Utoljára frissítve:
AI-láthatósági szakértő: mit mond rólad az AI, és miért?
Varga Zoltán vagyok, AI-kutató. Azt mérem, hogyan jelenik meg egy cég, egy termék vagy egy szakember a ChatGPT, a Perplexity, a Gemini, a Claude és a Google AI-összefoglaló válaszaiban, és azt javítom, ami ezt akadályozza.
Az AI-láthatóság azt jelenti, hogy egy válaszmotor felismeri a nevedet, pontosan mondja el, mit csinálsz, és ellenőrizhető forrásként a te oldaladat idézi. Az AI-rendszerek nem rangsorolják a szakértőket, hanem rekonstruálják őket abból, amit harmadik féltől származó, egymást megerősítő forrásokban találnak. Ami nem ellenőrizhető, abból nem márka lesz, hanem hallucináció.
Mi az AI-láthatóság?
Az AI-láthatóság annak mértéke, hogy egy válaszmotor mennyire ismer, mennyire pontosan ír le és milyen gyakran idéz egy entitást: céget, márkát, terméket vagy személyt. Három kérdésre bontható. Felismer-e a modell? Helyesen mondja-e el, ki vagy és mit csinálsz? A te oldaladra hivatkozik-e, vagy valaki másra?
A SEO a rangsorról szólt: hányadik vagy a találati listán. Az AI-láthatóság arról szól, hogy létezel-e a modell számára. A keresőindex ehhez előfeltétel, de egy első helyezés sem garantálja, hogy a motor a te mondatodat adja tovább.
Nyiss meg három AI-rendszert, amelynek még sosem meséltél magadról. Kérdezd meg mindháromtól: ki ez a cég, mit képvisel, miben más. Vesd össze a három választ. Ha ugyanazt a történetet mondják, van márkád. Ha három különböző történetet, akkor csak weboldalad van.
Mit mérek egy AI-láthatósági vizsgálatban?
Egy teljes mérés öt rétegből áll. Mindegyik más hibát talál meg, és a javítás is máshol kezdődik.
| Réteg | A kérdés | Hogyan mérem |
|---|---|---|
| Hozzáférés | Elérik-e az AI-botok az oldalt, és látják-e a tartalmat JavaScript nélkül? | Minden oldal lekérése 12 AI- és keresőbot nevében, robots.txt, noindex, canonical és kulcsadatok ellenőrzése |
| Indexelés | Ismerik-e a keresők, amelyekből a motorok dolgoznak? | Google, Bing, Brave és DuckDuckGo lekérdezése oldalanként |
| Idézés | A valós vevői kérdésekre kit idéznek a motorok? | Kérdésbank a keresőkiegészítések szóhasználatával, minden kérdés több motoron, többször ismételve; forráslista és szövegbeli link külön rögzítve |
| Pontosság | Igaz-e, amit a motor mond: ár, adag, dátum, cím, név? | Gépi összevetés egy hivatalos tényalappal, az eltérések kézi átnézése |
| Modellemlékezet | Mit tudnak rólad a modellek keresés nélkül? | Ugyanazok a kérdések hat modellnek, webes keresés nélkül |
Az eredmény motoronkénti idézési arány, a leggyakrabban idézett források listája és a téves állítások jegyzéke. A mérés kéthetente ismétlődik, így látszik, melyik beavatkozás hatott.
A kutatás, amelyre a módszer épül
A módszer saját kutatásra épül, amely nyilvánosan elérhető és hivatkozható.
- Per-Entity Bias Mapping (PEBM). Varga Zoltán: Per-Entity Bias Mapping for AI Visibility: Why Brand Mentions Require Entity-Specific Calibration, arXiv:2606.21595 (cs.CL, cs.IR), 2026. arxiv.org/abs/2606.21595 · Zenodo: 10.5281/zenodo.20419277. A tanulmány szerint az összesített láthatósági pontszám elfedi, hogy az egyes entitások egészen másként hibáznak. A kis cég láthatatlan, a nagyról kitalált részleteket mondanak, a közép-kelet-európai entitások pedig infrastrukturális hiányt szenvednek: nincs tudásgráf-azonosítójuk, és a modellek a magyar névalakokat nehezebben kapcsolják össze.
- Márka-hallucinációs paradoxon. A PEBM-mérésben 100 magyar B2B cégről 1400 futásban kértem forrásokat két keresés nélküli modelltől. A megadott hivatkozások 45,9%-a nem létezett. A nagy ismertségű cégeknél ez 52,7%, a kevéssé ismerteknél 37,9% volt. Minél ismertebb a márka, annál magabiztosabban egészít ki a modell.
- Keresővel és keresés nélkül. Ugyanabban a vizsgálatban a webes keresést használó Perplexity forrásainak 7,32%-a volt kitalált, a keresés nélkül válaszoló modelleknél 32–44%. A keresőhöz kötött válasz négy-hatszor megbízhatóbb.
- Forrás-kitalálás nyomás alatt. Varga Zoltán: Quality Challenges Do Not Escalate Source Fabrication in Large Language Models, előre regisztrált faktoriális vizsgálat, 1400 megfigyelés, Zenodo: 10.5281/zenodo.20474050.
Esetek: mit mutat a mérés a gyakorlatban?
Living Marbella: 20-ról 79 pontra
A Living Marbella spanyolországi ingatlanokat közvetít magyar vevőknek. 2026 áprilisában az AI-láthatósági pontszáma 20 volt a 100-ból. A főoldalon nem volt tagolt szerkezet, a cég és a tulajdonos entitásként nem jelent meg, a kapcsolati űrlap pedig a botok felé „captcha” jelzést adott. A javítás után, 2026 szeptember végén 79 pontot mértünk. Ehhez kellett strukturált cég- és személyadat, a közösségi profilok összekötése, a spam-védelem cseréje és 41 vevői kérdésre felelő szakcikk.
Növényvédőszer-gyártó kampányoldala: a tartalom kész, az index hiányzik
Egy hazai növényvédőszer-gyártó új, őszi gyomirtási tájékoztató oldalát mértem 2026 novemberében, 50 gazdai kérdéssel, öt motoron, összesen 650 válasszal. A hozzáférés hibátlan volt, és a dózisokat minden keresőt használó motor az engedélyokirat szerint adta: 186 egyező adat, egyetlen eltérés nélkül. Az új oldalt mégsem idézte senki, mert a mérés napján sem a Google, sem a Bing nem ismerte. A ChatGPT közben a régi, átirányított tesztcímet a válaszai 69%-ánál a forrásai között tartotta. Keresés nélkül két modell is téves dózist mondott, egyikük a hivatalos érték kétszeresét.
Az AI-láthatóság sorrendje kötött: hozzáférés, index, külső megerősítés, idézés. A legjobb tartalom sem jut el a válaszig, ha a motor nem találja. A modell pedig, ha nem talál forrást, a saját emlékezetéből válaszol, és ott a hibás adat is magabiztosan hangzik.
Mi számít ma az AI-idézésben?
A saját méréseim és a 2026-os szakirodalom ugyanabba az irányba mutat.
- Az elhelyezés többet ér a mennyiségnél. A Fudan Egyetem kutatói (arXiv:2610.11932, 2026. október) egy kitalált fogalmat nyilvános platformokon helyeztek el. Tíz AI-keresőből nyolc egy héten belül idézte. Egy saját WordPress-oldalon közzétett 40 bejegyzés ugyanennyi idő alatt egyetlen idézést sem hozott.
- A legjobban illeszkedő bekezdés dönt. Egy másik 2026-os vizsgálat (arXiv:2610.15033) szerint a FAQ-blokk és a séma önmagában nem növeli az idézést. Az számít, hogy az oldal egy bekezdése pontosan arra a kérdésre felel-e, amelyet a motor átfogalmazva feltesz.
- A motorok más-más forrásból dolgoznak. Ugyanarra a kérdésre a ChatGPT, a Perplexity és a Gemini sokszor egészen más oldalakat idéz, ezért egyetlen motor mérése félrevezet.
- A sokat tárgyalt téma csapda. Ahol sok, egymásnak ellentmondó változat él, ott a modell könnyebben téved. Az ismert márkát szigorúbban kell ellenőrizni, nem lazábban.
Hogyan dolgozom?
| Lépés | Mi történik | Eredmény |
|---|---|---|
| 1. Alapmérés | Kérdésbank a valós vevői kérdésekből, mérés öt motoron és keresés nélkül | Hol tartasz most, ki viszi el az idézéseidet, mit mond rólad tévesen az AI |
| 2. Javítás | Hozzáférés, indexelés, entitásadatok, tényalap és a hiányzó válaszbekezdések pótlása | Az oldal technikailag és tartalmilag idézhető |
| 3. Külső megerősítés | Jelenlét azokon a helyeken, amelyeket a motorok az adott témában ténylegesen idéznek | Harmadik féltől származó, egymást megerősítő források |
| 4. Újramérés | Ugyanaz a kérdésbank kéthetente | Mérhető változás motoronként és kérdéscsoportonként |
Gyakori kérdések
Mit csinál egy AI-láthatósági szakértő?
Megméri, hogy a válaszmotorok (ChatGPT, Perplexity, Gemini, Claude, Google AI-összefoglaló) mit mondanak egy cégről, termékről vagy szakemberről, honnan veszik, és idézik-e a saját oldalát. Utána kijavítja azt, ami a hibát okozza: a hozzáférést, az indexelést, a tényalapot és a külső források hiányát. Végül újramér, mert az AI-válaszok hétről hétre változnak.
Az AI-láthatóság az új SEO?
Nem. A SEO arról szólt, hányadik vagy a találati listán. Az AI-láthatóság arról szól, hogy létezel-e a modell számára: felismeri-e a nevedet, pontosan mondja-e el, mit csinálsz, és ellenőrizhető forrásként hivatkozik-e rád. A keresőindex ehhez előfeltétel, de a rangsor önmagában nem dönt.
Hogyan mérhető az AI-láthatóság?
Öt réteget mérek: elérik-e az AI-botok az oldalt, ismerik-e a keresők, idézik-e a motorok a valós gazdai, vevői vagy ügyfélkérdésekre, pontos-e, amit mondanak, és mit tudnak a modellek keresés nélkül, a saját emlékezetükből. Egy teljes kör több száz valós AI-válasz rögzítése és gépi kiértékelése, amelyet kéthetente megismétlek.
Mennyi idő alatt javul az AI-láthatóság?
A keresőalapú motoroknál napok vagy hetek alatt, ha az oldal bekerül az indexbe, és erős külső helyek hivatkoznak rá. A modellek belső tudása lassan, a következő tanítási ciklusban változik, ami 12–24 hónap is lehet. Ezért a két réteget külön kell mérni.
Segít-e a FAQ-blokk és a strukturált adat az AI-idézésben?
Közvetlenül alig. Egy 2026-os, nagy mintás vizsgálat (arXiv:2610.15033) szerint a FAQ-blokk és a séma jelenléte önmagában nem növeli az idézést; az számít, hogy van-e az oldalon olyan bekezdés, amely pontosan arra a kérdésre felel, amelyet a motor feltesz. A strukturált adat az entitás felismerésében segít, az idézést a tartalom és az elhelyezés dönti el.
Miért mond hibás adatot az AI egy ismert márkáról?
Mert az ismert márkáról a modellnek sok mintája van, és ebből magabiztosan kiegészít, akkor is, ha nincs mögötte ellenőrizhető forrás. Ezt nevezem márka-hallucinációs paradoxonnak. Saját mérésemben a nagy ismertségű magyar cégekről adott forráshivatkozások 52,7%-a nem létezett, a kevéssé ismert cégeknél 37,9%.
Ki az a Varga Zoltán?
AI-kutató és tudásrendszer-építő Budapesten. Az AI-láthatóság mérésével foglalkozik: a Per-Entity Bias Mapping (PEBM) tanulmány szerzője (arXiv:2606.21595), saját mérőrendszert és auditmotort épített, és magyar cégeknek mér és javít AI-láthatóságot.
Mit mond rólad ma az AI?
Az alapmérésből kiderül, melyik motor ismer, kit idéznek helyetted, és mit mondanak rólad tévesen. Ebből lesz a javítási sorrend.
AI-láthatósági audit Kapcsolat →