論文の概要: AX is the New AEO
- arxiv url: http://arxiv.org/abs/2609.34951v2
- Date: Tue, 29 Sep 2026 14:41:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:46.783964
- Title: AX is the New AEO
- Title（参考訳）: AXは新しいAEOです
- Abstract要約: 私たちは37,927人のエージェント・トラベルを実行し、それぞれの購入者がビジネスについて疑問を呈し、4つの独立したハーネスを1,056以上のリアルビジネスでカバーしています。
エージェント対応のビジネスでは、自身のページから回答が作成されており、その78%が56%に対して、明らかに1.9倍の頻度で推奨されている。
ウェブ構築の回答は3.7倍になり、買い手が要求した事実は含まれない。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In 2023, AI models answered from training data and hallucinated when it ran out, and businesses were told to seed that knowledge. Models' training knowledge has since given way to live web search, and the advice followed it there: answer-engine optimization, or AEO, now tells businesses to scatter breadcrumbs across forum threads, listicles, and off-site citations, so AI engines are likelier to surface and recommend them. But being surfaced is no longer enough: an agent opens the results and reads them before deciding, and one buyer question sends it through several rounds of search and fetch. What decides the outcome at this drill-down step is whether the agent can fetch and read the business's own site: agent experience (AX). We argue that AX is the new AEO. We run 37,927 agent journeys, each a buyer question about a business, across four independent harnesses over 1,056 real businesses, matched on fame, prior model knowledge, and two AEO proxies, then split based on their AX level. Only 7-10% of the finished answer comes from the model's training knowledge, whether or not the site is readable. Agent-ready businesses have answers built from their own pages 78% of the time against 56% and are clearly recommended 1.9x more often, while every grounded answer about a not-agent-ready business costs the agent 64% more. Holding business, harness, and question fixed, answers built from the site are 41% more accurate. The dominant failure is not fabrication but omission: web-built answers are 3.7x more likely to contain none of the facts the buyer asked for. Baselines differ sharply across the four harnesses, with clear-recommendation rates varying sevenfold from stack to stack, yet the effect holds in every one. In the agentic web era, being readable beats being talked about, and improving a site's AX is the strongest lever a business has.
- Abstract（参考訳）: 2023年、AIモデルはトレーニングデータから回答し、失効時に幻覚を与え、企業はその知識をシードするように指示された。
回答エンジン最適化(英: answer-engine optimization、AEO)またはAEO(英: AEO)は、ビジネスに対して、フォーラムスレッド、リストクルージョン、オフサイト引用にパンクラムを散布するように指示する。
エージェントが結果を開き、決定する前に読み上げ、あるバイヤーの質問が数ラウンドの検索とフェッチを通じてそれを送信する。
このドリルダウンステップで結果を決定するのは、エージェントが自身のサイト(エージェントエクスペリエンス(AX))をフェッチして読み取ることができるかどうかである。
我々はAXが新しいAEOであると主張している。
私たちは37,927人のエージェントトラベルを実行し、それぞれの購入者がビジネスについて質問し、1,056以上の独立した4つのハーネスを渡り、名声、事前モデルの知識、そして2つのAEOプロキシにマッチし、それからAXレベルに基づいて分割します。
完成した回答の7～10%は、サイトが読めるかどうかに関わらず、モデルのトレーニング知識から得られます。
エージェント対応ビジネスは、自身のページから78%の回答を56%に対して作成しており、明らかに1.9倍の頻度で推奨されている。
ビジネス、ハーネス、そして質問の固定を保ちながら、サイトから構築された回答は41%正確だ。
ウェブ構築された回答は3.7倍になり、買い手が要求した事実を一切含まない可能性が高くなる。
ベースラインは4つのハーネスで大きく異なり、クリアレコメンデーションレートはスタックからスタックまで7倍に変化するが、その効果はすべてのハーネスで持続する。
エージェント的なWeb時代では、読みやすいビートが話題になり、サイトのAXを改善することは、ビジネスが持つ最強のレバーです。
関連論文リスト
- Knowing When Thinking Is Not Enough: Teaching Small Reasoning Models to Reason Beyond Their Parametric Knowledge [63.752287291668786]
テスト時間計算のスケールは、言語モデル推論を改善する強力な方法である。
自己閉じ込めは、既に現在の状態から到達可能な解に確率質量を大半を凝縮することを示す。
選択的なクエリフレームワークであるFlyByを導入し、まず4Bと8Bの変種をトレーニングする。
論文 参考訳（メタデータ） (2026-09-28T05:07:24Z) - Era by Eon: Benchmarking Enterprise Agents on Hidden Knowledge [0.0]
Era by Eonベンチマークでは、各質問はその回答のルールを記述している。
コードは生成された企業のデータから回答を計算する。
6つのモデルのうち4つは、どんなプログラムでも24の少なくとも6つに答える。
論文 参考訳（メタデータ） (2026-09-24T16:12:27Z) - An Experimental Evaluation of Multimodal Prompt Injection Attacks on Agentic AI Frameworks [0.0]
次に何が起こるかを測定する再現可能なベンチマークであるMMPIBenchを紹介する。
6つのビジュアルキャリア(OCRテキスト、オーバーレイ、EXIFメタデータ、QRコード、フェイクインターフェース、ハイブリッド)を通じて、一定の攻撃セットを提供する。
攻撃は約1%で終了するが、12.8%で試みられ、そのギャップは計画段階でほぼ完全に閉鎖される。
論文 参考訳（メタデータ） (2026-09-08T20:00:03Z) - Calibrated Enough to Know, Not Calibrated to Act: Fabricated Evidence Makes LLM Agents Commit to the Unknowable [0.7759669140835106]
自信ある行動を解き放つものは、情報ではなく、そのパッケージングの権威である。
一致した回答可能な質問が同じパネルに取り付けられた場合、同じモデルは常に答える。
Act/Don't-act Gateは失敗するものであり、その効果は普遍的ではなくいくつかのモデルに集中している。
論文 参考訳（メタデータ） (2026-08-27T14:20:08Z) - Scaling the Horizon, Not the Parameters: Reaching Trillion-Parameter Performance with a 35B Agent [98.33217711280383]
本稿では,エージェント水平線をスケーリングすることで,パラメータレベルの性能を1兆倍に向上する35B混在エージェントモデルであるAgens-A1を紹介する。
我々は、外部の知識、行動、観察、検証結果を接続する長期の知識-行動基盤を構築します。
Agents-A1は、ロングホライゾンエージェントベンチマークに対して強力で幅広いパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-06-29T17:50:54Z) - Generative Engine Optimization at Scale: Measuring Brand Visibility Across AI Search Engines [10.84927926654762]
我々は、Ranqoで追跡された100以上のブランドで100K以上のプロンプト応答を分析した。
最初の可視性は、透明な3層ブランドのはしごを形成する。
最上位ページは「ベスト・オブ・リスト」ランキングである。
論文 参考訳（メタデータ） (2026-06-18T10:36:13Z) - Shoot First, Ask Questions Later? Building Rational Agents that Explore and Act Like People [81.63702981397408]
限られたリソースを前提として、言語モデル(LM)に基づいたエージェントは、どの程度合理的に行動するのか?
エージェント情報探索をベンチマークし,強化する手法を開発し,人間の行動から洞察を抽出する。
Spotterエージェントでは、LMのみのベースラインよりも14.7%の精度で精度を向上し、Captainエージェントでは、期待情報ゲイン(EIG)を0.227ビット(達成可能なノイズ天井の94.2%)まで引き上げる。
論文 参考訳（メタデータ） (2025-10-23T17:57:28Z) - Holistic Agent Leaderboard: The Missing Infrastructure for AI Agent Evaluation [87.47155146067962]
数百のタスクで並列評価をオーケストレーションする,標準化された評価ハーネスを提供する。
モデル、足場、ベンチマークにまたがる3次元解析を行う。
私たちの分析では、ほとんどのランで精度を低下させる高い推論努力など、驚くべき洞察が示されています。
論文 参考訳（メタデータ） (2025-10-13T22:22:28Z) - What Is Your AI Agent Buying? Evaluation, Implications and Emerging Questions for Agentic E-Commerce [1.998857368899133]
プラットフォームに依存しないエージェントと完全にプログラム可能なモックマーケットプレースを組み合わせたサンドボックス環境を開発した。
まず、集合的な選択を探索し、モデル間でモーダルな選択が異なることを明らかにする。
次に、合理性チェックと、製品の位置と属性の列挙に関するランダム化実験により、選択のドライバを分析します。
論文 参考訳（メタデータ） (2025-08-04T17:19:36Z) - Context Generation Improves Open Domain Question Answering [102.34183939011352]
関連知識を抽出し,質問に答えるために,粗大なアプローチを用いる2段階のクローズドブックQAフレームワークを提案する。
本手法は,学習可能なパラメータの追加や微調整を必要とせずに,事前学習したLMの知識をうまく活用することができる。
論文 参考訳（メタデータ） (2022-10-12T16:00:50Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。