Jan-Willem Bobbink megosztotta az X-ről alkotott véleményét, miszerint a mesterséges intelligencia láthatósági nyomkövetői csendesen megtörik azoknak a márkáknak az elemzését, akik fizetnek nekik, hogy nyomon követhessék őket. Itt az ideje, hogy nagyobb hangsúlyt fektessünk erre a témára, mivel ez az AI-ban jobban láthatóvá teszi az elmozdulásokat, a téves jelentéseket, valamint az erőforrások és a marketingköltségvetés helytelen elköltését.
Jan-Willem eltalálja az attribúció hiányát a RAG ciklusokban. Amikor egy nyomkövető felszólítást indít, és ez a felszólítás lekérést indít el, a márka lényegében egy eszközt fizet, hogy létrehozza saját mesterséges intelligencia láthatóságát, és elkezd jelentést készíteni magáról.
Ezt ouroborosnak nevezik, ami egy olyan szó, amelyet valószínűleg egyre gyakrabban fog megjelenni a SEO iparágban, ahogy az AI/LLM-eket írjuk le.
Az Ouroboros-effektus, ahogy az AI elkezdi önmagát idézni, amiről Pedro Dias a közelmúltban foglalkozott.
Számos mesterséges intelligencia láthatósági eszköz kapott jelentős összegű támogatást az elmúlt hónapokban, és némelyikük több tízezer dollárt kér a márkáktól a láthatóság „követéséért”, de ez a hurkolt hatás kezd valósággá válni, és az, hogy a harmadik féltől származó eszközök hogyan követik nyomon a mesterséges intelligencia láthatóságát, visszaütő hatással lesz.
Az egyik példa, amelyre sokat utalok, az az idézetek számának csökkenése, amelyet a ChatGPT produkált, amikor 2025 augusztusában kiadta az 5.0-s modellt.
A ChatGPT láthatóságát biztosító számos eszköznél a grafikonok hanyatlást tapasztaltak, nem azért, mert a webhelyek megsértették a spam-irányelveket vagy a rövid távú taktikájuk bevált, hanem azért, mert az eszközök hogyan követték nyomon az idézeteket, és a modell kevesebbet termelt. Ez nem a láthatóság mértéke, hanem a rangkövetés átdolgozott változata, és ezek a grafikonok szállítói szerződésekbe kerülhetnek, helytelenül tájékoztatják a költségvetési kiadásokat, és hamis pánikot (vagy hamis ünneplést) kelthetnek.
A megfigyelő effektus veszélyei
A fizikában a megfigyelő effektus azt állítja, hogy a jelenség megfigyelésének aktusa megváltoztatja azt. Ez valós időben történik a SEO iparágban.
A legtöbb LLM-követő fej nélküli böngészőt vagy speciális API-t használ. Amikor a Perplexity vagy a ChatGPT friss információkat „keres”, hogy válaszoljon a nyomkövető kérdésére, az nem csak a kezdőlapra érkezik; RAG lekérést hajt végre, és több URL-t is elérhet.
Mivel ezek a robotok gyakran forgatják az IP-címeket/proxykat, vagy „lopakodó” fejléceket használnak, hogy elkerüljék a lekopásgátló falak blokkolását, legitim organikus felfedezési feltérképezésnek tűnnek. Így működik számos rangkövető eszköz évek óta.
Emiatt bejelentheti egy ügyfélnek vagy más érdekelt feleknek, hogy „40%-kal nőtt a mesterséges intelligencia érdeklődése termékoldalaink iránt”, holott a valóságban ennek 35%-a csak a saját nyomkövető eszköze volt, amely frissítette a gyorsítótárát, vagy más nyomkövető eszközök, amelyek a márkájuk versenytársaként kerestek.
Az AI követési zaj rosszabb, mint a rangkövetési zaj
Ahogyan Jan-Willem megjegyezte, a Google Search Console-ban figyelmen kívül hagytuk a rangkövető zaját, mivel a megjelenítések „puha” mérőszámnak számítottak. A naplófájladatok azonban az infrastruktúrához használt kemény adatok, amelyek megértik, hogyan férnek hozzá a robotok a webhelyéhez (szervernaplófájl-elemzés), és most, az AI korszakában megértjük, hogy az AI-platformok miként lépnek kapcsolatba webhelyével.
Amikor jelentést nyújt be ügyfelének, kollégáinak vagy marketingigazgatójának, akkor egy nagy nyelvi modellen belül próbálja bizonyítani a márkapreferenciát. Ha adatait saját nyomon követése (és mások követése) szennyezi, akkor a „hamis pozitív” stratégia kockázata.
Előfordulhat, hogy megduplázza azokat a tartalmakat, amelyek valójában nem népszerűek a valódi mesterséges intelligencia-felhasználók körében, hanem egyszerűen azt a tartalmat, amelyet a nyomkövető eszköz a leggyakrabban aktivál.
Mit kell tenni most
Amíg egy szállító meg nem építi a Jan-Willem által kért „Clean Log” API-t, szkepticizmussal kell kezelnie a naplófájlokat.
Futtassa nyomkövető eszközeit egy „csendes” állomásozási környezetben vagy egy adott áldozati URL-készleten, hogy mérje az eszköz által létrehozott „zajszintet”.
Keressen konkrét mintákat (felhasználói ügynök ujjlenyomata) a naplókban, amelyek korrelálnak az eszköz szkennelési idejével. Még ha az IP-címek váltakoznak is, az időzítés gyakran olyan mintákat mutat, amelyek könnyen azonosíthatók.
És ne jelentse a „teljes mesterségesintelligencia-lekérés” sikermutatót. Koncentráljon arra, hogy milyen gyakran említik márkáját a versenytársakhoz képest, ami az LLM-kimenetből, nem pedig a szervernaplókból származó mérőszám.
