🤖 AI

SAGEO Arena: A Realistic Environment for Evaluating Search-Augmented Generative Engine Optimization

Dit artikel introduceert SAGEO Arena, een realistische en reproduceerbare evaluatieomgeving die een volledige generatieve zoekpipeline integreert met rijke structurele informatie om Search-Augmented Generative Engine Optimization (SAGEO)-strategieën over de fasen van retrieval, reranking en generatie heen uitgebreid te beoordelen, waarbij wordt onthuld dat bestaande benaderingen vaak falen onder realistische omstandigheden en het cruciale belang van structurele gegevens en fase-specifieke afstemming wordt benadrukt.

Oorspronkelijke auteurs: Sunghwan Kim, Wooseok Jeong, Serin Kim, Sangam Lee, Dongha Lee

Gepubliceerd 2026-08-10

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Sunghwan Kim, Wooseok Jeong, Serin Kim, Sangam Lee, Dongha Lee

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je het internet voor als een enorme, chaotische bibliotheek waar miljarden boeken constant worden geschreven, herschreven en door elkaar worden gehusseld. Jarenlang betekende het vinden van een specifiek boek vragen om een lijst met titels die overeenkwamen met je trefwoorden aan een bibliothecaris (een traditionele zoekmachine). Maar onlangs is er een nieuw soort bibliothecaris gearriveerd: de "Generatieve Engine". In plaats van je alleen maar een lijst met boektitels te geven, leest deze nieuwe bibliothecaris de boeken, begrijpt je vraag en schrijft een op maat gemaakt verhaal voor je, waarbij hij de gebruikte bronnen vermeldt. Dit is een enorme verschuiving. Nu willen auteurs niet alleen dat hun boeken op de plank staan; ze willen dat hun woorden degene zijn die de bibliothecaris citeert in het uiteindelijke verhaal. Deze nieuwe uitdaging wordt "Search-Augmented Generative Engine Optimization" (SAGEO) genoemd. Het is de kunst van het aanpassen van je inhoud zodat, wanneer de AI-bibliothecaris de hele bibliotheek leest, jouw boek wordt gekozen, gelezen en geciteerd. Maar hier is de crux: we weten nog niet echt hoe we dit effectief moeten doen. De meeste mensen proberen te gokken door simpelweg de hoofdtekst van hun artikelen te herschrijven, maar ze missen een cruciaal onderdeel van de puzzel: de structurele "wegwijzers" zoals titels, samenvattingen en datatags die de bibliothecaris helpen om het boek überhaupt te vinden.

Hier komen de onderzoekers van Yonsei University en Konkuk University kijken, die besloten te stoppen met gokken en te beginnen met testen. Ze bouwden een digitale speeltuin genaamd SAGEO Arena, een realistische simulatie ontworpen om precies te zien wat er gebeurt wanneer je probeert je inhoud te optimaliseren voor deze nieuwe AI-bibliothecarissen. Zie SAGEO Arena als een hoogtechnologische trainingsgrond waar ze 170.000 echte webpagina's kunnen nemen, ze in een nep maar realistisch AI-zoeksysteem kunnen voeren, en kunnen observeren hoe verschillende wijzigingen de reis van de pagina's beïnvloeden. Het systeem dat ze bouwden bootst de echte wereld na in drie duidelijke stappen: eerst de Retriever (de bibliothecaris die een stapel boeken uit de schappen pakt); ten tweede de Reranker (een hoofdredacteur die die stapel sorteert om de beste te vinden); en ten derde de Generator (de schrijver die daadwerkelijk het uiteindelijke verhaal vormgeeft en de bronnen citeert).

Het team testte tien verschillende strategieën, die zich voornamelijk richtten op het veranderen van de "body text" (het hoofdverhaal) om het autoritairder, gemakkelijker leesbaar of vol statistieken te maken. Ze testten ook een nieuwe aanpak: het optimaliseren van de "structurele informatie" (de titel, de meta-omschrijving, de koppen en de verborgen datatags). De resultaten waren verrassend en een beetje een waarschuwing.

Ten eerste ontdekten ze dat het simpelweg herschrijven van de hoofdtekst vaak averechts werkt. Wanneer auteurs probeerden hun artikelen meer "deskundig" te laten klinken door gebruik te maken van chique, zeldzame woorden, of wanneer ze probeerden ze langer en gedetailleerder te maken, kon de AI-bibliothecaris hen vaak helemaal niet vinden. In de simulatie daalden deze geoptimaliseerde pagina's zelfs in de ranglijsten en verdwenen ze soms volledig uit de top 100 resultaten. Het is alsof een auteur de titel van zijn boek verandert in iets zo complex dat de bibliothecaris het niet op de plank kan vinden, ook al is het verhaal binnenin geweldig. Het artikel suggereert dat het focussen op alleen de hoofdtekst niet genoeg is; het kan zelfs je kansen verkleinen om überhaupt gezien te worden.

Echter, toen ze begonnen te spelen met de structurele informatie — de "wegwijzers" — veranderde het verhaal. Door de titels aan te passen, duidelijke samenvattingen toe te voegen en datatags te organiseren met specifieke trefwoorden, werden de documenten veel gemakkelijker vindbaar voor de AI. In de simulatie verhoogde deze aanpak de "hit rate" (hoe vaak het document werd gevonden) met 22% en verbeterde de gemiddelde rangschikking aanzienlijk. Het blijkt dat de AI-bibliothecaris zwaar leunt op deze structurele aanwijzingen om te beslissen welke boeken hij uit de schappen trekt.

Maar de reis eindigde daar niet. De onderzoekers ontdekten dat zelfs als een document goed wordt gevonden en gesorteerd, het nog steeds een lastige hindernis tegenkomt in de laatste fase: de generatie. De AI-schrijver heeft de neiging om de hoofdtekst van het document te citeren, niet de titels of tags. Dit betekent dat hoewel de structurele borden je de kamer binnenbrengen, de eigenlijke inhoud binnenin wel helder moet zijn en de vraag direct moet beantwoorden. Het artikel suggereert dat de meest succesvolle strategie niet slechts één van beide is, maar een "stage-aware" aanpak. Dit betekent dat je je titels en tags moet optimaliseren om gevonden te worden (de retrieval-fase), maar dat je ook je hoofdtekst helder en direct moet houden zodat de AI-schrijver het daadwerkelijk wil citeren (de generatie-fase).

Kortom, het artikel betoogt dat de oude manier van denken — gewoon betere artikelen schrijven — niet genoeg is in het tijdperk van AI-zoekmachines. Je moet een tweezichtige optimist zijn: één gezicht voor de machine die je vindt (door gebruik te maken van heldere, trefwoordrijke structurele data) en een ander gezicht voor de machine die over je schrijft (door gebruik te maken van heldere, directe en door bewijs ondersteunde tekst). De auteurs concluderen dat zonder deze dubbele aanpak, het proberen te manipuleren van het systeem je inhoud zelfs onzichtbaar kan maken. Ze hebben niet alleen een truc gevonden; ze hebben een kaart getekend die laat zien dat de weg naar zichtbaarheid in het AI-tijdperk een delicaat evenwicht is tussen gemakkelijk vindbaar zijn en gemakkelijk leesbaar zijn.

Technisch Overzicht: SAGEO Arena

Probleemstelling

De opkomst van Search-Augmented Generative Engines (SAGE) heeft het paradigma van informatievoorziening verschoven van statische Search Engine Results Pages (SERP's) naar gesynthetiseerde, door AI gegenereerde antwoorden. Deze verschuiving vereist Search-Augmented Generative Engine Optimization (SAGEO), de praktijk van het optimaliseren van webdocumenten om hun zichtbaarheid (aanwezigheid en citatie) binnen AI-antwoorden te maximaliseren.

Echter, bestaande evaluatieomgevingen voor SAGEO lijden onder twee kritieke beperkingen die een uitgebreid begrip van de effectiviteit van optimalisatie in de weg staan:

Gebrek aan end-to-end evaluatie: Bestaande benchmarks (bijv. GEO-Bench, AutoGEO) opereren op vooraf bepaalde kandidaat-documenten en abstraheren de retrieval (opvraging) en reranking (herrangschikking) stadia weg. Ze gaan ervan uit dat het doelwieldocument al binnen de context van het Large Language Model (LLM) valt, waardoor ze niet kunnen testen of optimalisatiestrategieën ervoor zorgen dat documenten uit de pijplijn vallen voordat de generatie plaatsvindt.
Verlies van structurele informatie: Bestaande benchmarks maken doorgaans alleen gebruik van platte bodytekst, waarbij rijke structurele elementen (zoals schema-markup, meta-beschrijvingen, koppen) worden genegeerd die echte zoeksystemen actief gebruiken voor indexering en rangschikking.

Consequentelijk blijft het onduidelijk hoe optimalisatiesignalen zich voortplanten door de volledige generatieve zoekpijplijn of of strategieën die effectief zijn voor generatie (GEO) of traditionele zoekopdrachten (SEO) onderling compatibel zijn.

Methodologie: SAGEO Arena

Om deze hiaten te adresseren, introduceren de auteurs SAGEO Arena, een realistische en reproduceerbare benchmark die is ontworpen voor stage-level analyse van SAGEO.

1. Corpus Constructie

Schaal en Diversiteit: Het corpus bestaat uit 171.003 unieke webdocumenten verspreid over 9 domeinen, afgeleid van 2.700 unieke queries gesampled uit gevestigde informatie retrieval-datasets.
Structurele Preservatie: In tegenstelling tot eerdere werken, extraheert en behoudt SAGEO Arena expliciet vijf belangrijke structurele velden naast de bodytekst:
- Titel: Beknopte topische samenvatting.
- Meta-beschrijving: Samenvatting voor zoeksnippets.
- Koppen (H1–H6): Hiërarchische sectiekopjes.
- Schema/JSON-LD: Machine-leesbare gestructureerde data.
- Bodytekst: De hoofdtekstuele inhoud.
Semantische Eenheden: Om de kloof tussen documentstructuur en passage-niveau retrieval te overbruggen, koppelt het systeem elke passage aan de structurele informatie van het document, waardoor een semantische eenheid $U(p_i) = S(d) \cup \{p_i\}$ ontstaat.

2. Search-Augmented Generative Engine Pijplijn

De benchmark implementeert een volledige RAG (Retrieval-Augmented Generation) pijplijn met modulaire componenten:

Retriever: Gebruikt BM25 voor lexicale retrieval. Het scoort queries tegen elk element van de semantische eenheid onafhankelijk en aggregeert rangschikkingen via reciprocal rank fusion.
Reranker: Maakt gebruik van een cross-encoder (Qwen3-Reranker-4B) om query-passage paren te scoren, wat de productiestandaarden weerspiegelt waarbij specifieke secties van lange documenten worden geëvalueerd op relevantie.
Generator: Gebruikt GPT-5-mini om antwoorden te synthetiseren met inline citaties, wat de meting van document-niveau zichtbaarheid mogelijk maakt.

3. Evaluatieprotocol

Baseline Vaststelling: Voor elke testquery wordt de pijplijn uitgevoerd om documenten te identificeren die de generatiefase bereiken (top- $k$ na reranking). Eén document wordt willekeurig geselecteerd als het doelwieldocument ( $d_{tgt}$ ).
Optimalisatie & Her-evaluatie: Het doelwieldocument wordt geoptimaliseerd met een specifieke strategie, opnieuw geïndexeerd, en de pijplijn wordt opnieuw uitgevoerd.
Metrics:
- Hit Rate (H@k): Proportie queries waarbij het doelwieldocument verschijnt in de top- $k$ kandidaten (Retrieval/Reranking) of geciteerd wordt (Generatie).
- Rank Change ( $\Delta$ Rank): De gemiddelde positionele verschuiving van het doelwieldocument vóór en na optimalisatie.
- Citation Rate: Proportie queries waarbij het document wordt geciteerd in het uiteindelijke antwoord.

4. Optimalisatiestrategieën

De studie evalueert 10 LLM-gebaseerde strategieën, waaronder:

Stilistische/Inhoudelijke Modificaties: Autoritaire toon, Vloeiendheid, Eenvoudige Taal, Technische Termen, Unieke Woorden.
Toevoeging van Bewijs: Bronnen Citeren, Citaten, Statistieken.
Complexe Benaderingen: All-in-One (combinatie van alle strategieën + lay-out verbeteringen) en AutoGEO (lerend van de gedragingen van de engine).
Scope Variaties: Strategieën worden getest onder drie scopes: Alleen Bodytekst, Alleen Structurele Informatie, en Beiden.

Belangrijkste Resultaten

1. Beperkingen van Body-Tekst-Alleen Optimalisatie

Het optimaliseren van enkel de bodytekst (de focus van eerdere GEO-onderzoek) is grotendeels onvoldoende en vaak nadelig in realistische settings:

Retrieval Degradatie: Strategieën die domeinspecifieke terminologie of ongewone vocabulaire introduceren (bijv. "Technische Termen", "Unieke Woorden") veroorzaken significante dalingen in de retrieval Hit Rate (tot -14%) en rang (tot -6,23 posities) door een lexicale mismatch met gebruikersqueries.
AutoGEO Falen: De AutoGEO-strategie, die de documentinhoud uitbreidt, resulteerde in de meest ernstige degradatie (-36% Hit Rate, -22,35 rank drop), waarschijnlijk door keyword-dilutie.
Marginale Generatie Winsten: Zelfs wanneer documenten de retrieval overleven, leveren body-tekst-alleen optimalisaties slechts marginale verbeteringen in citatiesnelheden op.

2. Effectiviteit van Structurele Informatie Optimalisatie

Het optimaliseren van structurele velden (Titel, Meta-beschrijving, etc.) verbetert de zichtbaarheid aanzienlijk:

Retrieval Boost: Structurele optimalisatie verhoogde de Retrieval Hit Rate met +22% en verbeterde de gemiddelde rang met +2,72. Dit wordt toegeschreven aan de hoge dichtheid van query-relevante termen in metadata-velden, wat goed aansluit bij lexicale retrievers.
Downstream Voordelen: Verbeterde retrieval prestaties vergroten de kans dat documenten de reranking en generatie stadia bereiken, wat indirect de zichtbaarheid daar verhoogt.

3. De Reranking Bottleneck

Aanhoudende Degradatie: Alle optimalisatiestrategieën, ongeacht de scope, hebben de neiging de prestaties in de reranking fase te verslechteren (gemiddelde rank drop van ~0,68).
Sensitiviteit: Rerankers zijn zeer gevoelig voor kleine inhoudelijke verschuivingen. Kleine veranderingen kunnen een document van rang 10 naar 11 duwen, waardoor het de inputdrempel van de generator volledig mist.
Case Study Bevindingen: Rerankers geven de voorkeur aan documenten waar het antwoord vroeg wordt geplaatst en waar inhoudelijke toevoegingen direct inspelen op de informatieve behoefte van de query zonder de scope onnodig uit te breiden.

4. Domein en Model Afhankelijkheden

Domein Variantie: Optimalisatiestrategieën zijn het meest effectief voor algemene informatiezoekende domeinen (bijv. Web Search, General QA), maar kunnen schadelijk zijn in domeinen zoals Shopping, waar de intentie van de gebruiker informeel en op aanbevelingen gebaseerd is.
Model Sensitiviteit: Verschillende backbone-modellen vertonen verschillende gedragingen. Zo presteerden door LLaMA-3.3-70B geoptimaliseerde documenten (kort, keyword-dens) goed in retrieval, maar slecht in reranking en generatie vergeleken met GPT-5-mini, dat de voorkeur gaf aan substantiële, coherente antwoorden.

5. Stage-Aware Optimalisatie

Het paper stelt Stage-Aware SAGEO voor, een methode die strategieën afstemt op specifieke stadia in de pijplijn:

Strategie: Verrijk structurele velden met sleutelentiteiten voor retrieval; plaats prominente, zelfstandige claims in de body voor generatie; behoud topische coherentie voor reranking.
Prestatie: Deze benadering behaalde de sterkste algehele zichtbaarheidswinsten, met een +28% verbetering in de retrieval Hit Rate en een +1,01 verbetering in de citatiesnelheid, waarmee het standaardcombinaties van strategieën overtrof.

Betekenis en Bijdragen

Het paper claimt de volgende bijdragen:

SAGEO Arena: De eerste benchmark die stage-level zichtbaarheids-evaluatie van SAGEO mogelijk maakt, door de kloof tussen bestaande benchmarks en real-world SAGE te overbruggen via de integratie van een volledige generatieve zoekpijplijn met een grootschalig, structureel rijk corpus.
Empirische Analyse van Structurele Informatie: De eerste studie die systematisch evalueert hoe structurele signalen (metadata, schema) de zichtbaarheid over de gehele generatieve pijplijn beïnvloeden, waarbij hun cruciale rol in retrieval wordt onthuld.
Actiegerichte Inzichten: De demonstratie dat huidige body-tekst-gecentreerde optimalisatiebenaderingen onvoldoende zijn in realistische settings. Het paper biedt stage-aware optimalisatie richtlijnen, die aantonen dat effectieve SAGEO onderscheidende strategieën vereist voor retrieval, reranking en generatie in plaats van een enkele "one-size-fits-all" benadering.

De auteurs benadrukken dat hun bevindingen suggereren dat optimalisatiesignalen niet lineair voortplanten; strategieën die generatie helpen kunnen retrieval schaden, en vice versa. Daarom is een holistische, stage-aware benadering essentieel voor succesvolle SAGEO.