Amikor egy márka nem jelenik meg a ChatGPT-ben, vagy ha a Perplexity-ben a hangok aránya a felére csökken, a marketingszervezet tipikus válasza az, hogy több tartalmat ír. Néha sokkal többet. Az a gondolat, hogy ha a mesterséges intelligencia rendszerek nem jelennek meg a márkán, a megoldás az, hogy több anyagot adunk nekik a munkához. Ez az ösztön téves diagnózis. Ez egy visszakeresési szintű javítás, amelyet az egyre inkább teljesen más jellegű problémára alkalmaznak, és a költségek elpazarolt költségvetésként, kihagyott negyedekként és olyan kúszó érzésként jelennek meg, hogy a munka már nem kapcsolódik az eredményekhez.
Az a hiba, hogy a mesterséges intelligencia láthatóságát egyetlen problémaként kezeljük, holott nem az. Három szerkezetileg eltérő réteg van a márka és a felhasználó által kapott válasz között, mindegyiknek megvan a maga hibamódja, saját javításai, és egyre inkább saját szervezeti tulajdonosa. Diagnosztizálja a rossz réteget, és a javítás nem érkezik meg.
Ahol a legtöbb beszélgetés zajlott
Az első réteg a visszakeresés. Ez az a hely, ahol a mesterséges intelligencia keresési optimalizálásáról szóló beszélgetés az elmúlt két év nagy részét itt töltötte. A mechanika jól ismert formája, ha nem is részleteiben. Amikor egy modellnek valós tartalomra alapozott kérdésre kell válaszolnia, külső forrásokból szerzi be a releváns anyagokat, és ezt az anyagot használja a válasz megalkotásához. A technikai név lekéréssel bővített generáció, vagy RAG, és a réteg, amelyen működik, átjáró a tartalom és a modell kimenete között.
Itt teszi meg a dolgát a bejárhatóság, az elemezhetőség és a darabbarátság. Ha a tartalmat nem lehet tisztán lekérni, semmi sem számít a későbbiekben. A legtöbb marketingcsapat által idén értékelt láthatósági nyomkövető platformok az e réteg működésétől függő eredményeket mérik, ezért hajlamosak ugyanazokat a diszciplínákat díjazni, amelyek a klasszikus keresésben jó eredményeket produkáltak: strukturált tartalom, sémajelölés, önálló válaszok, tiszta technikai megvalósítás.
A visszakeresésnek azonban strukturális korlátai vannak, és a Microsoft Research szokatlanul közvetlen volt ezzel kapcsolatban. A sima RAG az ő szavaik szerint küzd a pontok összekapcsolásáért. Olyan szövegrészeket keres le, amelyek relevánsnak tűnnek a kérdés szempontjából, de nem tud érvelni azon, hogy ezek a részek hogyan kapcsolódnak egymáshoz. Ha a válasz több forrásból származó információk szintetizálását igényli, vagy ha a kérdés elég tág ahhoz, hogy a helyes válasz a teljes adatkészlet mintáinak értelmezésétől függjön, a visszakeresés önmagában megszakad. A modell megkapja a darabokat, és ki kell találnia a kapcsolatokat, és a találgatás az, ahol a hallucinációk belépnek.
A fegyelmi kérdés, amit ez a réteg feltesz, egyértelmű. Egyáltalán le tudja-e kérni a modell a tartalmunkat, és a megfelelő lekérdezéshez a megfelelő tartalmat kéri le? A legtöbb marketingcsapatnak már van valamilyen verziója ennek a munkának, még akkor is, ha a konkrét taktika eltolódott a klasszikus SEO-tól. De a visszakeresés csak az átjáró. Még akkor is, ha egy modell helyesen kéri le a tartalmat, az attól függ, hogy mit tesz vele, attól függ, hogy felismert dologként létezik-e a fenti rétegben.
Hol működik az entitás felismerés
A második réteg a kapcsolati réteg, és a domináns szerkezet rajta a tudásgráf. A fő keresési infrastruktúrák mindegyike fenntart egyet. A Google Tudásgráfja, a Microsoft Satori, valamint a Wikidatára és a schema.org-ra épülő nyílt tudásgráf együttesen meghatározzák, hogy a márka hogyan jelenik meg entitásként, milyen kategóriába tartozik, és mely egyéb entitásokhoz kapcsolódik.
Ez az a réteg, amely eldönti, hogy a mesterséges intelligencia áttekintései és a nagy nyelvi modellválaszok a kategóriája elismert tagjaként kezelik-e Önt, vagy a sok közül egy fuzzy jelölt karakterláncként. Azokat a márkákat, amelyek tiszta, jól meghatározott entitásként léteznek, következetesen idézik. Azok a márkák, amelyek megkülönböztethetetlen tokenekként léteznek, szétszórva az interneten, ötven másik jelölttel mintázattal találkoznak, és gyakrabban veszítenek, mint nyernek.
A tudásgráfok elég régóta léteznek ahhoz, hogy a tudományág meglehetősen kiforrott. Sémajelölések a tulajdonolt tulajdonokon, következetes elnevezések és azonosítók a nyílt weben, strukturált jelenlét a nagy megbízhatóságú csomópontokon, például a Wikidata-bejegyzéseken és a felülvizsgálati platformokon, valamint a márkaemlítések lassú felhalmozódása olyan kontextusokban, amelyeket a grafikon mérvadónak tekint. Ez az a hely, ahol a nem összekapcsolt márka a beszélgetési életeket említi, mivel a következetes kontextuális említések erősítik az entitást még hiperhivatkozás nélkül is. A réteg javítása strukturális, nem pedig mennyiség alapú. Több tartalom írása szinte semmit sem tesz, ha az alatta lévő entitásdefiníció homályos.
A fegyelem kérdése itt nehezebb, mint a visszakeresési réteg kérdés. Tiszta, védhető entitás vagyunk a kategóriánkban, vagy még mindig ötven másik jelölt karakterlánccal hasonlítanak össze minket? Az a márka, amely nem tud igenlő választ adni erre a kérdésre, teret veszít az AI-keresésben, függetlenül attól, hogy mennyi tartalmat termel, mert a második rétegben a modell dönti el, hogy valójában miről szól a tartalom.
A tudásgráf megmondja a modellnek, hogy mi a márkája. De egyre gyakrabban a márkának egy harmadik rétegen belül kell működnie, amellyel a legtöbb marketingcsapat még nem találkozott, ahol a modell nemcsak megérti Önt, hanem arra kérik, hogy érveljen Önnel kapcsolatban egy döntéshozó nevében.
A rétegvállalatok jelenleg csendesen építkeznek
A harmadik réteg a kontextus grafikonja, és ez alapos bevezetést igényel, mert a marketinges beszélgetések nagy része még nem érte el.
A kontextusgráf szerkezeti alakja megegyezik a tudásgráféval, entitásokkal, kapcsolatokkal és típusos kapcsolatokkal, de más a földelése. Egy tudásgráf modellezi a világot. Megmondja, hogy mik a dolgok, és általában hogyan kapcsolódnak egymáshoz. A kontextus-gráf egy adott szervezet adatait, döntéseit, irányelveit és működési valóságát modellezi. A legtisztább keretezés, amit láttam, a tudásgráfot könyvtárnak, a kontextusgráfot pedig a helyet ténylegesen vezető emberek által írt használati útmutatónak nevezi. A könyvtár megmondja, mi létezik. A kezelési útmutatóban megtudhatja, mi a lényeges, mi az engedélyezett, és mit kell tennie ezzel kapcsolatban. A könyvtár csak olvasható szemantikai infrastruktúra. A kezelési kézikönyv egy élő működési réteg, amely minden egyes üzleti folyamat végrehajtásakor növekszik.
A kontextusgráfot az különbözteti meg mindentől, ami előtte volt, hogy a kormányzás a gráfon belül él, nem pedig mellette. A házirendek, engedélyek, érvényességi ablakok és engedélyezési szabályok olyan csomópontok, amelyeket maga a gráf kérdez le, nem pedig a széleken alkalmazott külső dokumentáció. Amikor egy ügynök lekér valamit egy kontextusgráfból, az eredményt a rendszer már kiszűrte az aktuálisan engedélyezett, érvényes és jelenleg alkalmazható adatok alapján. A grafikon is folyamatosan fejlődik, tehát amit ezen a héten tudott rólad, az nem feltétlenül az, amit az elmúlt negyedévben tudott. Innen származik a „szabályozott” szó, amikor az emberek ezen a téren szabályozott visszakeresésről beszélnek. Ez nem egy keret, hanem az építészet.
Ez az architektúra korábban senki számára láthatatlan volt az azt felépítő szervezeten kívül, ezért a marketingeseknek nem kellett gondolniuk rá. Ez megváltozott a Google Cloud Next ’26-nál, amikor a Google bemutatta a tudáskatalógust az új Agentic Data Cloudban. A Google saját termékleírása, amelyet saját blogtartalmában írt, azt mondja, hogy a Tudáskatalógus egységes, dinamikus kontextusgrafikont hoz létre az egész vállalkozásról, lehetővé téve, hogy az ügynököket az összes üzleti adatban és szemantikában megalapozza. Ez a mondat az a pillanat, amikor a kifejezés elhagyta az adatmérnöki blogokat, és bekerült a vállalati beszerzési szótárba.
Ez azért fontos a marketing szempontjából, mert a környezeti grafikonok azok, amelyek az ügynökök következő generációját erősítik a vállalati ügyfeleken belül. A Gartner tervei szerint 2026 végére a vállalati alkalmazások 40%-át integrálják a feladatspecifikus AI-ügynökökkel, szemben a 2025-ös kevesebb mint 5%-kal. Beszerzési ügynökök, versenyképes intelligenciaügynökök, tartalomstratégiai ügynökök, szállítóértékelő ügynökök. Ezek az ügynökök nem a nyílt internetről okoskodnak az Ön márkájával kapcsolatban. A márkával kapcsolatban a vállalatuk kontextusdiagramján belül érvelnek, és az, hogy a grafikon mit mond rólad, attól függ, hogy mi került bele.
Ez az a hely, ahol a marketing munkája él. A kontextus grafikonra töredezetten érkező márka gyengén érkezik. Ha a kategória-pozicionálás nem konzisztens a tulajdonolt és szerzett médiában, a grafikon felveszi az ellentmondásokat, és félreérthetően ábrázolja Önt. Ha az entitásadatok homályosak a második rétegen, akkor homályosak maradnak, amikor a harmadikba kerülnek. Ha a harmadik féltől származó jel vékony vagy ellentmondásos, akkor a grafikonon nincs semmi szilárd, amihez rögzíteni lehetne. A munka a grafikon előtt van, de a következmények lefelé, egy ügynök érvelési folyamatán belül landolnak, amit soha nem láthatunk közvetlenül.
Ezt a tudományágat úgy gondolom szabályozott láthatóság. Az a gyakorlat, hogy megbizonyosodjon arról, hogy a márka olyan állapotban érkezik a környezeti grafikonhoz, amely megfelel a szabályozott lekérdezésnek. Tiszta entitásdefiníció, következetes harmadik féltől származó reprezentáció, megbízható strukturált adatok és olyan kategóriapozíció, amely nem esik szét, amikor egy ügynök végigjárja a körülötte lévő kapcsolatokat. Szabályozott láthatóság nem egy új taktikai verem. Ez annak eredménye, hogy a második réteg elég jól elvégzi a munkát, hogy a harmadik rétegnek legyen valami szilárd anyaga, amit be kell nyelni.
A fegyelem kérdése ezen a szinten az, amit a legtöbb marketingcsapat még nem tett fel. Amikor ügyfelünk cégén belül egy ügynök okoskodik rólunk, mit talál, és vajon a mi verziónk találja-e meg azt a verziót, amelyre mi szeretnénk, hogy cselekedjen?
Három réteg, három különböző probléma, három különböző javítás. De három különböző felelősségi zóna is, és a legtöbb csapat csendben itt veszít.
Az ok, amiért a legtöbb csapat elveszíti ezt annak ellenére, hogy keményen dolgozik
Minden réteg más-más szervezeti felelősséghez tartozik, és a legtöbb marketingcsapat csak a három közül egyet birtokol.
- A visszakeresési réteg meg van osztva a webes, a fejlesztői és néha az IT-vel. A marketing befolyásolja, hogy mi kerül közzétételre, de az infrastruktúra, amely a tartalmat visszakereshetővé teszi, valaki más tartományába tartozik.
- A tudásgráf réteg valóban a marketing területe. A séma fegyelme, az entitás meghatározása, a harmadik féltől származó jel, a márka konzisztenciája, a lassú szerkezeti munka, amely évek során összetett.
- A kontextus gráfréteg az az, ahol az IT birtokolja az infrastruktúrát az ügyfél szervezetén belül, de a marketingnek befolyásolnia kell, hogy mit vesznek fel. A munka felfelé folyik, és a következmények a folyásirányban lefelé szállnak, gyakran láthatatlanul.
A 2026-ban nyert csapatok azok, akik rájöttek, hogyan működjenek mindhárom felelősségi zónában, ahelyett, hogy csak az egyiken tökéletesítenék a munkájukat. A legtöbb csapat, amit látok, még mindig optimalizálja a tulajdonában lévő tartalmat, ami a visszakeresési réteg, miközben teret veszít az entitásdefinícióban, ami a tudásgráf réteg, és teljesen hiányzik a kontextusgráf beszélgetésből, amely az a réteg, ahol néhány vállalati vállalkozás jelenleg csendben feláll.
A munka nem ír több tartalmat. A munka során ki kell találni, hogy a probléma valójában melyik rétegen él, és ki kell építeni azokat a diszciplínákat, amelyekkel mindhárom esetében működni lehet. Szabályozott láthatóság a harmadik szintű tudományág, amelyet a marketingnek ki kell fejlesztenie, függetlenül attól, hogy a kifejezés ragad-e vagy sem. Azok a márkák, amelyek most építik, tizennyolc hónapon belül felkészültnek tűnnek. Azok a márkák, amelyek ezt nem teszik, azon töprengenek, hogy tartalmi befektetéseik miért hagyták abba a korábban megszokott láthatóságot.
Ha ezek bármelyike megtörténik vagy ellentmond annak, amit a saját csapataikon belül lát, hallani akarok róla. Írjon megjegyzést arról, hogy munkája melyik rétegre összpontosult, hol látja a hiányosságokat, vagy hol bomlanak le a felelősségi zónák a szervezeten belül. A minták még formálódnak, és a hozzászólásokban folyó beszélgetések általában frissebbek, mint bármi más.
Az ilyen jellegű munkák mérési keretei közül sok a The Machine Layerben található, amely a GenAI-korszak eredeti 12 KPI-jét olyasmivé terjeszti ki, amivel a csapatok valóban szembeszállhatnak.
Ez eredetileg a Duane Forrester Decodes-on jelent meg.
