Az AVE Studio szótára
A nyelv, amellyel olvashatóvá tesszük a cégeket az AI számára — pontosan definiálva, egy helyen. A GEO és az AEO a szakma fogalmai; a KEO, a Model Mindshare, az M2M és a B2M olyan keretrendszerek, amelyeket mi javaslunk és itt definiálunk.
- Generative Engine Optimization (GEO)
Megtalálnak, beemelnek és idéznek, amikor egy AI választ generál — a válaszadás pillanatában, az élő webről.
Megtalálnak, beemelnek és idéznek, amikor egy AI 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.
- Answer Engine Optimization (AEO)
Te vagy a kinyert válasz egy konkrét kérdésre — a válaszadás pillanatában.
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.
- Knowledge Engine Optimization (KEO)
A hiteles, kanonikus, olvasható, idézhető nyilvántartás, amelyből az AI-modellek tanulnak — hogy minden új modell úgy legyen betanítva, hogy helyesen ismerje és idézze fel a cégedet.
A hiteles, kanonikus, olvasható, idézhető nyilvántartás, amelyből az AI-modellek tanulnak — hogy minden új modell úgy legyen betanítva, hogy helyesen ismerje és idézze fel a cégedet. Míg a GEO azt optimalizálja, amit a motorok válaszadáskor előhívnak, a KEO azt építi, amire a modellek offline emlékeznek: entitás-rekordokat, korpusz-jelenlétet, következetes állításokat — zárt könyves méréssel ellenőrizve minden modellkiadásnál.
az AVE Studio által javasolt keretrendszerOlvasd el a definíciót →
- Marketing-to-machine (M2M)
A gépeknek szóló marketing, amelyek ma közvetítik a felfedezést — nem csak az embereknek.
A gépeknek szóló marketing, amelyek ma közvetítik a felfedezést — nem csak az embereknek. Az M2M az AI-asszisztenseket, válaszmotorokat és crawlereiket saját olvasási szabályokkal bíró közönségként kezeli: szerkesztett állítások, ellenőrizhető entitások, következetes tények — mert a vásárlási döntések egyre nagyobb részét az formálja, amit a gépek találnak, megjegyeznek és mondanak.
az AVE Studio által javasolt keretrendszer
- Business-to-machine (B2M)
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 keretrendszerOlvasd el a definíciót →
- Machine equity
A gépi márkaérték (Machine Equity) az az üzleti vagyon, amely abból származik, hogy az AI-rendszerek egy márkát képesek felismerni, megérteni, felidézni, ajánlani — és a felhasználó megbízásából tranzakcióvá váltani. Három rétegből áll: bérelt elérés (retrieval-láthatóság), saját memória (betanított modell-felidézés) és gépi vásárlóképesség (ügynök-oldali tranzakció-képesség). Becsületesen csak rétegenkénti, tartományos mérőszámok portfóliójaként mérhető — soha nem egyetlen összevont pontszámként.
az AVE Studio által javasolt keretrendszer
- Rented reach
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/AEO tieren épül és mérődik.
az AVE Studio által javasolt keretrendszer
- Owned memory
Saját memória (owned memory) — a gépi márkaérték parametrikus komponense: mit tud a modell a márkáról tisztán betanított memóriából, internet nélkül — segítség nélküli felidézésként mérve, modellenként és nyelvenként, mindig megbízhatósági tartománnyal. A KEO tieren épül; kizárólag tanítási-generációs ciklusokban változik (4–16 hónapos késleltetés).
az AVE Studio által javasolt keretrendszer
- Machine buyability
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
- Citation Tracker (A1)
Az AI-láthatóság alapmérése: hétről hétre méri, hányszor nevez meg az egyes AI-asszisztens 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-modulOlvasd el a definíciót →
- Selector (A2)
A mérőrúd-készítő modul: összeállítja és mérésre validálja a valós vásárlói kérdések halmazát — tranzakciós, összehasonlító, oktatási, információs és márkás kérdéstípusokban —, amelyeket a piacodon ténylegesen feltesznek az AI-nak. Csak az kerül a készletbe, amin a megnevezés valóban eldől; erre a portfólióra épül a követés és a résdiagnózis.
AVE Studio KEO-modulOlvasd el a definíciót →
- Gap Analysis (A3)
A résdiagnózis-modul: oldalról oldalra és kérdésről kérdésre megmutatja, miért lép át 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-modulOlvasd el a definíciót →
- Gap Closure (A4)
A javítás-szállító modul: a feltárt hiányokat rangsorolt, hatás × ráfordítás munkalistává alakítja, 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-modulOlvasd el a definíciót →
- Model Memory Audit (K1)
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. (zárt könyves, unaided/aided recall konfidencia-intervallummal; parametrikus jel.)
AVE Studio KEO-modulOlvasd el a definíciót →
- Entity Anchor (K2)
A munka, amellyel a márkád egyetlen tiszta, azonosítható »te« lesz a gépek adatbázisában — Wikidata-tétel, egymásra mutató profil-hivatkozások, 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. (entitás; konzisztens sameAs-háló; parametrikus hallucináció-javítás.)
AVE Studio KEO-modulOlvasd el a definíciót →
- Corpus Campaign (K3)
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. (bemeneti oldali munka; training-cutoffhoz igazítva; korpusz.)
AVE Studio KEO-modulOlvasd el a definíciót →
- Release Audit (K4)
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. (zárt könyves újrafuttatás, kontrafaktuális versenytárs-panellel.)
AVE Studio KEO-modulOlvasd el a definíciót →
- Closed-book measurement
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.
- Unaided recall
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 márkakutatás spontán ismertségének gépi megfelelője: ha a modell magától mond ki, valóban a kategóriádhoz köt. Ismételt lekérdezéssel, modellenként és nyelvenként mérjük, hibahatárral.
- Aided recall
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.
- Confidence range
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.
- Parametric memory
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.
- Corpus footprint
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.
- Ghost citation
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
- Pre-converted traffic
Elő-konvertált forgalom (pre-converted traffic) — olyan látogató, aki egy AI-beszélgetésből érkezik, amelyben a vásárlási döntés nagyrészt már megszületett; a befektetett kutakodás (elsüllyedt költség, elköteleződés, közös alkotás) viselkedési terméke.
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
- Naming rate
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.
- Machine readability
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.
- Large Language Model Optimization (LLMO)
A piac egyik neve arra a munkára, aminek célja, hogy egy márka megjelenjen nagy nyelvi modellek válaszaiban.
- Search Engine Optimization (SEO)
Keresőoptimalizálás: az a munka, aminek mértékegysége a találati listán elfoglalt helyezés és az onnan érkező kattintás.
- AI Overview / AI Optimization (AIO)
Kétértelmű rövidítés: jelöli a Google generált összefoglalóját, és jelöl általános AI-optimalizálást is.
- AI SEO
Ernyőfogalom rögzített feloldás nélkül; gyakran AI-val támogatott tartalomgyártást takar, nem AI-felületeken való megjelenést.