Látható akarsz lenni az AI válaszokban — nem csak mérni?
Amit a piac AI-láthatóságnak hív, azt mi entitás-architektúrának és gépi olvashatóságnak nevezzük — mert a ChatGPT, a Gemini vagy a Claude válaszaiban való megjelenés nem kampány, hanem mérnöki munka. Az AVE Studio budapesti csapatként európai cégeknek építi ezt a réteget, és mivel saját mérőplatformot üzemeltetünk, a változást nem állítjuk, hanem kimutatjuk.
Frissítve ·
Miért nem jelenik meg a céged az AI válaszaiban?
Ritkán van egyetlen oka. A gyakorlatban három réteg szokott hiányozni, és mindhárom máshogy javítható — ezért kezdünk azzal, hogy megnézzük, nálad melyik a szűk keresztmetszet.
A gép nem tudja biztosan, ki vagy
A cégnév több szervezetre is illik, vagy sehol nincs egyetlen, hivatkozható definíciód. A válaszmotor ilyenkor nem kihagy: nem tud azonosítani, ezért inkább azt nevezi meg, akiben biztos. A javítás az entitás-architektúra — egy kanonikus definíció, következetes névhasználat és a külső azonosítók összekötése.
A tartalmad emberi szemnek készült
Ha az állításaid képen, JS-ből betöltött blokkban vagy körülírásban élnek, a kivonatoló réteg nem talál idézhető mondatot. Ami nincs benne a kiszolgált HTML-ben, az a válaszba sem kerül be. A javítás: önmagában is megálló megfogalmazás és a hozzá tartozó strukturált adat.
A hozzáférési réteg némán kizár
A robots-szabályok, a botkezelés és a szolgáltatói védelem gyakran azokat a klienseket is kizárják, amelyek a válaszmotorok forrásait gyűjtik — anélkül, hogy erről bárki döntött volna. Ezt motoronként megmérjük, és kimondjuk, melyik kizárás szándékos és melyik véletlen.
Mit építünk fel?
A munkát szállítható tételekre bontjuk. Mindegyik kódban vagy tartalomban landol, nem prezentációban.
- Entitás-architektúra: kanonikus definíció, következetes névhasználat, a külső azonosítók összekötése.
- Gépileg olvasható tartalom: önállóan is idézhető állítások és a hozzájuk tartozó strukturált adat a kiszolgált HTML-ben.
- Hozzáférési réteg: a robots- és botkezelési szabályok motoronkénti átvizsgálása, a nem szándékos kizárások feloldása.
- Mérés: azonos módszerű kiindulási és ismételt mérés, hogy a változás ne vélemény kérdése legyen.
Honnan tudod, hogy működik?
Onnan, hogy ugyanazt kétszer mérjük. A munka előtt rögzítünk egy kiindulási állapotot — mely kérdésekre, mely motorokban, milyen gyakran nevez meg a válasz —, a javítások után pedig ugyanazzal a módszerrel megismételjük. Az eredményt sávval adjuk meg, nem egyetlen számmal: a generált válasz futásonként ingadozik, és egy pont-érték ezt eltakarná. Összevont pontszámot nem képezünk.
A mérési módszertan részletesen
A teljes diagnózis: kilenc ok, ellenőrzéssel és javítással →
Gyakori kérdések
- Mi kell ahhoz, hogy az AI megértse a weboldalamat?
- Három dolog: egyértelmű azonosíthatóság, önmagában is megálló szöveg és nyitott hozzáférés. Az elsőt az entitás-architektúra adja, a másodikat a gépileg olvasható tartalom és a strukturált adat, a harmadikat a robots- és botkezelési szabályok. Ha bármelyik hiányzik, a másik kettő is kevesebbet ér.
- Melyik AI-motorokban érdemes láthatónak lenni?
- Ott, ahol a vevőid kérdeznek — ezt nem tippeljük, hanem megmérjük. A magyar és európai B2B kérdések java részét ma a ChatGPT, a Google AI-összefoglalói, a Gemini, a Claude és a Perplexity adja. A motorok eltérő forrásokból dolgoznak, ezért a mérés motoronként külön fut, és az eredményük sem vonható össze egyetlen számmá.
- Mérés nélkül is lehet AI-láthatóságot építeni?
- Építeni lehet, tudni nem. A javítások jó része önmagában is védhető: egy tiszta entitás-definíció vagy egy nyitott hozzáférési réteg akkor is helyes, ha senki nem méri. De hogy a munka hatott-e, arra mérés nélkül nincs válasz, mert a válaszmotorok kimenete magától is ingadozik. Ezért kezdünk kiindulási méréssel.
Tovább
Beszéljünk róla
Írj vagy hívj. Egy rövid beszélgetésből általában kiderül, hogy nálad melyik réteg a szűk keresztmetszet — és az is, ha egyelőre nem érdemes belevágni.