AI optimizacija sajta: kako sajt rangira u ChatGPT-u, Perplexity-ju i Google AI pregledima

Često se iznosi podatak da AI pretraga danas donosi manje od 1% saobraćaja većine sajtova. Tačno je — direktan saobraćaj iz ChatGPT-a, Perplexity-ja ili Gemini-ja je mali deo slike. Ali taj podatak meri samo jednu dimenziju: posetioce koji dolaze kroz AI sistem. AI vidljivost se danas događa i drugde — u Google AI pregledima koji se pojavljuju u preko polovine pretraga i nalaze se iznad organskih rezultata, u citiranjima koje korisnik pamti pre nego što uopšte napravi pretragu, u odlukama donetim bez klika. Arhitektura sajta koja rangira u AI sistemima nije marketinška kampanja sa kvartalnim ROI-jem — to je infrastruktura koja se gradi jednom, koristi dugoročno, i rangira kasnije jeftinije nego ranije. Pitanje nije „da li preusmeriti SEO strategiju" — pitanje je „da li sajtu dodati AI-čitljivu infrastrukturu sada ili kasnije, po većem trošku". Ovaj vodič razlaže AI optimizaciju sajta kroz tri discipline — arhitekturu, sadržaj i autoritet — koje u metodologiji Praxidea Canon čine jezgro svakog projekta.

Zašto klasični SEO nije dovoljan za AI pretragu

AI optimizacija sajta je disciplina koja sadržaj i infrastrukturu priprema za citiranje u generativnim sistemima pretrage — ChatGPT, Perplexity, Google AI pregledi, Gemini, Claude. Klasični SEO cilja klik na plavi organski rezultat; AI optimizacija cilja pojavljivanje sadržaja kao izvora u AI odgovoru. Discipline se preklapaju u osnovi (isti sajt koji rangira klasično obično postaje i kandidat za AI citat), ali razlikuju se u mehanici: AI sistemi ne vrednuju isti signal na isti način, niti su svi AI sistemi međusobno isti.

Industrija je termin formalizovala u akademskom radu GEO: Generative Engine Optimization (Aggarwal et al., arXiv:2311.09735, prva verzija novembar 2023, tekuća verzija jun 2024). Rad definiše GEO kao „prvu paradigmu koja pomaže stvaraocima sadržaja da unaprede vidljivost svog sadržaja u odgovorima generativnih pretraživača" i dokumentuje da sistematska optimizacija povećava vidljivost do 40% u AI odgovorima. Wikipedia GEO entitet, poslednji put ažuriran 24. aprila 2026., koristi istu formalnu definiciju i prepoznaje disciplinu kao aktivno polje.

U praksi, terminologija još nije ujednačena. GEO — Generative Engine Optimization — je najčešći krovni termin i pokriva celokupnu disciplinu. AEO — Answer Engine Optimization — fokusira se na optimizaciju za sisteme koji generišu direktne odgovore (Google AI pregled, featured snippet, FAQ izvodi). LEO — LLM Engine Optimization — termin koji se u srpskom poslovnom prostoru koristi od 2025. godine kao sinonim za GEO sa naglaskom na jezičke modele kao ciljni medij. LLMO — Large Language Model Optimization — se sreće u nekim agencijskim kontekstima kao zamena za LEO. AIO — Artificial Intelligence Optimization — je termin koji se koristi u hrvatskom poslovnom prostoru i obuhvata AI optimizaciju u najopštijem smislu. U ovom vodiču GEO se koristi kao primarni termin, AEO kao povezan, LEO i LLMO kao sinonimi sa različitim kontekstualnim naglaskom.

Razlika između klasičnog SEO-a i AI optimizacije strukturno je razlika u cilju i signalu. Klasični SEO optimizuje za rangiranje — poziciju u listi rezultata. Signali su poznati i stabilni: arhitektura sajta, sadržaj koji odgovara na nameru, backlinkovi. AI optimizacija optimizuje za citiranje — pojavljivanje sadržaja kao referentnog izvora u generisanom odgovoru. Signali se preklapaju, ali prioriteti su drugačiji: AI sistemi snažno vrednuju strukturu sadržaja (koliko je sadržaj „izvučiv" u samostalnom bloku), entitet (da li je brend jasno prepoznat kao subjekt teme), i pokrivenost namere (koliko pod-upita sadržaj odgovara). Obim reči ima manju težinu nego u klasičnom rangiranju.

Čest argument protiv AI optimizacije glasi: AI pretraga danas donosi manje od 1% ukupnog saobraćaja većine sajtova — prerano je za strateški pomak. Podaci su tačni kao trenutni snimak, ali argument ne stoji iz tri razloga. Prvo, Google AI pregled se pojavljuje u preko 50% pretraga (izvor: Semrush AI Overviews Study, citiran u Search Engine Land analizi GEO-a iz februara 2026.) — što znači da se AI optimizacija već dešava iznad organskih rezultata, u Google-u. Drugo, AI-inspirisani saobraćaj je strukturno nevidljiv u analitici: korisnik koji pita ChatGPT, zapamti brend, pa pretraži direktno, pokazuje se u analitici kao „direktan" ili „organski Google" — ne kao „AI". Treće, infrastrukturne investicije (strukturirani podaci, llms.txt, entitetski graf) su niskog troška, aditivne, i kumulativne. Izbor nije „preusmeriti SEO" protiv „zadržati SEO" — izbor je „dodati AI-čitljivu infrastrukturu sada" protiv „dodati je kasnije po većem trošku".

Arhitektura: kako AI sistemi čitaju sajt

AI optimizacija sajta počinje od arhitekture — infrastrukturnog sloja koji određuje da li AI sistem uopšte može da pročita, razume i citira sadržaj. Arhitektura obuhvata četiri komponente: strukturirane podatke (schema markup) koji eksplicitno opisuju šta je na stranici; llms.txt datoteku koja daje AI sistemima strukturirane smernice o sadržaju sajta; pristup AI crawler-a koji reguliše kojim botovima je dozvoljeno da indeksiraju sadržaj; i entitetski graf koji povezuje brend sa njegovim javnim referentnim tačkama. Bez ispravne arhitekture, sadržaj ostaje nevidljiv za AI sistem čak i kada je kvalitetan.

Strukturirani podaci i Google-ov eksplicitan stav

Strukturirani podaci — JSON-LD šeme tipa Article, FAQPage, BreadcrumbList, Organization, Person — daju pretraživaču i AI sistemu eksplicitnu informaciju o sadržaju stranice. Bez šema, sistem mora da pogađa iz proze. Sa šemama, stranica postaje kandidat za bogate rezultate (FAQ izvode, sitelinks, izdvojene odgovore) i — u 2026. godini presudno — kandidat za citat u AI odgovoru.

Google je u zvaničnoj dokumentaciji (izvor: Google Search Central, AI features and your website, ažurirano 10. decembar 2025.) jasan po jednom pitanju: za pojavljivanje u Google AI pregledima i AI Mode-u ne postoji dodatni tehnički uslov. Citat: „Nema dodatnih tehničkih zahteva. Ne morate da pravite nove mašinski čitljive datoteke ili markup da biste se pojavili u ovim funkcijama. Takođe nema posebnih schema.org strukturiranih podataka koje treba da dodate." Ovo znači da je shema za Google AI pregled isto što je i shema za klasično rangiranje — korisna, ali ne posebno propisana.

Ključna distinkcija: Google-ov stav se odnosi na Google AI pregled i AI Mode. Za ostale AI sisteme — ChatGPT, Perplexity, Claude, Gemini — strukturirani podaci ostaju mehanički relevantni. Ovi sistemi koriste strukturirane podatke za entitetsku detekciju, klasifikaciju tipa sadržaja, i izvlačenje FAQ parova. Sajt koji emituje pun stack (Article + FAQPage + BreadcrumbList + Organization + Person) je u boljem položaju za citiranje u non-Google AI sistemima. Ni za klasično rangiranje shema nije štetna — šema ostaje industrijski standard za tehničku osnovu.

Pri pregledu srpskih SERP rezultata za AI-vezane pretrage u 2026. godini, nijedan od top 10 konkurentnih sajtova ne emituje pun JSON-LD stack. Većina konkurenata nema ni osnovni Article schema. Sajt koji šemu implementira od prvog dana zauzima SERP funkcije bez direktne konkurencije, što je trenutno stanje na srpskom tržištu AI-vezanog sadržaja.

llms.txt protokol

llms.txt datoteka je tekstualna datoteka u root folderu sajta koja daje AI sistemima strukturirane smernice o sadržaju sajta. Protokol je predložen 2024. godine i od tada ga u različitom stepenu poštuju GPTBot, PerplexityBot, Claude-SearchBot i neki drugi AI crawler-i. llms.txt nije formalni standard poput robots.txt — to je konvencija koja se razvija. Ali u 2026. godini, sajt bez llms.txt datoteke nije iskoristio niskotroškovan mehanizam koji eksplicitno kaže AI sistemima kako da navigiraju sadržajem.

Datoteka se postavlja na /llms.txt (root domena) i sadrži strukturirani Markdown sa sekcijama koje opisuju: identitet sajta, primarnu svrhu, ključne sadržajne čvorove (URL-ove najvažnijih stranica), dokumentaciju metodologije, i specifične pod-stranice koje AI sistem treba da prepozna kao referentne. Format je namerno jednostavan — ni YAML, ni XML, nego Markdown sa #-zaglavljima koje svi moderni AI sistemi parsiraju.

Minimalan primer strukture llms.txt datoteke:

# Naziv sajta

Kratak opis agencije ili brenda u jednoj do dve rečenice — ko, šta, gde.

## Osnovni podaci
- Ime
- Osnivač
- Sedište
- Oblasti rada
- Jezik sadržaja

## Metodologija
Kratak opis metodološkog okvira i link ka punoj dokumentaciji.

## Ključni sadržajni čvorovi
- https://domen.com/stranica-1 — opis
- https://domen.com/stranica-2 — opis

## Autor sadržaja
Kratak opis autora i link ka autorskoj stranici.

Praxidea primenjuje llms.txt na sopstvenom sajtu. Datoteka na praxidea.com/llms.txt je javno dostupna i pokriva identitet agencije, metodologiju Praxidea Canon, primarna tržišta, jezik, usluge, izuzete delatnosti, cenovnu politiku, AI pretragu kao ciljni medij, ključne sadržajne čvorove (sve glavne stranice sajta), publikovane članke i autora sadržaja. Ovakva struktura nije hipotetska — primenjuje se na sajtu koji istovremeno prolazi klasičnu Google optimizaciju i AI citiranje.

Komplementarna konvencija — ai.txt — razvija se paralelno sa llms.txt, sa fokusom na opt-out signale (da li sajt dozvoljava AI treniranje) umesto smernica za čitanje. Adoption ai.txt je niži nego llms.txt, ali neki crawler-i ga već čitaju. Za sajt koji hoće da pokrije oba sloja, obe datoteke u root-u su niskotroškovan korak.

AI crawler ekosistem — tri-slojna struktura kod svih glavnih provajdera

AI crawler ekosistem nije monolitan. Svaki od tri glavna provajdera — OpenAI, Anthropic, Perplexity — operiše sa više crawler-a, svaki sa različitom ulogom i drugačijim odnosom prema robots.txt pravilima. Google dodaje svoj sloj preko Google-Extended signal-a. Razumevanje ove tri-slojne strukture omogućava precizno upravljanje: sajt može da dozvoli AI crawler-ima koji indeksiraju za pretragu, a da blokira one koji prikupljaju podatke za treniranje modela.

OpenAI operiše sa tri crawler-a, dokumentovanim na OpenAI platform docs sajtu:

• GPTBot — prikuplja sadržaj za treniranje OpenAI modela. Poštuje robots.txt.
• OAI-SearchBot — indeksira sadržaj za ChatGPT Search funkciju. Poštuje robots.txt.
• ChatGPT-User — reaguje na konkretne korisničke upite u ChatGPT-u; ne indeksira preventivno. Poštuje robots.txt u većini konteksta, ali može da pristupi sadržaju kada korisnik direktno pita.

Anthropic je u 2026. godini zvanično dokumentovao tri-bot okvir (izvor: support.claude.com/en/articles/8896518, takođe pokriveno u Search Engine Land analizi iz 2026.):

• ClaudeBot — prikuplja sadržaj za treniranje Claude modela. Poštuje robots.txt.
• Claude-User — reaguje na konkretne korisničke upite u Claude konverzaciji. Ograničeno poštovanje robots.txt.
• Claude-SearchBot — indeksira sadržaj za Claude search funkciju. Poštuje robots.txt.

Perplexity operiše dvočlanom strukturom (izvor: docs.perplexity.ai/guides/bots):

• PerplexityBot — indeksira sadržaj za Perplexity pretragu. Poštuje robots.txt.
• Perplexity-User — reaguje na konkretne korisničke upite i ignoriše robots.txt („pošto je korisnik zatražio učitavanje").

Google-Extended je signal koji Google koristi za AI treniranje (Bard, Gemini). Google osnovni crawler (Googlebot) se ponaša kao ranije; Google-Extended je poseban direktiv u robots.txt koji se odnosi na AI treniranje.

Praktična posledica: sajt koji hoće da bude pronađen u AI pretrazi ali ne i u AI treniranju može da dozvoli search-bot-ove (PerplexityBot, OAI-SearchBot, Claude-SearchBot, Googlebot) i blokira training-bot-ove (GPTBot, ClaudeBot, Google-Extended). Pravilo za robots.txt tada razlikuje user-agent stringove:

User-agent: GPTBot
Disallow: /

User-agent: OAI-SearchBot
Allow: /

User-agent: ClaudeBot
Disallow: /

User-agent: Claude-SearchBot
Allow: /

User-agent: Google-Extended
Disallow: /

Ovo je nijansa koju većina srpskih sajtova u 2026. godini ne implementira — tretiraju AI crawler-e kao monolitan skup. Distinkcija je niskog truda, a omogućava preciznu kontrolu prisutnosti.

Entitetski graf — sameAs kao most ka Knowledge Graph-u

Entitetski graf je mreža referentnih tačaka koje povezuju brend sa njegovim identitetima u drugim sistemima znanja. U JSON-LD tehnologiji ovo se realizuje kroz sameAs polje u Organization ili Person shemi — niz URL-ova koji ukazuju na iste entitete na drugim platformama. Kada AI sistem vidi da brand na sajtu ima sameAs link ka Wikidata entitetu, CrunchBase profilu, LinkedIn kompanijskoj stranici, Google Business Profile-u, on gradi siguran graf između tih referentnih tačaka. Taj graf je ono što Google Knowledge Graph, ChatGPT i Perplexity čitaju kada generišu entitetski sažetak.

Praksa izgradnje entitetskog grafa za srpski brend:

1. Wikidata stavka — osnovni element. Wikidata je struktura znanja koja se istovremeno čita u Google Knowledge Graph-u i u svim glavnim AI sistemima. Stavka sadrži identifikatore brenda, osnivače, sedište, oblasti rada.
2. CrunchBase profil — relevantan za agencije i B2B brendove. CrunchBase se direktno referenciše u Google-ovim entitetskim signalima.
3. LinkedIn kompanijska stranica — standardni sameAs čvor.
4. Profesionalne direktorije (Clutch, Sortlist, GoodFirms za agencije; industrijski katalozi za druge delatnosti).
5. Autorski profili — ORCID za istraživače i autore sadržaja, GitHub za tehničke firme, LinkedIn za pojedince.

Svi ovi čvorovi povezuju se kroz sameAs niz u Organization (za brend) i Person (za imenovane autore). Kada AI sistem radi entitetsku rezoluciju — proces povezivanja reference u tekstu sa kanonskim entitetom — sameAs mreža skraćuje putanju od „pomena u članku" do „kanonskog entiteta" na najviše jedan skok.

Query fan-out decomposition — kako Google AI Mode razlaže upit

Google AI Mode i, u manjoj meri, Google AI pregled ne odgovaraju direktno na korisnikov upit. Umesto toga, sistem razlaže upit na 5 do 11 paralelnih pod-upita, izvlači najbolje odgovore za svaki pod-upit iz različitih izvora, i sintetizuje konačni odgovor. Ovaj proces Google zvanično imenuje query fan-out (izvor: Google Search Central, AI features and your website, decembar 2025.).

Posledica za sadržaj je direktna. Sajt čiji jedan članak odgovara na 8 od 11 pod-upita generisanih za neku krovnu pretragu biva citiran 8 puta u AI odgovoru — ne jednom. Sajt koji odgovara na 3 od 11 biva citiran 3 puta, iako obe strane rangiraju klasično za istu krovnu pretragu. Query fan-out je, prema analizi Aleyde Solis iz maja 2025., najveća poluga za AI vidljivost — i najmanje razumevana u srpskoj praksi.

Primer dekompozicije za krovni upit „najbolja SEO strategija za mali biznis u 2026. godini":

1. Šta je SEO strategija?
2. Kako se SEO razlikuje za mali biznis u odnosu na enterprise?
3. Koji signali rangiranja su najvažniji u 2026. godini?
4. Koliko traje SEO strategija da pokaže rezultate?
5. Da li mali biznis treba da angažuje agenciju ili freelancera?
6. Koliko košta SEO za mali biznis u 2026. godini?
7. Da li AI pretraga menja SEO strategiju za mali biznis?
8. Koje alate koristi SEO tim u 2026. godini?
9. Kako meriti rezultat SEO rada?
10. Da li lokalni SEO vredi za mali biznis?
11. Koje greške mali biznis najčešće pravi sa SEO strategijom?

Članak koji bi uspešno rangirao za krovni upit, da bi bio citiran maksimalno, treba da strukturno odgovara na 7 do 9 od ovih pod-upita — ne samo na krovno pitanje. Sadržaj se piše za fan-out, ne za krovni upit.

Sadržaj: kako AI sistemi citiraju stranice

Sadržaj u 2026. godini ne vrednuje se samo po dužini i ključnim rečima. AI sistemi izvlače sadržaj u specifičnim formatima i preferiraju strukture koje se lako „izvlače" kao samostalni blokovi. Tri mehanike određuju da li sadržaj biva citiran: odgovor-kapsule (kratki direktni odgovori, 40-75 reči), samostalni paragrafi (koji zadržavaju smisao bez okolnog konteksta), i E-E-A-T signali kalibrisani za AI sisteme (imenovano autorstvo, primarni izvori, proverljiva ekspertiza).

Odgovor-kapsule — direktan odgovor u prvih 75 reči

Odgovor-kapsula je blok teksta od 40 do 75 reči koji direktno odgovara na specifično pitanje, strukturisan tako da se može citirati samostalno. AI sistemi preferencijalno izvlače ovakve blokove — prvi paragraf odeljka, sekcija izvod ili prva rečenica pod naslovom koji se podudara sa upitom. Search Engine Land analiza iz februara 2026. godine identifikuje self-contained paragraphs kao najsnažniji strukturni faktor korelacije sa citiranjem.

Praksa u ovom vodiču svaki odeljak otvara odgovor-kapsulom: prva rečenica direktno odgovara na krovno pitanje odeljka, druga i treća daju kontekst, potom sledi dubinski deo. Kada AI sistem radi fan-out dekompoziciju i treba da nađe brzi odgovor za jedan pod-upit, on prvo gleda upravo prve rečenice odeljaka. Sajt koji svaki odeljak otvara generičkim uvodom („U ovom delu članka pogledaćemo...") praktično isključuje odeljak iz AI citiranja.

E-E-A-T za AI — imenovano autorstvo i primarni izvori

E-E-A-T (Experience, Expertise, Authoritativeness, Trustworthiness — iskustvo, ekspertiza, autoritet, poverenje) je okvir koji Google koristi za ocenu kvaliteta izvora. U 2026. godini okvir se primenjuje i na AI citiranje, ali sa drugačijim težinama. AI sistemi naročito vrednuju:

• Imenovano autorstvo — članak mora da ima vidljivog autora sa biografijom i proverljivim identitetom. Autor bez sameAs veze (LinkedIn, ORCID, GitHub) signalizira AI sistemu da entitet „autor X" nije povezan sa javnim grafom znanja.
• Primarne izvore — citat primarnog dokumenta (zvanična dokumentacija Google-a, akademski rad, zakonski tekst, direktno istraživanje) AI sistemi tretiraju kao signal da je sadržaj proveren. Sekundarni izvori (drugi članci o istoj temi) imaju manju težinu.
• Datume citiranja — izvor naveden bez datuma AI sistem tretira kao neverifikovan. Citat u formatu „(izvor: Google Search Central, ažurirano 10. decembar 2025.)" ima veću težinu nego „(izvor: Google Search Central)" bez datuma.
• Proverljivo prvoruko iskustvo — članak koji se poziva na realnu praksu (vlastite projekte, dokumentovane slučajeve, merljive podatke) rangira se bolje od članka koji operiše samo definicijama.

Praktična posledica: članak bez imenovanog autora sa biografijom, bez primarnih izvora, i bez iskustvenih pozivanja funkcioniše u klasičnom SEO-u kao slab signal — u AI citiranju funkcioniše kao skoro nikakav signal.

Platformske razlike u citiranju — ChatGPT, Perplexity, Google AI pregled, Claude

AI sistemi se međusobno razlikuju u načinu na koji prikupljaju i citiraju sadržaj. Razumevanje ovih razlika omogućava cilj optimizacije po platformi.

ChatGPT Search — funkcija koju je OpenAI lansirao 31. oktobra 2024. godine (pokriveno u Search Engine Land i MIT Technology Review, oktobar 2024.). Sistem koristi fino podešen GPT-4o model u kombinaciji sa trećestranim provajderima pretrage — Microsoft Bing potvrđen kao jedan od njih. Partnerstva sa izdavačkim kućama (Reuters, The Atlantic, Le Monde, Financial Times, Axel Springer, Condé Nast, TIME) dopunjuju otvorenu pretragu. Citati se prikazuju inline i preko Sources dugmeta koje otvara postranski panel sa referencama. Za ChatGPT je strukturirani sadržaj sa jasnim autorstvom i datumom publikacije presudan.

Perplexity — koristi sopstveni crawler plus trećestrane provajdere pretrage. Perplexity odmah prikazuje citate iza svakog utvrđenja u generisanom odgovoru, što ga čini najtransparentnijim AI sistemom u smislu atribucije. Favorit Perplexity-ja je sadržaj istraživačkog stila sa gustim činjenicama i citatima — članak koji izgleda kao sažetak više izvora sa međusobnim citatima ima veću šansu da bude citiran. PerplexityBot indeksira sa robots.txt respektom, dok Perplexity-User obavlja korisnički zatražene upite i ignoriše robots.txt (izvor: docs.perplexity.ai/guides/bots).

Google AI pregled i AI Mode — Google koristi sopstveni Search indeks i Gemini model za generisanje odgovora. AI pregled se pojavljuje u preko 50% pretraga (Semrush AI Overviews Study, citiran u Search Engine Land). Zvanicni Google stav (Google Search Central, decembar 2025.) je da nema dodatnih tehničkih zahteva za pojavljivanje u AI pregledu — signal za AI pregled je isti signal koji određuje klasično rangiranje. Query fan-out je specifičan za AI Mode (opciona AI-first pretraga). Za Google AI pregled cilj je klasično rangiranje sa pravilno strukturiranim sadržajem.

Claude — koristi Anthropic infrastrukturu (search-layer kroz Claude-SearchBot, fetch-layer kroz Claude-User). Claude posebno vrednuje akademski i dokumentarni stil, sa oprezom prema marketinškim tvrdnjama. Za Claude citiranje presudni su dokumentovani primarni izvori i imenovano autorstvo.

Gemini — koristi Google Search indeks i Gemini model. Signal se velikim delom preklapa sa Google AI pregledom, ali Gemini kao konverzacioni agent dopunjuje sa bolje razumevanjem međupitanja i kontekstualnom rezolucijom.

Vezani članci u ovoj klaster strukturi idu dublje u platformsku specifičnost: Google AI pregledi i AI Mode — kako biti citiran (uskoro) pokriva Google-specifične mehanike; ChatGPT i Perplexity optimizacija sajta (uskoro) pokriva konverzacione AI sisteme; AI optimizacija tehnike i llms.txt (uskoro) pokriva tehničku implementaciju.

Autoritet: kako AI sistemi procenjuju poverenje

Autoritet u AI optimizaciji ne znači isto što i klasični PageRank. Autoritet je skup signala koji AI sistemu pokazuju da izvor vredi citirati: entitetski pomen u knowledge graf-u, imenovano autorstvo sa proverljivim identitetom, citati u primarnim i sekundarnim izvorima, prisutnost u pregled-platformama (G2, Capterra, Trustpilot kod B2B, industrijski katalozi kod drugih delatnosti), i pomen brenda u tekstovima bez direktnog linka. AI sistem agregira ove signale u internu procenu poverenja — što je ocena viša, veća šansa za citiranje.

Entitetski signali — knowledge graph, sameAs, Wikidata

Wikidata je kolaborativna struktura znanja kojom Google povezuje entitete sa Knowledge Graph-om. Brend koji ima Wikidata stavku sa popunjenim svojstvima (osnivači, datum osnivanja, sedište, oblasti rada, jezik, veb sajt, sameAs linkovi) je u bolje određenom položaju za AI citiranje nego brend bez Wikidata prisustva. Wikidata stavka nije obavezna za rangiranje, ali je najjeftinija ruta za ulazak u knowledge graphove koje AI sistemi čitaju.

CrunchBase je specifična referentna tačka za agencije, tehnološke firme, i B2B brendove. CrunchBase se direktno referenciše u Google-ovim entitetskim signalima i u nekim AI agregatorima. Profesionalne direktorije — Clutch, Sortlist, GoodFirms kod agencija, G2 i Capterra kod softverskih firmi — grade dodatni sloj entitetskih signala.

Svi ovi izvori povezuju se u sameAs niz u Organization ili Person shemi. Kada AI sistem radi entitetsku rezoluciju — proces povezivanja reference u tekstu sa kanonskim entitetom — sameAs mreža skraćuje putanju i povećava pouzdanost rezolucije.

Imenovano autorstvo i Person schema

Članak sa imenovanim autorom koji ima Person shemu, biografiju, i sameAs linkove ka LinkedIn-u, ORCID-u, GitHub-u je značajno bolje pozicioniran za AI citiranje od članka bez autora ili sa anonimnim autorom. AI sistem koji generiše odgovor preferencijalno citira izvor sa proverljivim autorom — anonimni sadržaj tretira kao slabiji signal.

Person shema treba da sadrži: ime i prezime, jobTitle (funkcija), worksFor referencu ka Organization schemi, sameAs niz sa minimalno tri eksterne referentne tačke. ORCID identifikator je posebno snažan signal za autore koji su u akademskom ili istraživačkom prostoru; LinkedIn je univerzalna referenca.

Autor sa aktivnom objavljivačkom istorijom — više članaka na istu temu, citati iz drugih izvora, pominjanja u medijima — gradi autorski autoritet u knowledge graph-u. Taj autoritet se prenosi na sve članke koje autor piše.

Citatni graf — primarni i sekundarni izvori

Citirana ekspertiza je snažniji signal od samoproglašene ekspertize. Članak koji dokumentovano citira primarne izvore (zvanična dokumentacija, akademski rad, direktno istraživanje) se tretira kao sekundarni izvor koji je proveren. Članak koji citira samo druge sekundarne izvore tretira se kao tercijarni izvor — slabiji.

Jačina izvora je hijerarhijska:

1. Primarni izvori — Google Search Central, developers.google.com, zvanična dokumentacija provajdera, akademski radovi (arXiv, peer-reviewed časopisi), zakonski tekstovi, direktna istraživanja.
2. Industrijski sekundarni izvori sa renomea — Search Engine Land, Moz, Ahrefs blog, Semrush blog, Backlinko, publikacije priznatih stručnjaka (Aleyda Solis, Barry Schwartz).
3. Opšti sekundarni izvori — tehničke publikacije (MIT Technology Review, InfoQ, TechCrunch), industrijska press saopštenja.
4. Tercijarni izvori — drugi blogovi, agregatori, repostovi bez atribucije.

Članak u prestige registru citira iz prva dva nivoa. Ovaj vodič se oslanja na arXiv akademski rad (Aggarwal et al.), Google Search Central, Wikipedia GEO entitet, Search Engine Land analizu, Aleyda Solis publikacije, i direktnu zvaničnu dokumentaciju Perplexity-ja i Anthropic-a. Taj citatni mix je deo autoriteta samog članka.

Prisustvo u pregled-platformama i digitalni PR

Prisustvo na pregled-platformama (G2, Capterra, Trustpilot za B2B softver i usluge; industrijski katalozi za druge delatnosti) je direktan entitetski signal. AI sistemi koji generišu preporučni odgovor preferencijalno citiraju izvore sa visokim pregledima u relevantnim platformama — ovo posebno važi za ChatGPT Search kada korisnik pita za preporuku.

Digitalni PR — pomen u medijima i industrijskim publikacijama bez direktnog linka — gradi brend kao entitet. Ovo je dugoročna investicija, ne jednokratna kampanja. U kontekstu AI vidljivosti, svaki pomen imena u industrijskom kontekstu postaje mikro-signal koji AI sistem povezuje sa entitetom.

Praksa entitetske izgradnje sledi jasan redosled: Wikidata stavka → industrijski profili (CrunchBase, Clutch, G2) → LinkedIn kompanijska stranica → autorski profili sa sameAs linkovima → digitalni PR kroz HARO odgovore i industrijske komentare → citati u relevantnim publikacijama. Ovaj redosled reflektuje odnos troška i uticaja — niskotroškovni koraci koji su merljivo efektivni prvo, tek potom skupi koraci sa dugoročnim povratom.

Merenje AI vidljivosti: šta pratiti i kojim alatima

AI vidljivost se ne meri kroz isti dashboard kroz koji se meri klasični SEO. Direktan AI referral saobraćaj je strukturno mali (često ispod 1% ukupnog saobraćaja) i teško merljiv (AI sistemi ne šalju atribuciju u referrer headerima). Umesto toga, AI vidljivost se meri kroz indirektne signale: citation count, share of voice, sentiment, i kontekst u kom je brend pomenut. Merni okvir se oslanja na alate koji periodično šalju upite ka AI sistemima i snimaju odgovore.

Primarne i sekundarne metrike

Primarne metrike AI vidljivosti:

• Citation count — koliko puta je brend citiran u odgovoru AI sistema na skup ciljanih upita. Meri se mesečno, pošaljevanjem standardizovanog skupa upita (8 do 30 po temi) ka svakom AI sistemu i brojanjem pomena.
• Share of voice — procenat pominjanja brenda u odnosu na sve brendove pominjane u istim odgovorima. Direktno uporedno mera sa konkurencijom.
• Sentiment — pozitivan, neutralan ili negativan kontekst u kom je brend pomenut. Podaci dolaze iz strukturirane analize odgovora.
• Kontekstualni triggering — koji tipovi upita dovode do pominjanja brenda. Otkriva praznine (teme gde brend nije pomenut iako bi trebalo da bude) i jake strane.

Sekundarne metrike:

• AI referral saobraćaj — saobraćaj iz chat.openai.com, perplexity.ai, gemini.google.com i sličnih domena. Meri se u GA4 ili drugom analitičkom alatu preko source/medium filtriranja. Vrednost je upućujuća, ne definitivna — strukturno je mala.
• Branded-search lift — rast pretraga specifično za brend na Google-u. Signal je indirektan: korisnik koji je brend video u AI odgovoru pamti ga i kasnije pretražuje direktno.
• Direct-traffic lift — rast direktnog saobraćaja (bez referrer-a) koji može biti AI-inspirisan.

Alati za merenje — industrijska praksa

Semrush AI Visibility Index je trenutno najcitiraniji alat za sistematično praćenje AI citiranja. Semrush mesečno šalje 2.500 upita ka Google AI Mode-u i ChatGPT-u, snima citirane izvore, i gradi index citatne volatilnosti. Prema Semrush-ovoj analizi iz oktobra 2025. godine (pokrivena u Search Engine Land članku), između 40% i 60% citiranih izvora menja se iz meseca u mesec — što znači da AI vidljivost nije stabilna u kratkom roku i zahteva kontinuirano praćenje.

Ahrefs Brand Radar (deo Ahrefs pretplate) prati pomene brenda u digitalnom prostoru, uključujući AI agregatorske i indeksne sisteme. Koristan je pre svega kao signal digitalnog PR-a i indirektnih pomena.

Manuelno prompt-testiranje — sistematično slanje 8-30 upita ka svakom AI sistemu, snimanje odgovora u strukturirani dokument, periodičan tekući pregled. Za agencije i male brendove koje ne mogu da priušte Semrush pretplatu, manuelno testiranje je validan pristup. Ključ je sistematičnost — isti upiti se šalju istim sistemima sa istim razmakom (najmanje mesečno).

Testni protokol koji Praxidea primenjuje na sopstvenom sadržaju kombinuje tri pristupa:

1. Baseline — pre publikacije novog članka, postavlja se 8 upita vezanih za temu članka ka pet AI sistema (ChatGPT, Perplexity, Claude, Gemini, Google AI pregled) i snima se stanje pre publikacije.
2. 30/60/90 dana — isti upiti se ponavljaju na 30, 60, i 90 dana posle publikacije. Mere se citation count po sistemu i share of voice.
3. Kvartalna analiza — tromesečno se sintetiše trend: koji članci pokazuju rast, koji stagniraju, gde su praznine u pokrivenosti teme.

Realistican vremenski horizont

Prvi merljivi rezultati AI vidljivosti vide se u rasponu od 6 do 12 meseci od publikacije kvalitetnog članka. Brža indeksacija (prvih 2 do 4 nedelje) može rezultirati pojavljivanjem u Google AI pregledu ako članak već rangira klasično, ali stabilno citiranje u ChatGPT-u, Perplexity-ju i Claude-u zahteva vreme da crawler-i indeksiraju, da entitetski graf se obogati, i da autoritetski signali se akumuliraju. Horizont infrastrukturne investicije je 12 do 36 meseci — ovo je vreme u kom se razvija kumulativni efekat niza članaka, entitetske izgradnje, i citatne mreže.

Razlika u odnosu na klasični SEO je blaga ali značajna. Klasični SEO rezultati se takođe akumuliraju u sličnom vremenu, ali sa jasnijim kratkoročnim signalima (pozicija u SERP-u, klikovi, impresije). AI vidljivost nema ekvivalent Google Search Console impressions — mora se aktivno meriti kroz prompt-testiranje, što znači da je feedback loop duži i skuplji.

Cena AI optimizacije — kako se određuje

Cena AI optimizacije zavisi od stanja sajta, dubine arhitekture, stanja sadržaja, jačine entiteta i ciljanog tržišta. Sajt sa ispravnim tehničkim slojem i jasnom autorskom strukturom zahteva manje rada nego sajt koji se gradi od početka. Sajt koji cilja srpsku pretragu zahteva drugačiji obim od sajta koji konkuriše u DACH ili britanskoj pretrazi, gde su entitetski signali i autoritet domena znatno strožiji.

Tačna cena se definiše uvodnim auditom, koji utvrđuje stanje sajta, prioritete intervencija i obim rada. Praxidea ne objavljuje cenovnike niti tipske pakete; svaki angažman se vodi po meri konkretnog cilja klijenta. Detalji o samom auditu: SEO audit cena: 0, 300 ili 1000 EUR.

Pitanja i odgovori

Moj sajt se ne pojavljuje u AI odgovorima — zašto?

Sajt se ne pojavljuje u AI odgovorima iz tri tipična razloga, rešivih po sloju arhitekture, sadržaja i autoriteta. Arhitektonski sloj: AI crawler-i (GPTBot, OAI-SearchBot, PerplexityBot, Claude-SearchBot, Googlebot) ne mogu da pristupe sajtu — blokirani u robots.txt, loš internal linking, nedostaje llms.txt, ili nema osnovnog Article schema. Sadržajni sloj: sadržaj postoji ali nije strukturisan za izvlačenje — odeljci ne otvaraju odgovor-kapsulama, nema imenovanog autora sa biografijom, nedostaju primarni izvori sa datumima. Autoritetski sloj: brend nema entitetski graf (nema Wikidata stavke, sameAs linkovi su prazni ili ka irelevantnim platformama, nema industrijskih citiranja). Dijagnostika kreće od prvog sloja — tek kada je arhitektura ispravna, sadržaj i autoritet imaju gde da se zakače.

Koja je razlika između GEO i AEO?

GEO (Generative Engine Optimization) je krovni termin za disciplinu koja optimizuje sadržaj i infrastrukturu za pojavljivanje u generativnim AI sistemima pretrage — ChatGPT, Perplexity, Google AI pregledi, Gemini, Claude. Obuhvata celokupnu disciplinu. AEO (Answer Engine Optimization) je uži termin koji se fokusira na optimizaciju za sisteme koji generišu direktne odgovore — featured snippet, FAQ izvodi, Google AI pregled, AI sažeci na drugim platformama. U praksi se termini često koriste međusobno, ali GEO pokriva širi obim (uključuje entitetsko rangiranje, klaster arhitekturu, crawler kontrolu), dok AEO se fokusira uže na format koji se direktno izvlači kao odgovor. U ovom vodiču GEO se koristi kao primarni termin, AEO kao povezan.

Da li je bolje angažovati agenciju ili freelancera za AI optimizaciju?

Izbor zavisi od kompleksnosti sajta, obima rada i potrebe za različitim disciplinama istovremeno. Freelancer odgovara kada je obim predvidiv i fokusiran na jednu do dve discipline (npr. strukturirani podaci + llms.txt setup za manji sajt). Agencija odgovara kada je obim kompleksan i zahteva više disciplina istovremeno — tehnička SEO arhitektura, produkcija sadržaja, entitetska izgradnja, merenje i izveštavanje. AI optimizacija često zahteva upravo taj multipliciran pristup: arhitektura se kodira, sadržaj se piše, entitet se sistematski gradi. Sajt sa jasno definisanim tehničkim zadatkom može proći sa freelancer angažmanom; sajt sa holističkim ciljem (AI vidljivost kao kontinuirana disciplina u 12-36 meseci) obično profitira od agencijskog angažmana sa strukturiranom metodologijom.

Koliko često treba obnavljati sadržaj za AI vidljivost?

Evergreen sadržaj o stabilnim temama se obnavlja na 6 do 9 meseci osim ako dođe do trigger događaja — Google objavi major ažuriranje AI pregleda, Gemini doda novu funkciju, ChatGPT promeni crawler ponašanje, Perplexity promeni algoritam rangiranja izvora. Time-sensitive sadržaj (konkretni propisi, rokovi, statistike po godinama) treba ažurirati pre trigger datuma. Polje date ažuriranja u strukturiranim podacima (dateModified) signalizira AI sistemima svežinu — članak bez vidljivog datuma poslednje izmene tretira se kao manje pouzdan izvor. Ažuriranje ne mora biti potpuno prepisivanje — izmena primarnog izvora, dopuna nove sekcije, revizija konkretnih podataka je dovoljna.

Da li klasični SEO treba potpuno napustiti?

Ne. Klasični SEO i AI optimizacija sajta nisu zamenski — aditivni su. Isti sajt koji rangira klasično u Google-u češće postaje kandidat za citat u Google AI pregledu; isti sajt sa čistom arhitekturom, kvalitetnim sadržajem i autoritetom bolje se čita i u ChatGPT-u, Perplexity-ju i Claude-u. Klasični SEO ostaje dominantni izvor saobraćaja u 2026. godini — AI referral saobraćaj je strukturno mali (ispod 1% ukupnog), dok Google organski saobraćaj čini 40 do 60% ukupnog saobraćaja većine sajtova. AI optimizacija je nadogradnja koja proširuje izvore vidljivosti, a ne zamena koja bi zamenila Google rangiranje.

Da li AI optimizacija daje merljiv ROI u prvih 6 meseci?

Direktan ROI u prvih 6 meseci je strukturno ograničen. Direktan AI referral saobraćaj je mali, a indirektni efekti (branded-search lift, direct-traffic lift, pomeni brenda u AI odgovorima) se akumuliraju sporije i teže se atribuiraju. Realistično: prvih 6 meseci meri se kao leading indicator — citation count u kontrolnom skupu prompt-ova, share of voice, entitetska rezolucija u Knowledge Graph-u. Pravi ROI vidi se u rasponu od 12 do 36 meseci, kada kumulativni efekat arhitektonskih investicija, sadržajne dubine i autoritetskih signala postane materijalan. Agencija ili klijent koji očekuje 6-mesečni merljiv ROI od AI optimizacije tretira disciplinu pogrešno — AI optimizacija je infrastrukturna investicija, ne marketinška kampanja.

---

Ovaj vodič je prvi članak AI vidljivost i GEO klastera na Praxidea sajtu. Vezani članci koji pokrivaju specifične platforme, tehnike i merne okvire objavljuju se sukcesivno; unutrašnji linkovi ka vezanim člancima dodaju se po publikaciji.

Izbor agencije za GEO sledi iste kriterijume kao izbor agencije za klasični SEO — metod, transparentnost izveštavanja, eksplicitno saopštene granice mandata.

Kontakt.