AI keresőoptimalizálás: mit csinálhat a gép, mielőtt megnevez valakit

A szakmában három elnevezés is használatos ezen a területen. Mindegyik más feladatra utal.

Az AEO célja, hogy egy kiemelt válasz a te szövegedből készüljön. A GEO azzal foglalkozik, amikor a motor több forrásból állítja össze a választ, majd kiválasztja, kit nevez meg benne. A KEO pedig arra vonatkozik, amit a modell a tanítása alapján, keresés nélkül tudhat rólad.

Az AI keresőoptimalizálás ebben a cikkben nem külön, negyedik területet jelent. Magyar gyűjtőnévként használjuk az első kettőre. A kifejezésre rendszerint olyan érdeklődők keresnek rá, akik a keresőoptimalizálást már ismerik, a GEO elnevezésével viszont még nem feltétlenül találkoztak.

Érdemes azzal kezdeni, ami feltehetően nem változott. A gépnek meg kell találnia a szöveget, el kell tudnia olvasni, és fel kell ismernie, hogy az a te cégedről szól. A bejárhatóság, a szerveroldali tartalom és az egyértelmű azonosítás ezért az AI-felületeken is fontos lehet.

Egy lényeges különbség mégis megjelent. Korábban egyetlen, ellenőrizhető rangsorral lehetett dolgozni, míg egy AI válasz legalább kétféle forrásból állhat össze: abból, amit a modell a tanítása során megtanult rólad, és abból, amit a válasz elkészítése közben talál meg. A két eredmény eltérhet. Méréseinkben ez rendszeresen előfordult.

Ezt a folyamatot könnyű félreérteni. A gép döntése hét szakaszra bontható, és egyes szakaszok között akár hetek vagy hónapok is eltelhetnek. Ha a beavatkozás nem a megfelelő ponton történik, a jól elkészített weboldal ellenére is elmaradhat a név szerinti említés.

Először be kell engedned a robotot

Ebben a szakaszban dőlhet el, hogy a gép egyáltalán hozzáfér-e a weboldaladhoz.

A robots.txt fájlban nem egyetlen robottípust lehet engedélyezni vagy tiltani. Három csoporttal érdemes számolni, amelyek eltérő célt szolgálhatnak:

• a tanuló robotok (GPTBot, ClaudeBot, Google-Extended) olyan anyagokat érhetnek el, amelyek később a modell tanításában jelenhetnek meg;
• a keresőrobotok (Googlebot, Bingbot) az indexhez gyűjtenek tartalmat, amelyből a gép a válasz elkészítése közben válogathat;
• a válaszoló robotok (OAI-SearchBot, PerplexityBot) közvetlenül a válaszhoz kérhetik le az oldalt.

Erre egy saját mérésünk szolgál példával. Egy magyar szaklap tiltja a GPTBotot, a ClaudeBotot és a Google-Extendedet, miközben engedélyezi az OAI-SearchBotot és a PerplexityBotot. A tanuláshoz kapcsolódó hozzáférést tehát korlátozza, a válaszadáshoz szükséges lekérést viszont nem. Az ott megjelent cikk így feltehetően nem kerül be a modell tanítási anyagába, kereséskor azonban még felhasználható lehet.

Két részletet érdemes külön tisztázni. Gemini vagy AIO nevű robot nincs. A Google AI Overviews a Googlebot által elért tartalomra támaszkodhat. A Google-Extended egy beállítás, amellyel azt szabályozhatod, felhasználhatja-e a Gemini a tartalmadat a tanuláshoz.

Ezután bekerülhet az oldal az indexbe

A válaszoló réteg jellemzően nem közvetlenül a teljes internetről dolgozik. Indexet használhat. Ha az oldal nincs benne, akkor a tartalma valószínűleg nem kerül be a lehetséges források közé.

Ezt motoronként külön érdemes ellenőrizni, mert a működésük eltérhet. A Google a vizsgált hat magyar oldal mindegyikét indexelte, míg a Bing ugyanebből a nyelvi ágból egyet sem. A szerver, a HTML, a robots.txt és a sitemap azonos volt. A mérés alapján a Bing felfedezte az oldalakat, húsz napon át mégsem kérte le őket.

Gyakran még ma is elhangzik, hogy a ChatGPT keresése a Bingre épül. Ez a megállapítás a 2024-es állapotot tükrözhette. Későbbi mérések szerint a ChatGPT által idézett oldalak Bing-egyezése 87 százalékról előbb 26, majd 8 százalékra csökkent 2025 nyarára, miközben a Google-egyezés 12-ről 33 százalékra nőtt. A Bing-index ezért továbbra is hasznos lehet hibakereséskor, és a Copilot miatt is számíthat, de az általános AI láthatóságot önmagában feltehetően nem magyarázza.

Kérdéskor a gép átírhatja a kérdésedet

Erről kevesebb szó esik, pedig a források kiválasztására jelentős hatással lehet.

Amikor valaki kérdez az AI-tól, a gép nem feltétlenül az eredeti kérdésre keres rá. Több háttérkérdésre bonthatja, majd ezek alapján indíthat kereséseket. A szakma ezt query fan-outnak nevezi, a Gemini pedig azt is megmutatja, milyen keresőkifejezéseket használt.

A tárolt adatainkban 233 válaszhoz 1034 háttérkérdés tartozott, közülük 863 volt különböző. Egy válaszra átlagosan 4,44 háttérkérdés jutott, a legmagasabb érték 20 volt. A mérés két olyan jelenséget mutatott, amely a kulcsszavak kiválasztásánál is számíthat.

A gép más szavakat is használhat. A „melyik a legjobb AI láthatósági ügynökség Magyarországon” kérdésből négy háttérkérdés készült, amelyek közül háromban már nem szerepelt a „láthatóság” szó; a rendszer az „AI marketing” kifejezést használta helyette. Nagyobb mintán a „láthatóság” szót tartalmazó kérdésekből képzett háttérkérdések 12 százalékában maradt meg ez a szó. A „GEO” kifejezés 34 százalékban szerepelt tovább. A rendszer helyette többek között a seo, a marketing és a szolgáltatás szavakra keresett.

Rögzített lista helyett változó keresésekkel érdemes számolni. A 89 mért futásból 88 eltérő háttérkérdéseket adott. A jelentés többnyire megmaradt, a konkrét megfogalmazás viszont változott.

Ebből egy gyakorlati szempont adódik. A célszavak összeállításánál a saját szóhasználat mellett érdemes azt is figyelembe venni, mire keres rá ténylegesen a gép. Így nemcsak a saját szakszavaidra, hanem a rendszer által használt kifejezésekre is mérhetővé válhat a helyezésed.

Ezután kiválaszthatja az idézhető bekezdést

Amikor már rendelkezésre áll néhány lehetséges oldal, a gép az oldalon belül is kereshet. Gyakran a lap egyetlen részletét választja ki.

Emiatt az AI keresőoptimalizálásban a tartalom mellett a szerkezetnek is fontos szerepe lehet. A következő fejezet ezt mutatja be részletesen.

Megvizsgálhatja, kiről szól a kiválasztott bekezdés

A kiemelt szövegrészből a gép megpróbálhatja azonosítani a benne szereplő személyeket, cégeket és fogalmakat. Ebben a szakaszban maga a kiemelt szövegrész számít. Ha a név szerepel a címben, a főcímben és a strukturált adatban, de az adott bekezdésben nem, akkor a részletből nehezebb lehet azonosítani a céget.

Ezt a saját oldalunkon is megmértük. A „Ki foglalkozik GEO-val Magyarországon?” cím alatti 341 karakteres szövegben sem a cégnév, sem az ország neve nem szerepelt. A „GEO ügynökség Magyarországon” háttérkérdéshez ugyanakkor ez a bekezdés illeszkedett leginkább az egész oldalról. A strukturált adat hibátlan volt, de az főként az oldal azonosítását segíthette; a név válaszba emelését a mérésben nem biztosította.

A válasz összeállításakor dőlhet el, megjelenik-e a neved

Ebben a szakaszban válhat el, hogy egy adat a forrás nevével együtt kerül-e a válaszba.

Az egyik saját mérésünkben a Perplexity mind az öt futásban idézett egy számot a magyar mérési tanulmányunkból, de egyszer sem nevezte meg a forrást. A strukturált adatban szerepelt a szerző és a kiadó. Ez a beállítás a vizsgált esetekben mégsem volt elegendő.

Segíthet, ha a név abban a mondatban szerepel, amelyet a gép kiemel. Egy másik felületünkön is hasonló eredményt kaptunk: a márkanév a vizsgált 194 magyar szövegrész egyikében sem szerepelt, miközben a strukturált adat hibátlan volt. A javítást követően 203 szövegrészből 34 már tartalmazta a nevet.

Van egy lassabban változó réteg is: a modell emlékezete

Ez a folyamat lassabb lehet. Amikor valaki azt mondja, hogy „be szeretne kerülni az AI-ba”, nem feltétlenül erre a rétegre gondol.

A gépi olvashatóság és az azonosíthatóság kialakítása egyszeri feladat lehet, amelynek hatása akár heteken belül megjelenhet. A modell emlékezete viszont hónapok alatt alakulhat, és elsősorban abból épülhet, amit a rendszer a tanulási folyamat során talál meg rólad. Ha egy információ ebből kimarad, az hosszabb ideig ismeretlen maradhat a modell számára.

Ezért két eltérő munkafolyamattal érdemes számolni. Az egyik azt segítheti, hogy a gép elérje a bejárható, indexelt, friss és áttekinthetően tagolt oldaladat. A másik a modell emlékezetére hathat: ebben az számíthat, mit írnak rólad mások, mennyire következetesen teszik ezt, és mióta érhetők el ezek az információk. Ha valaki csak az első területet rendezi, a weboldal technikai állapota megfelelő lehet, a ChatGPT mégsem feltétlenül említi. Ilyenkor nem biztos, hogy a weboldalon van a hiány.

A piacon gyakran egységes kategóriaként beszélnek „az AI-ról”. Méréseink alapján a motorok viselkedése között jelentős eltérés lehet.

Tizenkét vevői kérdést tettünk fel három motornak, kérdésenként öt alkalommal. Ez összesen 180 mérést jelentett 2026-08-12-én:

Egy ettől független mérés 167 tárolt válasszal, más kérdésekkel és más panelen hasonló eredményt adott. A ChatGPT a magyar vásárlási kérdések 17,3 százalékánál keresett, 9,4 és 29,7 százalék közötti hibahatárral.

Ez arra utal, hogy a ChatGPT a magyar vásárlási kérdések jelentős részére keresés nélkül válaszolhat. Ilyenkor egy friss weboldal önmagában kevés lehet, a modell emlékezetében kialakult képnek is szerepe lehet.

A „kit ne” típusú kérdések más mintázatot mutattak. A ChatGPT harminc futásból egyszer sem indított keresést. Kerülendő céget a vizsgált motorok sem neveztek meg: 90 negatív futásból egyetlen alkalommal sem történt ilyen. A válaszok inkább szempontokat soroltak fel arról, mire érdemes figyelni, és mi lehet gyanús jel.

Ennek üzleti jelentősége is lehet. Ha egy cég részletesen bemutatja ezeket a szempontokat, a vevő az ott közölt mérce alapján hozhat döntést. A motor ilyenkor nem feltétlenül a céget ajánlja, de átadhatja az általa megfogalmazott értékelési szempontokat.

A Google három felülete eltérő eredményt adhat

2026-08-25-én ugyanazt a magyar kérdést tettük fel a Google három felületén, szó szerint azonos formában, bejelentkezés nélküli böngészőből és magyar beállítással.

Az alapértelmezett keresésben nem jelent meg AI-összefoglaló. Csak a megszokott találati lista látszott.

A klasszikus, AI nélküli listában három olyan oldal szerepelt, amely az alapértelmezett tíz találat között is megjelent. A két felület tehát a mérésben nem ugyanazt a találati készletet adta.

Az AI Mode-ot háromszor futtattuk le egymás után. Nem volt olyan cég, amely mindhárom eredményben szerepelt volna. A három futás együtt tíz különböző oldalt hozott fel, és ezek közül öt nem jelent meg az első tíz organikus találatban.

A mérés két szempontot vet fel. Az organikus találati listán elért helyezés és az AI Mode-ban való megjelenés külön feladat lehet. Módszertani szempontból pedig egy AI Mode-képernyőkép csak egyetlen mintát mutat, ezért következtetés előtt érdemes legalább három futást elvégezni.

Ez a fejezet a közvetlenül módosítható szerkezeti elemekkel foglalkozik. Ezek többsége a weboldal üzemeltetőjének ellenőrzése alatt áll.

Egy alapelvet érdemes megjegyezni. A gép a lapot a címsorok mentén darabolhatja fel, majd az egyes részeket külön kezelheti. A címsor ezért határként is működhet: az alatta lévő tartalom válhat idézhető egységgé, a fölérendelt címsorok szövege pedig bekerülhet a részlet elejére.

A következő számok a saját weboldalunk 2026-08-14-i átvizsgálásából származnak. Összesen 122 oldalt, 122 főcímet, 694 másodszintű és 823 harmadszintű címet, vagyis 1517 szakaszt vizsgáltunk. A javításokat öt körben vezettük be.

Egy főcím, beszédes alcímek, szintugrás nélkül

A formai rend viszonylag kevés munkával kialakítható, és sok weboldalon már eleve megfelelő. Oldalanként egy h1 ajánlott, valódi h1–h6 elemekkel; a fejlécben és a láblécben pedig célszerű kerülni a címsorokat.

Külön érdemes ellenőrizni a szintugrást. Nálunk tíz oldalon a h2 után közvetlenül h4 következett, mert az egyik komponens így készült. Ez megváltoztathatta a szerkezeti fát és azt az útvonalat is, amelyet a gép a részlet elejére írhat. A hiba egyetlen helyen javítható volt.

Az AirOps mintájával csak óvatos összevetés tehető, mert az eredmény együttjárást mutat, nem ok-okozati kapcsolatot. A ChatGPT által idézett oldalak 87 százalékán pontosan egy h1 szerepelt, 68,7 százalékuk szerkezetében pedig nem volt szintugrás.

A szótáradból könnyen egyetlen nagy tömb lehet

Nálunk ez okozta a legtöbb szerkezeti munkát. A „mi az a GEO” típusú kérdésekre szánt szótároldal egyetlen, 4611 tokenes tömbként jelent meg, belső határok nélkül. A fogalmak definíciós listában (dl, dt, dd) szerepeltek, a dt azonban nem számít címsornak. A gép ezért az egész oldalt egyetlen szakaszként kezelhette.

A javításhoz szerkezeti átalakítás kellett. Minden fogalom külön szakaszt és saját h2 címet kapott. Hasonló probléma előfordulhat azoknál a weboldalaknál is, ahol a szótár vagy a gyakori kérdések definíciós listában szerepelnek.

A címsor csak a cím szövegét tartalmazza

Ez a hiba kevésbé feltűnő. Nálunk húsz oldalon a fogalommagyarázó buborék a h2 belsejébe került, miközben a megjelenés megfelelőnek látszott. A gép megközelítőleg 500 karakteres, többször ismétlődő szöveget olvasott ki címsorként, majd ezt a blokkot az alatta lévő részek elejére is beilleszthette.

Egyszerű ellenőrzéssel kiszűrhető. Egyetlen címsor se tartalmazzon buborékelemet.

Minden alcím alatt legyen önálló szöveg

Ötvenhét oldalunkon 106 olyan h2 szerepelt, amelyet rögtön h3 követett, a saját szövege pedig 0 és 34 token közötti volt. Ilyen esetben a fölérendelt cím állításához nem tartozik önállóan idézhető részlet.

Két-három mondat segíthet minden ilyen cím alatt, lehetőleg számmal vagy dátummal. Ha az oldalakat sablon állítja elő, sablononként egy komponens és néhány mondat is elegendő lehet.

A cím nevezze meg a témát, és lehetőleg ne ismétlődjön

Négy általános címünk tíz és huszonegy oldal közötti gyakorisággal ismétlődött. A „Gyakori kérdések” 21, a „Források” 13, „Az eljárás” pedig 10 oldalon szerepelt.

Az „Az eljárás” önmagában kevés információt hordoz, miközben ez a szöveg kerülhet az indexbe és a kivágott részletek elejére is. Mind a tíz példány külön, kézzel írt kódból származott, ezért az egyik javítása nem módosította a többit.

Pontosabb forma lehet például a „Gyakori kérdések a GEO ügynökségekről” vagy „A robots.txt beállítása lépésről lépésre”. Ellenőrzési szempontként használható, hogy egy nyelven belül két külön oldalon lehetőleg ne szerepeljen azonos h2.

A szakasz önmagában is legyen érthető

Ha a gép kivág egy szakaszt, a szövegnek ebben a formában is értelmezhetőnek érdemes maradnia. Ez nem zárja ki a mutató névmás használatát. A részlethez a saját címsora is hozzátartozhat, ezért az arra visszautaló „ez” nem feltétlenül okoz problémát.

Az első ellenőrzőnk névmásokra keresett, és 100 hibát jelzett. A valódi gond azonban akkor jelentkezhet, ha a szöveg a szakaszon kívülre utal vissza, például „az előző” vagy „a fenti” kifejezéssel. A szabály pontosítása után száz helyett tizennyolc találat maradt, a kézi átolvasás pedig egyetlen valódi hibát azonosított. Maga a mérés működött, de a szabály értelmezése korrekcióra szorult.

Ne legyen se túl rövid, se túl hosszú a szakasz

Az 1517 szakaszon mért eloszlás szerint 44 százalék 90 token alatti, 50 százalék 90 és 400 token közötti, 6 százalék pedig 400 token fölötti volt.

A rövid szakaszok gyakran sablonból származtak. Az egyik ellenőrzőlistánk húsz, egyenként 33–55 tokenes alcímet hozott létre egyetlen cím alatt. Így egy összefüggő rész helyett húsz kis részlet keletkezett. A másik szélső esetben egy közel 2000 tokenes szakaszt a gép kettévághat, és a második rész saját cím nélkül maradhat.

A 90 és a 400 token azonban puha határ, vagyis iparági hüvelykujjszabály. A megfelelő nagyságrend valószínűsíthető, a pontos szám nem. Ezért nem célszerű kizárólag egy becsült küszöbértékre automatizált ellenőrzést építeni.

A lap aljára kerülő szöveget ritkábban idézhetik

Negyvenhárom oldalunkon volt gyakori kérdések blokk, és a bevételt támogató oldalakon a szöveg 57–61 százaléka ez után következett. Egy megközelítőleg 98 ezer idézést vizsgáló kutatás szerint a lap alsó tizede az idézések 2,4–4,4 százalékát adta.

A sorrend törlés nélkül is módosítható. A három vagy négy legfontosabb kérdés, például az ár, a garancia, a SEO-tól való eltérés és az időigény, önálló címmel felkerülhet a törzsszövegbe. A többi a lap végén maradhat. Nálunk ezzel az arány 61-ről 42, illetve 59-ről 44 százalékra csökkent.

A strukturált adat akkor is megmaradhat, ha a gyakori kérdések blokkja két listából épül fel. Nálunk mind a 12 kérdés továbbra is szerepelt benne.

Ehhez egy korlátozás is tartozik. Az áthelyezés hatását egyelőre csak szerkezeti számokkal tudjuk igazolni. Nem bizonyítottuk, hogy a változtatás több idézést eredményez, ezért csak lehetőségként érdemes kezelni.

Ha a cím a vevő kérdése, a bekezdés adhatja meg a választ

Ez a fejezet egyik fontos gyakorlati szempontja. Ha egy cím szó szerint megegyezik azzal, amit a vevő begépel, a gép az alatta lévő bekezdést emelheti ki. Ebben ezért érdemes megnevezni a céget és azt is, hol működik.

A címben, a főcímben és a strukturált adatban szereplő név ezt nem feltétlenül pótolja. A gép ugyanis sok esetben bekezdést választ ki, nem teljes oldalt.

A 2026-08-25-i mezőnymérésben egyetlen oldal szerepelt mindhárom Google-felületen. Ezen az oldalon a vevő kérdése kérdő mondatként, címsorban jelent meg: „Melyik ügynökség ért az AI keresőoptimalizáláshoz Magyarországon?”

Adj horgonyt a címsoroknak, de tudd, mire jó

Nálunk 1517 címből 1481-hez nem tartozott saját azonosító. A javítás után a címsorok 99 százaléka kapott ilyet.

Ez nem jelenti azt, hogy a horgony önmagában idézést hozhat, és nem helyettesíti a szövegrészre mutató mélylinket. Ilyen eredményt ezért nem indokolt ígérni. A horgony hiányában viszont nehezebb megmérni, melyik szakaszt idézi a rendszer, így az azonosító elsősorban a mérés feltétele lehet.

Egy gyakorlati következménnyel érdemes számolni. Ha átírod a címet, a horgony is megváltozik. Ez bevett megoldás, a GitHub és az MDN is így működik, és kevesebb karbantartást igényelhet, mint egy külön horgonylista, amely idővel elszakadhat a szövegtől.

Amit szándékosan nem javaslok

A következő, szakmában terjedő szabályok mögött nem találtunk megfelelő mérést.

A 40–60 szavas válaszblokk általános szabályként. Ez a szám több cikkben is megjelenik, verziónként eltérő értékkel, mérés azonban nincs mögötte. A mechanikus rész ugyanakkor használható lehet: a választ érdemes a szakasz elejére tenni. Rögzített szószámot nem javasolt ellenőrizni.

A kérdő alakú cím mint önálló cél. A vizsgálatok azt mérték, mennyire illeszkedik a cím a kérdéshez; magának a kérdőjelnek a hatását nem. Egy kijelentő cím is pontosan illeszkedhet.

A gyakori kérdésekhez tartozó strukturált adat elhelyezése minden oldalon.

Az az állítás, hogy „2,8-szer több idézés jár a helyes hierarchiáért”. Ez egy továbbadott, más jelentésben használt arány. Ügyfélanyagban nem használjuk.

Külön Markdown-változat készítése a robotoknak. Kockázatos lehet, jelentős karbantartást igényel, a közzétett tesztek pedig nem mutatnak nagy változást.

A saját tapasztalatunk szerint a hibák többségét négy sablon hozta létre, majd tíz-húsz oldalon ismételte meg. A javítás ezért elsősorban fejlesztői feladat volt, nem szövegírás.

Ez gyakran felmerülő kérdés, amelyre a kézenfekvő válasz nem feltétlenül pontos.

Érthető a bizonytalanság. Ha a html lang és a hreflang csak hu értéket tartalmaz, felmerülhet, hogy a Gemini vagy a Google AI-összefoglalója nem tekinti elég pontosnak a jelölést. Ezt 2026-08-26-án, még a módosítások előtt megmértük.

Mit mutatott a mérés?

A másik saját weboldalunk már hu-HU jelölést használt, magyar .hu végződéssel és magyar szavakból álló domainnel. A tizenöt futás egyikében sem került be a Geminibe vagy a Google AI-összefoglalójába. A házon belüli tesztben tehát ez a beállítás önmagában nem járt megjelenéssel.

A mezőny ugyanabban a mérésben a következő eredményt adta:

A legtöbb megjelenést elérő oldal egyszerű hu jelölést használ. A hdmarketing.hu magyar tartalom mellett angol nyelvi jelöléssel ért el 40 százalékot. Ha a pontatlan nyelvi címke automatikus kizárást okozna, ennél az oldalnál várható lenne ennek a nyoma. Content-Language fejlécet sem mi, sem a mezőny első helyezettje nem küldött.

A mérés alapján a hu-HU-ra váltás valószínűleg nem a legfontosabb szűk keresztmetszetet kezeli. Használata nem feltétlenül árt, de önmagában nem valószínű, hogy megjelenést eredményez.

Melyik mezőbe mi kerülhet?

A mezők eltérő jelentést hordoznak. Ezért a beállításuknál nem pusztán a formai következetességet, hanem a rendeltetésüket is érdemes figyelembe venni.

A hreflang="hu-HU" azt jelezheti a keresőnek, hogy az oldalt a Magyarország területén élő felhasználóknak szánod. Ez kizárhatja a célzásból az erdélyi, felvidéki és vajdasági magyar olvasókat. Ha a nyelv a meghatározó, nem pedig az országhatár, a sima hu lehet a megfelelőbb jelölés.

Az inLanguage a dokumentum nyelvét írja le. A pontosabb jelölés itt nem zár ki olvasókat, miközben egyértelműbb információt adhat a gépnek. Emiatt ennél a mezőnél indokolt lehet a hu-HU használata.

A két beállítást célszerű külön ellenőrzéssel védeni. Egy későbbi, a nyelvi címkék egységesítését célzó módosítás ugyanis az egyik mező helyes értékét könnyen felülírhatja.

Ami valóban nyelvi jel lehet

A nyelvi címkék vizsgálata közben egy jelentősebb hiányt is találtunk. A saját gépi tartalomjegyzékünk (llms.txt) 64 angol oldalt sorolt fel, magyar oldalt viszont egyet sem. A teljes magyar rész egy angol mondatból állt, amely a nyitóoldalra mutatott, a fordítást pedig az olvasóra bízta. A hét magyar oldal egyike sem szerepelt a gépi jegyzékben.

A gép valószínűleg nem egyetlen attribútum alapján állapítja meg a nyelvet. Több jel együtt számíthat: a magyar webcím, cím, főcím és szöveg, valamint a gépi jegyzék magyar sorai.

A nyelvi rétegben ezért a következőket érdemes ellenőrizni:

• Magyar webcím szerepeljen a magyar oldalakon, ne az angol webcím magyar szöveggel.
• Magyar cím és főcím készüljön, amely nem betűre azonos az angol párjával. Nálunk tíz terméklap és két fontos aloldal címe teljesen megegyezett a két nyelven.
• Nyelvi jelölés kerüljön a strukturált adatba. Nálunk 1157 elemből hiányzott, és 28 oldal egyáltalán nem közölte magáról, milyen nyelvű.
• Magyar sorok kerüljenek a gépi tartalomjegyzékbe, a magyar oldalak saját magyar szövegéből.
• Az alapértelmezett nyelv az legyen, amelyet a weboldal ténylegesen alapértelmezettként használ.

A magyar nyelv egyik csapdája: a ragozás

Magyar szöveg mérésekor vagy csoportosításakor könnyű hibás eredményre jutni. Ráadásul a hiba észrevétlen maradhat.

Két esetet találtunk. Az elsőben a mérőnk a „láthatóság” alakot kereste, de a „láthatósági” formát már nem ismerte fel. Emiatt 6 százalékot mutatott 22 helyett, vagyis csaknem négyszeresen alulmérte a teljesítményt.

A második eset a szótövezéshez kapcsolódott. A programban az -ás/-és és a -ság/-ség végződést is levágtuk. Ennek hatására a szolgáltatás mélyebbre tövesedett, mint a többes számú szolgáltatások, így az alapszó nem került egy csoportba a saját többes számával. Az -ás/-és képző: a szolgáltat ige, a szolgáltatás főnév, és a vizsgált fogalom a főnévben jelenik meg.

Magyar szövegnél ezért a toldalékok egyszerű levágása önmagában nem tekinthető megbízható tövezésnek. A ragozást el kell választani a szóképzéstől. Az ismert korlátokat pedig érdemes a tesztben is rögzíteni, különben a hiánylista később tévesen teljes lefedettségnek tűnhet.

Ha a korábbi feltételek teljesülnek, de a megjelenés továbbra is elmarad, ezek a mezők is magyarázatot adhatnak.

2026-08-17-én azt vizsgáltuk, miért a versenytársakat ajánlja a gép a magyar kérdésekre. A következő, kézenfekvő magyarázatokat a minta nem támasztotta alá:

• a címsor-szerkezetet: a mi oldalunk vezette a mezőnyt, a szerkezet és az idézettség együttjárása pedig negatív volt (−0,26);
• a tartalom mennyiségét: a mi oldalaink a mért mezőny második és harmadik helyén álltak;
• a domain korát: a bekerülők között 15,6 éves és teljesen új domain is szerepelt;
• a külső említéseket: a legtöbbet említett cégek közül háromnak nem volt ilyen találata;
• a szöveg hosszát: a legtöbbször megjelenő oldal volt a legrövidebb.

A fennmaradó közös jellemző a hétköznapi keresett szó jelenléte volt. A 14 bekerülő oldal mindegyike tartalmazta ezt a szót a domainben, a webcímben vagy a címben. A Gemini és a Google AI-összefoglalója által idézett 38 oldalból 28, vagyis 74 százalék felelt meg ennek a feltételnek.

Két pontosítás szükséges, hogy az eredményből ne szülessen általános szabály.

A .hu végződés a mérés alapján nem tekinthető belépési feltételnek. Az idézések 86 százaléka .hu domainről érkezett, a többi oldal azonban magyar nyelvű volt, és magyar szavakat tartalmazó webcímmel került be. Egy .com domain magyar nyelvi előtaggal és magyar webcímmel mindhárom futásban megjelent.

A magyar szavakból álló domain önmagában nem feltétlenül elegendő. Az AI Mode-ban megjelenő cégek jelentős része ilyen domaint használt, de a másik saját weboldalunk szintén ilyen volt, mégsem került be egyik eredménybe sem. Az oldal háromnapos volt, és egyetlen külső link sem mutatott rá.

Fontos a lelet korlátja. Ez együttjárást mutat egyetlen kérdéskészlet és egy motor adatain, ezért nem bizonyítja, hogy egy szó elhelyezése önmagában megjelenést eredményezhet.

A következő sorrend a kisebb ráfordítással és nagyobb bizonyossággal járó lépésektől halad a lassabb feladatok felé.

• Ellenőrizd a robots.txt fájlt mindhárom robottípusnál. Külön állítsd be, mit engedélyezel a tanuló, a kereső- és a válaszoló robotoknak.
• Nézd meg, szerepel-e a szöveg a szerver által küldött HTML-ben. Ha a tartalmat JavaScript állítja össze, egyes rendszerek számára elérhetetlen maradhat.
• Tagold címsorokkal a szótárat és a hosszú szakaszokat. Enélkül az oldal nehezebben bontható külön is idézhető részekre.
• Írj önálló bekezdést minden olyan cím alá, amely után rögtön alcím következik.
• Emeld a törzsszövegbe a három-négy legfontosabb kérdést, amely eddig a gyakori kérdések között, a lap alján szerepelt.
• Keresd meg azt a címet, amely szó szerint megegyezik a vevő kérdésével, majd ellenőrizd az alatta lévő szöveget. Ha nem szerepel benne a cégnév és a hely, egészítsd ki egyetlen mondattal.
• Rendezd a nyelvi mezőket: legyen magyar webcím, magyar cím, nyelvi jelölés a strukturált adatban és magyar tartalom a gépi jegyzékben. A hu-HU beállítása ezen a listán az utolsó lehet.
• Vizsgáld meg, milyen szavakat használ a gép a kategóriádra. Nem biztos, hogy a te kifejezéseidet választja. Ha a piac hétköznapi szóhasználata eltér a szakszótól, annak a kifejezésnek is helyet kell találni a tartalomban.
• Legalább három futásból mérj vissza, és azt is rögzítsd, ha nem történt változás.

A cikkben közölt számok mögött saját vagy külső mérések állnak. Ugyanilyen fontos jelezni ezek korlátait is.

A bizonyítékok ereje eltérő. Dokumentált gépi működés, hogy a címsor határt jelölhet, a fölérendelt címek pedig bekerülhetnek a részletekbe. A lap alján lévő szöveg ritkább idézése nagy mintán megfigyelt együttjárás. A pontos tokenszámok ezzel szemben hüvelykujjszabályok, amint azt a cikk minden érintett helyen jelzi.

Nehéz elkülöníteni az egyes változtatások hatását. Ha egyszerre módosítod a szerkezetet, a szóhasználatot és a belső linkeket, utólag nem feltétlenül állapítható meg, melyik változás járult hozzá az eredményhez. Ezért az egyes lépések pontos, különálló hatását csak megfelelő mérés mellett lehetne ígérni.

A motorok viselkedése változhat. A cikk egyik fontos adata, a ChatGPT és a Bing találatainak átfedése két év alatt 87 százalékról 8 százalékra csökkent. Minden állítás egy adott időpontra érvényes, később pedig felülvizsgálatra szorulhat.

Egyetlen futásból nem érdemes általános következtetést levonni. Az AI Mode három futásában nem volt olyan megnevezett cég, amely mindhárom eredményben szerepelt. Egy képernyőkép ezért egyetlen mintát dokumentál, nem feltétlenül a tartós állapotot.