Módszertan: így mérem az MI-láthatóságot

Ez a lap leírja, pontosan mit és hogyan mérek, amikor megnézem, mit mond a ChatGPT és a Gemini egy vállalkozásról. Magyarországon szinte senki nem teszi közzé a módszerét. Én megteszem, mert egy mérés annyit ér, amennyire ellenőrizhető. Itt látható a hét dimenzió, a súlyok, a próba menete és a saját, dátumozott eredményeim is — beleértve azt, ahol az oldal maga még gyenge.

A felkészültségi pontszám hét, külön súlyozott dimenzióból áll össze. Mindegyik egy konkrét kérdésre felel: meg tudja-e találni az MI az oldalt, el tudja-e olvasni, és tud-e róla idézhetőt mondani. A súlyok nem önkényesek — korrelációs vizsgálatokra és szakmai konszenzusra támaszkodnak, és negyedévente felülvizsgálom őket, mert a robotok nevei és a modellek viselkedése gyorsan változik.

Fontos, hogy két különböző dolgot mérek, és a kettőt élesen szétválasztom. Az egyik a felkészültség — ezt méri a hét dimenzió, és ez nagyrészt a tulajdonos kezében van. A másik az ajánlás: az, hogy a modellek egy valódi kérdésre tényleg kimondják-e a cég nevét. Ez utóbbi részben a vállalkozáson kívül dől el, és nem ígérhető meg. Aki a kettőt összemossa, olyat ad el, ami nem az övé.

Mit mér a 7 dimenzió?

A táblázat a teljes súlyozást mutatja. Ahol gépi a mérés, ott [AUTO] jelzés áll: ezeket lekéréssel, böngésző nélkül ellenőrzöm, így gyorsan és visszakereshetően ismételhetők.

A legnagyobb súly nem véletlenül a külső jelenléten van. Az ellenőrzések túlnyomó része viszont a saját honlapon van, mert azt tudja a tulajdonos a leggyorsabban rendbe tenni. A részletes ellenőrzőpontokat a hogyan működik oldalon és a hét dimenzió bemutatásában írom le bővebben.

A gépi és a kézi ellenőrzés között azért teszek különbséget, mert ez is az őszinteséget szolgálja. Az [AUTO] jelölésű pontokat — a robot-hozzáférést, a JavaScript nélküli olvashatóságot, a strukturált adatot, a HTTPS-t, a belső összekötést — egyszerű lekéréssel, böngésző nélkül vizsgálom. Ezek olcsók, gyorsak és bárki által ismételhetők: ugyanazt a kérdést ugyanúgy felteszem, és ugyanazt a választ kapom. A külső jelenlét (D5) és a NAP-egyezés (D4) viszont kézi keresést is igényel, mert ezek a vállalkozáson kívül, máshol jönnek létre. Ahol kézi munka van, ott azt jelzem, és nem adom ki gépi pontosságnak.

Hogyan zajlik egy mérés?

A felkészültséget a hét dimenzió szerint pontozom, a honlapból és a nyilvános jelekből. Az ajánlást viszont úgy nézem meg, ahogy egy vásárló tenné. Felteszem ugyanazt a kérdést — például hogy melyik a legjobb fogászati klinika egy adott városban — több MI-modellnek, és rögzítem, ki kerül be név szerint a válaszba. A válaszokat dátumozom és elmentem, hogy később bárki visszanézhesse őket.

Nem egyetlen modellt kérdezek, mert az torzítana. Minden modell mást felel: az egyik a tanítóanyagából emlékszik egy ismert névre, a másik élő keresésből szed össze találatokat, a harmadik a véleményekre támaszkodik. Ezért csak a több modellből összeálló kép őszinte. Egyetlen képernyőkép könnyen félrevezet — a dátumozott, több modellből vett mérés sokkal nehezebben.

Ez nem hiba a modellekben. Ez a kiindulási helyzet a legtöbb magyar kkv-nál. A helyi ajánlási ráták önmagukért beszélnek: a SOCi 2026-os Local Visibility Indexe szerint — több százezer üzleti telephely vizsgálata alapján — a ChatGPT a helyi vállalkozásoknak csak 1,2 százalékát, a Gemini 11 százalékát, a Perplexity 7,4 százalékát nevezi meg, miközben a Google helyi hármasában ugyanezek a cégek 35,9 százalékban jelennek meg (forrás: SOCi Local Visibility Index, 2026). Az MI tehát sokkal válogatósabb, mint a hagyományos keresés. Nyilvános, rögzített véleményszám-küszöb nincs — bizalmi küszöb működik: az ajánlott helyek átlagosan 4,3 csillagon állnak, és a profiladatok pontossága is számít (a ChatGPT és a Perplexity esetében az üzleti adatok pontossága 68 százalék, a Google-térképre építő Gemininél 100 — ugyanonnan). A teljes próbát és a számokat a fogászati mérésről szóló írásban közlöm.

Az is mérhető, miért nem látszik egy cég. Az MI-válaszok megnevezett forrásainak nagy része nem a cégek saját oldala: a ChatGPT idézeteiben önmagában a Wikipédia aránya 47,9 százalék, a Perplexitynél a fórumok adják a hivatkozások közel felét (forrás: Digital Bloom idézési jelentése) — vagyis a vélemények, a katalógusok és a független említések döntenek. A nyelv is számít: egy 1,3 millió hivatkozást vizsgáló elemzés szerint a tartalmukat másik nyelvre lefordító oldalak akár 327 százalékkal több MI-hivatkozást szereztek az adott nyelv keresésein, mint fordítás nélkül (forrás: Weglot nyelvi vizsgálata). A magyar piacon ez fordítva is igaz: a magyar vásárlókért magyarul érdemes láthatóvá válni.

Miért nyilvános mindez?

Ma már nem az a kérdés, hogy van-e vélemény a módszerről, hanem az, hogy ellenőrizhető-e. Egy MI-láthatósági pontszám pontosan annyit ér, amennyinek a tulajdonos utána tud nézni. Ha a súlyokat, az ellenőrzéseket és a próba menetét eltitkolnám, akkor egy számot kérne el tőlem, és el is hinné — vagy nem. Inkább leírom, mit nézek, hogy bárki utána tudjon járni, és vitatkozni is tudjon vele.

Ez fordítva is kötelez. Ha a saját pontszámom romlik, az oldal kiírja — a gyűrűk a build adataiból frissülnek, nem a marketingszöveghez igazodnak. A hitelesség ezen az oldalon nem díszítés. Egy túlzó állítás, amit a vásárló percek alatt megcáfol, nemcsak a mérést rontaná le, hanem mindent, ami utána jön. Ezért az itt közölt minden számhoz forrás tartozik a lap alján, a saját méréseimet pedig dátummal és a próba leírásával vállalom.

A jelenség egyébként mérhetően most kezd élessé válni. A kutatások szerint a megnevezett források és a hagyományos keresés első oldala nagyrészt átfedik egymást — vagyis aki a klasszikus keresésben sem látszik, az az MI-válaszokban is nehezen jelenik meg (a témakör tágabb képe a Search Engine Land összefoglalójában és a Princeton GEO-tanulmányában olvasható). Ha kíváncsi a saját kiindulási helyzetére, a kapcsolat oldalon kérhet ingyenes mini-ellenőrzést, vagy megnézheti az árakat.

Kérek egy ingyenes mini-ellenőrzést Elolvasom: SEO vagy GEO?