Kako da te Google i AI asistenti prepoznaju kao stručnjaka

Prošle godine sam primetio nešto što me je nateralo da promenim pristup ličnom brendu. Kada bih pitao ChatGPT ili Perplexity "ko je dobar AI inženjer u Srbiji", moje ime se nije pojavljivalo, iako imam decenijsko iskustvo i konkretne rezultate. Isti problem sam video kod Google-a: rangiranje za generičke termine je bilo mrtvo, a pretrage sa dugim repom nisu imale dovoljno signala da me pokupe. Odlučio sam da to rešim sistematski, kroz E-E-A-T, entitetsku autoritativnost i AEO. Evo šta sam zaista uradio i šta je proradilo.

Zašto klasični SEO više nije dovoljan

Google-ov E-E-A-T (Experience, Expertise, Authoritativeness, Trust) i AEO (Answer Engine Optimization) su dva različita ali povezana sistema. E-E-A-T je Google-ov okvir za procenu kvaliteta sadržaja i autora. AEO je optimizacija za AI asistente koji ne prikazuju listu linkova, već izvlače jedan odgovor iz nekoliko izvora.

Razlika je praktična. Klasičan SEO te nagrađuje za ključne reči i backlink-ove. AEO te nagrađuje za to koliko si citabilan, da li tvoj pasus može da bude direktno izvučen kao odgovor, i da li si prepoznat kao entitet od strane knowledge graph-a. Studija Search Engine Land iz 2025. je pokazala da sadržaj optimizovan za direktne odgovore ima 30 do 41 procenat veću šansu da bude citiran u AI Overviews-u.

Za mene je to značilo da ne pišem više za algoritam koji rangira, već za algoritam koji čita i bira šta da citira. Ta razlika menja sve, od strukture posta do toga kako pišem prvu rečenicu ispod svakog H2.

E-E-A-T u praksi: iskustvo se dokazuje, ne tvrdi

Prvo E u E-E-A-T (Experience) je najnovije i najvažnije za tehničke teme. Google želi da vidi da si zaista radio na tome o čemu pišeš, ne da si prepričao tuđi tutorial. Meni je to bilo prirodno, jer većina onoga što pišem dolazi iz stvarnih projekata: serverless integracija na AWS-u koja je donela prvi put SLA compliance, analitička migracija koja je uštedela 30 do 60 hiljada evra godišnje, autonomni content sistem koji sam sagradio za BizFlowAI.

Ali imati iskustvo nije dovoljno ako se ne vidi u tekstu. Konkretni signali koje sam postavio:

• Prva ruka detalji u svakom postu: broj sati uštede, konkretan trade-off, ime tehnologije (Ollama, pgvector, EventBridge), tačan problem koji se pojavio u produkciji.
• Screenshot-ovi i kod iz stvarnih repo-a, ne generički Hello World primeri.
• Priznavanje grešaka: post gde sam pisao o RAG greškama u produkciji je imao najbolji engagement, jer je jasno da to piše neko ko je to preživeo.
• Autor bio na svakoj stranici sa vezama na LinkedIn, GitHub i konkretne projekte.

Ono što ne radim: ne pišem "prema Gartner istraživanju" ako nisam siguran da postoji baš to istraživanje. Fabrikovan citat je gore nego nikakav. Ako nemam realan izvor, koristim svoje brojke iz projekata i to jasno naznačim.

Entitetska autoritativnost: da te knowledge graph prepozna

Google-ov knowledge graph i LLM-ovi ne razumeju tekst na način na koji ga čita čovek. Oni razumeju entitete i veze između entiteta. Da bi te sistem prepoznao kao entitet, moraš da postojiš na više mesta pod istim identitetom, sa istim faktima.

Konkretno šta sam uradio:

1. Konzistentan NAP (Name, About, Profile) na svim platformama. Ista biografija, isti opis ekspertize, iste veze između profila. Ako je LinkedIn kaže "Senior Technical Engineer", tako piše i na sajtu, GitHub-u, X-u.
2. Schema.org markup na ličnom sajtu: Person schema sa sameAs linkovima na svaki verifikovani profil (LinkedIn, GitHub, X, Crunchbase, Stack Overflow). Ovo je najjači signal knowledge graph-u da si jedan entitet raspršen po više URL-ova.
3. Autor schema na svakom postu, sa author poljem koje pokazuje na moju Person schemu. Google tako povezuje sadržaj sa autorom, ne samo sa domenom.

Evo minimalnog primera koji koristim na /about stranici:

{
  "@context": "https://schema.org",
  "@type": "Person",
  "name": "Lazar Milicevic",
  "jobTitle": "Senior Technical Engineer",
  "description": "AI automation i cloud arhitektura za B2B SaaS",
  "url": "https://lazar-milicevic.com",
  "sameAs": [
    "https://www.linkedin.com/in/lazar-milicevic",
    "https://github.com/lazarmilicevic",
    "https://bizflowai.com"
  ],
  "knowsAbout": [
    "AI automation",
    "LLM orchestration",
    "AWS serverless",
    "RAG systems",
    "B2B SaaS"
  ]
}

knowsAbout polje je često zanemareno, a direktno govori Google-u za koje teme si stručnjak. Isto radim za Article schemu na svakom postu, sa about poljem koje pokazuje na konkretan entitet (npr. Wikidata ID za RAG ili LLM ako postoji).

AEO: piši tako da AI može da citira, ne da parafrazira

Ovo je promena koju sam najduže učio. AI asistenti biraju jedan ili dva pasusa iz čitavog članka i prikazuju ih kao odgovor. Ako je tvoj pasus obavijen kontekstom, uvodom, hedging-om, model će te preskočiti i uzeti nekog drugog.

Pravila koja sam postavio za sebe:

• Prvi pasus ispod svakog H2 je samostalan odgovor od 40 do 60 reči. Ako H2 kaže "Šta je RAG", prvi pasus mora da odgovori na to pitanje bez potrebe za predhodnim kontekstom.
• Definicije idu na početak, ne na kraj. Model chunk-uje tekst u komade od 200 do 500 tokena. Ako je definicija u sredini, možda uopšte neće biti u istom chunk-u kao pitanje.
• Konkretni brojevi, ne procenati opšte prirode. "73 sata mesečno" je citabilnije nego "značajna ušteda".
• Kratke rečenice u ključnim mestima. Duga rečenica sa tri zavisne konstrukcije se lošije izvlači.
• Tabele za poređenje. Modeli odlično čitaju tabele i često ih citiraju u odgovorima o razlikama između dva pristupa.

Evo primera tabele koju sam koristio u postu o lokalnim LLM-ovima vs API:

Ova tabela je citirana u nekoliko AI odgovora koje sam kasnije video. Nije slučajno, model je uzeo tačno tu strukturu jer je bila jasnija od bilo kojeg pasusa u istom postu.

Long-tail i intent: prestani da se boriš za "AI agent"

Rangiranje za "AI agent" ili "RAG" kao lični brend je nemoguće, tu se bore OpenAI, Anthropic i akademske institucije sa hiljadu backlink-ova. Ali za "kako da napravim RAG sa pgvector-om i hibridnom pretragom u Node.js-u" ima realnog prostora, jer je namera pretrage jasna i konkurencija manja.

Ono što sam naučio iz sopstvenih Search Console podataka:

• Postovi sa dugim repom i konkretnim tehnologijama u naslovu su dobili prve impresije brže nego generički.
• Lokalizovane teme na srpskom su najmanje osporena niša. Ako pretražuješ "AI inženjer Beograd" ili "firme u Srbiji koje traže AI konsultanta", tu je stvarni prostor.
• Postovi sa ekstremno konkretnim naslovima tipa "X vs Y" ili "od PoC do produkcije" bolje resonuju sa senior inženjerima, koji su moja ciljna publika.

Praktičan trik: pre nego što napišem naslov, pitam sebe koje bi konkretno pitanje neko ukucao u Google ili ChatGPT da bi došao do ovog posta. Ako odgovor počinje sa "možda", tema je preširoka. Ako mogu tačno da rekonstruišem pitanje, dobar je znak.

Tehnički signali koji se često zaboravljaju

Sadržaj je 70 procenata posla, ali preostalih 30 procenata su tehnički signali bez kojih ni najbolji članak neće biti indeksiran. Evo šta proveravam pre nego što bilo koji post ide u produkciju:

1. Sitemap.xml je automatski osvežen pri publish-u, ne ručno.
2. Canonical tag pokazuje na kanonsku verziju, posebno ako ista tema postoji na više jezika.
3. Open Graph i Twitter Card meta tag-ovi su prisutni, jer AI asistenti čitaju i njih pri određivanju sadržaja stranice.
4. Structured data testiran kroz Google-ov Rich Results Test pre publish-a.
5. Internal linking: svaki novi post ima veze na 3 do 5 srodnih postova, sa ciljanim anchor tekstom. Ovo je jedan od najjačih signala teme za Google.
6. Core Web Vitals: LCP ispod 2.5s, CLS ispod 0.1. Za lični blog na Next.js-u sa Vercel-om, ovo je default, ali proveravam nakon svake veće izmene.
7. Robots.txt i indexing verifikacija: nakon publish-a, u Search Console-u ručno tražim indeksiranje URL-a. Ne čekam da Google sam dođe.

Poslednja tačka je važnija nego što izgleda. Naučio sam iz svog Search Console-a da bez ručnog submit-a novih URL-ova, indeksacija može da kasni nedeljama, a bez indeksacije nema šanse za bilo kakav signal.

Šta bih ja uradio

Da danas krećem od nule sa ličnim brendom u AI inženjeringu, ovako bih redosled postavio:

1. Prvo tehnička osnova: Person schema, sameAs linkovi, verifikacija u Search Console-u i Bing Webmaster-u. Bez ovoga nema entiteta.
2. Zatim 10 do 15 postova sa ekstremno dugim repom koji odgovaraju na pitanja koja stvarno postavljam sebi tokom rada. Ne pišem za algoritam, pišem odgovor koji bih ja želeo da nađem pre pola godine.
3. Merim, ne pretpostavljam: Search Console svake dve nedelje, gledam koje pretrage donose impresije i produbljujem baš te teme.
4. Konzistentnost profila je važnija od broja profila. Bolje pet dobrih nego dvadeset praznih.
5. Ne kupujem backlink-ove i ne pišem guest post-ove samo zbog linka. Autoritet raste sporije, ali ostaje.
6. Fokusiram se na jedan uski segment dovoljno dugo da postanem prepoznat kao entitet u njemu. Za mene je to autonomna AI automatizacija za B2B SaaS. Ne pišem o svemu.

I najvažnije: pišem samo o onome što sam zaista radio. Trenutak kada počneš da preprodaješ tuđe znanje, Google to prepozna kroz nedostatak konkretnih detalja, a AI asistenti prestanu da te citiraju jer je tvoj tekst zamenljiv.

Zatvaranje

Autoritet nije jedan post ili jedan hack. To je sistem u kome se svaki signal, od schema markup-a preko konzistentne biografije do konkretnih brojki u tekstu, slaže sa istim entitetom i istom stručnošću. Meni je trebalo da pomerim fokus sa "kako da rangiram" na "kako da budem citiran" da bih video promenu.

Ako gradiš sličan sistem za sebe ili firmu i zapeo si na nekom koraku, javi se preko lazar-milicevic.com/#contact. Uvek volim da čujem konkretne slučajeve, posebno one gde tehnički signali i sadržaj ne rade zajedno.