Introducere

De ce contează AI Visibility Lab, cui i se adresează acest laborator și cum e organizat conținutul de mai jos.

Document sursă

AVL-001 — AI Visibility Lab Foundation

Despre laborator, standardele cercetării și modul de interpretare a documentației

Document ID	AVL-001
Nivel	A — Foundation
Versiune	1.4.0
Statut	Activ
Autor	Alex Matescu
Organizație	AI Visibility Lab
Data publicării	iulie 2026
Ultima actualizare	16 octombrie 2026
Limba	română
URL canonic	https://delamatescu.ro/lab/introducere

Scopul documentului: definirea identității AI Visibility Lab, a principiilor de cercetare și a regulilor prin care sunt documentate, interpretate, publicate și actualizate informațiile din întregul corpus AI Visibility Lab Documentation.

Publicul căruia i se adresează: proprietari de site-uri și afaceri, specialiști SEO, GEO și AEO, dezvoltatori, cercetători, autori, creatori de conținut, consultanți, profesioniști în marketing și orice persoană interesată de modul în care sistemele de căutare și răspuns bazate pe inteligență artificială găsesc, înțeleg, sintetizează, atribuie și prezintă informația publică.

Răspunsul scurt

AI Visibility Lab este un laborator independent de cercetare aplicată și documentare tehnică dedicat vizibilității entităților, organizațiilor și conținutului în sistemele de căutare și răspuns bazate pe inteligență artificială. Laboratorul studiază modul în care informația publică este descoperită, recuperată, interpretată, coroborată, sintetizată și citată de sisteme precum Google AI Overviews și AI Mode, ChatGPT, Claude, Microsoft Copilot și Perplexity.

Laboratorul există deoarece documentația oficială publicată de furnizori explică regulile cunoscute, funcțiile produselor și mecanismele pe care aceștia aleg să le facă publice, dar nu poate răspunde singură tuturor întrebărilor practice despre vizibilitatea unei anumite entități. Documentația oficială trebuie completată prin analiză comparativă, măsurare repetată și experimente desfășurate în condiții documentate.

AI Visibility Lab nu pretinde că deține acces la algoritmii interni ai furnizorilor și nu promite apariția, clasarea, recomandarea sau citarea unei entități într-un răspuns generat de AI. Laboratorul descrie ceea ce este documentat oficial, măsoară ceea ce poate fi observat din exterior, formulează ipoteze atunci când explicația nu este cunoscută și delimitează explicit faptele de interpretări.

Documentăm ceea ce este cunoscut, măsurăm ceea ce poate fi observat și nu prezentăm drept certitudine ceea ce poate fi susținut doar ca inferență sau ipoteză.

1. Scopul și statutul acestui document

AVL-001 este documentul fondator al AI Visibility Lab. El stabilește cadrul comun în interiorul căruia sunt redactate și interpretate toate documentele de cercetare, metodologiile, experimentele și analizele publicate de laborator.

Documentul nu este un ghid introductiv despre Generative Engine Optimization, Answer Engine Optimization sau AI Visibility. Aceste concepte sunt tratate separat în documentele de cercetare ale laboratorului, începând cu AVL-101 — Ce este GEO/AEO și AI Visibility.

Rolul AVL-001 este să răspundă unei întrebări anterioare tuturor întrebărilor tehnice: Cum produce AI Visibility Lab informație și câtă încredere poate fi acordată unei afirmații publicate de laborator?

Toate documentele ulterioare trebuie citite prin regulile stabilite aici. Atunci când un experiment produce un rezultat, AVL-001 stabilește cât de larg poate fi generalizat acel rezultat. Atunci când un furnizor publică o modificare, AVL-001 stabilește cum este integrată informația în corpus. Atunci când documentația oficială nu oferă un răspuns complet, AVL-001 stabilește cum sunt formulate inferențele și ipotezele.

Acest document nu este un standard industrial, un standard oficial de interoperabilitate și nici o recomandare emisă de o autoritate publică sau de un organism de standardizare. El reprezintă standardul editorial și metodologic propriu al AI Visibility Lab.

2. Ce este AI Visibility Lab?

AI Visibility Lab este un laborator independent de cercetare aplicată, documentare tehnică și experimentare publică privind relația dintre informația disponibilă pe web și sistemele de căutare, răspuns și asistență bazate pe inteligență artificială.

Obiectul principal al cercetării este AI Visibility, termen folosit de laborator pentru a descrie măsura în care o entitate — persoană, organizație, companie, brand, produs, proiect, publicație sau instituție — este găsită, identificată corect, înțeleasă, descrisă, recomandată sau citată în răspunsurile produse de sistemele AI.

Laboratorul studiază atât conținutul publicat pe site-ul unei entități, cât și ansamblul mai larg de informații prin care identitatea acesteia este confirmată sau contrazisă în ecosistemul digital. Acest ansamblu poate include pagini oficiale, profiluri publice, publicații terțe, baze de date, directoare, recenzii, documente, date structurate, mențiuni editoriale și alte surse accesibile sistemelor de căutare sau recuperare a informației.

AI Visibility Lab tratează vizibilitatea AI ca pe un fenomen multidimensional. O entitate poate fi absentă dintr-un răspuns, poate fi menționată fără trimitere la sursă, poate fi citată corect, poate fi confundată cu o entitate omonimă, poate fi descrisă prin informații depășite sau poate apărea într-un context care nu corespunde poziționării sale reale. Din acest motiv, simpla apariție a unui nume nu este considerată automat un rezultat pozitiv.

Laboratorul cercetează succesiv:

dacă informația poate fi accesată;
dacă poate fi recuperată ca relevantă pentru o interogare;
dacă entitatea poate fi identificată fără ambiguitate;
dacă afirmațiile despre ea sunt susținute de surse coerente;
dacă informația este folosită în sinteza răspunsului;
dacă sursa este afișată sau citată;
dacă reprezentarea finală este corectă, completă și actuală.

Această abordare continuă linia documentelor existente ale laboratorului, care tratează vizibilitatea AI prin filtre distincte de acces, recuperare, sinteză și selecție a citării și o măsoară prin comparații controlate față de o linie de bază documentată.

3. De ce există AI Visibility Lab?

Modul în care oamenii găsesc informații pe internet se schimbă. Căutarea tradițională, bazată în principal pe liste de rezultate, coexistă acum cu interfețe care formulează un răspuns, sintetizează informații din mai multe surse, oferă explicații, fac comparații și afișează un număr limitat de linkuri sau citări.

Google descrie AI Overviews și AI Mode drept funcții care pot utiliza mai multe căutări asociate și mai multe surse pentru a formula un răspuns, printr-un proces numit „query fan-out”. Google precizează, de asemenea, că aceste funcții se bazează pe sistemele sale de căutare, clasificare și calitate și că paginile trebuie să fie indexate și eligibile pentru afișare în rezultatele Search pentru a putea apărea drept surse asociate. Documentația Google Search Central

OpenAI documentează crawlere și agenți separați pentru diferite utilizări, inclusiv căutare și colectarea de conținut, iar Anthropic diferențiază între ClaudeBot, Claude-User și Claude-SearchBot. Perplexity documentează, la rândul său, crawlere distincte și opțiuni prin care proprietarii site-urilor pot controla accesul. Aceste diferențe arată că „vizibilitatea în AI” nu este un singur mecanism comun tuturor platformelor, ci rezultatul mai multor infrastructuri, produse și politici. OpenAI Crawlers

Din perspectiva unei persoane sau organizații publice, schimbarea produce o problemă nouă. În căutarea clasică, vizibilitatea putea fi aproximată prin poziții, impresii, clickuri și trafic. În sistemele generative, o parte din contactul utilizatorului cu informația are loc înaintea unui click sau fără un click. Entitatea poate fi descrisă direct în interfața sistemului, iar sursele pot fi selectate, combinate și afișate diferit de la o rulare la alta.

Această realitate creează nevoia unui cadru de cercetare care să nu reducă AI Visibility la o singură captură de ecran, la o singură interogare sau la promisiunea că un anumit tip de formulare „place modelelor AI”. Este nevoie de documentare comparativă, de măsurarea stării inițiale, de păstrarea dovezilor, de repetarea testelor și de separarea rezultatelor stabile de variațiile normale ale sistemelor.

AI Visibility Lab există pentru a construi acest cadru în limba română și pentru a-l aplica transparent.

4. De ce mai este nevoie de un laborator când există documentația oficială?

Documentația oficială este sursa principală pentru afirmațiile despre propriile produse ale unui furnizor. Când Google explică cerințele de eligibilitate pentru AI Overviews și AI Mode, când OpenAI publică rolul OAI-SearchBot și GPTBot sau când Anthropic descrie funcția Claude-SearchBot, AI Visibility Lab tratează acele pagini drept referințele autoritative pentru afirmațiile respective.

Documentația oficială nu este însă o hartă completă a tuturor proceselor interne. Furnizorii nu publică integral modelele, ponderile, seturile de date, regulile de clasificare, mecanismele de selecție a surselor sau toate schimbările operaționale care pot influența un răspuns. În plus, documentația fiecărui furnizor descrie propriul ecosistem, nu relația comparativă dintre mai multe platforme.

Un proprietar de site nu are nevoie doar să afle dacă un crawler poate fi permis în robots.txt. El poate avea nevoie să afle de ce entitatea sa este identificată corect în Google, confundată în ChatGPT, absentă în Claude și citată parțial în Perplexity. Niciun furnizor nu are obligația și nici perspectiva necesară pentru a explica integral această situație transversală.

Rolul cercetării independente începe acolo unde se termină documentația publică:

compară reguli și mecanisme între platforme;
testează efectele observabile în condiții documentate;
identifică diferențe între declarațiile generale și situațiile concrete;
măsoară variabilitatea rezultatelor;
documentează limitele și cazurile de eșec;
formulează întrebări pe care documentația oficială nu le tratează;
revizuiește concluziile atunci când produsele sau dovezile se schimbă.

Laboratorul nu concurează cu documentația oficială și nu o înlocuiește. O folosește drept fundație, apoi construiește peste ea un strat independent de interpretare și verificare practică.

Google recomandă evaluarea critică a instrumentelor și serviciilor terțe și avertizează că acestea nu au acces la datele sale interne de clasificare și nu pot garanta rezultate. Această limită este acceptată explicit de AI Visibility Lab și se aplică întregii metodologii publicate aici. Surse: ghidul Google pentru optimizarea în funcțiile AI din Search și ghidul Google privind instrumentele și serviciile SEO terțe.

5. Misiunea laboratorului

Să construiască, testeze și publice un corpus coerent de cunoaștere în limba română despre modul în care entitățile și informația publică sunt găsite, interpretate și reprezentate de sistemele AI.

5.1. Clarificarea conceptelor

Termeni precum GEO, AEO, AI Visibility, grounding, retrieval, citare, entitate, autoritate sau knowledge graph sunt folosiți adesea cu sensuri diferite. Laboratorul stabilește definiții operaționale, explică diferențele și păstrează terminologia consecventă între documente.

5.2. Documentarea mecanismelor cunoscute

Laboratorul traduce, explică și pune în context informația publicată de furnizori, organisme de standardizare și cercetători, fără a atribui documentației oficiale afirmații pe care aceasta nu le conține.

5.3. Dezvoltarea metodologiilor reproductibile

Laboratorul transformă întrebările generale în protocoale de măsurare. Metodologia Tabula Rasa F0, de exemplu, documentează starea unei entități înainte de intervenții și creează referința necesară pentru orice comparație ulterioară.

5.4. Publicarea experimentelor și a limitărilor

Laboratorul publică experimentele relevante, inclusiv rezultatele negative, parțiale sau neconcludente. Scopul nu este confirmarea unei metode, ci reducerea incertitudinii.

6. Domeniul cercetării

Vizibilitatea entităților în răspunsurile AI

Laboratorul măsoară dacă o entitate apare, în ce context apare, ce informații îi sunt atribuite, dacă este diferențiată de entități similare și dacă sursele afișate susțin afirmațiile formulate.

Generative Engine Optimization și Answer Engine Optimization

Laboratorul studiază practicile prin care informația publică poate deveni mai accesibilă, mai clară, mai verificabilă și mai ușor de asociat cu entitatea corectă în sistemele de răspuns generativ.

Crawling, indexare și controlul accesului

Laboratorul documentează crawlerele folosite de furnizori, rolurile acestora, regulile din robots.txt, blocajele la nivel de CDN sau WAF și diferențele dintre accesul pentru căutare, accesul declanșat de utilizator și accesul pentru dezvoltarea modelelor.

Recuperarea și grounding-ul informației

Laboratorul studiază modul în care sistemele recuperează surse relevante și le folosesc pentru a susține răspunsuri.

Identitatea și dezambiguizarea entităților

Laboratorul analizează semnalele prin care o persoană, companie, organizație sau marcă este diferențiată de alte entități cu nume similare.

Date structurate și semantică web

Laboratorul cercetează modul în care datele structurate pot clarifica informația și relațiile dintre entități, fără a presupune că simpla implementare a markup-ului garantează includerea sau citarea într-un răspuns AI.

Măsurarea AI Visibility

Laboratorul dezvoltă seturi de interogări, taxonomii ale rezultatelor, linii de bază, protocoale de sesiune și metode de comparație în timp.

Calitatea, autoritatea și verificabilitatea informației

Laboratorul studiază felul în care claritatea, originalitatea, experiența directă, sursele, actualitatea și consistența informației pot contribui la o reprezentare mai bună, fără a transforma aceste caracteristici în factori de clasificare presupus confirmați.

Google consideră că, pentru funcțiile sale generative din Search, bunele practici SEO rămân fundația și avertizează împotriva presupuselor „trucuri GEO”. Ghidul Google pentru optimizarea funcțiilor generative

Schema.org oferă un vocabular public de tipuri și proprietăți organizate ierarhic. Documentația Schema.org

7. Ce nu intră în domeniul laboratorului

AI Visibility Lab nu este un organism oficial de standardizare și nu poate emite reguli obligatorii pentru furnizori, proprietari de site-uri sau practicieni.

Laboratorul nu realizează reverse engineering neautorizat și nu pretinde acces la modele, sisteme de clasificare, ponderi algoritmice, date private sau metrici interne nepublicate.

Laboratorul nu tratează o coincidență temporală drept dovadă de cauzalitate. Faptul că o modificare a fost urmată de apariția unei entități într-un răspuns nu demonstrează, prin el însuși, că modificarea a produs rezultatul.

Laboratorul nu garantează:

crawling-ul unei pagini;
indexarea;
includerea într-un sistem de recuperare;
afișarea într-un răspuns;
menționarea entității;
citarea unei anumite surse;
poziția unei citări;
păstrarea unui rezultat în timp;
creșterea traficului sau a conversiilor.

Google precizează explicit că respectarea cerințelor și a bunelor practici nu garantează crawling-ul, indexarea sau afișarea conținutului. AI Features and Your Website

AI Visibility Lab nu publică pagini la scară doar pentru a acoperi variații de interogări și nu recomandă generarea de conținut fără valoare originală. Google: Guidance on generative AI content

Laboratorul nu este un agregator general de știri despre inteligență artificială. Actualizările de produs sunt tratate doar atunci când modifică accesul, recuperarea, măsurarea, reprezentarea entităților sau metodologia de cercetare.

8. Principiile cercetării

8.1. Dovezile au prioritate față de concluzia dorită

O ipoteză nu este protejată de rezultatele care o contrazic. Scopul experimentului este reducerea incertitudinii, nu producerea unei demonstrații favorabile unei metode sau unui serviciu.

8.2. Documentația oficială are prioritate pentru afirmațiile despre un produs

Atunci când furnizorul publică o explicație directă, laboratorul o tratează drept sursa principală pentru acel fapt.

8.3. Afirmațiile sunt formulate la nivelul permis de dovezi

O observație realizată într-un experiment individual este raportată drept observație. Nu este reformulată drept regulă universală.

8.4. Metodologia este descrisă suficient pentru verificare

Atunci când este posibil, laboratorul publică interogările, perioada, platformele, condițiile testului, taxonomia, dovezile și limitele.

8.5. Rezultatele negative sunt rezultate

Un experiment care nu produce schimbarea anticipată rămâne relevant.

8.6. Revizuirea este obligatorie

Sistemele, documentația și interfețele se schimbă. Documentele sunt versionate, datate și corectate.

8.7. Faptele și interpretările sunt separate

Cititorul trebuie să poată identifica ce provine dintr-o sursă oficială, ce a fost observat și ce reprezintă o inferență.

8.8. Limbajul trebuie să reducă ambiguitatea

Laboratorul evită personificarea inutilă a modelelor și preferă descrieri precise ale rezultatului observabil.

8.9. Utilitatea pentru oameni rămâne criteriul editorial principal

Documentația este structurată pentru accesibilitate și claritate, nu pentru presupuse preferințe ale modelelor.

8.10. Independența este mai importantă decât validarea comercială

Concluziile nu sunt ajustate pentru a favoriza un furnizor, o unealtă, o metodologie proprie sau un client.

9. Clasificarea afirmațiilor și a dovezilor

Documentat

O afirmație susținută direct de documentație oficială, o specificație publică, un standard, o lucrare academică primară sau o declarație tehnică identificabilă a organizației responsabile.

Observat

Un rezultat direct al unui experiment documentat de laborator, valabil în limitele testului și condițiilor respective.

Inferat

O concluzie rezonabilă susținută de mai multe observații sau surse, dar neconfirmată explicit de furnizor.

Ipoteză

O explicație sau predicție care urmează să fie testată și care trebuie să poată fi infirmată.

Opinie editorială

O recomandare argumentată, o preferință metodologică sau o poziție a autorului ori a laboratorului.

Etichetele nu vor fi adăugate mecanic fiecărui paragraf. Ele vor fi folosite atunci când natura afirmației poate fi confundată sau când diferența dintre fapt, observație și interpretare este esențială.

10. Ierarhia surselor

documentația oficială a furnizorului responsabil pentru produs;
standarde și specificații tehnice publice;
lucrări academice originale și evaluate științific;
publicații ale laboratoarelor și echipelor de cercetare;
experimente proprii reproductibile;
declarații publice ale reprezentanților furnizorilor;
analize tehnice independente;
studii de caz;
articole editoriale și surse secundare.

„Studii de caz" în această ierarhie desemnează studii de caz externe, folosite ca sursă/dovadă terță într-o cercetare — un sens distinct de „Studii de caz" ca secțiune proprie a laboratorului (Nivelul D2, §17), care documentează aplicarea metodologiei AI Visibility Lab asupra unei entități reale, nu o sursă citată din exterior.

Această ordine nu înseamnă că o sursă aflată mai sus este suficientă pentru orice afirmație. Sursele sunt evaluate și după proximitatea față de afirmație, data actualizării, stabilitatea documentului, transparența metodologiei, posibilitatea de verificare, existența unor conflicte de interese și concordanța cu alte surse primare.

11. Cum folosim documentația oficială

Pentru stabilirea faptelor de bază

Exemplele includ numele crawlerelor, funcția declarată a acestora, regulile de control al accesului, cerințele de eligibilitate și existența unor instrumente de măsurare.

Pentru delimitarea afirmațiilor permise

Dacă Google afirmă că nu există un markup special necesar pentru funcțiile sale generative, laboratorul nu va recomanda un astfel de markup ca cerință pentru Google.

Pentru identificarea întrebărilor rămase deschise

Documentația oficială stabilește ceea ce este cunoscut public. Diferența dintre acel nivel și rezultatele reale observate într-un caz particular definește domeniul experimentului.

Laboratorul nu traduce absența informației prin confirmarea contrariului. Dacă un furnizor nu documentează folosirea unui anumit semnal, concluzia corectă este că utilizarea lui nu este confirmată public, nu că semnalul nu este utilizat.

12. Metodologia generală de cercetare

1. Definirea întrebării

Întrebarea trebuie să fie suficient de precisă pentru a putea produce un rezultat verificabil.

2. Documentarea informației existente

Sunt verificate documentația oficială, standardele, literatura academică și cercetările relevante.

3. Formularea ipotezei

Ipoteza trebuie formulată înaintea intervenției și trebuie să poată fi infirmată.

4. Stabilirea liniei de bază

Starea inițială este documentată înaintea modificărilor. Metodologia Tabula Rasa F0 tratează această linie de bază ca livrabil independent.

5. Înghețarea elementelor de comparație

Setul de interogări, taxonomia, entitățile, platformele și condițiile relevante sunt păstrate pe cât posibil între măsurări.

6. Aplicarea intervenției

Modificările sunt documentate individual, datate și delimitate.

7. Perioada de așteptare

Este acordat timp pentru recrawl, indexare, actualizarea surselor sau propagarea schimbărilor.

8. Re-măsurarea

Testele sunt repetate în condiții comparabile.

9. Clasificarea rezultatelor

Rezultatele sunt încadrate într-o taxonomie stabilă.

10. Interpretarea și publicarea

Sunt raportate rezultatele, explicațiile posibile, alternativele, limitele și concluziile care nu pot fi trase.

13. Reproductibilitatea experimentelor

Reproductibilitatea în cercetarea sistemelor generative nu înseamnă că fiecare rulare trebuie să producă același text. Sistemele pot varia în funcție de model, interfață, locație, limbă, personalizare, momentul rulării, actualizarea indexului, disponibilitatea căutării web și alți factori care nu pot fi controlați integral din exterior.

Un experiment este considerat suficient de documentat pentru reproducere atunci când o altă persoană poate reconstrui:

întrebarea de cercetare;
entitatea analizată;
platforma și interfața;
data și intervalul;
limba;
setul de interogări;
condițiile sesiunii;
numărul de rulări;
intervențiile realizate;
taxonomia de clasificare;
dovezile păstrate;
metoda de calcul;
limitările cunoscute.

Variabilitatea nu invalidează automat măsurarea. Ea trebuie integrată în design prin rulări repetate, raportare pe frecvențe sau rate și compararea direcției schimbării, nu prin alegerea unei singure capturi convenabile.

14. Cum citim și interpretăm rezultatele

Un rezultat trebuie citit în limitele întrebării pe care experimentul a putut să o testeze. Dacă o entitate apare mai frecvent după o intervenție, rezultatul poate susține existența unei asocieri între intervenție și schimbare. Nu demonstrează automat că intervenția este singura cauză.

Printre explicațiile alternative trebuie luate în calcul:

actualizarea platformei sau a modelului;
schimbarea indexului;
apariția unor surse terțe;
modificarea conținutului altor pagini;
sezonalitatea;
personalizarea;
localizarea;
variația normală între răspunsuri;
schimbarea formulării interogării;
contaminarea sesiunii;
starea preexistentă măsurată incomplet.

Concluzie locală

Descrie ce s-a întâmplat în experiment.

Concluzie transferabilă

Sugerează că rezultatul poate fi relevant și pentru situații similare, dar necesită validare suplimentară.

Regulă generală

Necesită dovezi convergente din mai multe experimente, contexte și surse.

Atunci când rezultatul este neconcludent, formularea corectă este „experimentul nu a produs suficiente dovezi”, nu „metoda funcționează parțial” și nici „platforma nu a avut timp”.

15. Limitele cercetării asupra sistemelor opace și dinamice

Sistemele analizate sunt produse dinamice. Modelele, sistemele de căutare, indexurile, interfețele și politicile se pot modifica fără ca fiecare schimbare să fie anunțată public.

Accesul incomplet la mecanisme

Laboratorul observă intrări și ieșiri, nu întregul proces intern.

Instabilitatea temporală

Un rezultat obținut într-o anumită perioadă poate să nu se repete după actualizarea produsului.

Dependența de context

Aceeași interogare poate produce rezultate diferite în funcție de limbă, locație, cont, sesiune sau sursele disponibile.

Atribuirea probabilistică

Comparația înainte–după poate crește încrederea într-o explicație, dar rareori elimină toate cauzele alternative.

Din acest motiv, AI Visibility Lab evită expresii precum „am demonstrat algoritmul”, „am descoperit factorul de clasare” sau „această metodă garantează citarea”.

16. Publicarea rezultatelor negative și neconcludente

Rezultatele pozitive sunt mai ușor de transformat în prezentări comerciale, însă rezultatele negative sunt adesea mai valoroase pentru construirea unei discipline.

AI Visibility Lab poate publica:

intervenții care nu au produs schimbări măsurabile;
ipoteze infirmate;
diferențe prea mici pentru o concluzie;
rezultate contradictorii între platforme;
variații prea mari pentru atribuirea efectului;
erori de metodologie descoperite după experiment;
limitări care împiedică reproducerea completă.

Un rezultat negativ nu dovedește automat că o intervenție nu poate funcționa în niciun context. Dovedește doar că, în condițiile documentate, experimentul nu a produs efectul anticipat sau nu a produs suficiente dovezi pentru confirmare.

17. Structura documentației AI Visibility Lab

Nivelul A — Foundation

AVL-001 — AI Visibility Lab Foundation

Nivelul B — Research

Nivelul C — Methodology

AVL-202 — Cadrul metodologic AI Visibility Lab (documentul-cadru al Nivelului C)
AVL-200 — Standard dovezi, măsurare și trasabilitate
AVL-201 — Tabula Rasa F0
familia Market Measurement (AVL-MKT-*): AVL-MKT-001 — Market Scope & Eligibility Protocol (Draft pentru revizuire, v0.10.0) și AVL-MKT-002 — Market Query Panel (planificat)
documentele ulterioare dedicate etapelor sursei canonice, prezenței distribuite și re-măsurării
standardele de scor și evaluare

„Tabula Rasa" desemnează, canonic, metodologia AI Visibility Lab de măsurare longitudinală a unei entități. Etapele ei se identifică doar prin nume, fără coduri; codurile T0 și F1 … Fn desemnează exclusiv punctele de măsurare — nu etapele și nu rulările individuale (acelea au ID propriu, vezi Rulare/Run în AVL-201 §5). Definițiile normative se află în AVL-200 §7:

Etapa de baseline (Tabula Rasa): starea entității înainte de orice intervenție (AVL-201); punctul de măsurare T0.
Etapa sursei canonice: consolidarea sursei canonice — site, date structurate, dezambiguizare.
Etapa prezenței distribuite: corectarea, alinierea și coroborarea informațiilor din surse independente.
Etapa de re-măsurare: același set înghețat, același protocol, aceeași taxonomie, atribuire onestă a schimbării; punctele de măsurare F1 … Fn.

Etapele sursei canonice, prezenței distribuite și re-măsurării sunt descrise la nivel de cercetare (AVL-104), dar nu au încă un document normativ propriu de Nivel C dedicat — acesta rămâne de scris, cu un identificator alocat la momentul înregistrării lui, nu speculat dinainte (AVL-202 a fost între timp alocat cadrului metodologic general; vezi AVL-202 — Cadrul metodologic AI Visibility Lab). Până la versiunea 1.3.0, acest document a notat etapele cu F0–F3; corespondența cu notația curentă se află în AVL-200 §7.4.

Familia Market Measurement — `AVL-MKT-*` (Nivelul C)

AVL-MKT-* este namespace-ul familiei normative Market Measurement. Familia conține protocoalele folosite pentru definirea piețelor, construirea instrumentelor de măsurare și compararea longitudinală a reprezentării piețelor în sistemele AI.

Familia aparține Nivelului C — Methodology. Este o extensie funcțională a metodologiei AI Visibility Lab, nu un nivel metodologic nou, și este guvernată de AVL-001 și de AVL-202 — Cadrul metodologic AI Visibility Lab.

Structura unui identificator AVL-MKT-NNN:

AVL — apartenența la corpusul normativ AI Visibility Lab;
MKT — familia metodologică Market Measurement;
NNN — numărul care identifică permanent documentul în interiorul familiei.

Numerotarea familiei începe cu 001 și continuă secvențial (AVL-MKT-001, AVL-MKT-002, AVL-MKT-003 …), independent de seria AVL-NNN. Identificatorul este permanent și nu se renumerotează. Numărul reflectă ordinea de înregistrare în familie, nu ordinea de lectură și nici ordinea de execuție. AVL-MKT-001 nu are nicio relație cu AVL-001 prin număr.

Documentele AVL-MKT-* sunt exclusiv documente normative și metodologice. Documentele familiei sunt:

AVL-MKT-001 — Market Scope & Eligibility Protocol (publicat ca Draft pentru revizuire, v0.10.0);
AVL-MKT-002 — Market Query Panel (planificat, nepublicat).

Protocol normativ și instanță

Familia separă regula de rezultatul aplicării ei. AVL-MKT-001 definește regula de delimitare a pieței și de eligibilitate; criteriile operaționale se află numai în acel document. Market Reference Set este rezultatul aplicării acestui protocol asupra unei piețe concrete, la un moment determinat. Market Reference Set nu este document normativ și nu primește identificator AVL-MKT-*. Market Reference Set se constituie din intrările ELIGIBLE ale registrului Market Verification la Market Cutoff Date. Este constituit independent, în scopul cercetării laboratorului, nu este validat de nicio autoritate relevantă și nu are statut oficial (AVL-MKT-001, §21.3).

Nu primesc identificatori AVL-MKT-*: registrele Market Discovery și Market Verification, Market Reference Sets, Market Query Universes, seturile de date, execuțiile, măsurătorile și rapoartele trimestriale. Acestea sunt instanțe ale metodologiei, conform regulii generale de mai jos (Nivelul D2): identificatorul unei instanțe concrete nu este niciodată un identificator AVL.

Identificatorii instanțelor: `MKT-*`

O instanță concretă de măsurare a unei piețe primește un identificator de forma:

MKT-{țară}-{domeniu}-{an}Q{trimestru} — de exemplu, MKT-RO-AIV-2026Q4.

{țară} — codul ISO 3166-1 alpha-2 al pieței geografice definite conform AVL-MKT-001 (ex. RO);
{domeniu} — tokenul scurt, cu majuscule, al pieței analizate; este fixat la prima instanță a pieței și nu se schimbă între instanțele aceleiași serii;
{an}Q{trimestru} — trimestrul calendaristic al măsurării (ex. 2026Q4).

Un identificator de instanță nu are niciodată forma MKT-NNN, pentru a nu putea fi confundat cu un document normativ AVL-MKT-NNN. Aceeași piață poate fi măsurată longitudinal (MKT-RO-AIV-2026Q4, MKT-RO-AIV-2027Q1, MKT-RO-AIV-2027Q2 …) fără modificarea protocoalelor normative; fiecare instanță declară versiunile protocoalelor AVL-MKT-* pe care le-a aplicat. Identificarea detaliată a artefactelor din interiorul unei instanțe (Market Reference Set, panel, execuții, dovezi) va fi stabilită de documentele AVL-MKT-* și de AVL-200.

În interiorul unei instanțe, rulările primesc un sufix, definit în AVL-MKT-001 §3.2: -FULL pentru rularea trimestrială completă, -M{lună} pentru rulările lunare (luna din calendar, cu două cifre) și -PILOT sau -PILOT-{n} pentru rulările pilot — de exemplu, MKT-RO-AIV-2026Q4-FULL, MKT-RO-AIV-2026Q4-M11, MKT-RO-AIV-2026Q4-PILOT-3. Sufixul identifică rularea și nu înlocuiește perioada instanței; un pilot nu este o rulare a instanței. Codurile T0 și F1 … Fn nu se folosesc pentru rulările Market Discovery.

Tokenul de domeniu AIV (AI Visibility) este propus pentru piața serviciilor GEO, AEO și AI Visibility, deoarece acoperă întregul domeniu, nu doar una dintre practicile lui. Un token precum GEO ar exclude implicit AEO și, plasat după codul de țară, ar putea fi citit ca referință geografică. Exemplele de mai sus sunt ilustrative. La data versiunii 1.4.0 nu a fost creată nicio instanță MKT-*; au fost rulați doar trei piloți Market Discovery (MKT-RO-AIV-2026Q4-PILOT, MKT-RO-AIV-2026Q4-PILOT-2 și MKT-RO-AIV-2026Q4-PILOT-3), care nu sunt rulări ale instanței.

Nivelul D — Experiments

experimentele publice, ipotezele, intervențiile, dovezile, rezultatele și limitările

Nivelul D2 — Case Studies

AVL-350 — Studii de caz (documentul de poziționare a secțiunii)

Documentează colaborări reale în care metodologia și principiile laboratorului sunt aplicate direct pe o entitate sau un brand concret, cu dovezi, limite și rezultate publicate integral — distinct de experimentele publice cu ipoteză declarată dinainte (Nivelul D) și de proiectele comerciale, care vor fi documentate separat, în cadrul Nivelului D.

Un studiu de caz individual (ex. „Alex Matescu") NU primește un identificator AVL-xxx. ID-urile AVL desemnează exclusiv documente normative sau de poziționare a unei secțiuni (ca AVL-350 însuși) — nu instanțe concrete. O instanță de studiu de caz primește un identificator propriu, format CS-NNN (ex. CS-001), definit în registrul de ID-uri al laboratorului. Aceeași separare se aplică oricărei alte instanțe concrete (experiment, audit, intervenție): identificatorul ei nu e niciodată un AVL-xxx.

Articolele și observațiile editoriale pot exista în afara numerotării principale atunci când nu reprezintă documente stabile de referință.

18. Cum trebuie citite documentele laboratorului

Fiecare document va include, pe cât posibil:

identificatorul;
titlul;
nivelul;
versiunea;
statutul;
autorul;
data publicării;
ultima actualizare;
scopul;
documentele asociate;
sursele;
istoricul modificărilor.

Statutul

Un document Draft sau în revizuire nu are aceeași stabilitate ca un document Activ.

Data

Informațiile despre produse și crawlere pot deveni depășite.

Tipul afirmației

O observație sau ipoteză nu trebuie citată ca informație confirmată oficial.

Citarea recomandată: Matescu, Alex. „AI Visibility Lab Foundation”. AI Visibility Lab Documentation, AVL-001, versiunea 1.4.0, 2026.

19. Versiuni, revizuiri și corecții

AI Visibility Lab folosește versiuni în formatul MAJOR.MINOR.PATCH.

PATCH

Corecturi de ortografie, linkuri, formatare sau clarificări care nu schimbă sensul. Exemplu: 1.0.0 → 1.0.1.

MINOR

Secțiuni, surse, exemple sau precizări noi care extind documentul fără a-i schimba principiile fundamentale. Exemplu: 1.0.1 → 1.1.0.

MAJOR

Schimbări incompatibile cu versiunea precedentă în definițiile centrale, metodologia, clasificarea dovezilor sau concluziile principale. Exemplu: 1.3.2 → 2.0.0.

Versiunile înlocuite pot rămâne accesibile pentru trasabilitate, dar vor fi marcate drept Superseded, Deprecated sau Archived. Corecțiile importante nu vor fi ascunse prin rescriere tăcută.

20. Cum poate contribui comunitatea

AI Visibility Lab este inițiat și coordonat de Alex Matescu, dar calitatea corpusului poate crește prin verificare, critică și contribuții externe.

raportarea unei erori factuale;
semnalarea unei surse oficiale noi;
identificarea unui link depășit;
propunerea unei definiții mai precise;
reproducerea unui experiment;
raportarea unui rezultat contradictoriu;
propunerea unei întrebări de cercetare;
furnizarea unui caz pentru un experiment public;
revizuirea tehnică sau editorială a unui document.

Contribuțiile trebuie să includă suficiente informații pentru verificare. O captură izolată, fără dată, interogare, platformă și context, poate reprezenta un semnal util, dar nu este tratată automat drept dovadă.

Contribuțiile pot fi transmise prin pagina de contact a site-ului. AI Visibility Lab își rezervă responsabilitatea editorială asupra documentelor publicate.

21. Etică, confidențialitate și conflicte de interese

Experimentele trebuie să respecte legislația aplicabilă, drepturile persoanelor și condițiile de utilizare ale platformelor. Datele cu caracter personal care nu sunt necesare pentru înțelegerea rezultatului vor fi eliminate, mascate sau agregate. Informațiile confidențiale ale clienților nu vor fi publicate fără acord explicit.

Laboratorul va declara conflictele de interese relevante, inclusiv:

existența unei relații comerciale cu entitatea analizată;
utilizarea unei unelte oferite gratuit sau contra cost;
participarea autorului la proiectul evaluat;
existența unui beneficiu direct rezultat din concluzie.

Metodologiile proprii nu vor primi un standard de dovadă mai redus decât metodele externe. Faptul că Tabula Rasa este dezvoltată de AI Visibility Lab nu reprezintă dovadă a eficacității sale.

22. Declarație de independență

AI Visibility Lab este un proiect independent fondat și coordonat de Alex Matescu.

AI Visibility Lab nu este afiliat, sponsorizat, aprobat sau reprezentat de Google, OpenAI, Anthropic, Microsoft, Perplexity, Schema.org, W3C sau de alți furnizori și organisme menționate în documentație.

Numele produselor, companiilor și tehnologiilor sunt utilizate exclusiv pentru identificare, analiză și documentare. Linkurile către documentația oficială nu reprezintă o aprobare reciprocă.

Atunci când laboratorul interpretează documentația oficială, interpretarea îi aparține. În cazul unei diferențe între această documentație și sursa oficială actualizată, sursa oficială are prioritate pentru afirmațiile despre produsul respectiv.

23. Referințe oficiale principale

Schema.org și standarde web

Cercetare academică

Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K. și Deshpande, A. — GEO: Generative Engine Optimization, KDD 2024.

24. Documente asociate

25. Istoricul versiunilor

Versiunea 1.0.0 — iulie 2026

Prima versiune publică. Documentul definește identitatea și misiunea AI Visibility Lab, stabilește domeniul cercetării, introduce clasificarea afirmațiilor și ierarhia surselor, descrie metodologia generală, regulile de interpretare a rezultatelor, structura corpusului, regulile de versiune și corecție și declarația de independență.

Versiunea 1.0.2 — 26 august 2026

PATCH: în tabelul de metadate, câmpurile Autor și Organizație au fost transformate în linkuri interne (Autor → /despre, Organizație → /lab), pentru consistența relației autor–organizație în întregul corpus AI Visibility Lab.

Versiunea 1.1.0 — 4 septembrie 2026

MINOR: integrarea arhitecturală a Nivelului D2 — Case Studies (secțiunea „Studii de caz"), introdus ca extensie a structurii corpusului odată cu pregătirea primului studiu de caz (Alex Matescu, CS-001, nepublicat încă). Clarificări adăugate, fără schimbarea principiilor fundamentale: identificatorii AVL-xxx sunt rezervați exclusiv documentelor normative sau de poziționare a unei secțiuni, niciodată instanțelor concrete (studiu de caz, experiment, audit, intervenție — acestea primesc un registru de ID-uri propriu); dezambiguizare între „studii de caz" ca sursă externă citată (§10) și „Studii de caz" ca secțiune a laboratorului (§17); sensul canonic al fazelor F0–F3 (Tabula Rasa) — F0 baseline, F1 casa entității, F2 prezența distribuită, F3 re-măsurarea — reconciliat cu utilizarea deja publicată în AVL-104, cu nota explicită că F1–F3 nu au încă documente normative proprii de Nivel C.

Versiunea 1.1.1 — 14 septembrie 2026

PATCH: adăugarea AVL-200 — Standard dovezi, măsurare și trasabilitate la Nivelul C — Methodology (§22) și la lista „Documente asociate” (§24), ca parte a activării formale a AVL-200 (v1.0.0, 14 septembrie 2026). Corectată și referința speculativă la identificatoare viitoare neconfirmate („AVL-202/203/204” pentru documentele F1–F3), înlocuită cu o formulare care nu presupune numere de identificator încă neatribuite — AVL-202 a fost între timp alocat cadrului metodologic general, nu unui protocol F1–F3. Nicio schimbare de principiu.

Versiunea 1.2.0 — 30 septembrie 2026

MINOR: introducerea namespace-ului AVL-MKT-* pentru protocoalele normative Market Measurement, ca familie funcțională în Nivelul C — Methodology, nu ca nivel nou (§17). Formalizată separarea dintre protocoalele normative AVL-MKT-*, Market Reference Sets și instanțele concrete de măsurare a pieței, care primesc identificatori MKT-*, nu identificatori AVL. AVL-MKT-001 — Market Scope & Eligibility Protocol și AVL-MKT-002 — Market Query Panel sunt înregistrate ca documente planificate, nepublicate. Corectată și omisiunea AVL-202 — Cadrul metodologic AI Visibility Lab din lista Nivelului C (§17) și din „Documente asociate” (§24), precum și versiunea din citarea recomandată (§18). Nicio schimbare de principiu; niciun identificator existent nu a fost modificat.

Versiunea 1.2.1 — 2 octombrie 2026

PATCH: AVL-MKT-001 — Market Scope & Eligibility Protocol este publicat ca draft pentru revizuire (v0.9.0) și nu mai este doar planificat. Lista Nivelului C, secțiunea familiei Market Measurement (§17) și „Documente asociate” (§24) reflectă noul statut; AVL-MKT-002 — Market Query Panel rămâne planificat. Descrierea conținutului operațional al AVL-MKT-001 este înlocuită cu o trimitere: criteriile de eligibilitate se află numai în AVL-MKT-001. Nicio schimbare de principiu; niciun identificator existent nu a fost modificat.

Versiunea 1.3.0 — 13 octombrie 2026

MINOR: §17 aliniat la convenția din AVL-200 §7 (v1.1.0). Etapele metodologiei Tabula Rasa se identifică doar prin nume — etapa de baseline, etapa sursei canonice, etapa prezenței distribuite, etapa de re-măsurare —, iar codurile T0 și F1 … Fn desemnează exclusiv punctele de măsurare (T0 baseline, F1 primul punct de măsurare după baseline, F2 … Fn re-măsurări). Notația anterioară F0–F3 pentru faze este documentată ca istorică, cu trimitere la corespondența din AVL-200 §7.4; a fost eliminată regula care trata utilizarea „F1”/„F2” pentru ferestre de măsurare drept legacy, deoarece aceasta este acum convenția curentă. Niciun identificator existent nu a fost modificat. Trimiterile la AVL-MKT-001 din §17 și §24 sunt actualizate la versiunea curentă a draftului, v0.9.2 (BL-001).

Versiunea 1.4.0 — 16 octombrie 2026

MINOR: §17 aliniat la AVL-MKT-001 v0.10.0 și la identificarea rulărilor introdusă în AVL-MKT-001 v0.9.1. Secțiunea „Protocol normativ și instanță” precizează că Market Reference Set se constituie din intrările ELIGIBLE ale registrului Market Verification, că este constituit independent, în scopul cercetării laboratorului, și că nu este validat de o autoritate relevantă; registrele Market Discovery și Market Verification sunt adăugate printre artefactele care nu primesc identificatori AVL-MKT-*. Secțiunea „Identificatorii instanțelor” descrie sufixele rulărilor (-FULL, -M{lună}, -PILOT[-{n}]) și consemnează cei trei piloți Market Discovery rulați până la 16 octombrie 2026, fără crearea vreunei instanțe. Trimiterile la AVL-MKT-001 din §17 și §24 sunt actualizate la versiunea curentă a draftului, v0.10.0. Niciun identificator existent nu a fost modificat.

Documentația laboratorului descrie ceea ce este documentat, observat sau susținut de dovezi. Nu pretinde acces la mecanisme interne nepublice și nu transformă observațiile limitate sau corelațiile experimentale în reguli universale.