Versenytárs AI-láthatóság elemzése: módszer

Scheo · 2026-07-19 · olvasási idő ~10 perc · Szerző: Schmidt Péter

Amikor egy vásárló ma megkérdezi egy AI-asszisztenstől, hogy „ki csinál jó weboldalt Székesfehérváron” vagy „melyik szoftver való egy 20 fős cégnek”, kap egy választ. Abban a válaszban vagy szerepelsz, vagy nem, és ha nem, akkor valaki más igen. Ez a valaki a versenytársad, akkor is, ha eddig sosem találkoztál a nevével. Az alábbi módszer arra való, hogy ezt ne érzésre tudd, hanem adatból.

AI-láthatóság elemzése: módszer" loading="lazy" decoding="async" width="1200" height="669">

Mit jelent pontosan a versenytárs AI-láthatósága?

Az AI-láthatóság azt méri, hogy egy adott kérdéskörben milyen gyakran és milyen szerepben jelenik meg egy márka a nagy nyelvi modellek válaszaiban. Két, egymástól élesen elkülönítendő jelről van szó.

• Márkaemlítés: a modell kimondja a cég vagy termék nevét a válaszszövegben, akkor is, ha nem hivatkozik rá forrásként. Ez jellemzően a modell betanított tudásából jön.
• Forrásmegjelölés: a válasz alatt vagy mellett hivatkozásként megjelenik egy konkrét URL. Ez a webes keresésre támaszkodó módban (ChatGPT keresés, Google AI Mode, Perplexity) fordul elő, és élő tartalomból táplálkozik.

Saját tapasztalatom, hogy sok cég azért téved a saját helyzetének megítélésében, mert a kettőt összemossa. Az a márka, amit a modell fejből ismer, más okból van ott, mint az, aminek a cikkére hivatkozik. A beavatkozás is más lesz. Erről bővebben a márka- és forrásemlítés különbségét tárgyaló anyagban olvashatsz.

Miért nem elég a Google-rangsort nézni?

Mert az AI-válasz nem az első tíz találat sorrendjét ismétli meg, hanem egy szintetizált összefoglalót ad, amiben gyakran olyan szereplők is helyet kapnak, akik a klasszikus találati listán hátrébb vannak.

Ennek több oka van. A modell szempontjából egy jól strukturált, konkrét számokat és definíciókat tartalmazó középoldalas cikk gyakran hasznosabb, mint egy erős linkprofilú, de terjengős kategórialap. Emellett a modellek entitásokban gondolkodnak: ha egy márkanév sok különböző, egymástól független helyen (szakmai portál, katalógus, fórum, sajtó) ugyanabban a szövegkörnyezetben bukkan fel, akkor a modell számára az a márka „létezik” abban a témában, függetlenül attól, hogy a saját oldala hányadik.

Ez szakmai feltételezés a modellek működéséről szóló nyilvános dokumentációk és a saját megfigyeléseim alapján, nem hivatalosan visszaigazolt rangsorolási tényező.

Hogyan állítsd össze a kérdéslistát?

A mérés minősége a kérdéslistán áll vagy bukik: 20-30 valós vásárlói kérdés kell, öt kategóriába rendezve, és ezt utána hónapokig változatlanul kell futtatni. Ha menet közben átírod a kérdéseket, elveszíted az összehasonlíthatóságot.

1. Kategória-kérdések (5-8 db): „Milyen szempontok alapján válasszak könyvelőt egy kft.-nek?”, „Mit érdemes tudni a hőszivattyús fűtésről családi háznál?” Ezek a korai fázisú, tájékozódó kérdések.
2. Szolgáltató- és listakérdések (5-8 db): „Ki foglalkozik ipari padlóburkolással Budapesten?”, „Melyek a legjobb magyar e-mail marketing rendszerek?” Itt derül ki, kit sorol fel a modell név szerint.
3. Összehasonlító kérdések (4-6 db): „X vagy Y jobb egy kisvállalkozásnak?”, ahol X a te márkád, Y a fő versenytárs. Ha a modell egyáltalán nem ismeri a márkádat, azt itt azonnal látod.
4. Márkakérdések (3-5 db): „Mivel foglalkozik a [márkaneved]?”, „Megbízható a [versenytárs neve]?” Ez a márka körüli tudás pontosságát méri.
5. Problémakérdések (4-6 db): „Mit tegyek, ha lassú a webshopom?” A vásárló a problémáját írja le, nem a megoldás nevét, és ezek gyakran a legértékesebb megjelenések.

Fontos: magyarul kérdezz, ha magyar piacra dolgozol. A nyelvváltás önmagában is más forráskészletet mozgat meg, mert a modell más nyelvű tartalomból merít.

Hogyan futtasd le a mérést úgy, hogy értelmezhető maradjon?

Minden kérdést legalább három motoron és motoronként legalább két külön munkamenetben futtass le, bejelentkezés és korábbi előzmény nélkül. Egyetlen lefutás eredménye önmagában nem bizonyít semmit, mert a generálás nem determinisztikus.

A gyakorlati protokoll, amit használni szoktam:

• Külön böngészőprofil vagy privát ablak, kijelentkezett állapot, hogy a személyre szabás ne torzítson.
• Egy szálban egy kérdés. Ha ugyanabban a beszélgetésben teszed fel a következőt, az előző válasz befolyásolja a modellt.
• Legalább három rendszer: egy ChatGPT-típusú asszisztens webes kereséssel, a Google AI Mode vagy AI Overviews, és egy Gemini vagy Perplexity. Ha van erőforrásod, vedd fel negyediknek a webes keresés nélküli módot is, mert az tisztán a betanított tudást mutatja.
• Rögzítsd a dátumot. A modellek frissülnek, az adat két hónap múlva már történelmi.

Hogyan dokumentáld az eredményt?

Egy sor a naplóban egy kérdés-motor-futtatás hármas, és minden sorban külön oszlopban szerepel a megemlített márka és a hivatkozott forrás. Táblázatkezelő bőven elég hozzá, adatbázis nem kell.

A használható oszlopszerkezet:

datum;motor;kerdes_id;kerdes_kategoria;sajat_marka_emlitve;emlitett_markak;hivatkozott_forrasok;sajat_domain_hivatkozva;pozicio_a_valaszban;megjegyzes

Néhány szabály, ami nélkül a napló használhatatlan lesz:

• Az emlitett_markak mezőben normalizált neveket használj. A „Kovács és Társa Kft.” és a „Kovács és Társa” ugyanaz, különben a végén két külön szereplőnek fogod számolni.
• A pozicio_a_valaszban legyen egyszerű skála: 1 = az első bekezdésben vagy a lista élén, 2 = a válasz közepén, 3 = csak mellékesen a végén. A modellek nem adnak rangsort, de a sorrend mégis hordoz információt.
• Ments el a nyers válaszszöveget is, külön fájlba, a kérdés azonosítójával. Fél év múlva ebből tudod majd megnézni, pontosan hogyan fogalmazott a modell.

Ebből három mérőszám számolható: a saját megjelenési arány (hány futtatásból hányban szerepelsz), a versenytársak megjelenési aránya ugyanezen a listán, és a forrásarány (hányszor hivatkozott konkrétan a te oldaladra). A részletesebb mérőtábla-felépítést külön anyagban tárgyalom.

Mit tegyél az eredménnyel?

Az elemzés önmagában nem ér semmit, a lényeg a diagnózis: melyik három hibatípusba esik a saját hiányod. A napló átolvasása után jellemzően az alábbiak valamelyikét látod.

1. Tartalomhiány. A versenytárs azért van a válaszban, mert van egy oldala pontosan arra a kérdésre, a tiéd meg nincs. Ilyenkor nézd meg a hivatkozott URL-t, és készíts saját, tartalmilag erősebb választ: konkrét számokkal, folyamatleírással, a döntési szempontokkal. Az AI-válaszokba jellemzően azok a bekezdések kerülnek be, amelyek önmagukban is megállnak idézetként.
2. Entitásprobléma. A modell ismeri a szakterületet, de a márkádat nem köti hozzá. Itt nem újabb blogcikk kell, hanem következetes névhasználat, egységes cégadatok a külső felületeken (cégprofil, katalógusok, szakmai oldalak), sameAs hivatkozások és Organization strukturált adat a saját oldalon.
3. Forráshiány. A neved elhangzik, de sosem a te oldaladra hivatkozik a rendszer. Ez általában technikai vagy strukturális ok: az érintett oldal nehezen feldolgozható, nincs benne tömör válasz, vagy a robots-beállítások zárják ki a keresőmotorok AI-crawlereit. Ellenőrizd a robots.txt tartalmát, mert nem ritka, hogy valaki tudtán kívül tiltotta ki az AI-ügynököket.

Ellenőrzőlista a mérés utáni első két hétre: (1) jelöld meg azt az 5 kérdést, ahol a versenytárs szerepel és te nem; (2) mindegyikhez rendelj hozzá egy meglévő vagy új oldalt; (3) írj minden ilyen oldal elejére egy 40-60 szavas, önmagában is idézhető választ; (4) ellenőrizd a cégadatok egyezését legalább öt külső felületen; (5) tedd naptárba a következő mérést pontosan 30 nap múlva, ugyanazzal a kérdéslistával.

Milyen korlátai vannak ennek a módszernek?

Ez mintavétel, nem mérés a szó szigorú értelmében, és több olyan tényező van benne, amit nem tudsz kontrollálni. Aki ezt elhallgatja, az félrevezet.

• Nem determinisztikus. Ugyanaz a kérdés ugyanazon a napon két különböző választ adhat. Ezért kell több futtatás, és ezért nem szabad egyetlen eredményből következtetést levonni.
• Perszonalizáció és földrajz. A válasz függhet a felhasználói fióktól, a korábbi beszélgetésektől és a helytől. A kijelentkezett futtatás csökkenti ezt, de nem szünteti meg.
• Modellfrissítés. Egy nagyobb modellváltás egyik napról a másikra átrendezheti a képet, anélkül hogy bármit tettél vagy elrontottál volna.
• Nincs hivatalos mérőszám. A szolgáltatók nem tesznek közzé „AI-láthatósági pozíciót”, tehát minden ilyen szám a te saját mintavételed eredménye, nem hivatalos adat.
• A megjelenés nem forgalom. Attól, hogy a modell említ, még nem biztos, hogy bárki rád kattint. Az üzleti hatást a webanalitikában, az AI-forrású hivatkozó forgalom külön szegmensében érdemes követni.

Ezek miatt a módszer arra jó, hogy irányt adjon a tartalom- és entitásmunkának, és hogy egy több hónapos trendet mutasson. Arra nem, hogy garantált helyezést vagy pontos piaci részesedést állapítson meg. A javuló megjelenési arány jó eséllyel jelzi, hogy a beavatkozás hatott, de az ok-okozati kapcsolat itt sosem bizonyítható olyan szigorral, mint egy hirdetési kampánynál.

Az egészet érdemes kis léptékben kezdeni: 20 kérdés, három motor, két futtatás, egy táblázat. Ez néhány óra munka havonta, és többet mond a piaci helyzetedről, mint bármelyik találgatás.

Források és további olvasnivalók

• Google Search Central: dokumentáció az AI-funkciókról és a tartalmi irányelvekről
• Google Search Central: Google-crawlerek és felhasználói ügynökök áttekintése
• OpenAI: platform- és crawler-dokumentáció (GPTBot, OAI-SearchBot)
• Schema.org: Organization, FAQPage és sameAs típusleírások
• W3C: Web Content Accessibility Guidelines (WCAG) és strukturált adat ajánlások
• Google Analytics Help: forgalmi források és csatornacsoportok kezelése