एका डेव्हलपरने एक अशी प्रणाली तयार केली आहे जी ChatGPT, Claude, Perplexity, Gemini आणि Google AI Overviews यांसारख्या प्रमुख AI-आधारित शोध साधनांमध्ये ब्रँडची दृश्यमानता (visibility) तपासते. या प्रकल्पातून असे दिसून येते की, केवळ काही API कॉल्सद्वारे एखादा ब्रँड वापरकर्त्याला खरोखर त्याचे नाव दिसते की नाही, हे सांगता येत नाही; कारण मॉडेलचे मूळ उत्तर (raw answer) अनेकदा ग्राहक ॲपमध्ये दिसणाऱ्या पॉलिश केलेल्या निकालापेक्षा वेगळे असते आणि प्रत्येक क्वेरीनुसार उत्तरे बदलत असतात.

AI सर्चमध्ये ब्रँडची दृश्यमानता का महत्त्वाची आहे

AI चॅट असिस्टंट्स वेब डिस्कव्हरीसाठी (web discovery) डीफॉल्ट फ्रंट-एंड बनत आहेत.

दोन त्रुटी ज्यांनी एका साध्या स्क्रॅपिंगला इंजिनिअरिंग मॅरेथॉनमध्ये बदलले

१. API म्हणजे उत्पादन (product) नाही. OpenAI API (किंवा इतर कोणत्याही प्रदात्याचा एंडपॉइंट) कॉल केल्यावर मॉडेलचे अंतर्गत उत्तर मिळते. तथापि, ChatGPT ॲप वापरकर्त्याला अंतिम उत्तर दिसण्यापूर्वी स्वतःची रिट्रिव्हल सिस्टम (retrieval system), सिस्टम प्रॉम्प्ट्स आणि वेब-सर्च ऑगमेंटेशन्स जोडते. Claude, Gemini आणि इतर सेवांच्या बाबतीतही हेच घडते. API कॉल तुम्हाला मॉडेलला काय माहित आहे हे सांगतो; तर ग्राहक ॲप ग्राहकाला प्रत्यक्षात काय दिसते ते दाखवते. या अतिरिक्त थरांकडे दुर्लक्ष करणे म्हणजे तुम्ही वेगळ्या उत्पादनाचे मोजमाप करत आहात.

२. उत्तरे स्थिर नसतात. तोच प्रॉम्प्ट पाच वेळा चालवून पहा, तुम्हाला बहुधा पाच वेगळी उत्तरे मिळतील. ब्रँडचा उल्लेख बदलतो, क्रम बदलतो आणि सोर्स URL देखील बदलतात. एक सिंगल API रिस्पॉन्स हा प्रभावीपणे नाणेफेकीसारखा (coin flip) असतो, जो व्हिजिबिलिटी रिपोर्टसाठी विश्वसनीय डेटा नाही. डेव्हलपमेंट नोट्समध्ये नमूद केलेल्या एका अभ्यासानुसार, अर्ध्याहून अधिक साइटेड सोर्सेस (cited sources) एका दिवसातून दुसऱ्या दिवशी बदलतात.

२०२६ च्या APIs तुम्हाला प्रत्यक्षात काय देतात

  • Perplexity: डेव्हलपर्ससाठी सर्वात सोयीस्कर. याचे API थेट फॉरमॅटमध्ये साइटेशन्स (citations) परत करते, परंतु साइटेशनची यादी तरीही Perplexity वेब ॲपमध्ये दिसणाऱ्या माहितीपेक्षा वेगळी असते.
  • Google Gemini: Vertex AI द्वारे ग्राउंडिंग (grounding) प्रदान करते, तरीही ग्राहक Gemini ॲपमधील रँकिंग आणि प्रेझेंटेशन लॉजिक हे मूळ API आउटपुटपेक्षा वेगळे असते.
  • OpenAI आणि Anthropic: वेब-सर्च टूल्ससह सक्षम मॉडेल्स प्रदान करतात, परंतु ते ChatGPT किंवा Claude च्या सार्वजनिक इंटरफेसमध्ये वापरले जाणारे नेमके रँकिंग अल्गोरिदम उघड करत नाहीत.
  • Google AI Overviews: यासाठी कोणतीही सार्वजनिक API उपलब्ध नाही. ट्रॅकिंग करण्यासाठी सर्च रिझल्ट पेजेस स्क्रॅप करावे लागतात, जो एक नाजूक आणि खर्चिक पर्याय आहे.

दृश्यमानता (Visibility) हा एक दर (rate) आहे, रँक (rank) नाही

बहुतेक सध्याची साधने या समस्येला केवळ "उल्लेख आहे / उल्लेख नाही" या बायनरी चेकपुरते मर्यादित ठेवतात. हा दृष्टिकोन LLM आउटपुटच्या संभाव्य (probabilistic) स्वरूपाकडे दुर्लक्ष करतो. प्रत्येक क्वेरीमुळे वेगळे उत्तर मिळू शकते, त्यामुळे तुम्हाला एका सिंगल स्नॅपशॉटऐवजी सांख्यिकीय दृष्टिकोनाची (statistical view) गरज आहे.

या सिस्टमच्या डिझाइनमधून एक व्यावहारिक नियम समोर आला आहे, तो म्हणजे दृश्यमानतेकडे एक 'दर' (rate) म्हणून पाहणे: तोच प्रॉम्प्ट विविध भौगोलिक क्षेत्रे आणि डिव्हाइस प्रकारांमध्ये अनेक वेळा चालवा आणि त्यानंतर कॉन्फिडन्स इंटरव्हल (confidence interval) मोजा. जर एखादा ब्रँड बहुतेक वेळा दिसून येत असेल, तर तुम्ही निश्चित "हो" किंवा "नाही" म्हणण्याऐवजी, योग्य त्रुटी मर्यादेसह (margin of error) उच्च व्हिजिबिलिटी रेट रिपोर्ट करू शकता.

मॉनिटरिंग टूल कसे तयार केले गेले

  • प्रॉम्प्टसाठी अनेक वेळा रन करणे: यादृच्छिकता (randomness) कमी करण्यासाठी किमान सात ते आठ वेळा अंमलबजावणी करणे.
  • भौगोलिक आणि डिव्हाइस सॅम्पलिंग: प्लॅटफॉर्म-विशिष्ट पर्सनलायझेशन टिपण्यासाठी विविध प्रदेशांतून क्वेरी पाठवणे आणि मोबाईल विरुद्ध डेस्कटॉपवर सिम्युलेट करणे.
  • बदल शोधण्यावर लक्ष केंद्रित करणे: स्थिर उत्तरांची अपेक्षा करणाऱ्या फिक्स्ड स्कीमाऐवजी, ही सिस्टम उल्लेखाची वारंवारता, सोर्सची विविधता आणि काळाप्रमाणे रँकिंग पोझिशनमधील बदल दर्शवते.

पुढे काय पाहावे

  • प्लॅटफॉर्म पारदर्शकता: जोपर्यंत प्रदाते त्यांच्या ग्राहक ॲप्समध्ये वापरले जाणारे नेमके रिट्रिव्हल आणि रँकिंग लॉजिक प्रकाशित करत नाहीत, तोपर्यंत थर्ड-पार्टी मॉनिटर्सना अंदाजांवरच अवलंबून राहावे लागेल.

निष्कर्ष (Takeaway)

AI-चालित सर्चमध्ये ब्रँडची उपस्थिती ट्रॅक करणे म्हणजे केवळ एक सिंगल API रिस्पॉन्स मिळवणे नव्हे. यासाठी वारंवार, भौगोलिकदृष्ट्या विविध क्वेरी करणे, API हा ग्राहक उत्पादनाचा केवळ एक भाग आहे हे समजून घेणे आणि दृश्यमानता 'दर' (rate) म्हणून दर्शवणारे सांख्यिकीय रिपोर्टिंग मॉडेल आवश्यक आहे. जोपर्यंत AI सर्च प्रदाते त्यांचे पूर्ण ग्राहक-केंद्रित लॉजिक उघड करत नाहीत, तोपर्यंत विश्वसनीय ब्रँड-व्हिजिबिलिटी डेटा हवा असलेल्या प्रत्येकाला काळजीपूर्वक अंदाजे मॉडेल्स (approximations) तयार करावे लागतील.