Az AI már azelőtt szűr, hogy rád keresne

Az AI-láthatóságról szóló írások többsége azzal foglalkozik, mi történik, miután a modell elkezdett válaszolni: idéz-e, milyen sorrendben és milyen forrásból. Egy 2026 júliusában publikált mérés azonban egy lépéssel korábbra mutat. Eszerint a modell akkor keres rá egy márkára, ha már eleve ismeri — az ismeretlen márkákra sokkal ritkábban. Ez azt jelenti, hogy a cégek egy része nem azért esik ki a versenyből, mert rosszul szerepel az összehasonlításban, hanem mert be sem kerül abba. Ebben a cikkben végigveszem, mit mértek pontosan, mit nem szabad ebből levonni, és mit tehet egy magyar kkv, akit a modell még nem ismer.

Mit mértek pontosan?

A geoSurge nevű cég saját kutatásában azt vizsgálta, hogy amikor egy nyelvi modell egy vásárlói kérdés megválaszolásához a háttérben keresésekre bontja a feladatot, milyen márkanevekre keres rá egyáltalán. A mérés eredményét a Search Engine Land ismertette 2026. július 30-án, a részletes módszertan pedig a geoSurge saját kutatási oldalán olvasható.

A központi szám a következő. Egy olyan márkára, amely szerepelt a modell emlékezetében az adott kategória első tíz neve között, a modell az esetek 55,7 százalékában keresett rá. Egy olyan márkára, amelyet nem tartott számon, csak 17,4 százalékban. Ez 3,2-szeres különbség. A mögötte lévő minta 492 „ismert” és 924 „nem ismert” esetből áll, összesen 1416 márkaszintű megfigyelés.

Fontos részlet, hogy ez nem egyetlen szektor furcsasága. A kutatás kilenc iparágat vizsgált, és a különbség mind a kilencben megmaradt: a nem ismert márkák keresési aránya 9 és 23 százalék között mozgott. Vagyis nem arról van szó, hogy egy iparágban torzított az adat.

Miért számít, hogy a modell rákeres-e egyáltalán?

Mert a keresés a belépő. Ha a modell nem keres rá egy cégre, semmilyen friss információt nem szerez róla, így a válaszában sem tud rá hivatkozni. Az oldalad tartalma, a szerkezete és a sémajelölésed ilyenkor nem játszik szerepet — nem azért, mert gyenge, hanem mert a modell soha nem jutott el odáig, hogy megnézze.

Ez élesen elkülönül attól, amit az AI-láthatóság mérése általában vizsgál. Amikor a hét dimenzió mentén mérek egy oldalt, akkor arra a kérdésre válaszolok, hogy felkészült-e a cég arra, hogy idézzék. Ez a mérés viszont egy korábbi kapuról szól: bekerülsz-e egyáltalán abba a körbe, amelyet a modell megvizsgál. A kettő nem ugyanaz, és a sorrend számít.

Ugyanez a különbség köszön vissza abban, amit korábban a GEO-pontszám és az AI-ajánlás viszonyáról írtam. A pontszám a felkészültséget méri. Az ajánlás ennél több feltételtől függ. Ez a mostani kutatás azt teszi hozzá, hogy van egy még korábbi feltétel is: az ismertség.

Mennyire gyakori, hogy a modell egyáltalán márkanévre keres?

Ritkábban, mint gondolnád, és ez a kutatás második érdekes száma.

Amikor a modell a háttérben keresésekre bontja a kérdést, a keresések 31 százaléka nevez meg konkrét márkát; a maradék 69 százalék általános, kategóriaszintű keresés. Vagyis a modell munkájának nagyobbik része nem márkákról szól, hanem a témáról.

Amikor viszont mégis márkanevet ír be, akkor az esetek 63 százalékában a saját emlékezetének első öt neve közül választ. Ez a két szám együtt írja le a szűkületet: a márkanévre épülő keresések aránya eleve kisebbség, és azon belül is erősen a már ismert nevek felé húz.

Mit nem bizonyít ez a kutatás?

Négy korlátot érdemes kimondani, mert enélkül könnyű túlértelmezni ezt a számot. Én magam is óvatosan bánok vele.

Először: ezt egy szolgáltató mérte, amely AI-láthatósági szolgáltatást ad el. A geoSurge-nek üzleti érdeke fűződik ahhoz, hogy az AI-láthatóság fontosnak látsszon. A módszertanát nyilvánosan közli, ami sokkal több, mint amit ezen a piacon általában látni — de ettől még nem független kutatás.

Másodszor: egyetlen modellt vizsgáltak. A keresési viselkedést a Gemini 3.5 Flash felületén mérték. Semmi nem garantálja, hogy a ChatGPT vagy a Claude ugyanígy viselkedik.

Harmadszor: amerikai vásárlói kérdésekre épült, 66 kérdéssel, közel 4000 válasszal, tizenkét napos időszakban. Magyar piacra vonatkozó adat nincs benne. Én ezt irányadónak veszem, nem magyar mérésnek.

Negyedszer: a kutatás összefüggést mutat, nem okot. Az, hogy az ismert márkákra gyakrabban keres rá a modell, önmagában nem bizonyítja, hogy az ismertség okozza a keresést — az is lehet, hogy mindkettő ugyanannak a piaci jelenlétnek a következménye. Ez a különbségtétel a gyakorlati teendőt nem változtatja meg, de a fogalmazást igen.

Mit jelent ez egy magyar kkv-nak, akit a modell még nem ismer?

Először is azt, hogy a rossz hír nem az, aminek látszik. Ha a céged nincs benne egy modell emlékezetében, az nem büntetés és nem hiba — a modellek tanítóanyagában a magyar kkv-k túlnyomó többsége egyszerűen nem szerepel elég sokszor ahhoz, hogy megjegyezhető legyen. Ez az alaphelyzet, nem a kivétel.

Másodszor azt, hogy a megoldás iránya nem az oldalad átírása. Az oldalad szerkezetén dolgozni továbbra is szükséges, viszont ez a konkrét kapu nem ott nyílik. Az emlékezet a modellen kívülről épül: attól, hogy máshol beszélnek rólad.

Harmadszor pedig azt, hogy van egy köztes út. A kutatás szerint a keresések többsége kategóriaszintű, nem márkaszintű. Ez azt jelenti, hogy nem ismert cég is bekerülhet a válaszba — de nem úgy, hogy a nevére keresnek, hanem úgy, hogy ott van a kategóriakeresés eredményében. Ez a réteg akkor is nyitva áll, ha a márkád ismeretlen.

Mit tehetsz konkrétan?

Négy dolog, sorrendben, a leggyorsabbtól a leglassabbig.

Nézd meg, hol tartasz. Kérdezz rá több felületen a saját cégedre, és nézd meg, mi jön vissza. Ennek a menetét részletesen leírtam abban a cikkben, amely arról szól, mit mond a ChatGPT a vállalkozásodról. Egyetlen lekérdezés nem mérés — kérdezz rá többször, több napon.

Legyél megtalálható a kategóriádban. Mivel a keresések nagyobb része kategóriaszintű, az a cél, hogy szerepelj a „balatoni könyvelő” vagy a „veszprémi fogorvos” típusú keresés eredményében. Ez a klasszikus, jól ismert munka: pontos adatok, konzisztens megjelenés, valódi tartalom.

Legyél következetes mindenhol. Ugyanaz a cégnév, cím és telefonszám minden felületen. Ezt a NAP-konzisztenciáról szóló írásban vettem végig. Ez nem az emlékezetet építi, hanem azt teszi lehetővé, hogy amit rólad talál a modell, azt egyetlen céghez tudja kötni.

Építs külső jelenlétet. Ez a lassú rész, és nincs rá gyorsítás. Említések, szakmai megjelenések, valódi vélemények, katalógusok. Egy modell emlékezete abból épül, ami az interneten sokszor, sok helyen szerepel — vagyis ugyanabból, amiből a valódi ismertség.

Az őszinte összefoglaló

Egyetlen szolgáltató, egyetlen modell, amerikai minta, tizenkét nap. Ez a mérés nem törvény, és nem is állítom annak.

Amit viszont hasznosnak tartok belőle, az a gondolkodási keret. Eddig az AI-láthatóságot úgy kezeltem, mint egy versenyt, ahol az a kérdés, ki kerül be a válaszba. Ez a kutatás arra emlékeztet, hogy a verseny előtt van nevezés is, és annak külön feltételei vannak. Egy kis cégnek ez rossz hír abban az értelemben, hogy a lemaradás önmagát erősíti — és jó hír abban, hogy tudja, mire ne pazarolja az idejét. A saját oldalad tökéletesítése nem nyitja meg ezt a kaput. Az, hogy máshol beszélnek rólad, megnyitja.

Hogy pontosan mit mérek és milyen súllyal, azt a módszertan oldalon szedtem szét, dátumozott méréssel.

Kindl Dávid · Közzétéve: 2026. augusztus 2.

Gyakori kérdések

Mit jelent az, hogy a modell „emlékszik” egy márkára?

Azt, hogy a márka neve elég sokszor és elég sok helyen szerepelt a modell tanítóanyagában ahhoz, hogy a modell az adott kategória kapcsán fel tudja idézni. Ez nem élő adatbázis és nem keresés, hanem a tanítás során rögzült tudás. A geoSurge mérése azt vizsgálta, hogy a modell rákeres-e a háttérben egy márkanévre, és azt találta, hogy az általa számon tartott első tíz név esetében az esetek 55,7 százalékában keresett rá, a nem ismert nevek esetében pedig 17,4 százalékban.

Ha a modell nem ismeri a cégemet, akkor esélyem sincs bekerülni egy AI-válaszba?

De van, csak más úton. Ugyanez a mérés azt is mutatja, hogy a modell háttérkereséseinek csak 31 százaléka nevez meg konkrét márkát, a maradék 69 százalék általános, kategóriaszintű keresés. Egy ismeretlen cég ezen a kategóriaszintű úton kerülhet be a válaszba: ha a saját szakmájára és településére vonatkozó keresés eredményében ott van. A márkanévre épülő út az, amely ismertség nélkül szinte zárva marad.

Mennyire megbízható ez a kutatás?

Korlátozottan, és ezt érdemes kimondani. Egy AI-láthatósági szolgáltatásokat áruló cég, a geoSurge saját mérése, tehát nem független kutatás — bár a módszertanát nyilvánosan közli, ami ezen a piacon nem általános. Egyetlen modellen, a Gemini 3.5 Flash felületén mérték, 66 amerikai vásárlói kérdéssel, közel 4000 válasszal, tizenkét nap alatt. Magyar adat nincs benne. Iránymutatásnak jó, bizonyítéknak nem.

Miért nem elég az oldalamat rendbe tenni?

Mert az oldalad tartalma csak akkor számít, ha a modell egyáltalán eljut odáig, hogy megnézze. Az ismertségi szűrő ennél korábban működik: a modell a saját emlékezete alapján dönti el, kire keres rá. Az oldal szerkezetén, a sémajelölésen és a válaszra kihegyezett tartalmon dolgozni továbbra is szükséges — ez a felkészültség oldala —, de ezt a konkrét kaput nem ez nyitja ki, hanem az, hogy máshol beszélnek rólad.

Mit tehetek most, ha ismeretlen a cégem?

Négy lépés, sorrendben. Először mérd fel, mit mondanak rólad a felületek, több lekérdezéssel, több napon — egyetlen kérdés nem mérés. Másodszor dolgozz azon, hogy a kategóriádra és a településedre vonatkozó keresésekben ott legyél. Harmadszor tedd következetessé a cégneved, címed és telefonszámod minden felületen, hogy amit rólad találnak, egyetlen céghez legyen köthető. Negyedszer, és ez a leglassabb, építs valódi külső jelenlétet: említéseket, szakmai megjelenéseket, valódi véleményeket.