad till att börja med – så naturligtvis fick det fler bakåtlänkar från personer som undersökte en artikel och länkade till det första sökresultatet de hittade .

Vilket innebär att högre rankade webbsidor organiskt fick fler bakåtlänkar. Tyvärr innebar detta att nya webbplatser ofta tvingades missbruka bakåtlänksalgoritmen genom att vända sig till en marknadsplats för bakåtlänkar.

I början av 2000-talet fungerade det anmärkningsvärt bra att köpa bakåtlänkar och det var en enkel process. Länkköpare köpte länkar från högmyndighetswebbplatser, ofta sidfotslänkar på hela webbplatsen, eller kanske per artikel (ofta förklädda som ett gästinlägg), och säljarna som var desperata att tjäna pengar på sina webbplatser var glada över att tvingas – tyvärr, ofta på offer av kvalitet.

Så småningom förstod Googles talangpool av maskininlärningsingenjörer att kodning av sökmotorresultat för hand var meningslöst, och mycket av PageRank var handskriven kodning. Istället förstod de att AI så småningom skulle bli ansvarig för att fullständigt beräkna rankingen med ingen eller liten mänsklig inblandning.

För att förbli konkurrenskraftig använder Google alla verktyg i sin arsenal och detta inkluderar djup förstärkning inlärning – Den mest avancerade typen av maskininlärningsalgoritm i världen.

Detta system skiktade ovanpå Googles förvärv av MetaWeb var en gamechanger. Anledningen till att MetaWeb-förvärvet 2010 var så viktigt är att det minskade vikten som Google lade på sökord. Sammanhang var helt plötsligt viktigt, detta uppnåddes genom att använda en kategoriseringsmetod som kallas "entiteter". Som Snabbt Företag beskrivet:

När Metaweb väl tar reda på vilken enhet du hänvisar till kan den ge en uppsättning resultat. Det kan till och med kombinera enheter för mer komplexa sökningar – "skådespelerskor över 40" kan vara en enhet, "skådespelerskor som bor i New York City" kan vara en annan och "skådespelerskor med en film som spelas för närvarande" kan vara en annan. ".

Denna teknik rullades in i en stor algoritmuppdatering kallad RankBrain som lanserades våren 2015. RankBrain fokuserade på att förstå sammanhang kontra att vara rent nyckelordsbaserade, och RankBrain skulle också överväga miljökontexter (t.ex. sökarplats) och extrapolera betydelse där det inte hade funnits någon tidigare. Detta var en viktig uppdatering speciellt för mobilanvändare.

Nu när vi förstår hur Google använder dessa tekniker, låt oss använda beräkningsteori för att spekulera i hur det görs.

Vad är Deep Learning?

Djup lärning är den vanligaste typen av maskininlärning – Det skulle vara omöjligt för Google att inte använda denna algoritm.

Djup inlärning påverkas avsevärt av hur den mänskliga hjärnan fungerar och den försöker spegla hjärnans beteende i hur den använder mönsterigenkänning för att identifiera och kategorisera objekt.

Till exempel om du ser brevet a, känner din hjärna automatiskt igen linjerna och formerna för att sedan identifiera den som bokstaven a. Detsamma tillämpas av bokstäverna ap, din hjärna försöker automatiskt förutsäga framtiden genom att komma på potentiella ord som t.ex app or äpple. Andra mönster kan inkludera siffror, vägskyltar eller att identifiera en älskad på en fullsatt flygplats.

Man kan tänka sig att sammankopplingarna i ett system för djupinlärning liknar hur den mänskliga hjärnan arbetar med anslutningen av neuroner och synapser.

Deep learning är i slutändan termen som ges till maskininlärningsarkitekturer som förenar många flerskiktsperceptroner, så att det inte bara finns ett dolt lager utan många dolda lager. Ju "djupare" det djupa neurala nätverket är, desto mer sofistikerade mönster kan nätverket lära sig.

Helt uppkopplade nätverk kan kombineras med andra maskininlärningsfunktioner för att skapa olika djupinlärningsarkitekturer.

Hur Google använder Deep Learning

Google spiderar världens webbplatser genom att följa hyperlänkar (tänk neuroner) som kopplar webbplatser till varandra. Detta var den ursprungliga metodiken som Google använde från dag ett, och som fortfarande används. När webbplatser väl har indexerats används olika typer av AI för att analysera denna skattkammare av data.

Googles system märker webbsidorna enligt olika interna mätvärden, med endast mindre mänsklig input eller intervention. Ett exempel på en intervention skulle vara manuell borttagning av en specifik URL på grund av en Begäran om DMCA-borttagning.

Googles ingenjörer är kända för att frustrera deltagare på SEO-konferenser, och detta beror på att Googles chefer aldrig riktigt kan formulera hur Google fungerar. När frågor ställs om varför vissa webbplatser inte rankas är det nästan alltid samma dåligt formulerade svar. Responsen är så frekvent att deltagarna ofta förebyggande uppger att de har åtagit sig att skapa bra innehåll i månader eller till och med år i sträck utan några positiva resultat.

Förutsägbart instrueras webbplatsägare att fokusera på att bygga värdefullt innehåll – en viktig komponent, men långt ifrån heltäckande.

Denna brist på svar beror på att cheferna är oförmögna att svara på frågan korrekt. Googles algoritm fungerar i en svart låda. Det finns input och sedan output – och det är så djupinlärning fungerar.

Låt oss nu återgå till en rankningsstraff som påverkar miljontals webbplatser negativt, ofta utan att webbplatsägaren vet om det.

PageSpeed ​​Insights

Google är inte ofta transparent, PageSpeed ​​Insights är undantaget. Webbplatser som misslyckas med detta hastighetsteste kommer att skickas till en straffbox för långsam laddning – speciellt om mobilanvändare påverkas.

Vad som misstänks är att det någon gång i processen finns ett beslutsträd som analyserar snabba webbplatser, kontra långsamma laddningar (PageSpeed ​​Insights misslyckades) webbplatser. Ett beslutsträd är i huvudsak ett algoritmiskt tillvägagångssätt som delar upp datasetet i individuella datapunkter baserat på olika kriterier. Kriterierna kan vara att negativt påverka hur högt en sida rankas för mobila kontra stationära användare.

Hypotetiskt sett skulle en straff kunna tillämpas på den naturliga rankingpoängen. Till exempel, en webbplats som utan straff skulle rankas som #5 kan ha en -20, -50 eller någon annan okänd variabel som kommer att minska rankningen till #25, #55 eller ett annat nummer som valts av AI.

I framtiden kan vi se slutet på PageSpeed ​​Insights, när Google blir mer säker på sin AI. Detta nuvarande ingrepp på hastighet från Google är farligt eftersom det potentiellt kan eliminera resultat som skulle ha varit optimala, och det diskriminerar de mindre tekniskt kunniga.

Det är en stor begäran att kräva att alla som driver ett litet företag ska ha expertis för att framgångsrikt diagnostisera och åtgärda problem med hastighetstest. En enkel lösning skulle vara att Google helt enkelt släpper ett plugin för hastighetsoptimering för wordpress-användare, som wordpress ger 43 % på internet.

Tyvärr är alla SEO-ansträngningar förgäves om en webbplats inte lyckas Googles PageSpeed ​​Insights. Insatserna är inget mindre än en webbplats som försvinner från Google.

Hur du klarar det här testet är en artikel för en annan gång, men du bör åtminstone kontrollera om din webbplats passerar.

Ett annat viktigt tekniskt mått att oroa sig för är ett säkerhetsprotokoll som kallas SSL (Secure Sockets Layer). Detta ändrar webbadressen för en domän från http till https och säkerställer säker överföring av data. Alla webbplatser som inte har SSL aktiverat kommer att straffas. Även om det finns vissa undantag från denna regel, kommer e-handels- och finansiella webbplatser att påverkas hårdast.

Lågkostnadswebbhotell tar ut en årlig avgift för SSL-implementering, under tiden bra webbhotell som t.ex Siteground utfärda SSL-certifikat gratis och integrera dem automatiskt.

Metadata

Ett annat viktigt inslag på webbplatsen är Meta Title och Meta description. Dessa innehållsfält har en överdimensionerad ordning av betydelse som kan bidra lika mycket till framgång eller misslyckande för en sida som hela innehållet på sidan.

Detta beror på att Google har en hög sannolikhet att välja Meta Titel och Metabeskrivning för att visa upp i sökresultaten. Och det är därför det är viktigt att fylla i metatiteln och metabeskrivningsfältet så noggrant som möjligt.

Alternativet är att Google kan välja att ignorera metatiteln och metabeskrivningen för att istället automatiskt generera data som den förutspår kommer att resultera i fler klick. Om Google förutsäger dåligt vilken titel som ska genereras automatiskt, kommer detta att bidra till färre klickningar från sökarna och följaktligen bidrar detta till förlorade sökmotorrankningar.

Om Google tror att den inkluderade metabeskrivningen är optimerad för att ta emot klick kommer den att visa upp den i sökresultaten. Om detta misslyckas tar Google tag i en slumpmässig bit text från webbplatsen. Ofta väljer Google ut den bästa texten på sidan, problemet är att detta är lotterisystemet och Google är genomgående dåliga på att välja vilken beskrivning som ska väljas.

Naturligtvis om du tror att innehållet på din sida är riktigt bra, ibland är det vettigt att låta Google välja den optimerade metabeskrivning som bäst matchar användarens fråga. Vi kommer att välja ingen metabeskrivning för den här artikeln eftersom den är innehållsrik, och Google kommer sannolikt att välja en bra beskrivning.

Under tiden klickar miljarder människor på de bästa sökresultaten – det här är det människa-i-slingan, Googles sista feedbackmekanism – Och det är här förstärkningsinlärningen börjar.

Vad är förstärkningsinlärning?

Förstärkningslärande är en maskininlärningsteknik som involverar utbildning av en AI-agent genom upprepning av åtgärder och tillhörande belöningar. En förstärkningslärande agent experimenterar i en miljö, vidtar åtgärder och belönas när de rätta åtgärderna vidtas. Med tiden, agenten lär sig att vidta de åtgärder som kommer att maximera sin belöning.

Belöningen kan baseras på en enkel beräkning som beräknar hur mycket tid som spenderas på en rekommenderad sida.

Om du kombinerar den här metoden med en Human-in-the-loop-subrutin skulle detta låta väldigt mycket som befintliga rekommendationsmotorer som styr alla aspekter av våra digitala liv som YouTube, Netflix, Amazon Prime – Och om det låter som hur en sökmotor ska fungera du har rätt.

Hur Google använder förstärkningsinlärning

Googles svänghjul förbättras med varje sökning, människor tränar AI:n genom att välja det bästa resultatet som bäst svarar på deras fråga, och liknande frågor från miljontals andra användare.

Den förstärkande lärande agenten arbetar kontinuerligt med att förbättra sig själv genom att endast förstärka de mest positiva interaktionerna mellan sökning och levererat sökresultat.

Google mäter hur lång tid det tar för en användare att skanna resultatsidan, webbadressen de klickar på, och de mäter mängden tid som spenderas på den besökta webbplatsen, och de registrerar det återkommande klicket. Dessa data sammanställs sedan och jämförs för varje webbplats som erbjuder en liknande datamatchning eller användarupplevelse.

En webbplats med en låg retentionsgrad (tid på plats), matas sedan av förstärkningsinlärningssystemet ett negativt värde, och andra konkurrerande webbplatser testas för att förbättra den erbjudna rankningen. Google är opartisk, förutsatt att det inte finns något manuellt ingripande, tillhandahåller Google så småningom den önskade sökresultatsidan.

Användarna är människan i slingan som ger Google gratis data och blir den sista komponenten i det djupa förstärkningsinlärningssystemet. I utbyte mot denna tjänst erbjuder Google slutanvändaren en möjlighet att klicka på en annons.

Annonserna som inte genererar intäkter fungerar som en sekundär rankningsfaktor, och flyter mer information om vad som får en användare att vilja klicka.

Google lär sig i princip vad en användare vill ha. Detta kan löst jämföras med en rekommendationsmotor av en videoströmningstjänst. I så fall skulle en rekommendationsmotor mata ett användarinnehåll som är riktat mot deras intressen. Till exempel kan en användare som vanligtvis njuter av en ström av romantiska komedier njuta av parodier om de delar samma komiker.

Hur hjälper detta SEO?

Om vi ​​fortsätter med beräkningstänkande kan vi anta att Google har tränat sig för att leverera de bästa resultaten, och detta uppnås ofta genom att generalisera och tillfredsställa mänskliga fördomar. Det skulle faktiskt vara omöjligt för Googles AI att inte optimera resultat som tillgodoser dessa fördomar, om det gjorde det skulle resultaten vara suboptimala.

Det finns med andra ord ingen magisk formel, men det finns några bästa praxis.

Det är SEO-utövarens ansvar att känna igen de fördomar som Google eftersträvar som är specifika för deras bransch – och att mata in dessa fördomar. Till exempel, någon som söker efter resultat från valundersökningar utan att ange ett datum, söker med största sannolikhet efter de senaste resultaten – detta är en snedvridning av nyheten. Någon som söker efter ett recept behöver med största sannolikhet inte den senaste sidan och kanske faktiskt föredrar ett recept som har stått emot tidens tand.

Det är SEO-utövarens ansvar att erbjuda besökarna de resultat de letar efter. Detta är det mest hållbara sättet att ranka i Google.

Webbplatsägare måste överge att rikta in sig på ett specifikt sökord med förväntningen att de kan leverera vad de vill till slutanvändaren. Sökresultatet måste exakt matcha användarens behov.

Vad är en bias? Det kan vara att ha ett domännamn som ser hög auktoritet ut, med andra ord matchar domännamnet marknaden du betjänar? Att ha ett domännamn med ordet Indien i kan avskräcka användare i USA från att klicka på webbadressen, på grund av en nationalistisk fördom av att lita på resultat som kommer från en användares bosättningsland. Att ha en ettordsdomän kan också ge en illusion av auktoritet.

Den viktigaste fördomen är vad vill en användare ska matcha sin sökfråga? Är det en FAQ, en topp 10-lista, ett blogginlägg? Detta måste besvaras, och svaret är lätt att hitta. Du behöver bara analysera konkurrensen genom att göra en Google-sökning på din målmarknad.

Black Hat SEO är död

Jämför detta med Black Hat SEO, en aggressiv metod för att rangordna webbplatser som utnyttjar listiga SPAM-tekniker, inklusive att köpa bakåtlänkar, förfalska bakåtlänkar, hacka webbplatser, automatiskt generera sociala bokmärken i stor skala och andra mörka metoder som tillämpas via ett nätverk av black hat-verktyg .

Verktyg som ofta återanvänds och säljs vidare på olika marknadsföringsforum för sökmotorer, produkter med nästan inget värde och få chanser att lyckas. För närvarande gör dessa verktyg det möjligt för säljarna att bli rika samtidigt som de erbjuder minimalt värde för slutanvändaren.

Det är därför jag rekommenderar att du överger Black Hat. Fokusera din SEO på att se den från maskininlärningslinsen. Det är viktigt att förstå att varje gång någon hoppar över ett sökresultat för att klicka på ett resultat begravt under, så är det människan-i-slingan som samarbetar med djupförstärkningsinlärningssystemet. Människan hjälper AI med att förbättra sig själv och blir oändligt mycket bättre ju längre tiden går.

Detta är en maskininlärningsalgoritm som har tränats av fler användare än något annat system i mänsklighetens historia.

Google hanterar i genomsnitt 3.8 miljoner sökningar per minut över hela världen. Det blir 228 miljoner sökningar per timme, 5.6 miljarder sökningar per dag. Det är mycket data, och det är därför det är dumt att försöka SEO med svart hatt. Att anta att Googles AI kommer att förbli stillastående är dumt, systemet använder lagen om accelererande avkastning för att exponentiellt förbättra sig själv.

Googles AI håller på att bli så kraftfull att det är tänkbart att det så småningom kan bli den första AI som når Artificiell allmän intelligens (AGI). En AGI är en intelligens som kan användas överför lärande att behärska ett fält för att sedan tillämpa den inlärda intelligensen över flera domäner. Även om det kan vara intressant att utforska Googles framtida AGI-insatser, bör det förstås att när processen väl är igång är det svårt att stoppa. Detta spekulerar givetvis mot framtiden då Google för närvarande är en typ av smal AI, men det är ett ämne för en annan artikel.

Att veta att det här spenderar en sekund mer på svart hatt är ett dum ärende.

White Hat SEO

Om vi ​​accepterar att Googles AI kontinuerligt kommer att förbättra sig själv, har vi inget annat val än att ge upp försöken att överlista Google. Fokusera istället på att optimera en webbplats för att optimalt ge Google specifikt vad den letar efter.

Som beskrivits innebär detta att aktivera SSL, optimera sidladdningshastigheten och att optimera metatiteln och metabeskrivningen. För att optimera dessa fält måste Meta Title och Meta Description jämföras med konkurrerande webbplatser – Identifiera de vinnande elementen som resulterar i en hög klickfrekvens.

Om du optimerade att bli klickad på, är nästa milstolpe att skapa den bästa målsidan. Målet är en målsida som optimerar användarvärdet så mycket att den genomsnittliga tiden som spenderas på sidan överträffar liknande konkurrenter som tävlar om de bästa sökmotorresultaten.

Endast genom att erbjuda den bästa användarupplevelsen kan en webbsida öka i ranking.

Hittills har vi identifierat dessa mätvärden som de viktigaste:

• Laddningshastighet
• SSL aktiverat
• Metatitel och Metabeskrivning
• Målsida

Målsidan är det svåraste elementet när du tävlar mot världen. Målsidan måste laddas snabbt, och måste tjäna allt som förväntas, och sedan överraska användaren med mer.

Avslutande tankar

Det skulle vara lätt att fylla ytterligare 2000 ord som beskriver andra AI-tekniker som Google använder, såväl som att gräva djupare ner i SEOs kaninhål. Avsikten här är att åter fokusera uppmärksamheten på de viktigaste måtten.

SEO-partitionerare är så fokuserade på att spela systemet att de glömmer att i slutet av dagen är den viktigaste delen av SEO att ge användarna så mycket värde som möjligt.

Ett sätt att uppnå detta är att aldrig tillåta viktigt innehåll att bli gammalt. Om jag om en månad tänker på ett viktigt bidrag kommer det att läggas till i den här artikeln. Google kan sedan identifiera hur färskt innehållet är, matchat med sidans historia som levererar värde.

Om du fortfarande är orolig för att skaffa bakåtlänkar är lösningen enkel. Respektera dina besökares tid och ge dem värde. Bakåtlänkarna kommer naturligt, eftersom användare kommer att finna värde i att dela ditt innehåll.

Frågan skiftar sedan till webbplatsägaren om hur man ger bästa användarvärde och användarupplevelse.