AI SEO és GEO mítoszok nélkül: mi működik valójában

A ChatGPT, a Gemini, a Perplexity és az AI Overview (MI-áttekintés) válaszaiba a márka főleg két úton jut be, a két út átfedi egymást, az AI SEO pedig a munka mindkettőn:

1. A kereséssel. A modell válaszadás közben keres a neten, és idézi a talált oldalak egy részét. Itt ugyanaz működik, mint a SEO-ban: a robotok hozzáférése, az index, a láthatóság a kulcsszóra és annak változataira, valamint azok a részletek, amelyek az oldal többi része nélkül is megválaszolják a kérdést. Az eredmény, ahogy a SEO-ban is, hetek vagy hónapok múlva látszik.
2. A modell emlékezetén át. A modell abból válaszol, amit a tanítás lezárása előtt megtanult, és ez az emlékezet azt is befolyásolja, kit említ meg, amikor keres a neten. Itt az számít, mit írtak a márkáról mások, és az, hogy a márkának egyetlen, következetes leírása legyen sok forrásban. Az emlékezet változásának ütemét nem mértem meg, ezért negyedéves távlatban itt semmit nem ígérek.

A „GEO-trükkök” többségének nincs bizonyítéka, és néhányat a saját adataimon ellenőriztem. Az llms.txt fájlra és a strukturált adatokra nincs bizonyíték, hogy idézést hoznak. A több címsor nem juttatta feljebb az oldalakat a top 3-ba a tesztemben. Az a teszt, hogy a részlekérdezésekre vett pozíció jobban előrejelzi-e az idézést, mint a fő kulcsszóra vett pozíció, nem döntött el semmit, az első következtetésemet pedig megcáfolta a keresztellenőrzés. A bizonyítékok minden ilyen mondathoz lejjebb vannak.

Mi az AI SEO, és hogyan hívják még?

Az AI SEO az a munka, hogy a márka megjelenjen az AI által generált válaszokban: az AI Overview-ban és a Google AI Módjában, a ChatGPT-ben, a Geminiben, a Perplexityben és a Copilotban. Ugyanennek a munkának több neve van, és a különbségek főleg marketingjellegűek:

A GEO név tudományos eredetű, a teljes munka alapja pedig ugyanaz, mint a SEO-é. A GEO egy 2023 novemberi tudományos cikkből származik, amelyet a KDD 2024 konferenciára fogadtak el. A szerzők, Pranjal Aggarwal és munkatársai a saját tesztkészletükön megmutatták, hogy a tartalom módosítása akár 40%-kal növelheti a forrás láthatóságát a generatív válaszokban (arXiv). A Google a dokumentációjában azt írja, hogy a generatív keresésre optimalizálás továbbra is SEO (Google Search Central). A Zyppy-s Cyrus Shepard hasonlóan válaszol arra a kérdésre, kell-e a cégnek külön GEO-stratégia:

Az emberek sem használnak egyetlen nevet erre a munkára, és ez látszik a Google-találatokban. A „Jak nazywa się pozycjonowanie w AI?” (azaz: hogyan hívják az AI-pozicionálást) kérdés megjelenik a „Kapcsolódó kérdések” szekcióban a lengyel találatokban, megfelelői a német, a spanyol és a finn találatokban, az angol „What is AI SEO called now?” pedig az USA, Svédország és Szingapúr találataiban. A GEO (vagy az LLMO) és a SEO különbségére vonatkozó kérdés az általam vizsgált 27 piacból 9-en jelenik meg, Brazíliától Japánig.

Hogy melyik név uralkodik, piaconként más. Japánban a témában havonta mért kb. 16 730 keresés 72%-a LLMO, és maga az „llmo” kulcsszó kb. 12 100 keresést ér el, többet, mint az „ai seo” az USA-ban (kb. 6 600). Németországban és Franciaországban a GEO dominál (64% és 66%), Dél-Koreában 83%. Lengyelországban a havi kb. 2 265 keresés 58%-a AI SEO az „ai seo” kulcsszóval és a lengyel leírásokkal együtt („pozycjonowanie ai”, „pozycjonowanie w ai”), a GEO pedig 32%. Az USA-ban az AI SEO és a GEO fej fej mellett halad: 42% és 39% a havi kb. 25 400 keresésből, Spanyolországban holtverseny van (44% és 44%). Csehországban az adatokban egyik névre sincs kereslet.

Az „ai seo” kulcsszó többértelmű, ezért az AI SEO részarányát felső határnak tekintem. Az „ai seo” kulcsszóra a Google az AI SEO-ról szóló szövegek mellett AI-eszközöket és olyan útmutatókat is mutat, hogyan lehet AI segítségével SEO-t csinálni: az USA-ban ez a top 10 találatainak több mint fele, Dániában a 8-ból legalább 6. Az AI Overview az USA-ban és Dániában ugyanerre a kulcsszóra viszont az AI SEO-t az AI-válaszokra optimalizálásként írja le, tehát a Google ezt a munka nevének tekinti. E nélkül az egy kulcsszó nélkül a GEO a blogom 26 piacából 25-ön vezet, Japánban pedig az LLMO marad az első. Lengyelországban az egyértelmű lengyel leírások („pozycjonowanie ai”, „pozycjonowanie w ai”) együtt kb. 580 keresést érnek havonta, a GEO pedig kb. 725-öt. Az AI-eszközökről a SEO-hoz külön szövegben fogok írni.

Magát az „aeo” kulcsszót nem számolom, mert Lengyelországban elsősorban vámhatósági tanúsítványt jelent, az USA-ban pedig a találatok egy része az American Eagle ruhaipari lánc tőzsdei jegyzése. Az „aeo” kulcsszóra a lengyel Google első négy találatából három a pénzügyminisztérium oldala. A teljes nevet tartalmazó kulcsszavakat, például az „answer engine optimization” kulcsszót az „Egyéb” sorozatban számolom.

A szöveg minden nyelvi változata azt a nevet használja, amelyet az adott piacon keresnek. A japán változat az LLMO-ról beszél, a német és a francia a GEO-ról, a lengyel pedig a „pozycjonowanie w AI” kifejezésről és az AI SEO-ról. Magyarországon ennek a témának a keresletét kb. 300 havi keresésre mérem (AI SEO 67%, GEO 27%), vagyis kicsi, ezért ez a változat az AI SEO és a GEO nevet használja egymás mellett.

Hogyan választja ki az AI a válasz forrásait?

A modell keresésből vagy az emlékezetéből válaszol, és ettől függ, mit tud egyáltalán megváltoztatni. Amikor keres a neten, a kérdést több lekérdezésre bontja, letölti az eredményeket, kiválaszt belőlük részleteket, és egy részüket idézi. A Google ezt a dokumentációjában „query fan-out” néven írja le: a rendszer sok kapcsolódó keresést küld az altémákról és különböző forrásokból (Google Search Central). Amikor a modell nem keres, abból válaszol, amit a tanítás során megtanult, és ilyenkor az oldal Google-beli pozíciója semmin sem változtat.

Ez a két út átfedi egymást, mert a modell emlékezete a válaszra akkor is hat, ha keresett a neten. Dan Petrovic a Dejantól azt írja, hogy a márka említése a válasz szövegében elsősorban a modell korábbi tudásán alapul, és egyetlen oldal ezt alig mozdítja el (Dejan, 2026. július 7.). Ezért mindkét utat külön mérem, de egyszerre dolgozom rajtuk.

Hogy a modell milyen gyakran keres a neten, modellenként más: a tesztemben 94 kulcsszóból 10 és 94 között. Ezt API-n keresztül ellenőriztem 94, az általam vezetett projektekből származó kulcsszóra, angolul és lengyelül, 2026. október 3-ról 4-re virradó éjszaka, majd reggel másodszor is. A SEO stratégiáról szóló szövegben ugyanezt a hatást öt útmutatós kérdésen írtam le, itt egy nagyobb készleten látszik.

• 93 a 94-bőlEnnyiszer használt keresőt a Gemini 2.5 Flash az első futásban (a másodikban 94 a 94-ből).Saját API-teszt, 2026. október 3-4.
• 71 a 94-bőlEnnyiszer keresett a Gemini 3.5 Flash (a második futásban 69 a 94-ből).Saját API-teszt, 2026. október 3-4.
• 25 a 84-bőlEnnyiszer keresett a Gemini 3.1 Pro (10 hívás korláthibával végződött; a második futásban 32 a 94-ből).Saját API-teszt, 2026. október 3-4.
• 10 a 94-bőlEnnyiszer keresett a Gemini 3.8 Flash (a második futásban 15 a 94-ből). A többi kulcsszónál emlékezetből válaszolt.Saját API-teszt, 2026. október 3-4.

Ebben a beállításban a Gemini Flash újabb verziói ritkábban kerestek, de a Gemini 3.1 Pro nem illik ebbe a mintába. A Pro régebbi verziószámú, mint a 3.5 Flash, mégis ritkábban keresett nála. Ez egy modellcsalád és egy API-beállítás, nem a felhasználó által látott Gemini-alkalmazás, ezért a számokat jelzésnek tekintem, nem szabálynak. Elegendők viszont ahhoz, hogy minden mérésnél ellenőrizzem, hány kérdésnél keres egyáltalán a modell.

A modellek emlékezete egy új lengyel márkáról hiányosnak bizonyult, és egyes modellek kitalálták a leírását. Ugyanebben a projektben kb. 500 olyan választ, amely azokról a márkákról szólt, amelyeknek dolgozom, egy külön modell vakon értékelt. Az egyik új lengyel márkát a vizsgált modellek mindegyike ismeretlennek tekintette, és az erről szóló 12 válaszból 9-ben a leírás kitalált volt. A kitalálások aránya modellenként más volt: az összes márkáról szóló válaszok 5%-ától 77%-áig. A válaszokat egyetlen bíráló modell értékelte, ezért a kb. 10 százalékpontnál kisebb különbségeket zajnak tekintem.

Ugyanaz a domain az egyik úton látható lehet, a másikon pedig láthatatlan. Az egyik oldalt a Google AI Módja 13 kulcsszópárból 10-nél idézte, a keresés nélküli modellválaszokban viszont egyszer sem szerepelt (0 a 13-ból). Ez egy domain és 13 pár, ezért szemléltetés, nem szabály.

Egy rokon jelenség egy nagyobb léptékű vizsgálatban is látszik. Dan Petrovic beszámol a Google Research vizsgálatáról, amely 13 modellt és 2 150 Wikipédia-tényt érintett: a legerősebb modellek, például a Gemini 3 Pro és a GPT-5 a súlyaikban hordozzák ennek a tudásnak a 95-98%-át, de 26-34%-át nem tudják felidézni (Dejan, 2026. augusztus 17.). Ezek enciklopédikus tények, nem márkákról szóló tudás, de a márka számára a következtetés hasonló: ha az információ szerepel a tanítóadatokban, az nem garantálja, hogy a modell ki is mondja.

Hogyan kerülhet be az AI válaszaiba a keresésen keresztül?

A keresés útján ugyanaz működik, mint a SEO-ban, egyetlen különbséggel. A Google azt írja, hogy az AI Overview-ba és az AI Módba kerüléshez az oldalnak az indexben kell lennie, és megjelenhetnie az eredményekben szövegrészlettel, további technikai követelmény nincs (Google Search Central). A különbség az, hogy a modell egyszerre több lekérdezést tesz fel, ezért az az oldal, amely csak egy fő kulcsszóra látható, kevesebb idézési alkalmat kap, mint az, amely a változataira is látható. A ChatGPT-nek ráadásul saját keresőrobotja van (erről lejjebb), így a Google-beli láthatóság nem vihető át rá közvetlenül.

Hozzáférés az AI-robotoknak

Az AI-keresők robotjait a weboldal tulajdonosának tudta nélkül is ki lehet zárni. A tűzfal vagy a tartalomszolgáltató hálózat (CDN) beállítása blokkolhatja őket, gyakran csak a lekérdezések számának egy küszöbértéke után, ezért egyetlen teszt semmit sem mutat. Lekérdezések sorozatát küldöm a Google, az OpenAI, a Perplexity és az Anthropic robotjainak nevével, és összevetem a szerver válaszát azzal, amelyet a hétköznapi böngésző kap.

A modellek tanításának tiltása más döntés, mint a keresés tiltása. Az OpenAI szétválasztja a két szerepet: a GPTBot olyan tartalmakat gyűjt, amelyek a modellek tanításába kerülhetnek, az OAI-SearchBot pedig azt dönti el, megjelenik-e az oldal a ChatGPT keresési eredményeiben. Az OpenAI azt írja, hogy az OAI-SearchBot-ot kizáró oldalak nem jelennek meg a ChatGPT keresési válaszaiban, a GPTBot tiltása ezen nem változtat (OpenAI). Hasonlóan a Google-Extended azt szabályozza, hogyan használják a Gemini modellek a tartalmat, de a Google szerint nem befolyásolja a keresőbeli jelenlétet és pozíciót (Google Search Central). Aki egyetlen kapcsolóval tiltja az összes AI-robotot, elveszítheti a ChatGPT keresésében való jelenlétet, amelyről egyáltalán nem akart lemondani.

Pozíció a kulcsszóra és részlekérdezések

Nem tudom, hogy a magasabb pozíció növeli-e az idézés esélyét, mert az adataim ezt nem döntik el. A SEO stratégiáról szóló szövegben, a hipotézeknél, leírtam egy cikket, amelyet öt nagyon közeli kulcsszóból az AI Overview csak egyen idézett, és éppen azon, amelyen a legalacsonyabban állt. A részlekérdezéseket a modell állítja össze, és minden válasznál mások lehetnek, ezért nincs egyetlen állandó „részlekérdezés-lista az X kulcsszóhoz”. A 94 kulcsszavas készletemben a modell egy futásban 493 különböző részlekérdezést generált, kulcsszavanként átlagosan több mint ötöt.

Megvizsgáltam, hogy a részlekérdezésekre vett pozíció jobban előrejelzi-e az idézést, mint a fő kulcsszóra vett pozíció, és az első eredményem nem élte túl az ellenőrzést. Az általam vezetett projektekből származó kulcsszó-oldal párokon rögzítettem a szabályt, mielőtt kiszámoltam az eredményt. A mérték a ROC-görbe alatti terület (AUC) volt, vagyis az, mennyire jól választja szét a jel az idézett és a nem idézett oldalakat (0,5 az érmedobás szintje, 1 a hibátlan szétválasztás). A részlekérdezések akkor nyertek volna, ha a területük legalább 0,10-zel nagyobb. Az AI Overview-teszthez félretett 29 páron a különbség 0,44 lett, vagyis a teszt „teljesült”.

A keresztellenőrzés megmutatta, hogy két eltérő pontosságú mérést hasonlítottam össze. A lektor, aki mindent nulláról újraszámolt, számjegyre pontosan reprodukálta az értékeimet, de észrevette, hogy a fő kulcsszóra vett pozíciót a Google-találatok egyetlen lekéréséből vettem, az idézést pedig ötből. Miután a pozíciót ugyanabból az öt lekérésből számoltam, a különbség 0,04-re csökkent, a konfidenciaintervallum -0,28 és +0,36 között volt. Tehát nem mutattam ki, hogy a részlekérdezések jobbak a pozíciónál, és azt sem, hogy rosszabbak. Mindkét jel mond valamit, ezért mindkettőn dolgozom.

A DataForSEO egyetlen lekéréséből származó pozíció az eredményváltozatok egyikének kisorsolásának bizonyult. Amikor ugyanazt a 94 kulcsszót háromszor kértem le kb. egyórás különbséggel, ugyanannak a kulcsszónak két lekérése a mediánban kevés közös címet tartalmazott a top 10-ben: a Jaccard-index, vagyis két halmaz egyezésének 0 és 1 közötti mértéke, 0,14-0,15 volt. A változatok egy része valószínűleg olyan eredmény, amelyet az ember a böngészőben nem lát, mert 5 kulcsszónál a böngésző az egyikkel egyezett. Az AI Overview eközben stabil volt: a jelenléte a lekérések között 97-99%-ban egyezett. Ezért az ebből az eszközből származó pozíciót ma kb. 10 egyszerre elküldött lekérés részarányaként számolom. Más eszközöket nem ellenőriztem így.

Önállóan válaszoló szövegrészek

A modell általában nem a teljes oldalt használja, hanem azokat a részleteket, amelyek megválaszolják a lekérdezését. Ezért úgy írok, hogy minden részletet meg lehessen érteni az oldal többi része nélkül: válasz a címsor alatti első mondatban, konkrét számok nevezővel és dátummal, nevek a „ez” és „az” helyett. Ebben a szövegben minden bekezdés ezért indul következtetést tartalmazó mondattal. Ez jó írási gyakorlat, amely az embereknek is segít, nem külön AI-technika.

Ez nem azt jelenti, hogy a tartalmat apró darabokra kell vágni, vagy a címsorokat szaporítani. A Google kifejezetten azt írja, hogy nincs követelmény a tartalom apró részletekre bontására ahhoz, hogy az AI jobban megértse (Google Search Central). Azt is ellenőriztem, hogy a több címsor segít-e a top 3-ba kerülésben. Az üzleti szoftverek niche-éből származó 119 angol nyelvű lekérdezés top 10-ében álló 632 oldalon (USA, 2026. szeptember 26.) az esélyhányados 0,95 volt (95%-os konfidenciaintervallum: 0,81-1,12), a szöveg hosszának figyelembevételével pedig 1,00. A top 3-ba kerülő oldalak aránya a legkevesebb és a legtöbb címsorú három csoportban szinte azonos volt: 32%, 34% és 32%. Ez ugyanaz a teszt, amelyről a SEO stratégiáról szóló szövegben írok: egy niche és egy mérési nap. Elég viszont ahhoz, hogy ne tegyek be címsorokat pozíciójavítás céljából: a címsornak azt kell mondania, miről szól az alatta lévő részlet.

Lengyel kérdések, angol részlekérdezések

A készletemben a lengyel kérdésekhez tartozó részlekérdezések egy része angol volt. A lengyel kulcsszavakhoz generált 277 részlekérdezésből 81-nek nem voltak lengyel nyelvi jegyei. Például egy lengyel kérdés egy kategória termékeinek rangsoráról angol lekérdezéssé alakult, amelynek nevében évszám szerepelt. Ez durva heurisztika egyetlen készleten, de elég ahhoz, hogy lengyel márkánál az angol nyelvű források mondanivalóját is ellenőrizzem.

Hogyan kerülhet be a modell emlékezetébe?

A modell emlékezetét nem lehet a saját oldallal megváltoztatni: az számít, mit írnak Önről mások. A modell a tanítás lezárása előtt összegyűjtött nagy szövegkészletekből tanul. Ha a márkáról főleg ő maga ír, a külső források pedig régiek vagy ellentmondóak, a modell a régi vagy ellentmondó képet fogja ismételni. Nincs mérésem arról, milyen gyorsan frissül a modellek emlékezete. Azt feltételezem, hogy csak a következő verziókban, ezért negyedéves távlatban itt semmit nem ígérek.

A saját márkámon mindkét hibaforrást egyszerre látom. A Gemini egy évekkel ezelőtti munkahelyemmel írt le jelen időben, a rogala.pro-t pedig „épülő” oldalként. A két leírás, amelyet a modellek rólam a leggyakrabban ismételtek, szó szerint egy szakmai portálon lévő bemutatkozásomból származik, amely a nevemre magasan jelenik meg a Google-ben. Ezt a munkahelyet mint jelenlegit viszont a nevemre adott találatokban megvizsgált 26 oldal közül egyik sem említi, ezért ez a hiba valószínűleg a modell emlékezetében van. Ugyanezekkel a kérdésekkel ellenőrzöm, ha a bemutatkozást frissítik.

Hogy mit jegyzett meg a modell a márkáról, azt Ön is ellenőrizheti, AI-láthatósági eszközök nélkül. Tegyen fel kérdéseket a márkáról keresési hozzáférés nélkül, legbiztosabban a keresőeszköz nélküli API-n keresztül. Kérdezze meg, mivel foglalkozik a márka, kinek és mióta működik, mindegyik kérdést háromszor. Aztán vesse össze a válaszokat a tényekkel, és külön jegyezze fel, mi aktuális, mi elavult, és mi kitalált.

A következetes márkadefiníció nélküli említések a régi leírást ismétlik, ezért az identitással kezdem. A sorrendem:

• egyetlen márkadefiníció, ugyanaz az oldalon, a profilokban és a más oldalakon lévő bemutatkozásokban;
• strukturált adatok olyan azonosítókkal, amelyeket kézzel ellenőriztem;
• bejegyzések tudásbázisokban, például a Wikidatában, csak ott, ahol vannak források, amelyek igazolják őket;
• csak ezután az említések és publikációk olyan helyeken, amelyeket más szerkeszt.

Az azonosítót meg kell nyitni és el kell olvasni, mielőtt a kódba kerül. 2026. október 5-én észrevettem, hogy az a Knowledge Graph-azonosító, amely az előző naptól a rogala.pro strukturált adataiban állt, egy ugyanilyen nevű színész paneljére vezet. Körülbelül egy napig az oldalam azt közölte a keresőkkel, hogy színész vagyok. Az ellenőrzés egy percig tart: a google.com/search?kgmid= cím az azonosítóval kiegészítve megmutatja, kié valójában.

A Wikidata nem vesz meg olyan helyet, amelyhez nincsenek források. A Wikidata forrást követel az élő személyekre vonatkozó információkhoz, ezért nem lehet benne olyan szakterületet deklarálni, amelyről Önön kívül senki nem írt. Ezért én a más által szerkesztett helyeken való publikációkkal kezdtem, nem az adatbázis-bejegyzéssel.

Mi működik az AI SEO-ban, és mi a mítosz?

A GEO-ról szóló állításokat a bizonyíték ereje szerint osztom be. A dokumentáltat a kereső dokumentációja igazolja, a „saját mérés” egyetlen beállításból származó eredmény, amelyet megismétlek. A megcáfolt és a ki nem mutatott állításokat a saját adataimon vizsgáltam meg, és vagy nem élték túl, vagy nem döntöttek el semmit. A bizonyíték nélküliek olyan népszerű tanácsok, amelyek mögött nincs mérés, néha pedig fordított bizonyíték áll.

Nincs bizonyíték arra, hogy az llms.txt fájl és az oldalak Markdown-változata segít bekerülni az AI válaszaiba. A Google azt írja, hogy a keresőjében való jelenléthez nem kell új gépi fájlokat, AI-nak szóló szöveges fájlokat, jelöléseket vagy Markdownt létrehozni (Google Search Central). Amikor 2026 júliusában megvizsgáltam a portfóliómból 10 domaint, egyik sem szolgáltatott Markdown-változatot az AI-ügynököknek. A rogala.pro-n október 8-a óta minden oldalnak van Markdown-változata és llms.txt fájlja, november 8-ig pedig a szerver naplóiban mérem, letölti-e valaki őket. Lengyelországban az „llms txt” kulcsszóra kb. 720 havi keresés van, ezért erről a témáról külön fogok írni.

A strukturált adatok leírják a márkát a keresőnek, de nincs bizonyíték arra, hogy idézést hoznak. A Google azt írja, hogy a strukturált adatok nem kötelezők a generatív keresésben, és nincsenek különleges schema.org-jelölések, amelyeket hozzá kellene adni (Google Search Central). A Seer Interactive-os Matt Buxbaum elemzett 8 500 AI Overview-s kulcsszót és 6 354 oldalt, amely megszerezte bennük az első idézést: a schema és az E-E-A-T-jelek kapcsolódtak a legkevésbé a nyeréshez, a legtöbb FAQ- és HowTo-jelölésű oldal pedig kb. 10-szer rosszabbul szerepelt (Seer Interactive, 2026. május 28.). Ez korreláció, ezért nem tudom, hogy a jelölések ártanak-e, de ezeket az adatokat nem olvasom az előny bizonyítékaként. A strukturált adatokat az entitás leírására használom (ki, mi, hol, milyen azonosítókkal), mert arra valók. A hatásukra a saját tesztemet az AI-válaszokra még nem fejeztem be.

Az említés és az idézés két különböző dolog, és sok jelentés összekeveri őket. Petrovic három eseményt különít el: azt az oldalt, amelyet a rendszer a válasz anyagaként letöltött, az idézést, vagyis a forrásként megmutatott oldalt, és az említést, vagyis a márka nevét a válasz szövegében, amelyet a felhasználó olvas és megjegyez (Dejan, 2026. július 7.). A márkát lehet idézni a szövegben való említés nélkül, és meg lehet nevezni az oldal idézése nélkül. Ezért ezt a kettőt külön mérem, és nem összegzem egyetlen „AI-láthatósági pontszámmá”.

Honnan tudja, hogy az AI SEO működik?

Kiindulópont nélkül nem tulajdoníthat hatást egyetlen változtatásnak sem, ezért az első javítás előtt rögzítem. A kiindulópontba a szó szerint rögzített kérdések, a modellek nevei és verziói, a dátum és a piac tartoznak. A kérdéseket a keresleti adatokból és a Search Console-ból állítom össze, többségük nem tartalmazza a márka nevét, mert a név a kérdésben maga súgja a modellnek a választ. A két pozíciósávból álló kérdéskészletet a SEO stratégiáról szóló szövegben írom le.

Öt dolgot mérek külön, mert mindegyik más irányba mehet:

1. A márka említését a válasz szövegében.
2. Az oldal idézését forrásként.
3. Azt, hogy a modell egyáltalán keresett-e a neten, vagyis a keresést és az emlékezetet külön.
4. Az AI-asszisztensekből érkező forgalmat az analitikában, amely mindig alsó határ, mert a belépések egy része forrásinformáció nélkül érkezik.
5. A Google-forgalmat ugyanabban az időszakban, hogy az AI-ra végzett változtatás ne a hagyományos találatok rovására menjen.

A csevegők válaszai véletlenszerűek, ezért ugyanazt a kérdést háromszor teszem fel egyszerre. Az AI Overview stabil, ahhoz egy lekérés elég. Az AI-láthatósági eszköz számát mindig a nevezővel együtt olvasom: ez a részesedés az én kérdéskészletemben, nem „részesedés az AI-piacon”, amelyet senki sem ismer.

Mit csinálok a saját oldalamon, és mit nem tudok még?

Az AI-ról a keresésben 2016 óta beszélek nyilvánosan, a saját márkám viszont még nincs az AI válaszaiban, és a kísérletem ebből indult. A 2026. július 26-i kiindulópont: a rogala.pro-nak egyetlen idézése sem volt az Ahrefsben ellenőrzött 7 AI-felület egyikén sem Lengyelországra, és a három platformon végzett 6 ellenőrzésben, a nevem nélküli kérdésekre, egyik modell sem említett. Ha a nevemmel kérdezték, a modell évekkel ezelőtti leírást ismételt. Ez egy mérés, ChatGPT nélkül, mert az eszköz, amellyel a válaszokat gyűjtöttem, nem adott rá eredményt, ezért kiindulópontnak tekintem, nem bizonyítéknak.

A munka sorrendje az adatokból következik: előbb az identitás, aztán az elérés. Egységesítettem egy definíciót a profilokban (a LinkedInen 30 nyelvi változatban), ellenőriztem a strukturált adatok azonosítóit (innen a színészes baki), felépítettem az oldalt és a blogot 27 nyelven Markdown-változatokkal. Az elérés, vagyis a publikációk és említések más médiumokban, csak ezután jön.

Még nem tudom, hogy ez működik-e. Az AI-válaszok első ismételt mérését 2026. november 1-jétől terveztem, a Markdown-fájlok mérésének eredménye november 8. után lesz. Az eredményeket hozzáírom ehhez a szöveghez, akkor is, ha nullák lesznek.

Gyakori kérdések az AI SEO-ról

Hol kezdje?

Az első három lépés semmibe nem kerül az időn kívül. Ellenőrizze, hogy az AI-keresők robotjai megkapják-e az Ön oldalát. Tegyen fel egyszerre háromszor néhány kérdést, amelyet az Ön ügyfelei feltesznek, a márka neve nélkül, és jegyezze fel, kit említenek, és kit idéznek. Olvassa el, mit mondanak a Google-találatok a márkája nevére, mert a modellek ugyanezekből a forrásokból merítenek. Ha az eredmény meglepi, az jó téma tanácsadásra.