Az elmúlt két évben a keresés működése észrevétlenül átalakult: egyre több felhasználó nem tíz kék linket kap egy kérdésre, hanem egy kész, összefüggő választ, amelyet egy nagy nyelvi modell (LLM) állít elő. A ChatGPT, a Perplexity, a Google AI Overviews és a Gemini nem találati listát ad, hanem összegez — és ezzel új, tisztán informatikai kérdést tesz fel minden tartalomtulajdonos elé: hogyan kerül be egy szöveg, egy adat vagy egy szakértői anyag ezekbe a gépi úton generált válaszokba?

Miért nem elég a klasszikus SEO?

A hagyományos keresőoptimalizálás (SEO) arra épült, hogy egy oldal minél előrébb kerüljön a találati listán, és a felhasználó rákattintson. A generatív keresőknél viszont sokszor nincs kattintás: a modell elolvassa a forrásokat, majd saját szavaival megfogalmaz egy választ, és legfeljebb hivatkozásként tünteti fel az eredetet. A siker mércéje itt nem a pozíció, hanem az, hogy a modell beidézi-e vagy felhasználja-e a tartalmat a válasz megfogalmazásakor.

Ezt a jelenséget a szakirodalom Generative Engine Optimization (GEO) néven írja le. A fogalmat egy 2023-as tudományos tanulmány vezette be, amely szerint célzott tartalmi módszerekkel akár 40%-kal is növelhető egy forrás láthatósága a generatív motorok válaszaiban (GEO: Generative Engine Optimization, arXiv). A kutatás nem marketingfogás: kontrollált mérésekkel mutatta ki, hogy bizonyos szerkesztési elemek — például pontos statisztikák, idézetek és forrásmegjelölés — mérhetően javítják a beidézés esélyét.

Az entitás, amit a modell „ért"

A nyelvi modellek nem kulcsszavakban, hanem entitásokban és összefüggésekben gondolkodnak. Egy márka, egy szakértő vagy egy szolgáltatás akkor jelenik meg megbízhatóan a válaszokban, ha a rendszer egyértelmű, ellentmondásmentes képet tud alkotni róla: ki ő, mivel foglalkozik, milyen piacon, kik állnak mögötte. Ha ugyanaz a cég három különböző néven, eltérő leírással szerepel a különböző felületeken, a modell számára ez zaj — és a zajos entitást ritkábban idézi.

Ennek technikai alapja jórészt a strukturált adat. A schema.org szótár (Organization, Service, Person, Article, FAQ típusok) gépi olvasásra teszi egyértelművé, hogy egy oldalon mi micsoda. Ez nem új találmány — a Google évek óta használja a gazdag találatokhoz —, de a generatív korszakban a szerepe felértékelődik, mert a modellek épp ezekből az egyértelmű jelzésekből építik fel a világról alkotott belső képüket.

Mit jelent ez a gyakorlatban?

A GEO-szemléletű tartalom néhány visszatérő jellemzővel bír. Az első két-három sorban rövid, tényszerű definíciót ad, mielőtt belemenne a részletekbe. Konkrét, számszerű állításokat használ általánosságok helyett. Kérdés–válasz szerkezetet alkalmaz, mert a felhasználók is kérdés formájában fordulnak a modellhez. És kívülről is megerősíthető: ha egy állítást független forrás is alátámaszt, a modell nagyobb bizalommal kezeli.

Ez a megközelítés lassan külön szakterületté válik. A magyar piacon is megjelentek már olyan műhelyek — például a B2B döntéshozókra fókuszáló AI-SEO.HU —, amelyek kifejezetten arra specializálódtak, hogy a márkák ne csak a klasszikus találati listán, hanem az AI-keresők válaszaiban is jelen legyenek. A hangsúly ilyenkor nem a hirdetésen, hanem az AI-láthatósági monitoringon van: az a kérdés, hogy egy adott felhasználói kérdésre a modell megemlíti-e a céget, és ha igen, pontosan vagy torzítva teszi-e.

A mérés, ami még kiforratlan

A GEO legnagyobb nyitott kérdése éppen a mérés. A klasszikus SEO-ban a pozíció és a kattintás jól számszerűsíthető; a generatív válaszoknál viszont a kimenet nem determinisztikus — ugyanarra a kérdésre a modell máskor kissé más választ adhat, és a válasz függ a felhasználó előzményeitől, sőt a modell aktuális verziójától is. Ezért a mérés ma jórészt manuális vagy félig automatizált: előre rögzített kérdéseket tesznek fel több modellben (ChatGPT, Perplexity, Gemini), és feljegyzik, megjelenik-e a vizsgált entitás, idézi-e a modell, és mekkora eltéréssel. Ez az adat gyorsan avul, mert a modellek hetente változnak — így a GEO inkább folyamatos monitorozás, semmint egyszeri beállítás.

Nem marketingtrend

A keresés átalakulása nem múló marketingtrend, hanem infrastrukturális változás abban, ahogyan az információ eljut az emberekhez. A tartalomtulajdonosok számára ez azt jelenti, hogy a régi kérdés — „hányadik vagyok a Google-ben?" — mellé egy új is került: „mit mond rólam a modell, ha rákérdeznek?"

A válasz nem egyetlen trükkön múlik, hanem azon, hogy a tartalom mennyire egyértelmű, ellenőrizhető és idézhető — vagyis mennyire alkalmas arra, hogy egy gép megbízhatóan felhasználja. Aki ezt ma átgondolja, annak nem hangos reklámra, hanem egy jól strukturált, tényekre épülő jelenlétre van szüksége az AI-válaszok korában.