Miért nem ajánl a ChatGPT? Kilenc ok, sorrendben
Ha az AI nem említ meg téged, annak kilenc szokásos oka van — és a legtöbbször nem az, amire elsőre gondolnál.
Frissítve ·
A kérdés majdnem mindig így hangzik: „mit kell írnunk, hogy az AI ajánljon minket?” A sorrend viszont majdnem mindig rossz. Az AI-asszisztens két, egymástól független dologból dolgozik: abból, amit a modell a tanításából tud rólad, és abból, amit a válaszadás pillanatában megtalál rólad. A kettő nemcsak eltérhet, hanem rendszeresen el is tér.
A saját mérésünk 2026 augusztusában például úgy nézett ki, hogy negyven zárt könyves kérdésből egy sem hozta a nevünket. Zárt könyves az a kérdés, ahol a modell nem kereshetett, csak fejből válaszolhatott. Ugyanakkor a Perplexity öt futásból ötben idézte a saját kutatásunkat, csak épp nem minket nevezett meg mellette. Ugyanaz a márka, ugyanaz a hét, két teljesen ellentétes diagnózis.
Ez a lista ezért kizárásos: fentről lefelé haladva mindegyik oknál van egy ellenőrzés, ami eldönti, hogy nálad fennáll-e, és egy javítás, ami tényleg azon az okon segít. Ne ugorj a hetedik okra, amíg az elsőt nem zárta ki egy tényleges mérés.
Miért nem ajánl a ChatGPT — az eljárás
Az AVE Studio eljárása: 9 lépés, sorrendben — mindegyik önmagában is ellenőrizhető. Utoljára frissítve: 2026. augusztus 9..
Entitás-kétértelműség — a gép nem tudja, melyik vagy
A leggyakoribb ok, és szinte soha nem ezt keresik. Ha a neved több létező dologra illik (másik cég, város, termék, gyakori szó), a rólad szóló jelzések szétszóródnak a névrokonaid között, és a modell egyikhez sem köt biztosan. Ellenőrzés: kérdezz rá pusztán a nevedre, minden más támpont nélkül, több felületen, és nézd meg, mire tippel. Ha vegyes találatokat kapsz, vagy magabiztosan mást ír le, megvan az okod. Javítás: használj egyetlen kanonikus nevet, mellé mindenhol ugyanazokat az egyértelműsítőket (domain, város, kategória), és mindet egyetlen forrásból add ki. Erről szól az entitás-kanonizálás receptje.
Korpuszhiány — nincs miből tudnia rólad
A modell abból tanul, ami a tanítás idején nyilvános szövegként létezett. Ha rólad gyakorlatilag csak a saját weboldalad ír, akkor egy zárt könyves kérdésre nincs mit előhívnia. Ellenőrzés: számold meg, hány egymástól független domain ír rólad érdemi mondatot — nem említést, hanem állítást arról, mit csinálsz. Ha ez a szám egy-kettő, ez az ok aktív. Javítás: érd el, hogy tőled független forrásokban is írjanak rólad, méghozzá úgy, hogy a nevedhez tényállítás is tartozzon. A darabszámnál fontosabb a források függetlensége: ugyanannak a kiadónak a harmadik cikke sokkal kevesebbet ad hozzá, mint egy új, hiteles domain első említése.
Retrieval-hiány — a válaszadáskor nem talál meg
A retrieval-hiány a memória-hiány ellentéte, és külön kell mérni. Attól, hogy a modell nem tudja fejből, még idézhetne, ha a keresési rétegben megtalálható és idézhető formában lennél. Ellenőrzés: tedd fel ugyanazt a kérdést egy olyan felületen, amelyik forrásokat is mutat, és nézd meg, ki került be a forráslistába. Ha ott vannak versenytársak, de te nem, a probléma a retrieval oldalon van, nem a tanításnál. Javítás: idézhető állítás-sűrűség: konkrét, önmagában is megálló, forrásolt mondatok, nem általános marketing-próza —, plusz bejárható, szerveroldalon renderelt oldalak.
Elavult tudásvágás — a modell egy régebbi rólad tud
Ha a márkád, a pozicionálásod vagy a neved az elmúlt egy-két évben változott, a modell simán a régit hozza — és ez nem hiba, hanem a tanítás időbélyege. Ellenőrzés: kérdezd meg zárt könyvvel, mit csinál a céged, és hasonlítsd a mai valósághoz. Ha egy korábbi profilt ír le, ez az ok. Javítás: türelem és következetesség. A parametrikus memória csak új modellgenerációval frissül; addig a retrieval-oldalt kell erősíteni, hogy a friss kép legalább a forrásokból jöjjön. Amit itt nem tudsz megtenni: kikényszeríteni a felejtést.
Ellentmondó állítások — több igazságod van egyszerre
Ha a nyitóoldalad, a LinkedIn-profilod, a cégadatbázis és a sajtóanyagod más-más alapítási évet, székhelyet, csapatméretet vagy kategóriát állít, a modell nem tud dönteni közöttük, és a bizonytalanságot gyakran hallgatással oldja fel. Ellenőrzés: írd egymás mellé a legfontosabb öt tényt (név, székhely, alapítás, kategória, méret) minden felületről, ahol szerepelnek. Javítás: egy forrás, ahonnan mindegyik jön, és a többi arra hivatkozik. Az ellentmondás drágább, mint a hiány: a hiányzó adatot a modell kihagyja, az ellentmondót viszont az egész entitásra nézve bizonytalanságként kezeli.
Nyelvi rés — az egyik nyelven létezel, a másikon nem
A magyar és az angol nyelvű válaszok külön korpuszból és gyakran külön forrásokból épülnek. Egy csak magyarul jelen lévő márka az angol kérdésekre nem jön elő, és fordítva. Ellenőrzés: futtasd le ugyanazt a vásárlói kérdést mindkét nyelven, és hasonlítsd össze, kik jönnek elő. Javítás: a hiányzó nyelven ne fordíts, hanem írj — a két nyelv célkérdései eltérnek, és a gépi fordítás rendszerint nem hozza magával azt, ahogyan a célnyelven keresnek. A nyelvi rés egyben lehetőség is: rendszerint sokkal gyengébb a verseny.
Kategóriabesorolás — máshová sorolnak, mint ahol keresnek
Előfordul, hogy a modell tud rólad, de egy másik kategóriában, így minden olyan kérdésnél kimaradsz, ahol valójában versenyeznél. Ellenőrzés: kérdezd meg egyenesen, mit csinál a céged, és milyen kategóriába sorolná; utána kérdezz rá a kategóriára és nézd meg, előjössz-e. Javítás: mondd ki a kategóriaszót ott, ahol a gép olvas: a látható szövegben, az első bekezdésben, és következetesen minden felületen. A besorolás nem attól lesz jó, hogy te tudod, hanem attól, hogy le van írva.
Bizonyíték-hiány — nincs mire hivatkoznia melletted
Az ajánláshoz a modellnek indoklás kell. Ha rólad csak azt lehet tudni, hogy létezel, de azt nem, hogy min dolgoztál, kinek, milyen eredménnyel, akkor a modell inkább azt választja, akiről van mit mondani. Ellenőrzés: nézd meg, hogy a rólad szóló mondatok tartalmaznak-e ellenőrizhető tényt, vagy csak jelzőket. Javítás: konkrét, dátumozott, ellenőrizhető állítások — mit csináltál, mikor, milyen keretben. Vélemények és értékelések ide tartoznak, de a saját oldaladon állított, forrás nélküli felsőfok nem: azt a gép nem tudja mihez kötni.
Technikai blokk — nem is jutottak be
Ez a lista utolsó eleme, mert a legritkább, de ha fennáll, minden fölötte lévő javítás hatástalan. Ellenőrzés: nézd meg a robots.txt-edet AI-user-agentre értelmezve, nem szemre; nézd meg, hogy a tartalom szerveroldalon renderelődik-e; és nézd meg a szerverlogból, hogy jönnek-e egyáltalán ezek a botok. Javítás: a hozzáférés rendezése, de vigyázz a felbontásra: a tanító, a retrieval és a felhasználó által indított botok külön osztályok, és a tanító tiltása nem veszi ki az oldalt a keresőből. Erre külön receptünk van: AI-crawlerek a robots.txt-ben.
Miért nem ajánl a ChatGPT — gyakori kérdések
5 kérdés, ami a recept alkalmazása közben a leggyakrabban felmerül. A válaszok ugyanazt a hatókört tartják, mint a lépések: amit az AVE Studio nem tud, azt kimondja.
Mennyi idő alatt változik, ha kijavítom?
Attól függ, melyik okot javítottad, és ez a lista legfontosabb gyakorlati következménye. A retrieval-oldali okok (3., 9.) napokban-hetekben mérhetők, mert az újrabejárás után a következő válasz már az új állapotból dolgozik. A parametrikus memóriát érintő okok (2., 4.) viszont csak új modellgenerációval frissülnek — ott hónapok a mértékegység, és a saját munkád csak a következő tanítási körre hat.
Egyszer megkérdeztem és benne voltam — akkor rendben van?
Egyetlen futás nem mérés. Ugyanaz a kérdés ugyanabban az órában is adhat más választ, mert a modellek nem determinisztikusak. Ha komolyan akarod tudni, hol állsz, ugyanazt a kérdést többször kell feltenni, és az eredményt arányként nézni, nem igen/nem-ként — és a kérdéssorrendet is érdemes váltogatni, mert az előző kérdés befolyásolhatja a következőt.
Elég, ha jó tartalmat írok?
Szükséges, de nem elégséges, és a sorrend számít. Ha a nevedet a gép nem tudja egyetlen dologhoz kötni (1. ok), akkor a legjobb tartalom is egy kétértelmű entitáshoz tapad, tehát nem hozzád. Az entitás-munka és a hozzáférés az a két alap, amely nélkül a legjobb tartalom sem ér semmit — utána viszont tényleg a tartalom minősége dönt.
Számít, hogy a versenytársaim megjelennek, én meg nem?
Igen, mert ez az egyik legolcsóbb diagnosztikai jel, amit kaphatsz. Ha egy kérdésre versenytársak jönnek elő forrásmegjelöléssel, akkor a kérdés maga válaszolható, és a retrieval-réteg működik — tehát a probléma nálad van, nem a kérdésnél. Nézd meg, mely oldalaikat idézi a válasz: az megmutatja, milyen formátumú és mélységű tartalmat talál idézhetőnek az adott felület.
Mi van, ha idézik a tartalmamat, de a nevemet nem írják ki?
Ez külön hibaosztály, és gyakoribb, mint gondolnád — nálunk is előfordult: egy saját kutatásunkat öt futásból ötben idézte az egyik felület, miközben a cégnevünk egyszer sem szerepelt a válaszban. Az ok jellemzően az, hogy a tartalom a látható szövegében nem mondja meg, ki készítette. A JSON-LD-ben lévő szerzőmező ehhez kevés; a mérő nevének és szerepének a látható mondatokban is ott kell lennie.
Miért nem ajánl a ChatGPT — források
- OpenAI — Bots (GPTBot, OAI-SearchBot, ChatGPT-User). https://developers.openai.com/api/docs/bots
- Google — Google crawlers (Google-Extended). https://developers.google.com/search/docs/crawling-indexing/google-common-crawlers
- Perplexity — Perplexity Crawlers. https://docs.perplexity.ai/docs/resources/perplexity-crawlers