Utoljára frissítve:
AI SLOP · Spoke
Tartalom minőség audit — hogyan ellenőrizd, hogy nem termelsel SLOP-ot?
Nem elég jó tartalmat írni — tudnod kell, hogy amit írtál, valóban jó-e. Megmutatom az önellenőrzési checklistet, az E-E-A-T szempontokat AI korszellemben, a SLOP score kiszámítását és az audit loop beépítését a mindennapi content workflow-ba.
Az audit 5 kritériumon alapul: POV jelenlét, konkrét adatok, személyes tapasztalat, redundancia-index és E-E-A-T szignálok. A redundancia-index a SLOP legfőbb mutatója — ha a bekezdések 40%-a elhagyható lenne minőségromlás nélkül, a tartalom SLOP. A publikálás előtt kötelező a 72 órás cooling-off.
Miért kell audit — és miért nem elég az ösztön?
A tartalom minőség auditnak van egy kényelmetlen igazsága: a saját írásunkat minden ember jónak látja közvetlenül az írás után. Az agy az elvárások alapján olvassa a szöveget, nem azt, ami ténylegesen le van írva. A szerkesztői elfogultság valós jelenség — és különösen veszélyes AI-asszisztált tartalomnál, ahol a szöveg gördülékenyen hangzik, de szerzői perspektívát nem hordoz.
Az audit nem önbizalom-teszt — hanem minőségkontroll rendszer, amelyet objektív kritériumok mentén futtatunk, nem érzet alapján. A SLOP legtöbbször nem azért kerül ki, mert a szerző tudatosan engedte meg — hanem mert nem volt auditprotokoll, amely megállíthatta volna.
Az AI-generált szöveg különösen "jól hangzik" közvetlenül az olvasás után — gördülékeny, strukturált, hibátlan. Ez az egyetlen ok, amiért az AI-asszisztált tartalomnak szigorúbb auditprotokollra van szüksége, mint a tisztán emberi írásnak.
Az 5 pontos önellenőrzési checklist
Az alábbi checklist 10–15 perc alatt elvégezhető bármely tartalmon. Minden "nem" válasz javítást igényel — publikálás előtt kötelező átmenni rajta.
- POV jelenlét: van-e legalább 3 explicit szerzői álláspont 1000 szavanként? ("Én azt gondolom...", "Az én tapasztalatom szerint...", "Ez azt jelenti a gyakorlatban...")
- Konkrét adatok: van-e minden 200 szóban legalább 1 forrásolt szám — szerző/intézet és évszám? A "a kutatások szerint" formula automatikusan elbukik.
- Személyes tapasztalat: van-e legalább 1 első személyű ("én csináltam / láttam / mértem") bekezdés konkrét számmal? Ez az E-E-A-T Experience komponens közvetlen jelzője.
- Redundancia-index: van-e olyan bekezdés, amely elhagyható lenne minőségromlás nélkül? Ha a bekezdések több mint 20%-a ilyen, a tartalom redundáns — SLOP gyanús.
- Idézhető mondat: van-e az első bekezdésben 1 olyan konkrét, önállóan érthető mondat, amelyet az AI Overview kiemelhetne? Ez a GEO-citálhatóság alapfeltétele.
E-E-A-T audit AI korszellemben
Az E-E-A-T (Experience, Expertise, Authoritativeness, Trustworthiness) 2026-ban nem csupán SEO-fogalom — hanem az AI-citálhatóság és a GEO (Generative Engine Optimization) alapja. Az AI rendszerek — Google AI Overview, Perplexity, ChatGPT Browse — pontosan azokat a tartalmakat preferálják, amelyek erős E-E-A-T jelzőket hordoznak.
First-person megfigyelések konkrét számmal. "Az utolsó 12 ügyfélauditen..." típusú mondatok. Személyes és egyedi — az AI nem tudja imitálni.
Szignál: "én csináltam", "az én mérésem", "az én ügyfeleimmel..."
Szakmai hivatkozások, módszertani megjegyzések, szaknyelv helyes alkalmazása. Nem self-declared ("szakértő vagyok") — hanem demonstrált tudás.
Szignál: konkrét forrásolt állítások, metodológiai note, szakmai álláspont
Author schema, szerzői bio, szerkesztési előzmény. Az entitás-konzisztencia: a szerző neve, szakterülete és hivatkozásai összhangban vannak-e?
Szignál: Author schema JSON-LD, bio a cikk végén, következetes szerzői entitás
Forrásolt adatok, frissítési dátum és changelog, metodológiai átláthatóság. A bizalom nem szavakból épül — hanem ellenőrizhető jelzőkből.
Szignál: updatedDate frontmatter, changelog, hivatkozások konkrét szerzőre és évre
Minden kiadott tartalomra lefuttatom az E-E-A-T ellenőrzést egy egyszerű 4 kérdéssel: (1) Van-e first-person tapasztalati bekezdés? (2) Van-e metodológiai megjegyzés? (3) Van-e Author schema a kódban? (4) Van-e legalább 3 forrásolt szám? Ha bármelyik "nem", a tartalom visszamegy javításra.
A SLOP score kiszámítása
A SLOP score nem egzakt tudományos mérőszám — hanem egy praktikus önértékelési segédeszköz, amelyet saját auditjaimban alkalmazok. Skála: 0 (slop-mentes) — 100 (tiszta SLOP).
| Dimenzió | Mérés módja | Max pont (SLOP irányba) |
|---|---|---|
| POV-hiány | 3 alatti POV-mondat per 1000 szó | 25 pont |
| Adat-hiány | 1 alatti forrásolt szám per 200 szó | 25 pont |
| Redundancia | Elhagyható bekezdések %-a | 20 pont |
| E-E-A-T hiányok | Hiányzó komponensek száma (0–4) | 20 pont |
| Frissítési relevancia | Elavult vagy frissítetlen adatok | 10 pont |
Slop-mentes
Javítható
Kockázatos
Újraírás
A 40 feletti SLOP score azonnali beavatkozást jelez. A saját célszámom: minden publikált tartalom SLOP score alatt 20 — ez az a küszöb, amely felett az AI Overview-citálhatóság szignifikánsan csökken.
Az audit loop beépítése a content workflow-ba
Az audit nem egy egyszeri ellenőrzés — hanem folyamatos visszacsatolási hurok, amely a tartalom teljes életciklusán végigkísér.
Előzetes audit-terv (megírás előtt)
Definiáld az 5 E-E-A-T komponenst és a POV célszámot a megírás előtt. Mi lesz a saját adatod? Mi lesz a vitázható álláspontod? Mi az idézhető mondatod? Ha ezekre nincs válasz megírás előtt, a tartalom SLOP lesz.
Draft utáni gyors audit (közvetlenül megírás után)
Futtasd le az 5 pontos checklistet. Számold meg a POV-mondatokat és a forrásolt adatokat. Azonosítsd a redundáns bekezdéseket és töröld őket. Ez a legfontosabb beavatkozási pont — az első friss szem a saját szövegen.
Cooling-off audit (72 óra elteltével)
72 óra elteltével olvasd újra friss szemmel. Más hibák látszanak: a közvetlen megírás utáni olvasásnál az agy azt olvassa, amit el akart mondani — 72 óra múlva azt, ami ténylegesen le van írva. Ez az egyetlen módja, hogy a szöveg "belső" logikájából kilépj.
Publikálás utáni audit (30–90 nap múlva)
Teljesítmény-adatok alapján: megjelenik-e AI Overview-ban? Vannak-e visszajelzések, megosztások? Ha nem, az idézhetőség vagy az E-E-A-T hiányos — iteratív javítás szükséges.
Közönség-visszajelzés mint quality signal
A közönség-visszajelzés a legjobb utólagos SLOP-detektor — mert az olvasók pontosan azokat a részeket hagyják figyelmen kívül, amelyek generikusak. Ha egy tartalomra nincs reakció, az szinte biztosan SLOP-jel.
3 visszajelzési csatorna és értelmezésük
- Közvetlen visszajelzés (kommentek, e-mailek): a "ezt a részt nem értem" jelzés homályos, SLOP-gyanús részt mutat. A "ezt megosztottam" jelzés az idézhető mondat pozícióját mutatja.
- Megoszthatósági metrika: a SLOP-tartalmat ritkán osztják meg, mert nincs benne idézhető, specifikus mondat. Ha a megosztási arány alacsony, a tartalom nem hordoz "shareable insight"-ot.
- AI-citálási monitoring: megjelenik-e a tartalom ChatGPT, Perplexity vagy Google AI Overview válaszaiban? Ha nem, a tartalom valószínűleg nem rendelkezik idézhető állítással — vagy az Author schema hiányzik.
Minden publikált tartalomnál 30 nappal később lefuttatom a site: keresést Perplexityn és ChatGPT-n. Ha nem jelenik meg citációban, az azt jelenti, hogy a tartalom nem tartalmaz idézhetőségi szignált — és az adott szekciót POV + adat hozzáadással javítom.
Az iteratív javítási folyamat
A tartalom minőség audit nem állít meg — hanem priorizál. Nem minden tartalmat kell teljesen újraírni: sokszor 2–3 konkrét beavatkozással (saját adat bekezdés + idézhető mondat + frissítési dátum) az egész tartalom a slop-mentes kategóriába lép.
Az iteratív javítás 3 körben történik:
- Draft javítás (azonnal): strukturális hibák, redundáns részek törlése, POV bekezdések hozzáadása. A leggyorsabb beavatkozás — általában 20–40%-os javulás SLOP score-ban.
- Post-cooling javítás (72 óra): friss szemmel végzett finomítás, idézhető mondat kiemelése az első bekezdésbe, Author schema és frissítési dátum ellenőrzése.
- Post-publish javítás (30–90 nap): teljesítmény-adatok alapján. Ha a tartalom nem jelenik meg AI Overview-ban: hiányzó idézhetőség — POV és adat injektálással. Ha forgalom nem érkezik: E-E-A-T vagy struktúra probléma.
A meglévő tartalmak auditját ebben a sorrendben priorizálom: (1) magas forgalmú, alacsony E-E-A-T tartalmak — ezek hordozzák a legnagyobb SEO kockázatot. (2) Alacsony forgalmú, magas potenciálú témák — javítással gyors nyereség érhető el. (3) Friss tartalmak, amelyek nem kerülnek AI Overview-ba — idézhetőség-probléma, gyorsan javítható.
Kérdések és válaszok
Mi az E-E-A-T AI kontextusban?
Az E-E-A-T (Experience, Expertise, Authoritativeness, Trustworthiness) a Google minőségértékelési keretrendszere, amely 2026-ban az AI-tartalom robbanása miatt különösen fontossá vált. AI kontextusban: Experience = first-person megfigyelés saját adattal, Expertise = szakmai hivatkozások és módszertan, Authoritativeness = Author schema + szerzői bio + szerkesztési előzmény, Trustworthiness = forrásolt adatok + frissítési dátum + metodológiai megjegyzések.
Hogyan méred a tartalom POV-sűrűségét?
POV-sűrűség mérése: számold meg, hány explicit szerzői álláspont szerepel 1000 szavanként. Az elfogadható minimum: 3 explicit POV-mondat per 1000 szó ('én azt gondolom', 'az én tapasztalatom', 'ez azt jelenti a gyakorlatban'). Ennél kevesebb esetén a tartalom nem hordoz hiteles szerzői perspektívát — és se a Google E-E-A-T, se az AI rendszerek nem fogják előnybe részesíteni.
Mik a SLOP audit konkrét lépései?
5 lépés: (1) POV-számolás: hány explicit szerzői mondat van per 1000 szó? (2) Adat-ellenőrzés: minden szám mellé forrás + év, vagy törlés. (3) Redundancia-indexelés: hány redundáns bekezdés van, amely nem ad új információt? (4) E-E-A-T mapping: mind a 4 komponens jelen van-e? (5) Cooling-off: 72 óra várakozás publikálás előtt, majd friss szemmel újraolvasás.
Mit jelent a redundancia-index?
A redundancia-index azt méri, a szöveg hány százaléka ismétlő vagy felesleges — ugyanazt mondja el más szavakkal, de új információt nem ad. A SLOP jellemzően 40–60%-os redundancia-indexszel rendelkezik. A minőségi tartalom redundancia-indexe 15% alatt van. Mérés módja: olvass végig minden bekezdést, és tedd fel a kérdést: 'ha ez a bekezdés hiányozna, veszítene-e a tartalom bármit?' Ha nem, az redundáns.
Hogyan épül be az audit loop a content workflow-ba?
A workflow 4 fázisa: (1) Előzetes audit-terv: a cikk megírása előtt definiáld az 5 E-E-A-T komponenst és a POV célszámot. (2) Draft utáni gyors audit: megírás után azonnal ellenőrzés az 5 pontos checklisttel. (3) Cooling-off audit: 72 óra elteltével friss szemmel újraolvasás és javítás. (4) Publikálás utáni audit: 30 nap múlva teljesítmény-alapú visszacsatolás (forgalom, AI-citálás, visszajelzések).
Mi a SLOP score és hogyan számítják ki?
A SLOP score (0–100) öt dimenzió összege: POV-hiány (max 25), adat-hiány (max 25), redundancia (max 20), E-E-A-T hiányok (max 20), frissítési relevancia (max 10). 0 = slop-mentes, 100 = tiszta SLOP. Saját auditjaimban a célszám: SLOP score alatt 20. Az 50 feletti score azonnali újraírást jelez — a publikált tartalom GEO és SEO szempontból egyaránt láthatatlan lesz.
Hogyan használjuk a közönség-visszajelzést quality signalként?
3 visszajelzési csatorna: (1) Közvetlen visszajelzés: olvasói kommentek, e-mailek — ezek a tartalom specifikum-igényét mutatják ('ezt a részt nem értem' = homályos, SLOP-gyanús rész). (2) Megoszthatósági metrika: mi az, amit megosztanak? A SLOP-tartalmat ritkán osztják meg, mert nincs benne idézhető, specifikus mondat. (3) AI-citálási monitoring: megjelenik-e a tartalom ChatGPT, Perplexity vagy Google AI Overview válaszokban? Ha nem, a tartalom nem rendelkezik idézhető állítással.
Mi az iteratív javítási folyamat és mikor alkalmazzuk?
Az iteratív javítás 3 körben történik: (1) Draft javítás (azonnal): strukturális hibák, redundáns részek törlése, POV bekezdések hozzáadása. (2) Post-cooling javítás (72 óra): friss szemmel végzett finomítás, idézhető mondat kiemelése az elejére. (3) Post-publish javítás (30–90 nap): teljesítmény-adatok alapján — ha a tartalom nem jelenik meg AI Overview-ban, az hiányzó idézhetőséget jelez, ha forgalom nem érkezik, az E-E-A-T vagy struktúra problémát.
Mennyire különbözik a SEO-audit a tartalom minőség audittól?
A SEO-audit elsősorban technikai és kulcsszó-szintű: meta, struktúra, belső linkek, loading speed. A tartalom minőség audit szerzői szintű: POV, idézhetőség, adat-sűrűség, E-E-A-T. A két audit egymást kiegészíti — de a SLOP-probléma kizárólag a tartalom minőség auditon azonosítható. Sok jó SEO-pontszámú tartalom SLOP, mert a technikai paraméterek nem mérik a szerzői perspektívát.
Hogyan priorizáljuk a meglévő tartalmak auditját?
3 kategória: (1) Magas forgalmú, alacsony E-E-A-T: ezek a legnagyobb kockázatot hordozzák — forgalmuk gyorsan erodálódhat a Helpful Content Update következő körében. (2) Alacsony forgalmú, magas potenciálú témák: ha a téma releváns, de a tartalom gyenge, javítással gyors nyereség érhető el. (3) Friss tartalmak, amelyek nem kerülnek AI Overview-ba: hiányzó idézhetőség problémája — POV és adat-injektálással oldható.
