Miért nem ajánl a ChatGPT? Kilenc ok, priorizált sorrendben

Az eljárás

1. 1.

   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 jel szétszóródik a névrokonaid között, és a modell egyikhez sem köti biztosan. ELLENŐRZÉS: kérdezz rá a nevedre pusztán, kontextus nélkül, több felületen, és nézd meg, mire tippel. Ha vegyes találatokat kapsz, vagy magabiztosan mást ír le, megvan az okod. JAVÍTÁS: kanonikus név plusz egyértelműsítők minden felületen (domain, város, kategória), egyetlen forrásból kiadva — ez az entitás-kanonizálás receptje.

2. 2.

   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: független forrásokban való jelenlét, ahol a nevedhez tényállítás tartozik. A darabszámnál fontosabb a források függetlensége: ugyanannak a kiadónak a harmadik cikke sokkal kevesebbet ad hozzá, mint egy új, hiteles domain első említése.

3. 3.

   Retrieval-hiány — a válaszadáskor nem talál meg

   Ez az előző 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.

4. 4.

   Elavult tudásvágás — a modell egy régebbi rólad tud

   Ha a márkád, a pozicionálásod vagy a nevetek 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.

5. 5.

   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 köztük, 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.

6. 6.

   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 jellemzően a fordított nyelv keresési szokásait nem viszi. A nyelvi rés egyben lehetőség is: rendszerint sokkal gyengébb a verseny.

7. 7.

   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: a kategória-szót ki kell mondani 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.

8. 8.

   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 válasz szerzője 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 szuperlatívusz nem: azt a gép nem tudja mire kötni.

9. 9.

   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. Van erre külön receptünk.

Gyakori kérdések

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, ami nélkül a tartalom nem tud dolgozni; utána viszont valóban a tartalom minősége a különbség.

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 nem mondja meg a látható szövegében, KI készítette. A JSON-LD-ben lévő szerző-mező ehhez kevés; a mérő nevének és szerepének a látható mondatokban is ott kell lennie.

Források

1. 1.OpenAI — Bots (GPTBot, OAI-SearchBot, ChatGPT-User). https://developers.openai.com/api/docs/bots
2. 2.Google — Google crawlers (Google-Extended). https://developers.google.com/search/docs/crawling-indexing/google-common-crawlers
3. 3.Perplexity — Perplexity Crawlers. https://docs.perplexity.ai/docs/resources/perplexity-crawlers