AI Search Readiness Audit: Πώς Ελέγχουμε αν το Site Σας Είναι Έτοιμο

Στα audits που κάνουμε φέτος, έξι στα δέκα sites αποτυγχάνουν σε τουλάχιστον τρία από τα τέσσερα βασικά κριτήρια AI readiness.

Τι σημαίνει «AI search readiness», και τι δεν σημαίνει

Η πρώτη παρανόηση που ακούμε σε κάθε πρώτη συνάντηση: «το site μας είναι ήδη No1 στη Google, άρα θα μας βρίσκει και το ChatGPT». Λάθος υπόθεση, και πολύ διαδεδομένη, γιατί μοιάζει λογική με την πρώτη ματιά. Η κατάταξη στη Google μετράει πόσο σχετικό είναι ένα αποτέλεσμα με ένα συγκεκριμένο ερώτημα, μέσα σε ένα σύστημα δέκα μπλε λινκ που ανταγωνίζονται για την προσοχή. Το AI readiness μετράει κάτι εντελώς διαφορετικό: αν ένα μοντέλο γλώσσας μπορεί καν να διαβάσει, να κατανοήσει, και να εμπιστευτεί αρκετά το περιεχόμενό σας ώστε να το συμπεριλάβει σε μια απάντηση που συνθέτει το ίδιο, χωρίς να σας δείξει καν ως λινκ.

Αυτό σημαίνει τρία ξεχωριστά πράγματα, όχι ένα, και η σύγχυσή τους είναι η πηγή των περισσότερων κακών αποφάσεων που βλέπουμε. Πρώτον, crawlability: μπορεί ο bot να μπει καν στο site, ή τον σταματάει ένα λάθος στο robots.txt που κανείς δεν έχει ελέγξει εδώ και χρόνια; Δεύτερον, parseability: μπορεί το μοντέλο να καταλάβει τι λέει η σελίδα χωρίς να χρειαστεί να τρέξει JavaScript, να μαντέψει από εικόνες, ή να αποκωδικοποιήσει ένα PDF με σαρωμένο κείμενο; Τρίτον, citability: υπάρχει αρκετό συγκεκριμένο, ελέγξιμο περιεχόμενο ώστε το μοντέλο να θεωρήσει ασφαλές να σας αναφέρει ως πηγή αντί να επιλέξει έναν ανταγωνιστή με λιγότερο ρίσκο; Ένα site μπορεί να είναι άριστο στο πρώτο κριτήριο και μηδενικό στο τρίτο ταυτόχρονα. Το βλέπουμε συνέχεια: sites με τέλειο τεχνικό SEO score, γρήγορα, καθαρά, ευρετηριασμένα, και μηδενικές αναφορές σε καμία AI απάντηση, επειδή το περιεχόμενό τους είναι γενικόλογο μάρκετινγκ κείμενο χωρίς αριθμούς, ημερομηνίες, ή ονόματα που να μπορούν να επαληθευτούν από κανέναν.

Το «AI search readiness audit» λοιπόν δεν είναι ένα ακόμα SEO audit με πιο μοντέρνο όνομα για να δικαιολογήσει μια νέα τιμολόγηση. Είναι ένας ξεχωριστός έλεγχος, με δικά του κριτήρια που δεν υπήρχαν καν πριν από τρία χρόνια, και συχνά αποκαλύπτει προβλήματα που ένα κλασικό audit θα προσπερνούσε εντελώς αδιάφορα, γιατί απλά δεν ήταν στη λίστα ελέγχου του.

Γιατί έχει σημασία τώρα, όχι σε δύο χρόνια

Εδώ μπαίνει η ψυχολογία, όχι μόνο η τεχνολογία. Τα μοντέλα γλώσσας μαθαίνουν ποιες πηγές να εμπιστεύονται εν μέρει από το ποιες έχουν ήδη αναφερθεί αλλού: ένα self-reinforcing loop όπου η πρώτη αναφορά κάνει πιο πιθανή τη δεύτερη, και η δεύτερη κάνει πιο πιθανή την τρίτη. Ο μηχανισμός μοιάζει με το πώς χτίζεται η φήμη ενός εστιατορίου: το πρώτο θετικό review δεν αλλάζει τίποτα από μόνο του, αλλά τα πρώτα δέκα κάνουν το ενδέκατο σχεδόν αναπόφευκτο. Αν μπείτε στο παιχνίδι τώρα, όσο ο αριθμός των «καθιερωμένων» πηγών ανά θέμα είναι ακόμα μικρός, τα περιθώρια να γίνετε μια από αυτές είναι πολύ μεγαλύτερα από ό,τι θα είναι σε δύο χρόνια, όταν κάθε niche θα έχει ήδη τους δικούς του σταθερούς τρεις-τέσσερις πόρους που παραθέτει κάθε μοντέλο αυτόματα, χωρίς καν να ψάξει αλλού.

Αυτό δεν είναι θεωρία μαρκετίνγκ φτιαγμένη για να πουλήσει ένα audit. Το Google AI Overview εμφανίζεται πλέον σε πάνω από το ένα τρίτο των ερωτημάτων αναζήτησης που παρακολουθούμε σε λογαριασμούς πελατών στην Ελλάδα, και καταλαμβάνει ολόκληρη την πρώτη οθόνη πριν καν φανεί το πρώτο οργανικό αποτέλεσμα σε πολλά κινητά τηλέφωνα. Το Perplexity μεγαλώνει με ρυθμό χρηστών που καμία προηγούμενη μηχανή αναζήτησης δεν είχε δει στα πρώτα της χρόνια. Η στρατηγική «θα ασχοληθούμε όταν ωριμάσει η αγορά» σημαίνει στην πράξη «θα αφήσουμε τους πρώτους κινητήρες να κλειδώσουν τις θέσεις εμπιστοσύνης πριν καν προσπαθήσουμε εμείς», και σε αντίθεση με το κλασικό SEO, όπου μια νέα σελίδα μπορεί ακόμα να ανέβει με καλό περιεχόμενο, το κόστος εισόδου σε ένα ήδη παγιωμένο σύνολο πηγών είναι σαφώς υψηλότερο.

Υπάρχει και ένας πιο πρακτικός λόγος να μην περιμένετε: τίποτα από αυτά δεν κοστίζει πολύ να διορθωθεί σήμερα. Ένα λάθος robots.txt διορθώνεται σε μία ώρα. Ένα llms.txt γράφεται σε ένα απόγευμα. Το κόστος ευκαιρίας της αναβολής είναι πολύ μεγαλύτερο από το κόστος της ίδιας της ενέργειας.

Οι 4 πυλώνες ενός AI Search Readiness Audit

Κάθε audit που κάνουμε εξετάζει τέσσερις ανεξάρτητους πυλώνες, γιατί η αποτυχία σε έναν δεν προβλέπει καθόλου την αποτυχία στους άλλους: έχουμε δει sites άριστα στους τρεις και μηδενικά στον τέταρτο.

Ο πρώτος πυλώνας είναι η πρόσβαση bot. Ελέγχουμε αν το robots.txt ai bots επιτρέπει ρητά, γραμμή προς γραμμή, τον GPTBot, τον ClaudeBot και τον PerplexityBot, και αν υπάρχει ήδη ένα λειτουργικό llms.txt τι είναι στη ρίζα του domain που εξηγεί σε ένα μοντέλο πού να βρει τιμές, υπηρεσίες, και στοιχεία επικοινωνίας χωρίς να χρειαστεί να τα μαντέψει.

Ο δεύτερος πυλώνας είναι η δομή περιεχομένου. Εξετάζουμε αν οι σελίδες απαντούν στην ερώτηση του τίτλου μέσα στις πρώτες δύο προτάσεις αντί να χτίζουν αργά την ένταση σαν αφήγημα, αν υπάρχει schema markup οδηγός στα κρίσιμα σημεία όπως υπηρεσίες, τιμές, και συχνές ερωτήσεις, και αν η ιεραρχία των τίτλων ακολουθεί λογική ερώτησης-απάντησης αντί για μάρκετινγκ-σλόγκαν που δεν λένε τίποτα συγκεκριμένο.

Ο τρίτος πυλώνας είναι τα σήματα εμπιστοσύνης: ονόματα συγγραφέων με πραγματικό βιογραφικό, ημερομηνίες δημοσίευσης και ενημέρωσης ορατές σε κάθε άρθρο, και συγκεκριμένοι αριθμοί αντί για γενικόλογες διατυπώσεις: όλα όσα ένα μοντέλο χρησιμοποιεί για να αποφασίσει αν θα σας εμπιστευτεί ως πηγή ή θα προτιμήσει έναν ανταγωνιστή με λιγότερο ρίσκο.

Ο τέταρτος πυλώνας είναι η τεχνική πρόσβαση στο περιεχόμενο κατά το rendering, δηλαδή αν το βασικό κείμενο υπάρχει ήδη μέσα στο αρχικό HTML που στέλνει ο server ή κρύβεται πίσω από JavaScript που αρκετοί AI crawlers απλά δεν τρέχουν, ή τρέχουν μερικώς και εγκαταλείπουν πριν προλάβουν να δουν το ουσιαστικό περιεχόμενο.

Τα πιο συνηθισμένα λάθη που βλέπουμε

Το πιο συχνό λάθος δεν είναι τεχνικό. Είναι ψυχολογικό, και ξεκινάει από το πώς μαθαίνουμε να γράφουμε μάρκετινγκ κείμενο τα τελευταία είκοσι χρόνια. Οι περισσότερες επιχειρήσεις γράφουν το περιεχόμενό τους για να «ακούγεται καλά» σε έναν άνθρωπο που περιηγείται χαλαρά, όχι για να απαντήσει σε μια συγκεκριμένη ερώτηση με ελέγξιμο τρόπο. «Προσφέρουμε ποιοτικές υπηρεσίες με έμφαση στην ικανοποίηση του πελάτη» δεν λέει απολύτως τίποτα σε ένα μοντέλο γλώσσας. Δεν υπάρχει αριθμός, ημερομηνία, ή γεγονός να πιάσει και να παραθέσει, οπότε η πρόταση αγνοείται σαν να μην υπήρχε ποτέ.

Δεύτερο συχνό λάθος: robots.txt που μπλοκάρει AI bots κατά λάθος, συχνά γιατί κάποιο WordPress plugin ή κάποιος developer αντέγραψε ένα generic template πριν χρόνια χωρίς να ξέρει τι σήμαινε κάθε γραμμή, και κανείς δεν το ξανακοίταξε από τότε. Τρίτο λάθος: μηδενική παρουσία σχήματος δεδομένων: καμία σελίδα δεν λέει ρητά «αυτό είναι μια υπηρεσία, αυτό κοστίζει τόσο, αυτή είναι η διεύθυνση», οπότε το μοντέλο πρέπει να το συμπεράνει από ελεύθερο κείμενο, με μεγαλύτερη πιθανότητα λάθους.

Τέταρτο λάθος, και το πιο επικίνδυνο γιατί είναι αόρατο σε κάθε χειροκίνητο έλεγχο από άνθρωπο: το κρίσιμο περιεχόμενο φορτώνει μέσω client-side JavaScript, οπότε ένας άνθρωπος το βλέπει κανονικά ανοίγοντας τον browser του, αλλά αρκετοί AI crawlers βλέπουν μια σχεδόν άδεια σελίδα και προχωράνε αλλού. Πέμπτο λάθος, πιο σπάνιο αλλά σοβαρό: sites που αλλάζουν URLs συχνά χωρίς redirects, οπότε ακόμα κι αν ένα μοντέλο έχει ήδη «μάθει» κάτι για εσάς από παλαιότερη εκδοχή του site, το λινκ που θα δώσει σε έναν χρήστη οδηγεί σε σελίδα 404.

Πώς διαφέρει από ένα κλασικό technical SEO audit

Υπάρχει επικάλυψη, αλλά όχι ταύτιση, και είναι σημαντικό να ξέρετε πού σταματάει η μία και ξεκινάει η άλλη. Ένα κλασικό technical SEO audit ελέγχει ταχύτητα, indexability, mobile-friendliness, backlinks, δομή URLs. Ένα AI readiness audit μοιράζεται περίπου το εξήντα με εβδομήντα τοις εκατό αυτών των ελέγχων: αν κάτι είναι αργό ή μη προσβάσιμο για τη Googlebot, συνήθως είναι πρόβλημα και για τους AI crawlers, γιατί και οι δύο πρέπει πρώτα να κατεβάσουν και να επεξεργαστούν την ίδια σελίδα.

Η διαφορά είναι στο υπόλοιπο τριάντα με σαράντα τοις εκατό, που είναι εντελώς νέο πεδίο και δεν υπήρχε σε κανένα audit πριν από το 2024: ύπαρξη και ποιότητα του llms.txt, ύπαρξη agents.md αρχείο για αυτόνομα agents που μπορεί να θέλουν να κλείσουν ραντεβού ή να κάνουν παραγγελία εκ μέρους ενός χρήστη χωρίς ανθρώπινη επίβλεψη, ρητή διαμόρφωση robots.txt για ονομαστικά AI bots αντί για γενικό «Disallow: /admin» που δεν λέει τίποτα για αυτούς, και, το πιο σημαντικό από όλα, ανάλυση του αν το περιεχόμενο περιέχει αρκετά συγκεκριμένα, ελέγξιμα στοιχεία ώστε ένα μοντέλο να το θεωρήσει αξιόπιστη πηγή αντί για γενικό μάρκετινγκ κείμενο που μπορεί να αγνοήσει με ασφάλεια χωρίς κανένα ρίσκο για την ίδια την ποιότητα της απάντησής του.

Ένας απλός τρόπος να το σκεφτείτε: το κλασικό SEO audit ρωτάει «μπορεί η μηχανή να με βρει;». Το AI readiness audit ρωτάει «μπορεί η μηχανή να με βρει, να με καταλάβει, και να θελήσει να με συστήσει;»: τρία ερωτήματα, όχι ένα, και το τρίτο είναι το πιο δύσκολο να απαντηθεί χωρίς πραγματικά τεστ σε πραγματικά μοντέλα.

Πώς το κάνουμε εμείς στη Distarter

Ξεκινάμε πάντα από τα logs, όχι από υποθέσεις ή από γενικά εργαλεία τρίτων που δίνουν ένα σκορ χωρίς εξήγηση. Ελέγχουμε τα server logs για πραγματικές επισκέψεις από GPTBot, ClaudeBot, PerplexityBot και Google-Extended τις τελευταίες τριάντα μέρες, όχι αν «θα έπρεπε» να έρχονται θεωρητικά, αλλά αν έρχονται ήδη στην πράξη και τι απαντά ο server σε κάθε αίτημά τους. Πολλές φορές βρίσκουμε bots να χτυπάνε το site εκατοντάδες φορές τον μήνα και να παίρνουν 403 ή redirect loops χωρίς κανείς να το έχει προσέξει ποτέ, γιατί κανένα dashboard κλασικού analytics δεν δείχνει καν αυτή την κίνηση ξεχωριστά.

Μετά τρέχουμε το ίδιο ακριβώς σετ ερωτημάτων σε τέσσερα διαφορετικά μοντέλα (ChatGPT, Perplexity, Claude, Gemini) και καταγράφουμε με ακρίβεια ποιες πηγές παραθέτουν όταν ρωτάμε για τον κλάδο του πελάτη, τις υπηρεσίες του, και τους ανταγωνιστές του. Αν ο πελάτης δεν εμφανίζεται καθόλου, αλλά εμφανίζονται τρεις συγκεκριμένοι ανταγωνιστές με όνομα, αυτό είναι το πιο χρήσιμο ενιαίο δεδομένο ολόκληρου του audit, γιατί δείχνει ακριβώς ποιον πρέπει να ξεπεράσουμε και σε τι.

Τέλος, περνάμε το περιεχόμενο σελίδα-σελίδα με ένα λεπτομερές checklist δομής: απαντάει η πρώτη πρόταση στην ερώτηση του τίτλου; Υπάρχει τουλάχιστον ένας ελέγξιμος αριθμός ανά τμήμα κειμένου; Έχει η σελίδα σχήμα δεδομένων που ταιριάζει ακριβώς στο περιεχόμενό της, ή είναι γενικό copy-paste template; Το αποτέλεσμα είναι μια λίστα προτεραιοτήτων, όχι ένα αφηρημένο σκορ χωρίς επεξήγηση.

Πότε ένα πλήρες audit είναι υπερβολή

Δεν κάνουμε πάντα πλήρες audit, και θα ήταν ανέντιμο απέναντι στον πελάτη να το προτείνουμε σε κάθε περίπτωση μόνο και μόνο επειδή πουλάει. Ένα landing page μιας εκδήλωσης που θα υπάρχει για τρεις εβδομάδες δεν χρειάζεται AI readiness. Κανείς δεν θα ρωτήσει ένα μοντέλο γλώσσας για μια εφήμερη προσφορά τριών εβδομάδων, και το κόστος του audit θα ξεπερνούσε κατά πολύ το όποιο όφελος. Ένα intranet ή portal πίσω από login δεν εμφανίζεται ποτέ σε καμία AI αναζήτηση, ανεξάρτητα από το πόσο καλά είναι δομημένο, οπότε το audit θα ήταν καθαρά χαμένος χρόνος και χρήμα και για τις δύο πλευρές.

Και ένα πολύ νέο site, με λιγότερο από πέντε σελίδες ουσιαστικού περιεχομένου συνολικά, δεν έχει ακόμα αρκετή «μάζα» για να αξίζει λεπτομερή ανάλυση. Εκεί προτείνουμε πάντα πρώτα να χτιστεί το βασικό περιεχόμενο, και μόνο μετά να γίνει ο έλεγχος, γιατί ένα audit πέντε σελίδων θα έβγαζε τα ίδια τρία-τέσσερα ευρήματα ξανά και ξανά χωρίς νέα πληροφορία.

Το πιο ρεαλιστικό timing για ένα πλήρες audit: μόλις το site έχει σταθερή δομή υπηρεσιών ή προϊόντων και τουλάχιστον δέκα με δεκαπέντε σελίδες ουσιαστικού περιεχομένου. Πριν από αυτό το σημείο, κάθε ώρα ενέργειας πηγαίνει καλύτερα στη δημιουργία περιεχομένου παρά στην αξιολόγησή του: δεν μπορείς να αξιολογήσεις κάτι που δεν υπάρχει ακόμα σε επαρκή ποσότητα.

Η λίστα ελέγχου: τα 10 πρώτα σημεία που κοιτάμε

Ένα συνοπτικό σετ σημείων που ελέγχουμε πρώτα σε κάθε νέο audit, με τη σειρά προτεραιότητας που τα εξετάζουμε στην πράξη, γιατί τα πρώτα τρία διορθώνονται μέσα σε μία μέρα ενώ τα τελευταία χρειάζονται μήνες δουλειάς περιεχομένου.

Πρώτο: πρόσβαση GPTBot, ClaudeBot, PerplexityBot και Google-Extended στο robots.txt, ελεγμένη γραμμή προς γραμμή, όχι με μια γρήγορη ματιά. Δεύτερο: ύπαρξη λειτουργικού llms.txt με σωστή δομή, ενημερωμένο, όχι ένα πρότυπο που αντιγράφηκε από αλλού και ξεχάστηκε. Τρίτο: ύπαρξη agents.md αν το site έχει φόρμες κράτησης, παραγγελίας, ή ραντεβού που θα μπορούσε να χειριστεί ένα αυτόνομο agent εκ μέρους ενός χρήστη. Τέταρτο: απόκριση των server logs: έρχονται ήδη AI bots, και τι status code παίρνουν σε κάθε αίτημα.

Πέμπτο: σχήμα δεδομένων σε μορφή JSON-LD σε σελίδες υπηρεσιών, προϊόντων και άρθρων, όχι μόνο στην αρχική σελίδα. Έκτο: παρουσία του βασικού κειμένου μέσα στο αρχικό HTML χωρίς εξάρτηση από client-side JavaScript για να εμφανιστεί. Έβδομο: ημερομηνίες δημοσίευσης και τελευταίας ενημέρωσης ορατές σε κάθε άρθρο, όχι κρυμμένες στον πηγαίο κώδικα. Όγδοο: ονόματα και σύντομα βιογραφικά συγγραφέων αντί για ανώνυμο «η ομάδα μας» που δεν λέει τίποτα σε κανέναν.

Ένατο: τουλάχιστον ένας συγκεκριμένος, ελέγξιμος αριθμός ανά ενότητα ουσιαστικού περιεχομένου: τιμή, χρόνος, ποσοστό, ημερομηνία, οτιδήποτε πιάνεται. Δέκατο, και το πιο αποκαλυπτικό: τεστ σε τέσσερα μοντέλα με τα ίδια ακριβώς ερωτήματα, με καταγραφή ποιος παραθέτεται και ποιος όχι, γιατί αυτό είναι το μόνο σημείο του checklist που δείχνει το πραγματικό αποτέλεσμα αντί για μια πρόβλεψη.

Τι κάνετε μετά το audit

Το audit από μόνο του δεν αλλάζει τίποτα, και κανένας σοβαρός σύμβουλος δεν πρέπει να σας πείσει για το αντίθετο. Είναι μια φωτογραφία, όχι μια λύση. Η αξία του είναι ότι σας δείχνει με ποια σειρά προτεραιότητας να ενεργήσετε: αν το πρόβλημα είναι πρόσβαση bot, διορθώνεται σε μία ώρα με μια αλλαγή στο robots.txt. Αν είναι δομή περιεχομένου, χρειάζεται συστηματική δουλειά μηνών, σελίδα προς σελίδα, χωρίς συντομεύσεις.

Χωρίς το audit, οι περισσότερες επιχειρήσεις ξοδεύουν πρώτα σε ό,τι είναι πιο εντυπωσιακό να παρουσιαστεί σε ένα meeting διοίκησης (ένα νέο design, ένα νέο λογότυπο), όχι σε ό,τι έχει τη μεγαλύτερη πραγματική επίδραση στο αν θα τους βρει ποτέ ένα AI μοντέλο. Ξεκινήστε πάντα από τον πυλώνα με το χειρότερο σκορ, όχι από αυτόν που είναι πιο εύκολο να εξηγηθεί σε έναν διευθυντή που δεν έχει χρόνο για λεπτομέρειες. Η σειρά προτεραιότητας είναι το μόνο πράγμα που πραγματικά αγοράζετε με ένα audit. Όλα τα υπόλοιπα μπορείτε να τα βρείτε μόνοι σας, αργά.

Ένα τελευταίο σημείο, γιατί το ακούμε συχνά στο τέλος κάθε παρουσίασης: «πόσο συχνά πρέπει να το ξανακάνουμε;». Η απάντηση δεν είναι «μία φορά το χρόνο» σαν να ήταν ισολογισμός. Τα μοντέλα γλώσσας ενημερώνονται, οι αλγόριθμοι επιλογής πηγών αλλάζουν χωρίς προειδοποίηση, και ένα site που ήταν αόρατο τον Ιανουάριο μπορεί να εμφανίζεται τον Ιούνιο απλά επειδή κάποιος ανταγωνιστής άλλαξε κάτι στο δικό του robots.txt. Ελέγχουμε τα δικά μας active projects κάθε τρεις μήνες με το ίδιο σύντομο τεστ ερωτημάτων στα τέσσερα μοντέλα, όχι ολόκληρο το audit από την αρχή. Αν κάτι έχει αλλάξει προς το χειρότερο, μόνο τότε ξαναμπαίνουμε σε πλήρη ανάλυση. Το πλήρες audit είναι το σημείο εκκίνησης. Το τριμηνιαίο τεστ είναι το πώς μένετε εκεί.

Τι Αλλάζει σε Μεγάλη Κλίμακα: Audit για e-shop με 500+ Προϊόντα

Όλα όσα περιγράψαμε παραπάνω δουλεύουν άψογα σε ένα site δέκα έως είκοσι σελίδων. Σε ένα e-shop με 500 ή 5.000 προϊόντα, η ίδια μεθοδολογία σπάει αν την εφαρμόσετε σελίδα-σελίδα, γιατί κανείς δεν έχει τον χρόνο να ελέγξει χειροκίνητα κάθε σελίδα προϊόντος ξεχωριστά, και το αποτέλεσμα θα ήταν ήδη ξεπερασμένο πριν προλάβετε να το ολοκληρώσετε.

Η λύση δεν είναι λιγότερος έλεγχος. Είναι διαφορετική μονάδα ελέγχου. Αντί να εξετάζουμε μεμονωμένες σελίδες, εξετάζουμε templates. Ένα e-shop με 500 προϊόντα έχει συνήθως τρία με τέσσερα templates σελίδας προϊόντος, όχι 500 μοναδικές δομές. Αν το schema markup λείπει από ένα template, λείπει από όλα τα προϊόντα που το χρησιμοποιούν ταυτόχρονα, που σημαίνει ότι η διόρθωση ενός template διορθώνει εκατοντάδες σελίδες με μία αλλαγή, αλλά και ότι ένα λάθος σε ένα template είναι εκατοντάδες φορές πιο ακριβό από ένα λάθος σε μία μεμονωμένη σελίδα.

Δειγματοληψία αντικαθιστά την πλήρη κάλυψη. Ελέγχουμε δεκαπέντε έως είκοσι τυχαία επιλεγμένες σελίδες προϊόντων από διαφορετικές κατηγορίες, όχι όλες, γιατί αν το πρόβλημα υπάρχει στο template θα εμφανιστεί εξίσου στο δείγμα όσο και στο σύνολο. Ελέγχουμε επίσης ξεχωριστά τις σελίδες κατηγορίας, που συχνά έχουν εντελώς διαφορετικό πρόβλημα από τις σελίδες προϊόντος, π.χ. thin content με μόνο λίστα προϊόντων και καμία επεξηγηματική παράγραφο, κάτι που ένα μοντέλο γλώσσας αγνοεί σχεδόν πάντα σαν πηγή.

Υπάρχει και ένα δεύτερο πρόβλημα κλίμακας που δεν εμφανίζεται καθόλου σε μικρά sites: το inventory αλλάζει συνεχώς. Ένα e-shop με χιλιάδες προϊόντα προσθέτει, αφαιρεί, και ξαναδιαμορφώνει τιμές κάθε εβδομάδα, οπότε ένα audit που κοίταξε τη σωστή δομή τον Ιανουάριο μπορεί να μην αντιπροσωπεύει πια τον Μάρτιο, αν κάποιος πρόσθεσε μια νέα κατηγορία προϊόντων χωρίς να ακολουθήσει το ίδιο template. Για αυτό, σε μεγάλα e-shops προτείνουμε πάντα ένα ελαφρύ automated τεστ πάνω σε ένα δείγμα σελίδων κάθε μήνα, όχι μόνο το τριμηνιαίο πλήρες audit: ένας γρήγορος έλεγχος αν το schema markup εξακολουθεί να υπάρχει σε νέες σελίδες, πριν συσσωρευτούν εκατοντάδες νέες σελίδες με το ίδιο κενό.

Το κόστος ενός audit για μεγάλο e-shop δεν είναι γραμμικά ανάλογο του αριθμού σελίδων. Είναι σχεδόν σταθερό πάνω από ένα συγκεκριμένο μέγεθος, γιατί η δουλειά μετατοπίζεται από «έλεγχος κάθε σελίδας» σε «έλεγχος κάθε template plus δειγματοληψία». Αν χρειάζεστε τη λεπτομέρεια του τι περιλαμβάνει αυτή η δουλειά σε ευρώ, το αναλύουμε στο πακέτο τεχνικού SEO. Η λογική δειγματοληψίας εκεί ισχύει ταυτόσημα.