Az AI Search Optimization 2026 állapota

Növelje készségeit a Growth Memo heti szakértői betekintéseivel. Iratkozz fel ingyen!

Minden évben a téli ünnepek után néhány napot azzal töltök, hogy összegyűjtsem a tavalyi kontextust, és emlékeztessem magam arra, hol vannak az ügyfeleim. Szeretném kihasználni a lehetőséget, hogy megosszam a tudásomat arról, hogy hol tartunk az AI Search segítségével, hogy gyorsan visszatérhessen a dolgok lendületébe.

Emlékeztetőül: 2025 végén a ChatGPT körüli hangulat kissé megromlott:

A Google kiadta a kiváló Gemini 3-at, aminek következtében Sam Altman bejelentette a Code Redet (ironikus módon három évvel azután, hogy a Google ugyanezt tette a ChatGPT 3.5 elindításakor).
Az OpenAI egy sor körkörös befektetést hajtott végre, amelyek felkeltették a szemöldökét, és kérdéseket tettek fel a finanszírozással kapcsolatban.
A ChatGPT, amely az összes LLM nagy részét küldi, a jelenlegi organikus (főleg Google) hivatkozási forgalom legfeljebb 4%-át éri el.

Leginkább még mindig nem ismerjük az AI-válaszban való említés értékét. A mesterséges intelligencia és az LLM-ek témája azonban nem is lehetne fontosabb, mert a Google felhasználói élménye a találati listából a végleges válasz felé fordul.

Nagy „köszönöm” Dan Petrovicnak és Andrea Volpininek, hogy átnézték tervezetemet, és értelmes fogalmakat adtak hozzá.

Letöltve → Idézett → Megbízható

Az AI-keresés láthatóságának optimalizálása a keresőmotorok klasszikus „feltérképezés, indexelés, rangsorolás” módszeréhez hasonló folyamatot követ:

A visszakereső rendszerek döntik el, hogy mely oldalak kerüljenek be a jelölthalmazba.
A modell kiválasztja, hogy mely forrásokra hivatkozzon.
A felhasználók eldöntik, hogy melyik idézetben bíznak meg, és az alapján cselekszenek.

Figyelmeztetések:

Sok ajánlás szorosan átfedésben van a SEO általános bevált módszereivel. Ugyanaz a taktika, új játék.
Nem teszek úgy, mintha lenne egy kimerítő listám mindenről, ami működik.
Az olyan ellentmondásos tényezőket, mint a séma vagy az llms.txt, nem tartalmazza.

Mérlegelés: bekerülni a jelöltek közé

Mielőtt bármilyen tartalom belépne a modell mérlegelési (földelési) készletébe, azt fel kell térképezni, indexelni és ezredmásodperceken belül le kell tölteni a valós idejű keresés során.

A mérlegelést elősegítő tényezők a következők:

Kiválasztási arány és elsődleges torzítás.
Szerver válaszidő.
A metaadatok relevanciája.
Termékhírcsatornák (az e-kereskedelemben).

1. Kiválasztási arány és elsődleges torzítás

Meghatározás: Az elsődleges torzítás méri a modell márka-attribútum-asszociációit, mielőtt az élő keresési eredményekben alapozna meg. A kiválasztási arány azt méri, hogy a modell milyen gyakran választja ki a tartalmat a lekérhető jelöltkészletből.
Miért számít: Az LLM-eket a képzési adatok torzítják. A modellek megbízhatósági pontszámokat dolgoznak ki a márka-attribútum kapcsolatokhoz (pl. „olcsó”, „tartós”, „gyors”), függetlenül a valós idejű visszakereséstől. Ezek a már meglévő asszociációk még akkor is befolyásolják az idézés valószínűségét, ha a tartalom bekerül a jelöltek közé.
Cél: Tudja meg, hogy a modell mely attribútumokat társítja a márkához, és mennyire bízik a márkában, mint entitásban. Szisztematikusan erősítse meg ezeket a társulásokat célzott oldalon és oldalakon kívüli kampányokkal.

2. Szerver válaszidő

Meghatározás: A bejárókérés és a kiszolgáló válaszadatainak első bájtja közötti idő (TTFB = Time To First Byte).
Miért számít: Amikor a modelleknek webes eredményekre van szükségük az érvelési válaszokhoz (RAG), úgy kell lekérniük a tartalmat, mint egy keresőrobotnak. Annak ellenére, hogy a visszakeresés többnyire index alapú, a gyorsabb kiszolgálók segítik a renderelést, az ügynöki munkafolyamatokat, a frissességet és az összetett lekérdezések kiterjesztését. Az LLM lekérése szűk késleltetési költségvetés mellett működik a valós idejű keresés során. A lassú válaszok megakadályozzák, hogy az oldalak bekerüljenek a jelöltkészletbe, mert hiányzik a visszakeresési ablak. A következetesen lassú válaszidők korlátozzák a feltérképezési sebességet.
Cél: Tartsa a szerver válaszidejét <200 ms. Az 1 másodpercnél rövidebb betöltési idővel rendelkező webhelyek háromszor több Googlebot-kérést kapnak, mint a 3 másodpercnél hosszabb webhelyek. Az LLM bejárók (GPTBot, Google-Extended) esetében a visszakeresési ablakok még szűkebbek, mint a hagyományos keresésnél.

3. Metaadatok relevanciája

Meghatározás: Címcímkék, metaleírások és URL-struktúra, amelyeket az LLM-ek az oldal relevanciájának értékelésekor elemzik az élő lekérdezés során.
Miért számít: Mielőtt a mesterséges intelligencia válaszaihoz tartalmat választanának, az LLM-ek elemzik a címeket az aktuális relevancia szempontjából, a leírásokat dokumentum-összefoglalóként, az URL-eket pedig az oldalak relevanciájának és megbízhatóságának kontextusában.
Cél: A cél fogalmak szerepeljenek a címekben és leírások (!), hogy megfeleljenek a felhasználói kérdőív nyelvének. Hozzon létre kulcsszóleíró URL-eket, amelyek akár az aktuális évet is tartalmazzák, hogy jelezzék az újdonságot.

4. A terméktáblázat elérhetősége (e-kereskedelem)

Meghatározás: Strukturált termékkatalógusok közvetlenül az LLM-platformokhoz, valós idejű készlet-, ár- és attribútumadatokkal.
Miért számít: A közvetlen hírcsatornák megkerülik a hagyományos visszakeresési korlátokat, és lehetővé teszik az LLM-ek számára, hogy pontos, aktuális információkkal válaszoljanak a tranzakciós vásárlási kérdésekre („hol vásárolhatok”, „legjobb árért”).
Cél: Küldjön be kereskedő által vezérelt terméktáblázatokat a ChatGPT kereskedői programjába (chatgpt.com/merchants) JSON, CSV, TSV vagy XML formátumban, teljes attribútumokkal (cím, ár, képek, vélemények, elérhetőség, specifikációk). Az ACP (Agentic Commerce Protocol) végrehajtása az ügynöki vásárláshoz.

Relevancia: Kiválasztva az idézésre

A „The Attribution Crisis in LLM Search Results” (Strauss et al., 2025) még akkor is alacsony hivatkozási arányról számol be, ha a modellek hozzáférnek a releváns forrásokhoz.

A ChatGPT (4o) válaszok 24%-a anélkül jön létre, hogy kifejezetten online tartalmat kérnének le.
A Gemini a válaszok 92%-ában nem ad kattintható idézetet.
A Perplexity lekérdezésenként körülbelül 10 releváns oldalt keres fel, de csak hármat-négyet idéz.

A modellek csak a kontextusablakba belépő forrásokra hivatkozhatnak. A képzés előtti megemlítések gyakran figyelmen kívül maradnak. Az Élő visszakeresés egy URL-t ad hozzá, amely lehetővé teszi a hozzárendelést.

5. Tartalom felépítése

Meghatározás: A szemantikus HTML-hierarchia, a formázási elemek (táblázatok, listák, GYIK) és a ténysűrűség, amelyek az oldalakat gépileg olvashatóvá teszik.
Miért számít: Az LLM-ek kivonnak és idéznek bizonyos részeket. Az áttekinthető szerkezet megkönnyíti az oldalak elemzését és kibontását. Mivel a kérdések átlagosan ötszöröse a kulcsszavak hosszának, a több részből álló kérdésekre válaszoló strukturált tartalom jobban teljesít, mint az egyetlen kulcsszót tartalmazó oldalak.
Cél: Használjon szemantikus HTML-t világos H-címke hierarchiákkal, táblázatokkal az összehasonlításhoz és listákkal a felsoroláshoz. Növelje a tények és fogalmak sűrűségét, hogy maximalizálja a kivonat hozzájárulásának valószínűségét.

6. GYIK Lefedettség

Meghatározás: Kérdések és válaszok szakaszok, amelyek tükrözik a felhasználók által az LLM-kérdésekben alkalmazott társalgási kifejezéseket.
Miért számít: A GYIK formátumai összhangban vannak azzal, ahogyan a felhasználók lekérdezik az LLM-eket („Hogyan…”, „Mi a különbség a…”). Ez a szerkezeti és nyelvi egyezés növeli a hivatkozások és említések valószínűségét a kulcsszóra optimalizált tartalomhoz képest.
Cél: Hozzon létre GYIK-könyvtárakat valós vásárlói kérdésekből (támogatási jegyek, értékesítési hívások, közösségi fórumok), amelyek rögzítik a felmerülő kérdéseket. Figyelje a GYIK frissességét a lastReviewed vagy a DateModified sémán keresztül.

7. Tartalom frissessége

Meghatározás: A tartalomfrissítések frissessége az „utoljára frissített” időbélyegekkel és a tényleges tartalomváltozásokkal mérve.
Miért számít: Az LLM-ek elemzik az utoljára frissített metaadatokat, hogy felmérjék a forrás aktualitását, és a legújabb információkat pontosabbnak és relevánsabbnak tekintsék.
Cél: Frissítse a tartalmat az elmúlt három hónapban a maximális teljesítmény érdekében. A ChatGPT által hivatkozott oldalak több mint 70%-a 12 hónapon belül frissült, de az elmúlt három hónapban frissített tartalom minden tekintetben a legjobban teljesít.

8. Harmadik felek említései („Webutation”)

Meghatározás: Márkaemlítések, vélemények és idézetek külső domaineken (megjelenítők, ismertető webhelyek, hírügynökségek), nem pedig saját tulajdonban.
Miért számít: Az LLM-ek nagyobb súlyt helyeznek a külső érvényesítésre, mint az önreklámozásra, minél közelebb kerül a felhasználói szándék a vásárlási döntéshez. A harmadik féltől származó tartalom az állítások független ellenőrzését biztosítja, és elismert hatóságokkal való együttműködés révén megállapítja a kategória relevanciáját. Növelik az entitást a nagy kontextusos gráfokon belül.
Cél: A mesterséges intelligencia-keresés során a márkamegemlítések 85%-a harmadik féltől származik. Szerezzen kontextuális linkeket a hiteles domainekről, és tartson fenn teljes profilt a kategória-áttekintő platformokon.

9. Organikus keresési pozíció

Meghatározás: Oldalrangsorolás a hagyományos keresőmotorok eredményoldalain (SERP) a releváns lekérdezésekhez.
Miért számít: Sok LLM keresőmotorokat használ visszakeresési forrásként. A magasabb organikus helyezések növelik annak valószínűségét, hogy bekerülnek az LLM jelöltek körébe, és hivatkozásokat kapnak.
Cél: Szerezzen be a Google top 10-es listáján a fő témáival kapcsolatos legtökéletesebb lekérdezési variációkat, nem csak a fejkifejezéseket. Mivel az LLM-kérdések társalgási jellegűek és változatosak, a sok hosszú farkú és kérdésalapú változat szerint rangsorolt oldalak nagyobb hivatkozási valószínűséggel rendelkeznek. Az első 10-ben található oldalak erős korrelációt mutatnak (~0,65) az LLM-említésekkel, és az AI Áttekintő idézetek 76%-a ebből a pozícióból származik. Figyelmeztetés: A korreláció LLM-enként változik. Például magas az átfedés az AI áttekintéseknél, de alacsony a ChatGPT esetében.

Felhasználói választás: Bizalom megszerzése és cselekvés

A bizalom kritikus fontosságú, mert az AI-keresésben egyetlen válasszal van dolgunk, nem a keresési eredmények listájával. A bizalomra optimalizálás hasonló az átkattintási arányra való optimalizáláshoz a klasszikus keresésben, csak annyival, hogy tovább tart, és nehezebb mérni.

10. Bizonyított szakértelem

Meghatározás: Látható hitelesítő adatok, tanúsítványok, szerzői jogok és ellenőrizhető bizonyítékok, amelyek megalapozzák a szerző és a márka tekintélyét.
Miért számít: Az AI-keresés nem rangsorolt listákat, hanem egyedi választ ad. Az átkattintó felhasználóknak erősebb bizalmi jelzésekre van szükségük, mielőtt intézkednének, mert egy végleges követelést érvényesítenek.
Cél: Jelenítse meg jól láthatóan a szerzői hitelesítő adatokat, az iparági tanúsítványokat és az ellenőrizhető bizonyítékokat (ügyféllogók, esettanulmány-mutatók, harmadik féltől származó teszteredmények, díjak). Támogassa bizonyítékokkal a marketing állításokat.

11. Felhasználó által generált tartalom jelenléte

Meghatározás: Márkareprezentáció közösségvezérelt platformokon (Reddit, YouTube, fórumok), ahol a felhasználók megosztják egymással tapasztalataikat és véleményeiket.
Miért számít: A felhasználók a szintetikus mesterséges intelligencia válaszait az emberi tapasztalatok alapján ellenőrzik. Amikor megjelennek a mesterséges intelligencia áttekintései, a Redditen és a YouTube-on leadott kattintások száma 18%-ról 30%-ra nő, mivel a felhasználók társadalmi bizonyítékot keresnek.
Cél: Építsen fel pozitív jelenlétet a kategóriához tartozó alredditekben, a YouTube-on és a fórumokon. A YouTube és a Reddit folyamatosan a 3 legtöbbet idézett domain között van az LLM-ek között.

A választástól a meggyőződésig

A keresés a bőségről a szintézis felé halad. A Google rangsorolt listája két évtizeden át választási lehetőséget adott a felhasználóknak. Az AI-keresés egyetlen választ ad, amely több forrást egyetlen végleges válaszba tömörít.

A mechanika eltér a 2000-es évek eleji SEO-tól:

A visszakereső ablakok felváltják a feltérképezési költségkereteket.
A kiválasztási arány a PageRank helyére lép.
A harmadik féltől származó érvényesítés lecseréli a horgonyszöveget.

A stratégiai követelmény ugyanaz: szerezzen láthatóságot a felületen, ahol a felhasználók keresnek. A hagyományos SEO továbbra is alapvető, de az AI láthatósága különböző tartalomstratégiákat igényel:

A társalgásos lekérdezések lefedettsége többet jelent, mint a főbb rangsorolás.
A külső ellenőrzés fontosabb, mint a saját tartalom.
A struktúra többet jelent, mint a kulcsszó sűrűsége.

Azok a márkák, amelyek szisztematikus optimalizálási programokat készítenek most, az LLM-forgalom skálájának előnyeit kombinálják. A rangsorolt listákról a végleges válaszok felé való elmozdulás visszafordíthatatlan.