GEO módszertan — hogyan építjük és hogyan mérjük az AI láthatóságot?
Módszertan, 2. kiadás · utolsó felülvizsgálat: 2026. augusztus
Az AI láthatóság fejlesztése a klasszikus SEO-tól a GEO-n és az AEO-n át egészen addig tart, hogy a márkád beépüljön a mesterséges intelligencia memóriájába. Ez az igazi, hosszú távú gépi márkaérték. Ezen a lapon leírjuk, hogyan dolgozunk: megmérjük, megtervezzük, kijavítjuk, implementáljuk — aztán újra mérünk, hogy a forráshivatkozások elcsúszását (citation drift) időben elkapjuk. Minden számunk mellé odaírjuk, hány futásból származik, a végén pedig ott a benchmark, amivel minket is ellenőrizhetsz.
A fogalmak, amelyeket ezek a módszerek szolgálnak:Knowledge Engine Optimization (KEO)Model Mindshare
A gépi márkaérték körforgása — GEO módszertan — hogyan építjük és hogyan mérjük az AI láthatóságot?
- 1 · Mérés — „Hol állok ma?” Motoronként külön, tartománnyal (Alapmérés, Kérdésválasztó)Alapmérés → · Kérdésválasztó →
- 2 · Javítás — „Miért hagynak ki?” Oldalról oldalra, majd kódban javítva (Hiányelemzés, Hiánypótlás)Hiányelemzés → · Hiánypótlás →
- 3 · Lehorgonyzás — „Miből tanuljon rólam a gép?” Egyértelmű entitás és jelenlét a tanulási forrásokban (Entity Anchor, Corpus Campaign)Entity Anchor → · Corpus Campaign →
- 4 · Bizonyítás ↺ — „Mozdult-e, és mit hozott?” Web nélküli alapmérés és visszamérés minden új modellgenerációnál (Model Memory Audit, Release Audit)Model Memory Audit → · Release Audit →
A stúdió két saját műszere, a KG Doctor és a Claim Coherence Engine, a kör mind a négy szakaszában dolgozik.
A gépi márkaérték (Machine Equity) az az üzleti vagyon, amely abból származik, hogy az AI-rendszerek felismerik, megértik, felidézik és ajánlják a márkádat, és a felhasználó megbízásából tranzakcióvá is tudják váltani. Három rétegből áll: a bérelt elérés (mennyit talál meg belőled a motor kereséskor), a saját memória (mire emlékszik rólad a modell a tudásából) és a gépi vásárlóképesség (tud-e nálad vásárolni egy ügynök). Becsületesen csak rétegenként, tartományban megadott mérőszámok együtteseként mérhető, egyetlen összevont pontszámmal soha.
Gépi márkaérték (machine equity) definíciójaMit mérünk, és miért
Az AI asszisztensek nem rögzített találati listából válaszolnak. Abból dolgoznak, amit abban a másodpercben lehívnak, és abból, amit már tudnak. Ezért mindkét réteget mérjük: megjelensz-e az élő válaszokban, és helyesen tudja-e rólad a modell, hogy ki vagy. A kettő két külön terep, két külön beavatkozással; aki csak az egyiket méri, a másikon vakon dönt. És elválasztjuk a megnevezést a puszta linkeléstől: a Semrush 2026. júniusi becslése szerint az AI citációk 61,7%-a szellemidézet volt — a válasz felhasználta a forrást, de a márkát nem nevezte meg. Ezért az említést mérjük, nem a puszta forráslétet.
A hét mérési szempont
Az élő AI láthatóság, vagyis hogy megjelensz-e, amikor a modell keres, hét mérési szempontra bomlik, nem egyetlen átláthatatlan pontszámra; és mind a hét külön-külön is megnézhető.
- Megjelenés a válaszban
- Megjelensz-e egyáltalán az élő válaszban? Amikor a kategóriádban kérdezik az AI-t és az keres, ott vagy a válaszban — vagy hiányzol, miközben egy versenytársat megnevez.
- Hely a válaszban
- Mennyire elöl jelensz meg? Az első ajánlások között vagy a válasz legvégén, ahol már nem olvassák el. A hely dönti el, eljut-e hozzád a vevő.
- Megnevezés, nem csak forrás
- A neved mondja, vagy csak az oldaladat használja? A válasz meríthet az oldaladról úgy, hogy a neved sosem mondja ki — ez a „ghost citation”. Elválasztjuk a megnevezést a puszta forrásléttől.
- Hogyan beszél rólad
- Milyen színben tüntet fel a válasz? Jó színben, semlegesen vagy rosszul — és milyen összefüggésben említ. A rossz említés nem ajánlás.
- Válasz-stabilitás
- Mindig ugyanazt mondja? Az AI válaszok futásról futásra mozognak. Többször kérdezünk, és tartományt közlünk, nem egyetlen szerencsés választ.
- Citációs lábnyom
- Mely forrásokból építkezik — és köztük vagy-e? A válasz néhány megbízható oldalból áll össze; követjük, hol vannak ezek a források, és van-e köztük a tiéd.
- Szándék-lefedettség
- A vevő útjának melyik pontján bukkansz fel? Amikor tájékozódik, amikor összehasonlít, amikor azt kérdezi, „melyik a legjobb erre”, és amikor a kifogásait fogalmazza meg — egyetlen promptban látszani nem ugyanaz, mint az egész úton.
A hét szempontot külön mérjük és külön közöljük, mindegyiket a saját megbízhatósági tartományával. Nem gyúrjuk őket egyetlen pontszámmá: ehhez kalibrált súlyozásra lenne szükség, súlyt pedig csak mérési adatok alapján adunk.
Sok mérés egy összesített pontszámmal dolgozik, majd hozzáteszi, hogy az eredmény irányadó. Mi inkább azt mutatjuk meg, hány futásból származik az adott szám.
Az élő mérés hat AI-felületen fut. Öt motoron tízszer ismételjük ugyanazokat a lekérdezéseket, a Google AI Overviews esetében pedig külön mérési módszert alkalmazunk.
Az ingadozást is mérjük
Tedd fel ugyanazt a kérdést egy AI-nak kétszer, és a válasz elmozdul: a szóhasználat, néha még a nevek is. Egyetlen válasz: zaj. Ezért nem egyetlen választ jelentünk: fogjuk a valódi promptokat, amelyeket a vevők a kategóriádban használnak, több modellen feltesszük, megismételjük, és az eredményt nem egyetlen számként, hanem megbízhatósági tartománnyal közöljük: a jelet és az ingadozását együtt. Ugyanez az őszinteség vonatkozik az oldal minden számára: a Model Mindshare-mutató egy szintet jelez egy skálán, sosem egy megígért számot.
Motoronként mindig más a feladat
Az AI-motorok nem ugyanúgy használják a forrásokat, ezért ugyanaz a beavatkozás sem ugyanannyit ér mindenhol. Az alábbi adatok saját mérésből származnak: 2026. augusztus 12., 12 kérdés, 3 motor, 5 ismétlés, összesen 180 futás.
ChatGPT
Mit mértünk: A futások 12%-ában használt élő forrást. A „kit ne válassz” típusú kérdéseknél 30 futásból egyszer sem keresett.
Mit jelent: Ezekben a válaszokban elsősorban a modell meglévő tudása számít. Az entitásod és a rólad kialakult korpusz fontosabb lehet, mint egy frissen optimalizált oldal.
Gemini
Mit mértünk: A futások 72%-ában használt élő forrást.
Mit jelent: A keresés és a lehívható szövegrész együtt határozza meg, milyen forrás kerülhet be a válaszba. Először a bekerülés feltételeit kell teljesíteni; csak utána érdemes a sorrenddel foglalkozni.
Perplexity
Mit mértünk: Mind a 60 futásban élő forrásból dolgozott.
Mit jelent: Itt különösen fontos, hogy a forrásoldal friss, elérhető és jól lehívható legyen. Az ajánlásokat a Perplexity a saját forrás- és indexkészletéből állítja össze.
Claude-ról, a Google AI Overviewsról és az AI-módról ebben a bontásban még nincs saját, publikálható mérésünk. Akkor közlünk róluk számot, amikor lesz mögötte megfelelő mérés.
A teljes mérési jegyzet: motorok és forráshasználat, 2026. augusztus →
Honnan tanul rólad a gép
Az AI válaszok forrásainak jelentős része nem a saját domaineden található.
Egy 2025. decemberi Ahrefs-elemzésben az AI láthatósággal legerősebben együtt mozgó vizsgált tényező a YouTube-jelenlét volt, körülbelül 0,737-es korrelációval. A domain tekintélyének korrelációja ennél jóval gyengébb volt.
Ezért nemcsak a saját weboldalt vizsgáljuk. Feltérképezzük azt is, milyen külső forrásokból épülnek fel a kategóriádra adott AI válaszok, és hogy a céged jelen van-e ezek között.
Ezt nevezzük Korpusz-térképnek. Erre épül a Corpus Campaign modul.
Ha az AI láthatósági munka kizárólag a saját weboldalad optimalizálásából áll, a forrástér jelentős része kimarad.
Gazdakiosztás: kinek a munkája?
Az AI láthatósági programok gyakran nem szakmai tudáson akadnak el, hanem egy egyszerű kérdésen: kinél van a feladat?
Ha egy fontos kérdésre nem jelenik meg a céged, valakinek meg kell találnia az okát, majd végig kell vinnie a javítást. Az alábbi felosztás megmutatja, kinél lehet ennek a gazdája nálatok, és melyik modulunk dolgozik ugyanazon a területen, ha az implementálást ránk bízod.
| Terep | Gazda nálad | Modul nálunk |
|---|---|---|
| Mérés és kérdésválasztás | marketing vagy ügyvezetés | Alapmérés, Kérdésválasztó |
| Tartalom és válaszkész szerkezet | tartalomcsapat | Hiányelemzés, Hiánypótlás |
| Hozzáférés, render, séma | fejlesztő | KG Doctor, Release Audit |
| Entitás és tényállítások | a márka gazdája | Entity Anchor, Claim Coherence Engine |
| Domainen kívüli jelenlét | PR és közösség | Corpus Campaign |
Amit a mérés eldönt, és amit nem
Nem ígérünk garantált százalékot, rangsort vagy említést. Mintavételezett jelet adunk, tartománnyal és futásszámmal. Az eredményt ezért nem egyetlen szám alapján érdemes olvasni: azt figyeljük, hogyan mozdul a tartomány.
Az említés és az átkattintás két külön mérés. Az AI-felületekről érkező kattintásokat külön naplózzuk, majd az említési adatok mellett vizsgáljuk őket. Egyiket nem számítjuk át a másikból.
Bevételt sem tulajdonítunk automatikusan az AI láthatóságnak. Ha egy szolgáltató számszerű bevételi hatást ígér, érdemes megkérdezni, milyen kontrollal különítette el az AI láthatóság hatását a többi tényezőtől.
Így ellenőrizz minket — és bárki mást
A módszertanunkhoz egy 18 pontos benchmark is tartozik. Mind a 18 pont igen-nem kérdés, ezért bármely AI láthatósági szolgáltató publikus módszertana ellenőrizhető vele. A miénk is.
A két munkamenetünket lépésről lépésre közzétesszük, a saját méréseink jegyzetei és tanulmányai pedig nyilvánosan elérhetők a kutatási oldalon.
- A 18 pontos módszertani benchmark →
- A KEO munkamenet: így épül a modellek tudása rólad →A hiteles, kanonikus, olvasható, idézhető nyilvántartás felépítése, amelyből az AI-modellek tanulnak.
- Hogyan mérjük a Model Mindshare-t →Prompt-portfólió, modellenkénti ismétlések, internet nélkül (closed-book), megnevezés-vs-felidézés, megbízhatósági intervallum.
- Mérési jegyzetek és tanulmányok →
Amin most dolgozunk
- Motoronkénti lapok készülnek azokra az AI-felületekre, amelyekről még nincs saját, publikálható mérésünk.
- A hét vizsgált szempontot külön faktorlappá bontjuk, mindenhol feltüntetett futásszámmal. Ez lesz a Láthatósági Atlasz.
- Elkészítjük a Korpusz-térkép publikus mintáját.