Βασικές Μετρήσεις Ιστού (Core Web Vitals) και Καθυστέρηση: Λαμβάνουν οι Ταχύτερες Σελίδες Περισσότερες Παραπομπές από την Τεχνητή Νοημοσύνη;

Βασικές Μετρήσεις Ιστού (Core Web Vitals) και Καθυστέρηση: Λαμβάνουν οι Ταχύτερες Σελίδες Περισσότερες Παραπομπές από την Τεχνητή Νοημοσύνη;

Εισαγωγή

Ένας γρήγορος ιστότοπος είναι πιο εύχρηστος για τους ανθρώπους. Μπορεί επίσης να είναι πιο εύκολο για τις μηχανές αναζήτησης και τα συστήματα τεχνητής νοημοσύνης να τον ανακτήσουν, να τον αποδώσουν και να τον κατανοήσουν.

Όμως, μια σημαντική διάκριση συχνά παραβλέπεται:

Μια ταχύτερη σελίδα μπορεί να βελτιώσει την ανίχνευση και τη διαθεσιμότητα περιεχομένου. Αυτό δεν σημαίνει ότι η ταχύτητα από μόνη της προκαλεί ένα σύστημα τεχνητής νοημοσύνης να παραπέμψει τη σελίδα.

Από τις 2 Αυγούστου 2026, η Google δηλώνει ότι οι σταθεροί χρόνοι απόκρισης διακομιστή και η χαμηλότερη καθυστέρηση μπορούν να αυξήσουν την ικανότητα ανίχνευσης ενός ιστότοπου. Η Google δηλώνει επίσης ότι οι λειτουργίες αναζήτησης τεχνητής νοημοσύνης χρησιμοποιούν τα ίδια βασικά συστήματα αναζήτησης και ευρετηρίασης με την παραδοσιακή αναζήτηση και δεν απαιτούν ειδική σήμανση τεχνητής νοημοσύνης ή βελτιστοποιήσεις ταχύτητας. (developers.google.com)

Αυτό το άρθρο παρουσιάζει ένα σχέδιο δοκιμών βασισμένο σε στοιχεία, αντί να ισχυρίζεται ότι έχει ήδη πραγματοποιηθεί ένα ολοκληρωμένο πείραμα. Δεν παρασχέθηκε κανένας ιστότοπος, σύνολο σελίδων, αρχείο καταγραφής διακομιστή ή σύνολο δεδομένων παραπομπών. Ο στόχος είναι να οριστεί μια ελεγχόμενη μελέτη που μπορεί να μετρήσει:

1. Εάν ο χαμηλότερος χρόνος μέχρι το πρώτο byte αυξάνει τη συχνότητα ανίχνευσης.
2. Εάν η χαμηλότερη Largest Contentful Paint βελτιώνει την ανακάλυψη ή την ευρετηρίαση.
3. Εάν η χαμηλότερη Cumulative Layout Shift επηρεάζει την ανίχνευση ή την ανάκτηση από την τεχνητή νοημοσύνη.
4. Εάν οι βελτιώσεις απόδοσης αυξάνουν τον ρυθμό με τον οποίο οι σελίδες παραπέμπονται ορατά από συστήματα αναζήτησης τεχνητής νοημοσύνης.

Η Σύντομη Απάντηση

Ο χαμηλότερος χρόνος μέχρι το πρώτο byte μπορεί να βελτιώσει την ανίχνευση υπό τις σωστές συνθήκες

Η τρέχουσα τεκμηρίωση ανίχνευσης της Google αναφέρει ότι το όριο ικανότητας ανίχνευσης μπορεί να αυξηθεί όταν ένας ιστότοπος έχει σταθερούς ή βελτιωμένους χρόνους απόκρισης, συμπεριλαμβανομένου του χρόνου μέχρι το πρώτο byte. Εάν οι χρόνοι απόκρισης αυξηθούν ή εάν ένας ιστότοπος επιστρέψει πάρα πολλά σφάλματα διακομιστή ή αποκρίσεις ορίου ρυθμού, η Google ενδέχεται να μειώσει την ανίχνευση. (developers.google.com)

Ωστόσο, ο ταχύτερος χρόνος απόκρισης δεν εγγυάται περισσότερη ανίχνευση. Η ζήτηση ανίχνευσης εξαρτάται επίσης από παράγοντες όπως:

• Το πόσο συχνά αλλάζει ο ιστότοπος.
• Το πόσο δημοφιλής είναι ο ιστότοπος και οι σελίδες του.
• Το εάν το περιεχόμενο είναι χρήσιμο και μοναδικό.
• Το πόσες διπλότυπες ή χαμηλής αξίας διευθύνσεις URL υπάρχουν.
• Το εάν οι ενημερωμένες διευθύνσεις URL περιλαμβάνονται στους χάρτες ιστοτόπου.

Αυτό σημαίνει ότι η χαμηλότερη καθυστέρηση θα πρέπει να έχει την ισχυρότερη επίδραση σε μεγάλους, συχνά ενημερωμένους ή περιορισμένους από διακομιστή ιστότοπους, όχι απαραίτητα σε έναν μικρό ιστότοπο με περιορισμένο νέο περιεχόμενο.

Η χαμηλότερη Largest Contentful Paint μπορεί να βοηθήσει έμμεσα

Η Largest Contentful Paint μετρά πότε εμφανίζεται το κύριο ορατό περιεχόμενο για έναν χρήστη. Η Google δηλώνει επίσης ότι τόσο ο χρόνος απόκρισης του διακομιστή όσο και ο χρόνος που απαιτείται για την απόδοση σελίδων και ενσωματωμένων πόρων μπορούν να επηρεάσουν την αποδοτικότητα ανίχνευσης. (developers.google.com)

Η πιθανή σχέση είναι έμμεση:

Χαμηλότερη καθυστέρηση → ταχύτερη παράδοση πόρων → αποδοτικότερη απόδοση ή ανάκτηση → λιγότερα χρονικά όρια ανίχνευσης ή ατελείς ανακτήσεις.

Η επίδραση θα πρέπει να είναι ισχυρότερη όταν το σημαντικό περιεχόμενο εξαρτάται από:

• Αργό JavaScript.
• Μεγάλες εικόνες.
• Στυλιστικά φύλλα που μπλοκάρουν την απόδοση.
• Απόδοση από την πλευρά του πελάτη (client-side rendering).
• Βαριά ενσωματωμένους πόρους.

Μια γρήγορη βαθμολογία Largest Contentful Paint από μόνη της δεν είναι πιθανό να αποτελεί άμεσο σήμα παραπομπής τεχνητής νοημοσύνης.

Η χαμηλότερη Cumulative Layout Shift πιθανότατα έχει μικρή άμεση επίδραση στην ανίχνευση

Η Cumulative Layout Shift μετρά την απροσδόκητη κίνηση του ορατού περιεχομένου. Είναι κυρίως μια μέτρηση εμπειρίας χρήστη. Κοινές αιτίες περιλαμβάνουν εικόνες χωρίς διαστάσεις, δυναμικά εισαγόμενες διαφημίσεις, ενσωματωμένο περιεχόμενο και γραμματοσειρές ιστού. (web.dev)

Ένας ανιχνευτής δεν βιώνει μια μετατόπιση διάταξης με τον ίδιο τρόπο που το κάνει ένας ανθρώπινος επισκέπτης. Επομένως, μια άμεση σχέση μεταξύ χαμηλότερης Cumulative Layout Shift και περισσότερης ανίχνευσης είναι απίθανη.

Ενδέχεται να υπάρχει μια έμμεση σχέση όταν μια υψηλή μετατόπιση διάταξης προκαλείται από:

• Περιεχόμενο που εισάγεται αργά από JavaScript.
• Σημαντικό κείμενο που κρύβεται μέχρι να τρέξουν τα σενάρια.
• Εικόνες ή ενσωματώσεις που καθυστερούν την κατασκευή της σελίδας.
• Ασταθή πρότυπα που παράγουν διαφορετικό περιεχόμενο κατά τη διάρκεια διαφορετικών ανακτήσεων.

Σε αυτές τις περιπτώσεις, το πραγματικό πρόβλημα δεν είναι η βαθμολογία μετατόπισης διάταξης. Το πραγματικό πρόβλημα είναι ότι η σελίδα μπορεί να είναι δύσκολο να επεξεργαστεί ή μπορεί να εκθέσει σημαντικό περιεχόμενο πολύ αργά.

Οι ταχύτερες σελίδες δεν παραπέμπονται αυτόματα πιο συχνά

Η Google λέει ότι οι σελίδες που εμφανίζονται σε λειτουργίες τεχνητής νοημοσύνης πρέπει πρώτα να ευρετηριαστούν και να είναι επιλέξιμες για να εμφανιστούν σε κανονικά αποτελέσματα αναζήτησης με απόσπασμα. Η Google λέει επίσης ότι δεν υπάρχουν πρόσθετες τεχνικές απαιτήσεις ή ειδικές βελτιστοποιήσεις τεχνητής νοημοσύνης για τις επισκοπήσεις τεχνητής νοημοσύνης και τη λειτουργία τεχνητής νοημοσύνης της. (developers.google.com)

Η OpenAI δηλώνει ομοίως ότι οι κατατάξεις αναζήτησης του ChatGPT εξαρτώνται από πολλούς παράγοντες και ότι η άδεια στον ανιχνευτή αναζήτησης της, OAI-SearchBot, είναι σημαντική για τη συμπερίληψη. Δεν δηλώνει ότι οι χαμηλότερες Βασικές Μετρήσεις Ιστού (Core Web Vitals) αυξάνουν άμεσα την πιθανότητα παραπομπής. (help.openai.com)

Αυτό υποδηλώνει ένα μοντέλο τεσσάρων σταδίων:

1. Ανακάλυψη — Μαθαίνει το σύστημα ότι υπάρχει η διεύθυνση URL;
2. Ανάκτηση και επεξεργασία — Μπορεί το σύστημα να ανακτήσει και να κατανοήσει τη σελίδα;
3. Ευρετηρίαση και ανάκτηση — Επιλέγεται η σελίδα για ένα συγκεκριμένο ερώτημα;
4. Επιλογή παραπομπής — Εμφανίζεται η σελίδα ως ορατή πηγή στην απάντηση;

Η ταχύτητα της σελίδας μπορεί να επηρεάσει τα δύο πρώτα στάδια. Δεν έχει καθοριστεί ως άμεση αιτία του τέταρτου σταδίου.

Πρόσφατες έρευνες δείχνουν επίσης ότι τα συστήματα τεχνητής νοημοσύνης μπορεί να διαβάζουν πολλές σχετικές σελίδες αλλά να παραπέμπουν μόνο σε ορισμένες από αυτές. Με άλλα λόγια, η ανάκτηση και η παραπομπή είναι ξεχωριστά γεγονότα. (cambridge.org)

Τι Πρέπει να Δοκιμαστεί;

Η μελέτη θα πρέπει να δοκιμάσει δύο διαφορετικά ερωτήματα αντί να αντιμετωπίζει την «ορατότητα της τεχνητής νοημοσύνης» ως μία μέτρηση.

Ερώτημα 1: Επηρεάζει η απόδοση την ανίχνευση;

Πρωτεύοντα αποτελέσματα:

• Χρόνος από τη δημοσίευση έως το πρώτο αίτημα ανιχνευτή.
• Αριθμός αιτημάτων ανιχνευτή ανά σελίδα ανά ημέρα.
• Χρόνος μεταξύ επιτυχημένων επανα-ανιχνεύσεων.
• Αριθμός σελίδων που ανιχνεύονται ανά 1.000 δημοσιευμένες σελίδες.
• Ποσοστό επιτυχημένων ανακτήσεων.
• Ρυθμός σφαλμάτων διακομιστή και αποκρίσεων ορίου ρυθμού.
• Χρόνος από τη δημοσίευση έως την ευρετηρίαση.

Ερώτημα 2: Επηρεάζει η απόδοση την επιλογή παραπομπής;

Πρωτεύοντα αποτελέσματα:

• Ποσοστό των δοκιμασμένων ερωτημάτων που παράγουν μια ορατή παραπομπή.
• Ρυθμός παραπομπών ανά επιλέξιμη σελίδα.
• Μερίδιο παραπομπών εντός ενός ερωτήματος.
• Ποσοστό ανακτημένων σελίδων που γίνονται ορατές παραπομπές.
• Εμμονή παραπομπών με την πάροδο του χρόνου.
• Ρυθμός παραπομπών ανά σύστημα τεχνητής νοημοσύνης.

Αυτά τα αποτελέσματα πρέπει να διαχωριστούν ανά πάροχο. Μια επισκόπηση τεχνητής νοημοσύνης της Google, ένα αποτέλεσμα αναζήτησης ChatGPT, μια απάντηση Microsoft Copilot, μια απάντηση Perplexity και μια απάντηση αναζήτησης Claude μπορεί να χρησιμοποιούν διαφορετικούς δείκτες, ανιχνευτές, συστήματα κατάταξης και χρονοδιαγράμματα ανανέωσης.

Πειραματικός Σχεδιασμός

1. Δημιουργήστε ένα ελεγχόμενο σύνολο σελίδων

Χρησιμοποιήστε ένα σύνολο σελίδων αρκετά μεγάλο ώστε να παράγει ουσιαστικά δεδομένα ανιχνευτή και παραπομπών.

Ένας πρακτικός αρχικός σχεδιασμός θα περιλάμβανε:

• 240 έως 800 σελίδες.
• Τουλάχιστον 20 σελίδες ανά πρότυπο σελίδας.
• Τρεις έως πέντε κατηγορίες περιεχομένου.
• Ένα μείγμα από διαχρονικές και τακτικά ενημερωμένες σελίδες.
• Ίσο αριθμό σελίδων σε κάθε ομάδα παρέμβασης.

Κάθε σελίδα θα πρέπει να έχει:

• Παρόμοια δομή HTML.
• Παρόμοιο μήκος περιεχομένου.
• Το ίδιο σύστημα δημοσίευσης.
• Το ίδιο μοτίβο εσωτερικής σύνδεσης.
• Τους ίδιους κανονικούς κανόνες.
• Την ίδια επεξεργασία χάρτη ιστοτόπου.
• Τις ίδιες άδειες robots.txt.
• Ένα μοναδικό, χρήσιμο θέμα.

Μην δημιουργείτε εκατοντάδες λεπτές ή σχεδόν διπλότυπες σελίδες μόνο για το πείραμα. Οι οδηγίες της Google προειδοποιούν ότι οι διπλότυπες διευθύνσεις URL και αυτές χαμηλής αξίας μπορούν να σπαταλήσουν πόρους ανίχνευσης και να μειώσουν την αποδοτικότητα ενός ιστότοπου. (developers.google.com)

Ένας σχεδιασμός με ζεύγη ταιριαστών είναι χρήσιμος. Για παράδειγμα, ζευγαρώστε σελίδες με παρόμοια:

• Μήκος περιεχομένου.
• Ζήτηση θέματος.
• Συχνότητα ενημέρωσης.
• Αριθμός εσωτερικών συνδέσεων.
• Αριθμός εξωτερικών συνδέσεων.
• Ιστορικό επισκεψιμότητας.
• Θέση κατάταξης αναζήτησης.

Στη συνέχεια, τοποθετήστε μία σελίδα από κάθε ζεύγος στην ομάδα ελέγχου και την άλλη σε μια ομάδα παρέμβασης.

2. Χρησιμοποιήστε έναν παραγοντικό σχεδιασμό παρέμβασης

Οι κύριες παρεμβάσεις απόδοσης θα πρέπει να δοκιμαστούν ανεξάρτητα και μαζί.

Αυτό δημιουργεί ένα ελεγχόμενο πείραμα για τις τρεις ζητούμενες βελτιστοποιήσεις:

• HTTP/3.
• Προσωρινή αποθήκευση στο άκρο δικτύου διανομής περιεχομένου.
• Συμπίεση εικόνας.

Η παρέμβαση σταθερότητας διάταξης είναι απαραίτητη επειδή οι τρεις πρώτες βελτιστοποιήσεις δεν απομονώνουν αξιόπιστα τη Συγκεντρωτική Μετατόπιση Διάταξης (Cumulative Layout Shift). Η συμπίεση εικόνας μπορεί να μειώσει την Largest Contentful Paint χωρίς να αλλάξει καθόλου τη σταθερότητα της διάταξης.

Γιατί το HTTP/3 χρειάζεται τη δική του μέτρηση

Το HTTP/3 χρησιμοποιεί το πρωτόκολλο μεταφοράς QUIC και παρέχει ανεξάρτητες ροές, οι οποίες μπορούν να αποφύγουν το φράξιμο στην αρχή της γραμμής σε επίπεδο μεταφοράς που υπάρχει στο HTTP/2 μέσω TCP. Τα οφέλη του εξαρτώνται από το αν ο πελάτης ή ο ανιχνευτής όντως διαπραγματεύεται HTTP/3. (rfc-editor.org)

Επομένως, καταγράψτε το διαπραγματευμένο πρωτόκολλο για κάθε αίτημα:

• HTTP/1.1.
• HTTP/2.
• HTTP/3.

Μην υποθέσετε ότι η ενεργοποίηση του HTTP/3 σημαίνει ότι κάθε ανιχνευτής το χρησιμοποιεί. Εάν το Googlebot, το OAI-SearchBot ή κάποιος άλλος ανιχνευτής συνεχίζει να χρησιμοποιεί HTTP/2, το HTTP/3 δεν μπορεί να επηρεάσει τα αιτήματα αυτού του ανιχνευτή.

Γιατί η προσωρινή αποθήκευση στο άκρο πρέπει να δοκιμαστεί προσεκτικά

Ένα δίκτυο διανομής περιεχομένου (CDN) μπορεί να μειώσει τον χρόνο μέχρι το πρώτο byte σερβίροντας περιεχόμενο πλησιέστερα στον αιτούντα. Μπορεί επίσης να μειώσει τον αριθμό των αιτημάτων που φτάνουν στον αρχικό διακομιστή. (web.dev)

Δοκιμάστε τουλάχιστον τρεις καταστάσεις προσωρινής αποθήκευσης:

1. Κρύα προσωρινή αποθήκευση — Το άκρο πρέπει να επικοινωνήσει με την πηγή.
2. Θερμή προσωρινή αποθήκευση — Το άκρο σερβίρει τη σελίδα χωρίς να επικοινωνήσει με την πηγή.
3. Επανα-επικυρωμένη προσωρινή αποθήκευση — Το άκρο ή ο ανιχνευτής χρησιμοποιεί τιμή ETag ή Last-Modified και λαμβάνει απόκριση 304 Not Modified.

Η Google συνιστά συγκεκριμένα την αποτελεσματική προσωρινή αποθήκευση HTTP και υποστηρίζει τη χρήση αποκρίσεων 304 Not Modified για τη μείωση της περιττής επεξεργασίας και του εύρους ζώνης. (developers.google.com)

Μην επιτρέπετε στην προσωρινή αποθήκευση να σερβίρει παλιό ή λανθασμένο περιεχόμενο στους ανιχνευτές. Καταγράψτε:

• Επιτυχία ή αποτυχία προσωρινής αποθήκευσης.
• Ηλικία προσωρινής αποθήκευσης.
• Τοποθεσία άκρου.
• Χρόνος απόκρισης πηγής.
• Έκδοση περιεχομένου.
• Κωδικός κατάστασης.
• Κεφαλίδες επικύρωσης.

Γιατί η συμπίεση εικόνας πρέπει να συνδέεται με την Largest Contentful Paint

Τα WebP και AVIF παρέχουν γενικά καλύτερη συμπίεση από παλαιότερες μορφές εικόνας. Οι μικρότερες εικόνες μπορούν να μειώσουν τον χρόνο μεταφοράς και να βελτιώσουν την Largest Contentful Paint όταν η εικόνα είναι το στοιχείο Largest Contentful Paint. (web.dev)

Η δοκιμή θα πρέπει να χρησιμοποιεί:

• Τις ίδιες διαστάσεις εικόνας.
• Τον ίδιο στόχο οπτικής ποιότητας.
• Ανταποκριτικές εικόνες srcset.
• Μια σύγχρονη μορφή με κατάλληλο fallback.
• Ρητές τιμές width και height.
• Καμία τεμπέλικη φόρτωση για την εικόνα Largest Contentful Paint.
• Μια διεύθυνση URL εικόνας ορατή στο αρχικό HTML.

Η συμπίεση εικόνας από μόνη της ενδέχεται να μην βελτιώσει την Largest Contentful Paint εάν η πραγματική καθυστέρηση προέρχεται από JavaScript ή καθυστερημένη ανακάλυψη πόρων. Οι οδηγίες απόδοσης της Google σημειώνουν ότι η μείωση του χρόνου λήψης εικόνας μπορεί απλώς να μετατοπίσει την καθυστέρηση σε άλλο μέρος της σελίδας εάν το στοιχείο Largest Contentful Paint αποκαλυφθεί αργά. (web.dev)

3. Εκτελέστε τη δοκιμή αρκετά καιρό

Μια σύντομη δοκιμή μπορεί να χάσει τις επιπτώσεις του προγραμματισμού ανίχνευσης και της ανανέωσης του ευρετηρίου.

Ένας πρακτικός σχεδιασμός είναι:

• Δύο εβδομάδες βασικής μέτρησης.
• Έξι έως δώδεκα εβδομάδες μέτρησης παρέμβασης.
• Μια τελική περίοδος αντιστροφής ή διασταύρωσης εάν είναι δυνατόν.

Για μια δοκιμή διασταύρωσης, αλλάξτε τις παρεμβάσεις μεταξύ των ταιριαστών ομάδων σελίδων. Εάν το αποτέλεσμα της απόδοσης εξαφανιστεί όταν αφαιρεθεί η παρέμβαση, το αποτέλεσμα είναι ισχυρότερο από μια απλή σύγκριση πριν-και-μετά.

Τα δεδομένα πεδίου Core Web Vitals θα πρέπει να αξιολογούνται για μια κατάλληλη περίοδο. Η Αναφορά Εμπειρίας Χρήστη Chrome (Chrome User Experience Report) χρησιμοποιεί μια κυλιόμενη συγκέντρωση 28 ημερών, οπότε δεν έχει σχεδιαστεί για να δείχνει άμεσες αλλαγές μετά την ανάπτυξη. (developer.chrome.com)

4. Μετρήστε ολόκληρο τον πληθυσμό των ανιχνευτών

Μην αντιμετωπίζετε όλη την αυτοματοποιημένη κίνηση ως μία ομάδα.

Τουλάχιστον, διαχωρίστε:

Ανιχνευτές αναζήτησης

• Googlebot.
• Bingbot.

Ανιχνευτές αναζήτησης τεχνητής νοημοσύνης

• OAI-SearchBot.
• PerplexityBot.
• Claude-SearchBot.

Fetchers που ζητήθηκαν από χρήστες

• Perplexity-User.
• Claude-User.
• ChatGPT user fetchers όπου αναγνωρίζονται.

Ανιχνευτές εκπαίδευσης

• GPTBot.
• ClaudeBot.
• Google-Extended controls.

Οι ανιχνευτές εκπαίδευσης δεν πρέπει να χρησιμοποιούνται ως πληρεξούσιοι για παραπομπές αναζήτησης τεχνητής νοημοσύνης. Οι Anthropic, OpenAI και Google διακρίνουν μεταξύ των ανιχνευτών που χρησιμοποιούνται για εκπαίδευση, αναζήτηση ή ανάκτηση κατόπιν αιτήματος χρήστη. Η Google δηλώνει επίσης ότι το Google-Extended δεν επηρεάζει τη συμπερίληψη ή την κατάταξη στην Αναζήτηση Google. (help.openai.com)

Η Perplexity ομοίως διακρίνει μεταξύ του PerplexityBot, το οποίο υποστηρίζει την ευρετηρίαση αναζήτησης, και του Perplexity-User, το οποίο μπορεί να ανακτήσει μια σελίδα ως απάντηση σε ένα αίτημα χρήστη. (docs.perplexity.ai)

Επαληθεύστε την ταυτότητα του ανιχνευτή χρησιμοποιώντας δημοσιευμένα εύρη IP ή αντίστροφη αναζήτηση DNS όπου ο πάροχος το υποστηρίζει. Οι συμβολοσειρές user-agent μπορούν να αντιγραφούν από άσχετους ανιχνευτές. Η Google προειδοποιεί συγκεκριμένα ότι οι συμβολοσειρές user-agent του Googlebot μπορούν να παραποιηθούν. (developers.google.com)

Μετρήσεις προς Συλλογή

Μετρήσεις απόδοσης

Συλλέξτε δεδομένα τόσο από εργαστήριο όσο και από πραγματικούς χρήστες:

• Χρόνος μέχρι το πρώτο byte.
• First Contentful Paint.
• Largest Contentful Paint.
• Cumulative Layout Shift.
• Interaction to Next Paint.
• Συνολικό βάρος σελίδας.
• Αρχικό μέγεθος HTML.
• Μέγεθος μεταφοράς εικόνας.
• Αριθμός αιτημάτων.
• Χρόνος που δαπανάται στην επεξεργασία του διακομιστή.
• Χρόνος που δαπανάται περιμένοντας τον πόρο Largest Contentful Paint.
• Πρωτόκολλο HTTP.
• Κατάσταση προσωρινής αποθήκευσης.

Η Google συνιστά έναν πρόχειρο στόχο χρόνου μέχρι το πρώτο byte 800 χιλιοστά του δευτερολέπτου ή λιγότερο, αλλά ο χρόνος μέχρι το πρώτο byte δεν είναι από μόνος του μια Βασική Μέτρηση Ιστού (Core Web Vital). (web.dev)

Τα τρέχοντα «καλά» όρια των Βασικών Μετρήσεων Ιστού (Core Web Vitals) στο 75ο εκατοστημόριο είναι:

• Largest Contentful Paint: 2,5 δευτερόλεπτα ή λιγότερο.
• Cumulative Layout Shift: 0,1 ή λιγότερο.
• Interaction to Next Paint: 200 χιλιοστά του δευτερολέπτου ή λιγότερο. (web.dev)

Μετρήσεις ανίχνευσης

Για κάθε επαληθευμένο αίτημα ανιχνευτή, καταγράψτε:

text timestamp url user_agent verified_bot source_ip http_protocol status_code response_time time_to_first_byte bytes_sent cache_status edge_location etag last_modified referrer

Υπολογίστε:

text crawl_requests_per_url_day successful_fetch_rate 5xx_rate 429_rate median_recrawl_interval p75_recrawl_interval publication_to_first_fetch publication_to_first_index

Μετρήσεις παραπομπών τεχνητής νοημοσύνης

Χρησιμοποιήστε ένα σταθερό σύνολο ερωτημάτων σε κάθε πλατφόρμα. Το σύνολο ερωτημάτων θα πρέπει να περιλαμβάνει:

• Άμεσες πραγματικές ερωτήσεις.
• Ερωτήσεις σύγκρισης.
• Ερωτήσεις «Καλύτερο» ή συστάσεων.
• Ερωτήσεις ευαίσθητες στην επικαιρότητα.
• Ερωτήσεις όπου η δοκιμασμένη σελίδα είναι η ισχυρότερη απάντηση.
• Ερωτήσεις όπου η δοκιμασμένη σελίδα είναι σχετική αλλά όχι κυρίαρχη.

Για κάθε ερώτημα, καταγράψτε:

text engine model or experience timestamp location device query pages shown as sources page citation order whether the tested page was cited whether the tested page was retrieved but not cited answer text hash

Επαναλάβετε τα ερωτήματα επειδή οι απαντήσεις της τεχνητής νοημοσύνης μπορεί να ποικίλλουν. Χρησιμοποιήστε ένα σταθερό πρόγραμμα, όπως τρεις φορές την εβδομάδα, και καταγράψτε αλλαγές στη μηχανή ή το μοντέλο.

Τα Microsoft Bing Webmaster Tools παρέχουν πλέον μια αναφορά απόδοσης τεχνητής νοημοσύνης που δείχνει παραπέμποντες σελίδες, ερωτήματα θεμελίωσης και τάσεις παραπομπών σε υποστηριζόμενες εμπειρίες τεχνητής νοημοσύνης της Microsoft. Η Microsoft προειδοποιεί ότι τα δεδομένα είναι συγκεντρωτικά, δειγματοληπτικά και παρατηρητικά. δεν μπορεί να αποδείξει ότι μια συγκεκριμένη αλλαγή σελίδας προκάλεσε μια αλλαγή παραπομπής. (bing.com)

Η Google άρχισε επίσης να κυκλοφορεί ειδικές αναφορές απόδοσης γενετικής τεχνητής νοημοσύνης στο Search Console τον Ιούνιο του 2026. Οι αναφορές ήταν αρχικά διαθέσιμες μόνο σε ένα υποσύνολο ιστοτόπων, επομένως η πρόσβαση ενδέχεται να διαφέρει. (developers.google.com)

Στατιστική Ανάλυση

Συχνότητα ανίχνευσης

Χρησιμοποιήστε ένα μοντέλο καταμέτρησης μικτών επιδράσεων, όπως ένα αρνητικό διωνυμικό μοντέλο:

text crawl_count ~ treatment + time_to_first_byte + page_age + update_frequency + sitemap_status + internal_links + server_errors + (1 | page) + (1 | crawler)

Οι επιδράσεις σελίδας και ανιχνευτή είναι σημαντικές επειδή ορισμένες σελίδες λαμβάνουν φυσικά περισσότερη προσοχή από άλλες, και διαφορετικοί ανιχνευτές έχουν διαφορετικά χρονοδιαγράμματα.

Ανακάλυψη και ευρετηρίαση

Χρησιμοποιήστε ανάλυση επιβίωσης για:

• Χρόνο από τη δημοσίευση έως την πρώτη ανάκτηση.
• Χρόνο από τη δημοσίευση έως την πρώτη ευρετηρίαση.
• Χρόνο από την ενημέρωση έως την επανα-ανίχνευση.

Το βασικό αποτέλεσμα δεν είναι απλώς το αν μια σελίδα τελικά ανιχνεύτηκε. Είναι το αν η παρέμβαση μείωσε τον χρόνο που απαιτείται για να βρεθεί και να επεξεργαστεί η σελίδα.

Επιλογή παραπομπής τεχνητής νοημοσύνης

Χρησιμοποιήστε ένα ιεραρχικό λογιστικό μοντέλο:

text citation_present ~ treatment + time_to_first_byte + largest_contentful_paint + cumulative_layout_shift + indexed_status + search_visibility + content_freshness + page_authority + (1 | query) + (1 | engine) + (1 | page)

Εκτελέστε δύο ξεχωριστά μοντέλα:

1. Μοντέλο ανάκτησης — Ανακτήθηκε η σελίδα ή εμφανίστηκε ως υποψήφια;
2. Μοντέλο παραπομπής — Εάν ανακτήθηκε, παραπέμφθηκε ορατά η σελίδα;

Αυτή η διάκριση είναι ουσιώδης. Μια βελτίωση απόδοσης που αυξάνει την ανίχνευση αλλά όχι την ανάκτηση δεν αποτελεί επίδραση παραπομπής τεχνητής νοημοσύνης. Μια βελτίωση απόδοσης που αυξάνει την ανάκτηση αλλά όχι τις παραπομπές υποδηλώνει ότι η σελίδα εξετάζεται αλλά χάνει κατά την επιλογή πηγής.

Αναμενόμενα Ευρήματα

Αυτές είναι εργασιακές υποθέσεις, όχι ισχυρισμοί για πειραματικά αποτελέσματα.

Υπόθεση 1: Ο χρόνος μέχρι το πρώτο byte θα έχει την πιο σαφή επίδραση στην ανίχνευση

Αναμένετε μια θετική σχέση μεταξύ χαμηλότερου χρόνου μέχρι το πρώτο byte και ικανότητας ανίχνευσης όταν:

• Ο ιστότοπος έχει πολλές σελίδες.
• Οι σελίδες αλλάζουν συχνά.
• Ο αρχικός διακομιστής είναι αργός ή υπερφορτωμένος.
• Ο ιστότοπος επιστρέφει αποκρίσεις 5xx ή 429.
• Ο ανιχνευτής ξοδεύει σημαντικό χρόνο περιμένοντας απαντήσεις.

Αναμένετε μικρή μετρήσιμη επίδραση σε έναν μικρό ιστότοπο με χαμηλή ζήτηση ανίχνευσης.

Υπόθεση 2: Η Largest Contentful Paint θα έχει σημασία μέσω της απόδοσης και της παράδοσης πόρων

Αναμένετε η χαμηλότερη Largest Contentful Paint να βοηθήσει όταν:

• Η σελίδα εξαρτάται από την απόδοση του προγράμματος περιήγησης.
• Σημαντικό περιεχόμενο βρίσκεται πίσω από JavaScript.
• Απαιτούνται μεγάλες εικόνες ή στυλιστικά φύλλα για την ευρετηρίαση.
• Ο ανιχνευτής ανακτά πολλούς πόρους σελίδας.
• Η πιο αργή παρέμβαση παράγει χρονικά όρια ή ελλιπή απόδοση.

Αναμένετε μια αδύναμη σχέση όταν το σημαντικό κείμενο της σελίδας είναι ήδη παρόν στο αρχικό HTML.

Υπόθεση 3: Η Cumulative Layout Shift θα έχει μικρή άμεση επίδραση

Αναμένετε καμία ουσιαστική άμεση σχέση μεταξύ της Cumulative Layout Shift και της συχνότητας ανίχνευσης ή του ρυθμού παραπομπής μετά τον έλεγχο της δομής της σελίδας και της συμπεριφοράς του JavaScript.

Εάν η Cumulative Layout Shift φαίνεται να προβλέπει παραπομπές, διερευνήστε εάν λειτουργεί ως πληρεξούσιο για:

• Απόδοση από την πλευρά του πελάτη (client-side rendering).
• Καθυστερημένη εισαγωγή περιεχομένου.
• Ασταθείς διαφημίσεις.
• Κρυφό ή καθυστερημένο κείμενο.
• Κακώς δομημένο HTML.

Υπόθεση 4: Η ταχύτητα από μόνη της δεν θα παράγει περισσότερες παραπομπές τεχνητής νοημοσύνης

Οι ισχυρότεροι προγνωστικοί παράγοντες της επιλογής παραπομπής είναι πιθανό να παραμείνουν:

• Σχετικότητα με το ερώτημα.
• Ποιότητα περιεχομένου.
• Σαφείς απαντήσεις.
• Επικαιρότητα.
• Αυθεντία και εμπιστοσύνη.
• Επιλεξιμότητα ευρετηρίου αναζήτησης.
• Θέση κατάταξης ανάκτησης.
• Το αν η σελίδα υποστηρίζει άμεσα τον ισχυρισμό που γίνεται.

Οι οδηγίες της Google τονίζουν το χρήσιμο, αξιόπιστο περιεχόμενο που βάζει τους ανθρώπους πρώτους και αναφέρουν ότι οι λειτουργίες αναζήτησης τεχνητής νοημοσύνης βασίζονται στα υπάρχοντα συστήματα αναζήτησης και ευρετηρίασης. (developers.google.com)

Ένας Προϋπολογισμός Απόδοσης Συντονισμένος για Ανάκτηση Τεχνητής Νοημοσύνης

Ακολουθεί ένας προτεινόμενος λειτουργικός προϋπολογισμός. Δεν είναι δημοσιευμένος τύπος κατάταξης τεχνητής νοημοσύνης.

Η τρέχουσα τεκμηρίωση της Google αναφέρει ότι το Googlebot ανακτά τα πρώτα 2 megabyte ενός υποστηριζόμενου αρχείου και ανακτά εξωτερικά σενάρια και στυλιστικά φύλλα ξεχωριστά. Συνιστά επίσης την τοποθέτηση σημαντικών μεταδεδομένων και δομημένων δεδομένων νωρίς στο HTML. (developers.google.com)

Προτάσεις Υλοποίησης

HTTP/3

Χρησιμοποιήστε HTTP/3 όταν υποστηρίζεται από τον πάροχο φιλοξενίας και το δίκτυο διανομής περιεχομένου.

Μετρήστε:

• Ρυθμός διαπραγμάτευσης HTTP/3.
• Ρυθμός fallback HTTP/2.
• Χρόνος ρύθμισης σύνδεσης.
• Χρόνος μέχρι το πρώτο byte.
• Απόδοση ανά γεωγραφική περιοχή.
• Απόδοση ανά ανιχνευτή.

Μην αντιμετωπίζετε το HTTP/3 ως εγγυημένη βελτιστοποίηση αναζήτησης ή τεχνητής νοημοσύνης. Είναι μια βελτίωση μεταφοράς που μπορεί να βοηθήσει μόνο τους πελάτες που το χρησιμοποιούν.

Προσωρινή Αποθήκευση στο Άκρο του Δικτύου Διανομής Περιεχομένου (Content Delivery Network Edge Caching)

Για δημόσιες, μη εξατομικευμένες σελίδες:

• Ορίστε σαφείς κανόνες Cache-Control.
• Χρησιμοποιήστε μακροχρόνια προσωρινή αποθήκευση για εκδοσιακούς στατικούς πόρους.
• Χρησιμοποιήστε σύντομη αλλά χρήσιμη προσωρινή αποθήκευση για συχνά ενημερωμένο HTML.
• Αποφύγετε τον κατακερματισμό της προσωρινής αποθήκευσης από περιττές παραμέτρους ερωτήματος.
• Διατηρήστε τις κανονικές διευθύνσεις URL.
• Υποστηρίξτε ETag και Last-Modified.
• Δοκιμάστε καταστάσεις κρύας, θερμής και επανεπικυρωμένης προσωρινής αποθήκευσης.
• Επιβεβαιώστε ότι τα αιτήματα ανιχνευτή λαμβάνουν το ίδιο σημαντικό περιεχόμενο με τα ανθρώπινα αιτήματα.

Ένα δίκτυο διανομής περιεχομένου θα πρέπει να μειώνει την καθυστέρηση χωρίς να δημιουργεί παλιές, ασυνεπείς ή ειδικές για bot εκδόσεις σελίδων.

Συμπίεση Εικόνων

Για τις εικόνες:

• Χρησιμοποιήστε AVIF ή WebP όταν η οπτική ποιότητα είναι αποδεκτή.
• Παρέχετε ανταποκριτικά μεγέθη εικόνων.
• Μην σερβίρετε μια εικόνα μεγέθους επιτραπέζιου υπολογιστή σε μια μικρή οθόνη κινητού.
• Μην κάνετε τεμπέλικη φόρτωση της εικόνας Largest Contentful Paint.
• Συμπεριλάβετε τις διαστάσεις της εικόνας.
• Τοποθετήστε την εικόνα Largest Contentful Paint στο αρχικό HTML.
• Χρησιμοποιήστε fetchpriority="high" μόνο όταν είναι κατάλληλο.
• Διατηρήστε σημαντικές επεξηγήσεις σε κείμενο αντί να τις ενσωματώνετε μόνο μέσα σε εικόνες.

Η συμπίεση εικόνας είναι πιο πολύτιμη όταν η εικόνα είναι το στοιχείο Largest Contentful Paint. Δεν θα διορθώσει μια σελίδα της οποίας η κύρια καθυστέρηση προέρχεται από την απόδοση του διακομιστή ή την εκτέλεση JavaScript. (web.dev)

Σταθερότητα Διάταξης

Για να μειώσετε τη Cumulative Layout Shift:

• Ορίστε χαρακτηριστικά width και height στις εικόνες.
• Κρατήστε χώρο για διαφημίσεις.
• Κρατήστε χώρο για ενσωματωμένο βίντεο και περιεχόμενο κοινωνικής δικτύωσης.
• Αποφύγετε την εισαγωγή banners πάνω από υπάρχον κείμενο.
• Χρησιμοποιήστε σταθερές στρατηγικές φόρτωσης γραμματοσειρών.
• Αποφύγετε την αντικατάσταση μεγάλων μπλοκ περιεχομένου που αποδίδεται από τον διακομιστή μετά τη φόρτωση της σελίδας.

Αυτές οι αλλαγές βελτιώνουν την εμπειρία του χρήστη ακόμα κι αν δεν έχουν μετρήσιμη επίδραση στην ανίχνευση ή στις παραπομπές. (web.dev)

Εργαλεία και Παρακολούθηση

Εργαλεία απόδοσης

Χρησιμοποιήστε:

• Αναφορά Εμπειρίας Χρήστη Chrome (Chrome User Experience Report) για Core Web Vitals πραγματικού χρήστη.
• Διεπαφή προγραμματισμού εφαρμογών Αναφοράς Εμπειρίας Χρήστη Chrome (Chrome User Experience Report application programming interface) για αυτοματοποιημένη συλλογή δεδομένων πεδίου.
• PageSpeed Insights για εργαστηριακούς ελέγχους και δεδομένα πεδίου.
• Lighthouse για επαναλαμβανόμενες εργαστηριακές δοκιμές.
• Lighthouse Continuous Integration για προϋπολογισμούς απόδοσης αιτημάτων έλξης (pull-request).
• WebPageTest για δοκιμές πολλαπλών τοποθεσιών, καταστάσεις προσωρινής αποθήκευσης και συγκρίσεις πρωτοκόλλων.
• Chrome DevTools για εντοπισμό σφαλμάτων Largest Contentful Paint και layout shift.
• Τη βιβλιοθήκη JavaScript web-vitals για παρακολούθηση πραγματικού χρήστη.

Η διεπαφή προγραμματισμού εφαρμογών Αναφοράς Εμπειρίας Χρήστη Chrome παρέχει συγκεντρωτικά δεδομένα πεδίου σε επίπεδο σελίδας και πηγής, συμπεριλαμβανομένων των Largest Contentful Paint, Cumulative Layout Shift, Interaction to Next Paint και πειραματικού χρόνου μέχρι το πρώτο byte. (developer.chrome.com)

Το Lighthouse Continuous Integration μπορεί να εκτελεί ελέγχους απόδοσης σε κάθε αλλαγή κώδικα και να αποτυγχάνει κατασκευές όταν ξεπεραστούν οι προϋπολογισμοί. (github.com)

Παρακολούθηση ανιχνευτή

Χρησιμοποιήστε αρχεία καταγραφής διακομιστή, αρχεία καταγραφής άκρου και ένα μικρό σύνολο συνθετικών ανιχνευτών.

Παράδειγμα ανιχνευτή:

bash curl --http3 -sS -o /dev/null -D -
-w 'status=%{http_code}\nhttp_version=%{http_version}\nnamelookup=%{time_namelookup}\nconnect=%{time_connect}\nstarttransfer=%{time_starttransfer}\ntotal=%{time_total}\nsize=%{size_download}\n'
-A 'Mozilla/5.0 (compatible; OAI-SearchBot/1.0)'
https://example.com/page

Εκτελέστε την ίδια δοκιμή με:

• Googlebot.
• Bingbot.
• OAI-SearchBot.
• PerplexityBot.
• Claude-SearchBot.
• Έναν κανονικό user-agent προγράμματος περιήγησης.

Η δοκιμή θα πρέπει να επαληθεύσει:

• Κωδικό κατάστασης.
• Άδεια Robots.
• Κεφαλίδες απόκρισης.
• Περιεχόμενο HTML.
• Έκδοση HTTP.
• Κατάσταση προσωρινής αποθήκευσης.
• Χρόνο απόκρισης.
• Το αν σημαντικό κείμενο είναι παρόν χωρίς JavaScript.

Παρακολούθηση αναζήτησης και ευρετηρίασης

Χρησιμοποιήστε:

• Στατιστικά ανίχνευσης του Google Search Console.
• Αναφορές ευρετηρίασης σελίδων του Google Search Console.
• Έλεγχο URL του Google Search Console.
• Δεδομένα χάρτη ιστοτόπου του Google Search Console.
• Αναφορές γενετικής τεχνητής νοημοσύνης του Google Search Console, όταν είναι διαθέσιμες.
• Αιτήματα ανίχνευσης και ευρετηριασμένες σελίδες των Bing Webmaster Tools.
• Απόδοση Τεχνητής Νοημοσύνης των Bing Webmaster Tools.
• Καθημερινούς ελέγχους χάρτη ιστοτόπου και lastmod.

Η διεπαφή προγραμματισμού εφαρμογών του Search Console μπορεί να ανακτήσει δεδομένα απόδοσης ανά σελίδα, ερώτημα, ημερομηνία, συσκευή και εμφάνιση αναζήτησης, υπόκειται στα όρια δεδομένων της. (developers.google.com)

Παρακολούθηση παραπομπών

Δημιουργήστε ένα πάνελ παραπομπών που περιέχει 50 έως 200 σταθερά ερωτήματα ανά θέμα. Εκτελέστε το πάνελ σε ένα σταθερό πρόγραμμα και καταγράψτε:

• Εάν η πλατφόρμα έκανε αναζήτηση.
• Ποιες πηγές εμφανίστηκαν.
• Εάν παραπέμφθηκε η δοκιμασμένη διεύθυνση URL.
• Σειρά παραπομπής.
• Ημερομηνία και ώρα απάντησης.
• Εάν άλλαξε η σελίδα.
• Εάν άλλαξε το μοντέλο ή η εμπειρία αναζήτησης.

Μην συγκρίνετε τον αριθμό παραπομπών από διαφορετικά συστήματα σαν να είναι ισοδύναμα. Η Microsoft δηλώνει ότι η δραστηριότητα παραπομπής δεν είναι βαθμολογία κατάταξης, βαθμολογία αυθεντίας, μέτρηση επισκεψιμότητας ή βαθμολογία ποιότητας. (bing.com)

Κανόνες Ειδοποιήσεων

Δημιουργήστε ειδοποιήσεις για:

• Αύξηση του χρόνου μέχρι το πρώτο byte κατά περισσότερο από 25 τοις εκατό.
• Το Largest Contentful Paint να κινείται πάνω από 2,5 δευτερόλεπτα στο 75ο εκατοστημόριο.
• Το Cumulative Layout Shift να κινείται πάνω από 0,1.
• Μια παρατεταμένη αύξηση στις αποκρίσεις 5xx ή 429.
• Μια πτώση στο ποσοστό επιτυχίας του ανιχνευτή.
• Μια αλλαγή στο robots.txt.
• Ένα σφάλμα χάρτη ιστοτόπου.
• Μια ξαφνική πτώση στις ευρετηριασμένες σελίδες.
• Μια ξαφνική πτώση στις παραπομπές τεχνητής νοημοσύνης σε διάφορες πλατφόρμες.
• Μια αλλαγή στον όγκο παραπομπών που επηρεάζει μόνο μία πλατφόρμα.

Μια μείωση παραπομπών που επηρεάζει μία πλατφόρμα μπορεί να οφείλεται σε αλλαγή μοντέλου, ευρετηρίου, ερωτήματος ή προϊόντος αντί για πρόβλημα απόδοσης σελίδας. Η Microsoft προειδοποιεί ρητά ότι οι τάσεις παραπομπών είναι παρατηρητικές και μπορούν να αλλάξουν λόγω ενημερώσεων περιεχομένου, ζήτησης χρηστών και αλλαγών συστήματος ή μοντέλου. (bing.com)

Τελικό Συμπέρασμα

Το πιο υπερασπίσιμο συμπέρασμα είναι:

Οι ταχύτερες σελίδες μπορούν να βελτιώσουν την αποδοτικότητα ανίχνευσης, ειδικά όταν η καθυστέρηση του διακομιστή, το μέγεθος των πόρων, τα σφάλματα ή οι καθυστερήσεις απόδοσης αποτελούν περιοριστικούς παράγοντες. Ωστόσο, προς το παρόν δεν υπάρχουν ισχυρά στοιχεία ότι οι χαμηλότερες Βασικές Μετρήσεις Ιστού (Core Web Vitals) προκαλούν άμεσα τα συστήματα τεχνητής νοημοσύνης να επιλέξουν μια σελίδα ως παραπομπή.

Η αναμενόμενη αιτιολογική αλυσίδα είναι:

text Χαμηλότερη καθυστέρηση → καλύτερη χωρητικότητα διακομιστή → λιγότερες αποτυχημένες ή καθυστερημένες ανακτήσεις → ταχύτερη ανακάλυψη και επεξεργασία → βελτιωμένη πιθανότητα ευρετηρίασης και ανάκτησης → πιθανή αύξηση παραπομπών

Το τελευταίο βήμα παραμένει αβέβαιο επειδή η επιλογή παραπομπής εξαρτάται από τη σχετικότητα, την ποιότητα, την επικαιρότητα, την αυθεντία, την πρόθεση του ερωτήματος, τη θέση κατάταξης ανάκτησης και τη συμπεριφορά κάθε συστήματος τεχνητής νοημοσύνης.

Για τους περισσότερους ιστότοπους, η σωστή στρατηγική απόδοσης δεν είναι επομένως «βελτιστοποίηση για παραπομπές τεχνητής νοημοσύνης» μεμονωμένα. Είναι:

1. Να διατηρείται το σημαντικό περιεχόμενο διαθέσιμο στο αρχικό HTML.
2. Να διατηρείται σταθερός ο χρόνος μέχρι το πρώτο byte.
3. Να χρησιμοποιείται προσωρινή αποθήκευση στο άκρο για δημόσιο περιεχόμενο.
4. Να συμπιέζονται και να δίνονται προτεραιότητα στις σημαντικές εικόνες.
5. Να αποτρέπονται οι μετατοπίσεις διάταξης.
6. Να επιστρέφονται αξιόπιστοι κωδικοί κατάστασης.
7. Να διατηρούνται ενημερωμένοι οι χάρτες ιστοτόπου και οι εσωτερικές συνδέσεις.
8. Να επιτρέπονται οι σωστοί ανιχνευτές αναζήτησης.
9. Να μετρώνται η ανίχνευση, η ευρετηρίαση, η ανάκτηση και η παραπομπή ως ξεχωριστά στάδια.

Αυτή η προσέγγιση παράγει έναν ταχύτερο ιστότοπο για τους ανθρώπους, έναν υγιέστερο ιστότοπο για τους ανιχνευτές αναζήτησης και μια δοκιμαστική βάση για την κατανόηση της ορατότητας της τεχνητής νοημοσύνης.