AI láthatóság mérése: miért vezet félre egy mérés

Az AI láthatóság mérése zajosabb, mint azt a legtöbb dashboard bevallja. A Szingapúri Nemzeti Egyetem új preprintje szerint a Google-találatok és az OpenAI API együtt a ChatGPT által ténylegesen idézett konkrét oldalaknak mindössze 26,2%-át reprodukálták. Egyetlen mérés semmit sem bizonyít, ezért az AI láthatóságot eloszlásként kezeld, és kösd üzleti eredményekhez.

Fő tanulságok

• Az API-ra vagy a Google SERP-ekre épülő eszközök az idézett oldalak kb. 26%-át, de a domainek kb. 49%-át fogják meg. Kövesd mindkét szintet.
• Minden promptot futtass ismételten (a tanulmányban 20-szor), mert az egyedi oldalak 44,5%-a csak egyszer jelent meg.
• Az említéseket és a hivatkozásokat külön mérd, mert az összevont pontszám elrejti a változás okát.
• A láthatóság nem forgalom: az AI Overview 58%-kal csökkenti a legjobb találat CTR-jét.
• Minden modellváltás után óvatosan kezeld a korábbi adatokat.

Miért vezet félre egyetlen AI láthatósági mérés

A preprint, amelyről a Search Engine Journal is beszámolt, a GPT-5.2-től a GPT-5.5 Instantig tesztelt modelleket. A ChatGPT soha nem a felhasználó kérdésének pontos megfogalmazásával keresett. Mindig átfogalmazta a saját kifejezéseire, a kínai nyelvű lekérdezések futtatásainak 67-70%-ában pedig angolra váltott.

A nagyobb gond a szórás. Az egyedi oldalak 44,5%-a a 20 futtatásból csak egyben bukkant fel. A GPT-5.5-re való átállás után a Sistrix a német hivatkozásoknál 47%-os ingadozást mért, szemben a szokásos 1-2%-kal.

A gyakorlati tanulság: egyetlen pillanatfelvétel anekdota. Gyakoriságra van szükséged, vagyis arra, milyen sűrűn jelenik meg a márkád az ismételt futtatásokban.

Mit látnak és mit nem látnak a mérőeszközök

A Google és az API együtt az oldalak 26,2%-át, de a domainek 48,7%-át fogta meg (az aldomaineket külön számolva). A mérés tehát nagyjából megmondja, mely oldalakat idézi az AI, de nem megbízhatóan azt, hogy mely URL-eket.

Ugyanennyire legyél óvatos a klasszikus rangsorokkal is. Az Ahrefs kutatása, amelyet a Search Engine Journal foglalt össze, szerint az AI Overviewban idézett URL-eknek csak 37,1%-a szerepel a top 10-ben is. További 26,2% a 11. és 100. hely között van, 36,7% pedig a top 100-on kívül. A query fan-out olyan tartalmakat von be, amelyeket a fő kulcsszavaidra végzett rangsorkövetés soha nem néz.

És a séma? Az idézett oldalakon háromszor gyakrabban volt JSON-LD, de a hozzáadása nem mozdította meg érdemben a hivatkozásokat (AI Mode +2,4%, ChatGPT +2,2%, AI Overviews -4,6%). A jelölés továbbra is számít az ágensek és a rich találatok miatt, csak ne várd, hogy önmagában hivatkozásokat hoz. A Semrush 10 SEO bevált gyakorlata joggal helyez nagyobb hangsúlyt a tematikus tekintélyre és az oldalankénti egyértelmű keresési szándékra.

Említések, hivatkozások és valódi üzleti hatás

Egyetlen pontszám különböző dolgokat kever össze. Az említés hivatkozás nélkül jelenlét elismerés nélkül. A hivatkozás említés nélkül forrás kontextus nélkül. Ha összevonod őket, nem tudod, miért mozdult a szám.

Fontosabb kérdés, hogy mit kapsz cserébe. Az AI Overview 58%-kal csökkenti a legjobban rangsorolt találat CTR-jét. Egy márka nőhet az AI-válaszokban, miközben kattintásokat veszít.

Hasznos keretet ad a The Generative AI Report Sucks című írás. A Search Console Generative AI jelentése csak megjelenéseket mutat, ezért a szerző egy AI Commercial Exposure indexet javasol = (V × S × T × C)^(1/4):

• V: AI láthatóság a GSC-ből
• S: AI Overview általi helyettesítés a SERP-adatokból
• T: az organikus forgalomtól való függés a GA4-ből
• C: kereskedelmi érték (bevétel, konverziók)

Normalizálj mindent 0 és 100 közötti skálára, és számolj alkönyvtáranként (/news/, /blog/, /products/). A GSC oldalszintű exportja 1000 sorban maximalizált, így nagyobb webhelyeknél csak minta. A magas láthatóság keveset ér, ha a tartalomnak nincs kereskedelmi értéke, vagy nem függ az organikus forgalomtól.

Gyakorlati módszer az AI láthatóság tisztességes méréséhez

1. Ismételd a promptokat. Kulcsprompt-onként futtasd tucatszor, és tárold azon futtatások arányát, amelyekben a márkád megjelent.
2. Két szinten számolj. Domainek a trendhez, URL-ek csak durva jelzésként.
3. Válaszd szét az említéseket és a hivatkozásokat. Két mutató, két grafikon.
4. Valódi nyelvből építs promptokat. Reddit-szálak, értékesítési hívások, ügyfélkérdések. A modell úgyis átfogalmazza a lekérdezést, ezért szemantikai változatokat fedj le egyetlen long-tail kifejezés helyett.
5. Kösd a bevételhez. GSC, GA4 és kereskedelmi adatok alkönyvtár szinten. A szerverlogokban válaszd szét a tanító, a kereső és a lekérő botokat, mert mindegyik másfajta keresletet jelez.
6. Modellváltás után nullázd az alapvonalat. A régebbi adatok keveset mondanak az új viselkedésről.

Ha nem szeretnéd mindezt táblázatokban összerakni, a Charlie egy helyre hozza ezeket a rétegeket, az elemzésben pedig AI-szakértők segítenek.

Hová illeszkednek a Google új mérőeszközei

Az AI láthatóság követése csak a munka fele. A másik fele a hatás bizonyítása. Az új eszközök bejelentésében a Google átlagosan 26%-os inkrementális ROAS-növekedést említ azoknál a hirdetőknél, akik offline és alkalmazásadatokat kötöttek be a Data Manageren keresztül, valamint 11%-os növekedést a Search konverzióiban a kibővített konverziókból. Ezek a Google saját számai, ezért ellenőrizd őket a saját adataidon.

A leghasznosabb elem a Meridian GeoX, amely mostantól globálisan elérhető oksági geo-kísérletekhez. Ha az AI csökkenti a kattintásokat, egy geo-teszt megmondja, hogy a visszaesés a bevételben is megjelenik-e, nem csak egy dashboardon.

A lényeg

Az AI láthatóság statisztika, nem tény. Mérd ismételten, domain és URL szerint, válaszd szét az említéseket a hivatkozásoktól, és mindig a kattintások és a bevétel mellé tedd. Csak így válik költségvetési döntéssé.