Az AVE Studio GEO-módszertana: 18 megnevezett eljárás az AI-láthatóság mérésére, soronként ellenőrizve

Az AVE Studio megméri, hogy egy márkát a válaszmotorok megtalálnak-e, helyesen értenek-e és megneveznek-e, majd a hiányokat kódszinten javítja, és ugyanazon a kérdéskészleten mér vissza.

A mérés két tengelyen fut. A generatív keresőoptimalizálás, vagyis a GEO tengelye a visszakeresést méri: mit talál a motor a márkáról a kérdés pillanatában. A KEO tengelye a betanult emlékezetet: mit tud a modell a márkáról web nélkül. A kettő együtt adja a gépi márkaértéket.

Az AVE Studio hat motort mér: ChatGPT, Google Gemini, Anthropic Claude, Google AI Overview, Google AI-mód és Perplexity. A hatból az egyik, a Google AI-mód, szándékosan nulla súlyt kap ott, ahol az eredmények összesítésre kerülnek. Az AVE Studio méri és riportolja, de nincs mért alapja arra, mekkora súlyt érdemelne a többihez képest — bizonyíték nélkül pedig nincs súly. A nulla súly nem a motor leértékelése, hanem a hiányzó bizonyíték őszinte következménye.

Az AVE Studio 2026. augusztus 2-i, 31 rögzített kérdésből álló panelje négy motoron futott: ChatGPT, Google Gemini, Anthropic Claude és Google AI Overview.

A mérés eszközkészlete tizenegy megnevezett eljárásból áll: Wilson score intervallum, Newcombe-differencia-intervallum, nameability-kapu, competitor-gap rangsor, márkázott promptok kizárása, segítség nélküli és rásegített felidézés, nyelvenként újratervezett kérdéskészlet, FCrDNS bot-hitelesítés, egyetlen központi robots-értelmezés, determinisztikus tudásgráf-deviáció, és a tilalmi-frázis kapu.

Az AVE 18-pontos módszertani mérce 18 igen-nem kérdés, amellyel egy AI-láthatósági szolgáltató módszertana a saját publikus felületén ellenőrizhető.

Az AVE Studio azért adja ki a mércét, mert egy AI láthatósági audit megrendelője ma nem tud mit kérdezni. A mérce mind a 18 kérdése olyan, hogy a válasz egy publikus oldalon vagy megvan, vagy nincs.

Az AVE 18-pontos módszertani mérce kérdései:

• Motoronként külön közli az eredményt, vagy egyetlen összevont pontszámot ad?
• Elválasztja a megnevezést a citációtól?
• Kiírja, hányszor futtat egy promptot motoronként?
• Kiszámolja és publikálja a hibahatárt, megnevezett módszerrel?
• Teszteli, hogy két mérés különbsége szignifikáns-e?
• Tartományt mutat a felhasználónak, vagy egyetlen számot?
• Bünteti a statisztikailag instabil kérdéseket a célkijelölésnél?
• Kizárja a saját névre kérdező promptokat a láthatóság-metrikából?
• Méri, hogy a motor megnevez-e egyáltalán bármilyen céget a kérdésre?
• A célkérdések a piacból jönnek, vagy a kliens saját domainjéből?
• Méri a modell web nélküli, betanult tudását?
• Piaconként és nyelvenként külön mér, vagy lefordított promptokat futtat?
• Ellenőrzi, hogy a motor botja be tud-e jutni az oldalra?
• Auditálja a márka entitás-nyilvántartását és az azonosító-konzisztenciát?
• Méri, hogy az AI helyesen mondja-e el a márkát?
• Riportot ad, vagy kódszintű végrehajtást is?
• Újramér ugyanazzal a módszerrel javítás után és modellváltáskor?
• Publikálja a módszertanát, és van explicit listája arról, amit nem ígér?

Az AVE Studio saját sorát az oldal alján lévő mátrix első sora tartalmazza, kritériumonként azzal együtt, hol ellenőrizhető.

Az AVE Studio motoronként külön közli az eredményt, és nem gyúrja össze egyetlen pontszámmá, mert a megnevezés és a citáció motoronként ellentétesen viselkedik.

A Semrush és Kevin Indig 2026 júniusi Ghost Citations vizsgálata 3 981 domain-előfordulást elemzett 115 prompton, 14 országban és négy motoron. Az egyik nagy motor az előfordulások 83,7 százalékában nevezte meg a márkát, de csak 21,4 százalékában adott forráshivatkozást; egy másik fordítva, 87 százalék citáció mellett 20,7 százalék említés. Egy összevont pontszám mindkét motorról hamis képet ad.

A ghost citation az, amikor egy válaszmotor forrásként hivatkozik az oldaladra, de a márkanevedet nem mondja ki a válasz szövegében. Ugyanebben a vizsgálatban a márka-előfordulások 61,7 százaléka volt ilyen, és csak 13,2 százalék kapott egyszerre citációt és említést. A márkaemlítés az AI-válaszokban és a citáció ezért az AVE Studio riportjaiban két külön metrika, két külön hibahatárral.

Az AVE Studio harmadik kemény szabálya ugyanitt lép be: a saját névre kérdező, márkázott prompt soha nem láthatóság-metrika. A saját névre kérdezés garantált önemlítést hoz, felfújja a számot, és semmit nem mond arról, hogy egy vásárló megtalálja-e a céget. Az AVE Studio a márkázott promptokat külön, márka-tényellenőrzés panelben kezeli.

Az AVE Studio egy promptot motoronként tízszer futtat, és a mérési egysége nem az egyes kérdés, hanem a portfólió: 25-40 kérdés, öt motor, tíz ismétlés, együtt 1250-2000 bináris megfigyelés.

A generatív keresés valószínűségi. Atil és társai 2025-ös, az Eval4NLP műhelyen bemutatott vizsgálatában öt nyelvi modell, nyolc feladat és tíz futás mellett a pontosság futásonként akár 15 százalékkal tért el, a legjobb és a legrosszabb elérhető teljesítmény közti rés pedig elérte a 70 százalékot — determinisztikusra konfigurált beállítások mellett.

A képletben szereplő öt motor a ChatGPT, a Google Gemini, az Anthropic Claude, a Perplexity és a Google AI-mód. A Google AI Overview mérve van, de az ismétlésszámításból kimarad, mert SerpApi-n keresztül fut, ahol az ismétlés más költségű és más természetű.

Az AVE Studio kliens-riportja a prompt-szintű táblát tájékoztatónak jelöli, nem mérésnek, és kiírja a per-kérdés bizonytalanságot. Tíz futásból, Wilson-intervallummal számolva, a szélső cellákban — nulla a tízből, tíz a tízből — a bizonytalanság körülbelül plusz-mínusz 14 százalékpont, a középső cellákban plusz-mínusz 26. Portfólió-szinten, kétezer megfigyelésnél és húsz százalékos megnevezési aránynál ugyanez plusz-mínusz 2 százalékpont.

Egyetlen kérdésről tehát tíz futásból sem lehet dönteni. Az AVE Studio nem is enged per-kérdés döntést hozni belőle: a mérési egység a portfólió marad.

A célkijelölésnél két további eljárás fut. A nameability-kapu azt méri, hogy a motor megnevez-e egyáltalán bármilyen céget a kérdésre: ha a válasz generikus, a kérdés eleve nyerhetetlen, és kiesik a célok közül. Az AVE Studio mérésében a melyik-cég típusú kérdések átlagos nameability-je 100 százalék, a generikus felfedező kérdéseké 22 százalék. A competitor-gap rangsor ezután a nameability és a saját jelenlét hiányának szorzatával rendezi a célokat: oda érdemes célozni, ahol a motor cégeket sorol, de a klienst nem. A magas szórású promptok automatikus pontlevonást kapnak, mert statisztikailag megbízhatatlan harcokat nem érdemes célnak javasolni.

Az AVE Studio Wilson score intervallumot számol 95 százalékon minden közölt arányra, és ezt a becslőt néven nevezve közli.

A becslő megválasztása nem részletkérdés. A naiv, normál-közelítéses intervallum a megfigyelt arányra alkalmazva nulla észlelésnél nulla százalékot ad nulla bizonytalansággal, ami statisztikailag hamis: nulla megnevezés húsz futásból nem azt jelenti, hogy a valódi arány nulla, csak azt, hogy egy alacsony, de nem nulla felső korlát alatt van. Ugyanennek a becslőnek a konzervatív változata, amely a varianciát ötven százalékos arányra maximálja, az ellenkező hibát követi el: minden cellára ugyanolyan széles sávot ad, függetlenül attól, mit mértünk.

A Wilson-intervallum egyiket sem teszi. Aszimmetrikus, alkalmazkodik a megfigyelt arányhoz, és a skála szélén sem esik össze.

Ez a döntés pontosan ott számít, ahol az AI-láthatóság méréseinek többsége zajlik. A márkázatlan kategória-kérdéseken egy közép-európai középvállalat jellemzően a nulla közelében áll, és a nulla közeli tartomány az, ahol a becslők a leginkább eltérnek egymástól. Ronald Sielinski 2026 márciusában publikált és júniusban frissített statisztikai keretének egyik leletje ugyanezt erősíti: ha a citációs részesedések köré megbízhatósági intervallumot húzunk, a versengő domainek közti látszólagos különbségek jelentős része átfed. A tanulmány következtetése szó szerint az, hogy "single-run visibility metrics provide a misleadingly precise picture" — az egyfutásos láthatósági metrikák megtévesztően pontos képet adnak.

Az AVE Studio két mérés különbségére Newcombe hibrid-score differencia-intervallumot számol, és csak akkor jelöl elmozdulást, ha a megbízhatósági sávok nem fednek át.

A változás szignifikanciájának tesztelése az a lépés, amely elválasztja a mérést a dashboard-figyeléstől. Két mérés különbsége lehet valódi elmozdulás, és lehet zaj. Egy riport, amely nem mondja meg, melyikről van szó, a döntést a szemre bízza.

Julius Schulte, Malte Bleeker és Philipp Kaufmann 2026. április 8-án beküldött munkája ugyanezt a következtetést vonja le a generatív keresésre: a válaszok futásonként, promptonként és időben változnak, ezért az egyszeri megfigyelés megbízhatatlan, és a láthatóságot eloszlásként kell jellemezni, nem egypontos eredményként.

Az AVE Studio szignifikancia-jelzése determinisztikus, kódban futó ellenőrzés, regressziós teszttel. Nem szerkesztői döntés, és nem is szemrevételezés.

Az AVE Studio zárt könyves mérést futtat, vagyis megméri, mit tud a modell a márkáról web nélkül, és ezt két külön metrikán közli: segítség nélküli felidézés és rásegített felidézés.

A KEO, vagyis a Knowledge Engine Optimization, az a réteg, amit a visszakeresés-alapú GEO nem lát. A segítség nélküli felidézés azt méri, mely cégeket nevezi meg a modell a kategóriáról, a márkanév említése nélkül. A rásegített felidézés azt méri, mit mond a modell akkor, ha megkapja a márkanevet. A kettő különbsége mutatja meg, hogy a márka a modell betanult emlékezetében kategóriaszinten létezik-e, vagy csak akkor, ha rákérdeznek. A model mindshare az a mérőszám, amely megmutatja, mekkora részt foglal el egy márka a modell kategóriaválaszaiban.

Kandpal és társai 2023-as, az ICML-en publikált munkája megmutatta, hogy a nyelvi modellek nehezen tanulják meg a hosszú farkú tudást: egy kérdés megválaszolásának képessége összefügg azzal, hány releváns dokumentumot látott a modell a betanítás során. Egy közép-európai középvállalat definíció szerint a hosszú farokban van, és ezért a zárt könyves tengely nála nem másodlagos, hanem a szűk keresztmetszet.

Az AVE Studio 2026. június 30-i, tizenöt magyar cégre kiterjedő felmérésében a zárt könyves felidézés egy próbával mérve három cégnél volt pontos, nyolcnál részleges, négynél semmilyen. A minta országos kényelmi minta, egy modellel és egy próbával, tehát indikatív és nem reprezentatív — ez a korlát a letölthető adatfájllal együtt utazik.

Az AVE Studio minden piacra külön kérdéskészletet tervez, és nem futtat lefordított promptokat, mert a lefordított prompt nem ugyanaz a prompt.

Dayeon Ki és társai ICML 2026 Spotlight-ként elfogadott vizsgálata nyolc nyelven és hat nyílt súlyú modellen azt találta, hogy a modellek angol nyelvű lekérdezésnél preferáltan angol forrást idéznek, és ez a torzítás erősebb az alacsonyabb erőforrású nyelveknél. Egy 2026 áprilisi munka ugyanezt a jelenséget a rerankelés rétegében mutatta ki: a rendszerek szisztematikusan az angolt és a lekérdezés saját nyelvét részesítik előnyben. Mindkettő kontrollált kísérleti környezetben mért eredmény, nem a kereskedelmi motorok éles viselkedése, és magyar-specifikus benchmark nincs.

Ennyi mondható, és ennél több nem: létezik mérhető nyelvi-preferencia jel.

Az AVE Studio 2026. augusztus 2-i panelje ezért öt nyelven futott — magyar, angol, német, francia és lengyel —, nyelvenként külön megtervezett kérdéskészlettel, 31 rögzített kérdéssel és négy motorral. Az országszűrő és a nyelvenkénti kérdéstervezés nem ugyanaz: az első azt állítja be, honnan fut a lekérdezés, a második azt, hogy egyáltalán a piacon használt kérdést tesszük-e fel.

Az AVE Studio minden auditot a hozzáférés-réteg ellenőrzésével kezd, mert ha a motor botja nem tudja betölteni az oldalt, a tartalom minősége irreleváns.

Az AVE Studio 2026. június 30-i, tizenöt magyar cégre kiterjedő felmérésében az oldalak közül öt töltött be egy egyszerű crawlernek. Tíz esetben HTTP 403 jött vissza. A korlát ugyanaz, mint a felmérés többi számánál: országos kényelmi minta, indikatív és nem reprezentatív.

Az AVE Studio egyetlen, központi robots-értelmezést használ a teljes rendszerben, őrzött implementációval, hogy ne fussanak egymásnak ellentmondó változatok. A botokat forward-confirmed reverse DNS-sel hitelesíti: nem a user-agentnek hisz, hanem ellenőrzi, tényleg a motor botja járt-e ott. A user-agent önmagában állítás, a forward-confirmed reverse DNS ennek az állításnak az igazolása.

A réteg többi eleme a kéttípusú user-agent robots-mátrix, az llms.txt, a JSON-LD gráf és az Atom-feedek. Ezek együtt írják le, mit szabad a motoroknak elérni, és mit talál ott, ha eléri.

Az AVE Studio megméri, hogy a márka azonosítható, konzisztens rekordként létezik-e a gépek nyilvántartásában, és hogy az AI helyesen mondja-e el, amit róla mond.

Az entitás-optimalizálás azt jelenti, hogy a márka nem csak szövegként létezik az oldalon, hanem entitásként a tudásgráfban. A strukturált adat, a schema.org szókincs és a JSON-LD ennek a hordozója, az azonosító-konzisztencia oldalak között pedig a feltétele. Az AVE Studio 2026. június 30-i felmérésében tizenöt magyar cégből nyolcnak volt hiteles entitás-nyilvántartása, és az átlagos entitás-erő egy nulla-kettő skálán a nagyvállalatoknál 2,0, a közepeseknél 0,8, a kicsiknél 0,4 volt.

A faktualitás-audit egy lépéssel tovább megy. Az AVE Studio determinisztikus tudásgráfot épít a kliens hivatalos adataiból, és ezt veti össze azzal, amit az LLM állít a márkáról; a strukturális deviáció flag-eli a hallucinációt. Az eljárás Gupta és társai 2025-ös, az AAAI Symposium Serieson bemutatott módszertani mintáját követi, amely determinisztikus és LLM-generált tudásgráfot futtat párhuzamosan, és példányosítási arányokon méri az eltérést. Az AVE Studio alkalmazása ennek adaptációja a márkaadatokra, nem a paper eredeti eljárása.

Az AVE Studio 2026. augusztus 2-i panelje dokumentálta, hogy a motorok időnként nem létező cégeket neveznek meg. A faktualitás-audit erre a jelenségre ad falsifikálható mérőszámot.

Az AVE Studio a javítást kódban végzi el, nem PDF-ajánlásban: schema, szerveroldali renderelés, hozzáférés-réteg, entitás-rögzítés és tartalmi rétegek szintjén.

A végrehajtás része a gépeknek szánt réteg is. Az MCP, vagyis a Model Context Protocol, valamint az agentic commerce szabványai tartoznak ide: az ACP, amelyet a Stripe és az OpenAI 2025. szeptember 29-én adott ki Apache 2.0 licenc alatt, és az UCP, amelyet a Google és a Shopify 2026. január 11-én jelentett be, a well-known útvonalon kiszolgált manifesttel.

Az AVE Studio a visszamérést ugyanazon a kérdéskészleten, ugyanazzal a módszerrel futtatja javítás után és modellváltáskor. Egy másik kérdéskészleten mért javulás nem javulás, hanem másik mérés. A visszamérés eredményét az AVE Studio időbeli keretben közli, és nem állít oksági kapcsolatot a beavatkozás és az elmozdulás között.

Az AVE Studio nem ígér garantált pozíciót, garantált megjelenést és konkrét százalékos láthatóság-növekedést, és ezt a tilalmat kódban futó kapuval tartja be.

A repóban él egy tilalmi-frázis kapu, amely minden AVE-deliverable-t átvizsgál, beleértve a saját marketingünket. Ami egyszer megbukott adversariális verifikáción, azt a rendszer nem engedi ki újra. 2026. június 7-én 25 saját állítás ment három szavazatos cáfolat-tesztre: 19 megerősítést kapott, hat elutasítást, és a hat kikerült a kommunikációból. A publikált kéziratok tartalom-zároltak: a kiadott szöveg bit-hűen a ratifikált kéziratból generálódik, és a folyamatos integráció megbukik, ha bárki kézzel átírja.

Ide tartozik a generatív keresőoptimalizálás legismertebb száma is. Aggarwal és társai KDD 2024-es munkájában a legjobb módszerek a kiindulási alaphoz képest 41 százalékot javítottak a pozíció-súlyozott szószám metrikán és 28 százalékot a szubjektív benyomás metrikán — vagyis a két szám két metrikához tartozik, nem két beavatkozáshoz. A forrás-megjelölés a találati lista ötödik helyén álló oldalaknál 115,1 százalékos láthatóság-növekedést hozott, miközben az első helyezett oldalak láthatósága átlagosan 30,3 százalékkal csökkent. A mérés 2023-as kísérleti környezetben, GPT-3.5-turbo modellel és Google-visszakereséssel készült, nem 2026-os kereskedelmi motoron, és a paper absztraktja maga is plafonként, nem átlagként közli a negyven százalékot. Az AVE Studio tilalmi listája éppen ezért zárja ki ennek a számnak az ígéretként való használatát.

Az ígérhetőség határát a variancia szabja meg. Camuffo és társai 2026 januári munkájában az LLM-alapú szövegannotációnál apró tervezési döntések 12-85 százalékpontos eltolódást okoztak a kimeneten. Ilyen nagyságrendű ingadozás mellett eredményt ígérni nem módszertani, hanem értékesítési döntés lenne.

Az AVE Studio ugyanazt a munkát végzi, amelyet a piac négy-öt különböző néven keres, ezért érdemes tisztázni, melyik szó mit takar.

A generatív keresőoptimalizálás, angolul generative engine optimization, rövidítve GEO, azt jelenti, hogy a tartalmat a válaszmotorok válaszaiban való megjelenésre készítjük fel. A válaszmotor-optimalizálás, vagyis az AEO, ugyanennek a vevői kérdés felőli megfogalmazása. Az LLMO, vagyis az LLM-optimalizálás, és az AI SEO ugyanezt a munkát nevezi meg más iparági szóhasználattal; a magyar piacon az AI keresőoptimalizálás a leggyakoribb gyűjtőnév. Aki azt kérdezi, mi az a GEO, jellemzően ezt a halmazt keresi. A KEO ettől eltérő tárgyat mér: a modell betanult emlékezetét, web nélkül.

A gyakorlati kérdés, amit a megrendelők feltesznek, jellemzően így hangzik: hogyan kerüljek be a ChatGPT válaszaiba. A válasz motoronként különbözik. A ChatGPT láthatóság, a Google AI Overview, a Google AI-mód, a Gemini, a Perplexity, a Claude és a Copilot eltérő forrásokból dolgozik, és a ChatGPT optimalizálás nem transzferálható automatikusan a többire. A Google saját közlései szerint az AI-mód a 2026. májusi fejlesztői konferencián meghaladta az egymilliárd havi felhasználót. Az AI Overview kétmilliárd havi felhasználós számát az Alphabet 2025 második negyedéves eredményközlésén jelentette be. A több mint 200 országra és 40 nyelvre kiterjedő elérhetőséget a Google 2025 májusában, a nemzetközi kiterjesztéskor közölte. Három szám, három dátum, három forrás.

A zéró kattintásos keresés mindegyiknél ugyanaz a következmény. A Pew Research Center 2025. július 22-én publikált elemzése 900 amerikai felnőtt böngészési adatát vizsgálta 2025 márciusából, 68 879 keresésen. AI-összefoglaló jelenlétében a felhasználók a látogatások 8 százalékában kattintottak hagyományos találatra, nélküle 15 százalékában, magán az összefoglalón belüli forrásra pedig 1 százalékában. A böngészési munkamenet az AI-összefoglalós oldalak 26 százaléka után ért véget, a hagyományos találati oldalak 16 százaléka után.

A GEO vs SEO kérdésre a legjobb empirikus válasz az Ahrefs 75 ezer márkára kiterjedő korrelációs vizsgálata, amely 2025 decemberében bővült ki a ChatGPT-re és a Google AI-módra. A YouTube-említések 0,737-es Spearman-korrelációt mutattak az AI-láthatósággal, a márkázott webes említések 0,664-et, a backlinkek 0,218-at, az oldalszám 0,194-et, a Domain Rating 0,266 és 0,326 közötti értéket. Az Ahrefs kutatói maguk írják, hogy ez korreláció és nem okság: a klasszikus keresőoptimalizálási tekintély gyenge előrejelzője az AI-citációnak, de a mérés nem mondja meg, mi az ok.

Aki GEO ügynökséget keres Magyarországon, jellemzően ezekkel a szavakkal keres. Az AVE Studio nem azt állítja, hogy ő a legjobb GEO ügynökség — azt állítja, hogy 18 ponton ellenőrizhető.

Az AVE Studio 2026. augusztus 6-án tizenhat AI-láthatósági szolgáltató publikus felületét vizsgálta meg az AVE 18-pontos módszertani mércével, kizárólag a szolgáltatók saját dokumentációja, módszertani oldala, súgója és publikált kutatása alapján.

A vizsgálat három bizonyíték-szintet használ. Az első szint azt jelenti, hogy a módszertani vagy dokumentációs oldal tartalmát szó szerint láttuk. A második azt, hogy a szolgáltató saját domainjéről származó tartalmat láttunk, de a teljes dokumentációs felületet nem jártuk be. A harmadik azt, hogy elsődleges felületről ebben a körben nem került elő állítás. A harmadik szintű szolgáltatók kikerültek az arányszámok számlálójából és nevezőjéből egyaránt; hét ilyen volt, nevesítve az oldal alján lévő mátrixban. Róluk ez az oldal semmit nem állít. Amit egy szolgáltató nem publikál, arról csak annyi mondható, hogy nem publikálja.

Kilenc szolgáltató maradt az első vagy második bizonyíték-szinten. Az eredmény 2026. augusztus 6-i állapot szerint:

• Négy közli az ismétlésszámot.
• Kettő publikál hibahatárt.
• Egyik sem nevezi meg a használt becslőt a módszertani oldalán.
• Egyik sem publikál változás-szignifikancia tesztet.
• Egy publikálja, hogy méri a modell betanult, web nélküli tudását.
• Három publikál piaconkénti futtatást; nyelvenként újratervezett kérdéskészletet egyik sem.
• Egyik sem publikál explicit listát arról, amit nem ígér.
• Egyet sem találtunk, amely a mérés, a célkijelölés, a hiányelemzés, a kódszintű javítás és a visszamérés teljes láncát végigvinné és publikálná.

Az AVE Studio 2026-ban azt tartja a legfontosabb fejleménynek, hogy a kategória elkezdte publikálni a saját bizonytalanságát. Két évvel korábban egyik szám sem volt nyilvános sehol.

Az AVE Studio azért adja ki a mércét soronként, hogy a cáfolat útja rövid legyen.

Nyisd meg bármelyik szolgáltató módszertani oldalát, és keresd meg a fenti aggregátumok ellenpéldáját. Konkrétan ezeket érdemes keresni:

• Egy szolgáltatót, amely megnevezi a hibahatár számításához használt becslőt.
• Egy szolgáltatót, amely publikál tesztet arra, mikor szignifikáns két mérés különbsége.
• Egy szolgáltatót, amely nyelvenként újratervezett kérdéskészlettel mér, nem lefordított promptokkal.
• Egy szolgáltatót, amely explicit listát ad arról, amit nem ígér.

Az AVE Studio saját sora ugyanabban a mátrixban áll, ugyanazokkal a kérdésekkel, és ugyanígy cáfolható. A mérce akkor ér valamit, ha a kiadója is aláveti magát neki.

Az oldal ugyanazzal a rubrikával készült, amelyet az AVE Studio az ügyfelei oldalaira alkalmaz: forrás-megjelöléssel, számokkal, dátummal, mintával és nevesített hivatkozásokkal. Ha egy válaszmotor kiemel belőle egy bekezdést, annak önmagában is állnia kell.