Az eszközöket bevetik. A licencek ki vannak fizetve. És ha Ön jelenleg vezető SEO vagy GEO-gyakorló, valószínűleg minden nap használja az AI-t – piszkozatokhoz, összefoglalókhoz, a korábban kétszer hosszabb ideig tartó tartalom első lépéseihez. Ez az igazi termelékenység, és ez nem semmi.
Ez sem az a megtérülés, amelyet a befektetés képes megtermelni. A kapott és a rendelkezésre álló közötti szakadék pedig nem eszköz probléma. Ez üzemmód probléma.
A Drexel Egyetemen Tim Gorichanaz által a 2025-ös ASIS&T éves találkozón közzétett, lektorált tanulmány elnevezést ad ennek a problémának (h/t Shari Thurownak, amiért rámutatott erre az írásra!). 205 valós ChatGPT-használati esetet elemezve Gorichanaz hat különböző módot azonosított, amelyekben az emberek ténylegesen használják az AI-t: írás, döntés, azonosítás, ötletelés, beszélgetés és kritika. Az adatok a Reddittől származnak, és torzítja az Anglophone-t, ami korlátozza az általánosíthatóságát, de az általa készített taxonómia kényelmetlenül jól mutatja, hogyan dolgozik a legtöbb gyakorló. Két mód dominál. Négyet hagynak az asztalon. A négy maradt, amely meghatározza, hogy az AI stratégiailag értékesebbé tesz-e, vagy csak gyorsabbá tesz-e a végrehajtási rétegben.
Ez a megkülönböztetés jelenleg többet számít, mint az iparág történetének bármely korábbi pontján.
A mindenki által alapértelmezetten beállított két mód
Az írás volt a legnagyobb kategória Gorichanaz adatai között a megfigyelt használati esetek 47%-ánál – fogalmazás, szerkesztés, összegzés, fordítás, generálás. A McKinsey 2025-ös State of AI felmérése ezt vállalati szinten is megerősíti: a leggyakrabban jelentett mesterséges intelligencia felhasználási esetek a tartalomszerkesztés és az információrögzítés, és a generatív AI-t használó szervezetek 63%-a elsősorban szövegalkotásra alkalmazza.
Az azonosítás – valaminek magyarázata, tényszerű kérdés megválaszolása, dokumentum összefoglalása – a tanulmány adatainak további 10%-a volt, és ez a másik pillér, amelyre a legtöbb gyakorló MI munkafolyamatát építette fel. Kutasson egy témát, készítsen szintézist, lépjen a következő feladatra.
Ez a két mód együttesen adja a MI-használat túlnyomó többségét a szakemberek és a vállalkozások körében. Mindkettőnek van valódi értéke, de egyiknél sincs a tőkeáttétel. És ha a mesterséges intelligencia gyakorlata itt kezdődik és ér véget, akkor egy egyre kifinomultabb eszközt használ a már automatizált munka elvégzésére – csak gyorsabban és nagyobb hangerővel.
A másik négy módban (Gorichanaz mintájának 21%-ánál dönteni, 9%-nál ötletelésnél, 8%-nál beszélni és 6%-nál kritizálni) a munka pótolhatatlanná válik. Szinte egyetlen gyakorló sem épített ki szándékos munkafolyamatot, mert senki sem adott nekik egyet, és az azonnali eredmény megjelenítésére irányuló nyomás következetesen kiszorította a teret a fejlesztéshez.
A döntések, amelyeket még mindig egyedül hozol
A gyakorló hetében a döntési mód kérdései mindenhol jelen vannak: mely lekérdezések esetében érdemes jelenleg előnyben részesíteni a mesterséges intelligencia láthatóságát, vajon a márka visszakeresési problémája tartalomarchitektúra-e vagy beszerzési és jelzési probléma, hogyan osszuk fel az erőfeszítéseket a portfólió között, ha mind a SEO, mind a GEO figyelemre szorul, és a költségvetés nem terjed ki mindkettőre, amikor a láthatóság javítása előtti probléma kérdi.
A legtöbb vezető gyakorló jelenleg tapasztalattal és intuícióval oldja meg ezeket a kérdéseket. Ez nem kudarc, mivel a tapasztalat és az intuíció valóban értékes, és semmilyen mesterséges intelligencia nem helyettesíti őket. A Döntés módban szándékosan használt mesterséges intelligencia azonban hozzáad valamit, amit a tapasztalat önmagában nem tud biztosítani: a döntés alatti feltételezések strukturált nyomáspróbáját, amelyet a döntés megszilárdulása előtt alkalmaznak.
Ehhez több kell, mint egy jó kérdés. A döntési módhoz meg kell adni a mesterséges intelligencia számára a megfelelő kontextust (versenykörnyezet, jelenlegi láthatósági pozíció, történelmi teljesítmény, stratégiai korlátok), majd a visszaérkezőket a döntés valódi inputjaként kell kezelni, nem pedig áttekinteni és félretenni. Olyan munkafolyamatot igényel, amely a legtöbb gyakorló praxisában még nem létezik, nem azért, mert bárki blokkolta, hanem mert senki sem épített rá időt vagy struktúrát.
Ugyanezek a McKinsey-adatok világossá teszik, hogy ez a hiány nagyságrendileg mennyibe kerül: a szervezetek 88%-a használ mesterséges intelligenciát, de csak 6%-uk minősül jól teljesítőnek, amely jelentős hatást gyakorol az egész vállalatra, és a jól teljesítők 3,6-szor nagyobb valószínűséggel dolgozták át alapvetően a munkafolyamataikat, ahelyett, hogy egyszerűen beépítették volna a meglévő eszközöket. A minta a gyakorló szintjén érvényesül. A nem rekonstruált munkafolyamat gyorsabb kimenete nem ugyanaz, mint egy átstrukturált munkafolyamat jobb döntései.
A hiányosságokról senki nem tájékoztatott
A keresőoptimalizálással és a GEO-val foglalkozó szakemberek számára az Ötletkészítési módnak van egy speciális alkalmazása, amelyet a legtöbben nem használnak, és a legtöbbnek ennek kellene lennie: a márka által még fel nem ismert entitás- és jogosultsági hiányosságok feltérképezése.
Az aktuális tekintély milyen szögeiből nem sikerült a márkának megállapítania, hogy a mesterséges intelligencia-visszakereső rendszerek jelenleg más forrásokból töltődnek be? Milyen közösségi jelzések (fórumbeszélgetések, összesített vélemények, harmadik felek kommentárja) alakítják azt, hogy az LLM-ek hogyan képviselik a márkát a kategóriakérdésekre válaszolva, és mi kellene ezek megváltoztatásához? A márka milyen keretei vannak a modellképzési adatokban, amelyekkel a márka saját tartalma soha nem foglalkozott vagy ellensúlyozott?
Ezek valóban ötletelési módú kérdések. Ezek olyan kérdések is, amelyekről a legtöbb gyakorlónak valamilyen változata van a fejében, anélkül, hogy strukturált módszerrel találná meg a válaszokat. Az Ötletkészítés módban használt mesterséges intelligencia, nem „adj öt tartalmi ötletet”, hanem valódi iteratív feltárás szándékos korlátokkal és valós hajlandósággal követni a kimenetet valahol, ahol a csapat még nem járt, az egyik legközvetlenebb módszer a hiányosságok felderítésére, mielőtt a versenytárs vagy az ügyfél-audit először megtalálná őket.
Az akadály nem képesség. Ez a különbség a lista kimenettel rendelkező írási prompt és a tényleges ötletelési munkamenet között. Az első két percig tart. A másodikhoz húsz kell, másfajta testtartást igényel a szerszám felé, és olyasmit produkál, amit senki sem tud megismételni, aki nem csinálta. Ebben az aszimmetriában épül fel a gyakorló értéke a jelenlegi környezetben, és a legtöbb gyakorló nem állítja ezt.
Az őszinte olvasmány csapata nem fogja megadni
Ez az a mód, amely a legközvetlenebbül alkalmazható a napi gyakorlatban, és a legnagyobb a szervezeti ellenállás, mert ehhez mesterséges intelligencia használata szükséges, hogy megtalálják azokat a problémákat, amelyekbe a szakember vagy csapata már befektetett.
Megfelelően használva a kritika azt jelenti, hogy a vezető gyakorló szakember megragadja, hogy mi hiányzott a belső felülvizsgálatból. A gyenge entitás állítása egy olyan tartalomstratégiában, amely hitelesnek hangzik, de nem támasztja alá a mesterséges intelligencia-visszakereső rendszerek, amelyek valójában megbíznak. A szakadék aközött, amit a márka elmond magáról a tulajdonában lévő ingatlanok között, és aközött, hogy milyen jól megindított LLM jelenik meg, amikor feltesznek egy kategóriakérdést, amelyet a márka birtokolnia kell. A GEO-ajánlás feltételezett előfeltevésének hat hónappal ezelőtt volt értelme, és aminek most ellentmond a visszakeresési minták eltolódása.
Az utolsó alkalmazás nem elvont. A saját márka (vagy egy ügyfél márka) működtetése egy strukturált mesterségesintelligencia-kritika munkameneten keresztül a következő stratégiai ciklus előtt pontosan az a fajta proaktív munka, amely elválasztja az ítélkezési rétegben dolgozó szakembereket a termelési rétegben dolgozó szakemberektől. Ez az a fajta munka is, amely megváltoztatja az ügyféllel vagy a vezetői csapattal folytatott beszélgetést, mert a problémákra még azelőtt kerül sor, hogy azok láthatóvá válnának az adatokban, nem pedig utólag elmagyarázza őket.
Az ok, amiért a kritikát nem használják ki, nem irányítási probléma. Ez diszpozíciós probléma. A szervezetek és a gyakorlati szakemberek nagyjából arra képezték ki magukat, hogy az AI-t kimenet előállítására használják, nem pedig lekérdezésre. Ennek a szokásnak a visszafordítása egy választás, és ez az egyik legkövetkezményesebb választás, amely jelenleg egy vezető orvos számára elérhető.
Próba
A Gorichanaz taxonómiájában szereplő Talking mód az MI-t mint beszélgetőpartnert fedi le, és a gyakorlók számára ennek legértékesebb változata a belső és ügyfélbeszélgetések próbája, ahol a tét valós.
Az ügyfélhívás, ahol meg kell magyarázni, hogy az organikus forgalom miért csökkent 30%-kal, miközben az AI-keresés láthatósága is rossz, és egyszerre két külön ok-okozati magyarázatot kell tartania anélkül, hogy egyetlen narratívává omolna össze, amely mindkettőt túlságosan leegyszerűsíti. A belső eligazítás, ahol a meglévő SEO-költségvetés mellett a GEO-beruházás mellett kell szólnia egy olyan vezetői csapatnak, amely még mindig összekeveri a két tudományágat, és egyetlen számot szeretne, amely megmagyarázza mindkettő megtérülését. Az ügynökség vagy szállító felülvizsgálata, ahol a kapcsolat elvesztése nélkül kell visszaszorítania az ajánlott megközelítést.
Ezek a beszélgetések ismétlődőek és nagy téttel bírnak, és a legtöbb gyakorló csak saját mentális próbával megy bele, felkészülésként. A beszédmód (a visszahúzás szerepének eljátszása, a mesterséges intelligencia megkérése, hogy vitatkozzon a másik oldallal, végigfutjuk a beszélgetés rossz verzióját) nem helyettesíti a tapasztalatot. Ez egy húsz percbe kerülő előkészítési módszer, amely jelentősen megváltoztatja a terembe belépő szakember minőségét.
Nem hoz létre műterméket. A használati jelentésben nem jelenik meg. Az EY 2025-ös Work Reimagined felmérése, amely 29 ország 15 000 munkavállalóját és 1500 munkaadóját érintette, megállapította, hogy az alkalmazottak 88%-a használja a mesterséges intelligenciát a munkahelyén, de csak 5%-uk használja olyan módon, amely alapvetően átalakítja a termelést. Ennek a különbségnek az oka szinte bizonyos, hogy a haladó módok – Kritika, Döntés, Beszélgetés – pillanatnyilag nem produkálnak valami mérhetőt. Idővel jobb gyakorlót hoznak létre, ami megtérül, és nem jelenik meg a műszerfalon.
Milyen módban van, melyik rétegben van
A hatmódusú taxonómia szinte pontosan leképezi a végrehajtási rétegbeli munka és az ítéleti réteg munka közötti megosztottságot. Az írás és az azonosítás végrehajtási réteg módok. Értékesek, láthatóak, és egyre inkább azok a módok, amelyeket az AI egyre kevesebb emberi beavatkozással kezel. A döntés, az ötletelés, a kritika és a beszéd az ítélkezési réteg módozatai. Ott él a gyakorló pótolhatatlansága.
Az a vezető SEO vagy GEO szakember, aki csak írási és azonosítási módban használja a mesterséges intelligenciát, funkcionálisan pontosan abban a pillanatban pozicionálja magát végrehajtási rétegben dolgozóként, amikor a mesterséges intelligencia a legagresszívebben tömöríti az adott réteget. Ez nem jóslat a munkahelyváltással kapcsolatban. Ez egy megfigyelés a szakmai differenciálódásról. Azok a szakemberek, akik tartós értéket építenek fel ebben a környezetben, az AI-t használják jobb ítélőképességük javítására, nem csak a teljesítményük felgyorsítására.
Gorichanaz tanulmánya újrafogalmazza, mit jelent valójában az információszükséglet a mesterséges intelligencia korszakában, nem csak a kérdések megválaszolását vagy a bizonytalanság csökkentését, hanem azt is, amit a szerzők neveznek. ügyesen megbirkózni a világgalami a gyakorlati intelligencia folyamatos alkalmazását jelenti olyan helyzetekben, amelyek megértést és cselekvést is igényelnek. Egy vezető gyakorló orvos számára ez a keretezés hasznos diagnosztika. A kérdés nem az, hogy az AI mire képes. Az, hogy munkája mely részei igényelnek olyan gyakorlati intelligenciát, amely a tapasztalattal párosul, és hogy a jelenlegi AI-gyakorlat élesebbé teszi-e ezt az intelligenciát, vagy csak mindent gyorsabbá tesz körülötte.
A McKinsey munkahelyi kutatása szerint a vezetők mindössze 1%-a nevezi vállalatát érettnek az AI bevezetésére, ami azt jelenti, hogy a mesterséges intelligencia teljes mértékben integrálódik a munkafolyamatokba, és jelentős üzleti eredményeket eredményez. Ennek a szakadéknak a gyakorló szintű változata ugyanolyan széles, és ugyanolyan javítható.
Ha összevetné a tényleges mesterségesintelligencia-használatot a hat móddal ezen a héten (nem azt, amit tenni szándékozik, hanem azt, amit valójában csinált), hogyan nézne ki a terjesztés? Mennyibe került az írás és az azonosítás? Mennyi volt a döntés, az ötletelés, a kritika, a beszélgetés?
Azok a gyakorlók, akik szándékosan bezárják ezt a szakadékot, és akik egy minimális munkafolyamatot is építenek az ítélőrétegi módok köré, nem csinálnak valami egzotikust. Olyasmit csinálnak, amit a legtöbb társaik nem. Egy olyan tudományágban, ahol a végrehajtási réteget ugyanazok az eszközök tömörítik, amelyekhez mindenki hozzáfér, ezt a rést érdemes először bezárni.
Ha meg szeretné tekinteni, mit építettem fel több hónapos munka után, további információkat olvashat a döntésekhez szükséges adatokról és a beszélgetések bizonyítékairól.
További források
Ez a bejegyzés eredetileg a Duane Forrester Decodes oldalon jelent meg.
