AVE Studio · AI láthatósági ügynökség · weboldal-újraépítés, GEO/AEO marketing és kód egy kézben
Ezen az oldalon egy helyen, pontosan definiálva találod meg azokat a fogalmakat, amelyekkel az AI-válaszmotorokban való megjelenésről beszélünk. A GEO és az AEO a szakma bevett fogalmai; a KEO, a Model Mindshare, az M2M és a B2M olyan keretrendszerek, amelyeket mi javaslunk és itt definiálunk.
Az AI megtalálja, beemeli és idézi az oldaladat, amikor épp választ állít össze — az élő webről, a válaszadás pillanatában.
Akkor talál meg, emel be és idéz az AI, amikor épp választ generál, a válaszadás pillanatában, az élő webről. A GEO az AI láthatóság lekérdezés-oldali munkája: hozzáférés, szerkezet és géppel olvasható állítások, hogy a válaszmotorok kiválasszák és néven nevezzék a márkát. Ismételt mintavétellel, több felületen, hibahatárral mérjük, nem egyetlen lekérdezésből.
Egy konkrét kérdésre a te szövegedből lesz a kiemelt válasz.
Te vagy a kinyert válasz egy konkrét kérdésre, a válaszadás pillanatában. Az AEO a kiemelt-válasz műfaj (featured snippet, AI Overviews): egy jól szerkesztett, önállóan is megálló blokk kerül át a válaszdobozba. Abban különbözik a SEO-tól, hogy az linklistát rangsorol, és a GEO-tól, hogy az a generált válaszon belüli megnevezésért dolgozik.
Az a hiteles, kanonikus, olvasható és idézhető nyilvántartás, amelyből az AI-modellek tanulnak – hogy minden új modell a valóságnak megfelelően tanulja meg, ki vagy.
Az a hiteles, kanonikus, olvasható és idézhető nyilvántartás, amelyből az AI-modellek tanulnak – hogy minden új modell a valóságnak megfelelően tanulja meg, ki vagy. A KEO a GEO utáni generáció: a GEO azt javítja, amit a motorok válaszadáskor előhívnak, a KEO azt építi, amire a modellek internet nélkül is emlékeznek: entitás-rekordokat, korpusz-jelenlétet, következetes állításokat — zárt könyves méréssel ellenőrizve minden modellkiadásnál.
az AVE Studio által javasolt keretrendszerMi a Knowledge Engine Optimization? →
Mekkora hely jut a márkádnak abban, amit egy AI-modell a kategóriádban fejből tud — mért jel megbízhatósági tartománnyal, nem garancia. Internet nélkül mérjük (a modell csak a betanított emlékezetéből válaszol, nem keres közben), a mai élő keresésben mutatott GEO-láthatóság utáni generációként.
az AVE Studio által javasolt keretrendszerMi a Model Mindshare? →
Marketing azoknak a gépeknek, amelyeken keresztül ma a felfedezés zajlik — nem csak az embereknek.
Marketing azoknak a gépeknek, amelyeken keresztül ma a felfedezés zajlik — nem csak az embereknek. Az M2M külön közönségként kezeli az AI-asszisztenseket, a válaszmotorokat és a bejáró robotjaikat, mert ezeknek saját olvasási szabályaik vannak: szerkesztett állításokat, ellenőrizhető entitásokat, következetes tényeket várnak. Mindez azért számít, mert a vásárlási döntések egyre nagyobb részét az formálja, amit a gépek találnak, megjegyeznek és mondanak.
az AVE Studio által javasolt keretrendszer
A gépi láthatóság tranzakciós rétege: amikor egy AI-ügynök a felhasználó nevében eljárva megvásárol, a kialakulóban lévő agentic-commerce szabványokon át. Az AVE Studio így nevezi a harmadik réteget (hogy lássanak → hogy ismerjenek → hogy megvegyenek); a mögöttes agentic-commerce protokollok iparági szabványok, nem az AVE-éi.
az AVE Studio által javasolt keretrendszerMi a Business-to-machine? →
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.
az AVE Studio által javasolt keretrendszerMi a Gépi márkaérték (machine equity)? →
Bérelt elérés (rented reach): a gépi márkaérték retrieval-oldali komponense: megtalálja-e és megnevezi-e az AI a márkát az élő válaszokban. Minden kérdésnél újra eldől. Értékes, de sosem tulajdon, mint egy jó helyen bérelt óriásplakát. A GEO és az AEO rétegében épül, és ott is mérjük.
az AVE Studio által javasolt keretrendszer
Saját memória (owned memory): a gépi márkaérték parametrikus komponense. Azt írja le, mit tud a modell a márkáról tisztán betanított memóriából, internet nélkül, segítség nélküli felidézésként mérve, modellenként és nyelvenként, mindig megbízhatósági tartománnyal. A KEO rétegében épül, és csak akkor mozdul, amikor új modellgeneráció tanul. Ez ma 4–16 hónapos csúszást jelent.
az AVE Studio által javasolt keretrendszer
Gépi vásárlóképesség (machine buyability): a gépi márkaérték tranzakciós komponense: képes-e egy AI-ügynök értelmezni, összehasonlítani és végigvinni a vásárlást a márka katalógusából és pénztárából: strukturált termékadat, ügynök-fizetési protokoll-készenlét, gépolvasható ajánlatok. Az AI-tranzakciós (B2M) tier.
az AVE Studio által javasolt keretrendszer
Az AI láthatóság alapmérése: hétről hétre méri, hányszor nevezik meg a cégedet az egyes AI-asszisztensek a kategóriád valós vevő-kérdéseire adott válaszaiban — motoronként külön, ismételt lekérdezéssel, hibahatárral. Ez az alapvonal, amire a többi modul épül: minden későbbi javítás hatása ehhez képest válik mérhetővé.
AVE Studio KEO-modulMi az Alapmérés? →
Ez a modul állítja össze a mércét: összegyűjti és mérésre alkalmassá teszi azokat a valódi vásárlói kérdéseket, amelyeket a piacodon tényleg feltesznek az AI-nak — tranzakciós, összehasonlító, oktatási, információs és márkás kérdéstípusokban. Csak az kerül a készletbe, amin a megnevezés valóban eldől; erre a portfólióra épül a követés és a résdiagnózis.
AVE Studio KEO-modulMi a Kérdésválasztó? →
A résdiagnózis-modul: oldalról oldalra és kérdésről kérdésre megmutatja, miért megy el melletted az AI — mely oldaladat vetette össze mással, milyen technikai akadály vagy tartalmi hiány áll minden olyan kérdés mögött, ahol láthatatlan vagy. Nem általános tanács: minden megállapítás mögött ott a tényleges AI válasz, bizonyítékként.
AVE Studio KEO-modulMi a Hiányelemzés? →
Ez a modul szállítja a javítást: a feltárt hiányokból rangsorolt munkalistát készít hatás és ráfordítás szerint, és beilleszthető, élesre kész javításokat ad — strukturált adatot (séma-kódot), GYIK-blokkokat, AI-crawler irányító fájlt és fejlesztői feladatlapot. Tanács helyett kész munka: a csapatod további értelmezés nélkül végre tudja hajtani.
AVE Studio KEO-modulMi a Hiánypótlás? →
Internet nélkül megkérdezzük magát a modellt, mit tud a márkádról fejből — előbb a neved felkínálása nélkül (segítség nélküli felidézés), majd rásegítve (segített felidézés), modellenként és nyelvenként. Minden dimenzió megbízhatósági tartománnyal; egyetlen összevont pontszám nincs, amíg a súlyok nincsenek kalibrálva. Ez a mai élő láthatóság betanított, fejből-tudott párja.
AVE Studio KEO-modulMi a Memóriavizsgálat? →
Ezzel a munkával lesz a márkádból egyetlen tiszta, azonosítható szereplő a gépek adatbázisaiban — Wikidata-tétel, egymásra mutató profil-hivatkozások (sameAs) és egyetlen hivatalos ténykészlet a megbízható felületeken —, plusz a modell rólad tárolt téves emlékeinek javítása a forrásnál, hogy a következő modellgeneráció már a helyeset tanulja.
AVE Studio KEO-modulMi az Entitáshorgony? →
A program, amely ott építi a márkád jelenlétét, ahonnan a modellek ténylegesen tanulnak — licencelt sajtó, kiérdemelt közösségi felületek, és a modell tudás-határnapjához időzített tartalomnaptár. Azt formálja, mi kerülhet be abba a szövegtömegbe, amiből a jövő modelljei tanulnak; garantált bekerülést azonban egyetlen modell tanítóadatába sem ígér.
AVE Studio KEO-modulMi a Korpuszkampány? →
Minden nagy modell-kiadáskor internet nélkül újramérjük, mit tud rólad az új generáció — a modell csak a betanított emlékezetéből válaszol, nem élő keresésből. Modellenként és nyelvenként megmutatjuk, mennyivel változott a felidézés az előző generációhoz képest, versenytárs-kontrollhoz mérve. Ez az egyetlen becsületes, utólagos bizonyíték, hogy a KEO-munka megmozdította a modell emlékezetét.
AVE Studio KEO-modulMi az Utómérés? →
Internet nélkül, csak a modell betanított emlékezetéből — kikapcsolt webkereséssel.
Internet nélkül, csak a modell betanított emlékezetéből, kikapcsolt webkereséssel. A zárt könyves mérés azt mutatja meg, mit tud rólad az AI akkor, amikor nem keres: ez a tudás a betanításkor rögzül, modellgeneráción át megmarad, és nem javítható meg gyors webes tartalommal, csak a tanulási forrásokban való jelenléttel.
Segítség nélküli felidézés: megnevez-e a modell anélkül, hogy felkínálnánk neki a neved.
Segítség nélküli felidézés: megnevez-e a modell anélkül, hogy felkínálnánk neki a neved. Ez a gépi memória legerősebb jele: a márkakutatásból ismert spontán ismertség gépi megfelelője. Ha a modell magától mondja ki a neved, valóban a kategóriádhoz köt. Ismételt lekérdezéssel, modellenként és nyelvenként mérjük, hibahatárral.
Segített felidézés: megerősíti-e a modell, ha felkínáljuk neki a neved.
Segített felidézés: megerősíti-e a modell, ha felkínáljuk neki a neved. A támogatott ismertség gépi megfelelője: gyengébb jel, mint a segítség nélküli felidézés, de megmutatja, hogy a modell egyáltalán ismer-e: tud-e rólad helytálló állításokat tenni, amikor a nevet készen kapja. A kettő különbsége maga a memória-rés.
Megbízhatósági tartomány: mennyire biztos a szám — a mintából adódó statisztikai bizonytalanság.
Megbízhatósági tartomány: mennyire biztos a szám — a mintából adódó statisztikai bizonytalanság. Az AI válaszok futásról futásra változnak, ezért egyetlen lekérdezés nem mérés, hanem pillanatkép; mi minden számot ismételt mintavételből adunk, és a tartomány mutatja, mennyi belőle a valós helyzet és mennyi a véletlen ingadozás.
A modell betanított memóriája — amit a súlyaiban hordoz, nem amit élőben keres.
A modell betanított memóriája — amit a súlyaiban hordoz, nem amit élőben keres. A parametrikus tudás a betanítás pillanatában rögzül a tanulási korpuszból, és a modellgeneráció teljes életében változatlan marad: webes tartalommal utólag nem módosítható, csak a következő betanítás előtti korpusz-jelenléttel.
Korpusz-lábnyom: mennyi nyom van rólad ott, ahonnan a modellek tanulnak — Common Crawl, Wikipedia/Wikidata, említéstömeg.
Korpusz-lábnyom: mennyi nyom van rólad ott, ahonnan a modellek tanulnak — Common Crawl, Wikipedia és Wikidata, licencelt orgánumok, említéstömeg. Nem a weboldalad mérete számít, hanem a független forrásokban való, géppel elérhető jelenlét: ebből épül a következő modellgeneráció memóriája rólad.
Szellem-idézet: az AI forrásként hivatkozik rád, de a neved ki sem mondja — modellenként változik.
Szellem-idézet: az AI forrásként hivatkozik rád, de a neved ki sem mondja: a tartalmad dolgozik, a márkád láthatatlan marad. Modellenként változik, és pont ezért árulkodó: a gép megtalál és felhasznál, de nem köt össze az entitásoddal; jellemzően a gyenge entitás-horgonyzás tünete.
az AVE Studio által javasolt keretrendszer
Elő-konvertált forgalom (pre-converted traffic) — olyan látogató, aki egy AI-beszélgetésből érkezik, amelyben a vásárlási döntés nagyrészt már megszületett; annak a viselkedési következménye, hogy a vevő már sok energiát fektetett a beszélgetésbe: elköteleződött, és maga is alakította a választ.
Elő-konvertált forgalom: olyan látogató, aki egy AI-beszélgetésből érkezik, amelyben a vásárlási döntés nagyrészt már megszületett. A hosszú kutató-beszélgetés elsüllyedt költsége és közös alkotása elkötelez: aki így kattint át, nem böngészni jön, hanem megerősíteni és lezárni a vásárlást — ezért konvertál kiugróan jól.
az AVE Studio által javasolt keretrendszer
Hányszor nevez meg téged az AI, amikor a vevőid kérdeznek.
Megnevezési arány: hányszor nevez meg téged az AI, amikor a vevőid kérdeznek. A GEO-mérés fő mutatója — kérdésenként és motoronként, ismételt lekérdezésből számolva, hibahatárral. Nem azt méri, hogy rangsorolsz-e, hanem hogy a generált válaszban néven szerepel-e a céged ott, ahol a döntés születik.
Mennyit ért meg az oldaladból egy AI-robot, amikor beolvassa.
Gépi olvashatóság: mennyit ért meg az oldaladból egy AI-robot, amikor beolvassa. Nem a dizájnról szól, hanem a hozzáférésről és a szerkezetről: betölt-e az oldal JavaScript nélkül, van-e strukturált adat, egyértelműek-e az állítások. Ami a gépnek olvashatatlan, az az AI válaszokból is hiányzik.
A piac egyik elnevezése arra a munkára, amelynek célja, hogy egy márka megjelenjen a nagy nyelvi modellek válaszaiban.
Keresőoptimalizálás: az a munka, amelynek eredményét a találati listán elfoglalt helyezés és az onnan érkező kattintás méri.
Kétértelmű rövidítés: jelölheti a Google generált összefoglalóját, és jelölhet általános AI-optimalizálást is.
Gyűjtőfogalom: a klasszikus SEO, a GEO, az AEO és a KEO tartozik alá — hogy a céged a találati listán és az AI-válaszokban is látsszon.