A ChatGPT, a Gemini, a Perplexity és más generatív AI-rendszerek egyre több olyan kérdésre válaszolnak, amely korábban hagyományos Google-kereséssel kezdődött.
Melyik szolgáltatót válasszam? Melyik márka megbízható? Milyen terméket érdemes megvenni? Ki ért egy adott szakterülethez?
A vállalatok számára ezért egy új kérdés jelent meg: mit mond rólunk az AI?
Az első reakció sokszor egyszerű. Megnyitjuk a ChatGPT-t, beírunk néhány kérdést, majd megnézzük, hogy szerepel-e a márkánk a válaszban.
Ez azonban még nem mérés.
Egyetlen válasz legfeljebb pillanatfelvételt ad arról, hogy egy adott rendszer egy adott időpontban hogyan válaszolt egy konkrét kérdésre.
Az AI-láthatóság ennél összetettebb probléma.
Egyetlen AI-válasz nem reprezentatív
Tegyük fel, hogy egy vállalat arra kíváncsi, ajánlja-e a ChatGPT a szolgáltatását.
Beírja:
„Melyik magyar céget ajánlod erre a feladatra?”
A válaszban megjelenik a vállalat neve.
Jó hír, de ebből még nem következik, hogy a márka erős AI-láthatósággal rendelkezik.
Ha ugyanazt a döntési helyzetet másképp fogalmazzuk meg, más versenytársak jelenhetnek meg. Ha másik AI-platformot kérdezünk, szintén eltérhet a válasz. Egy későbbi időpontban pedig ugyanaz a rendszer is más eredményt adhat.
Ezért egy márka AI-láthatóságát nem egy prompttal, hanem kérdéshalmazzal, több platformon és ismételt méréssel érdemes vizsgálni.
Nem mindegy, milyen kérdéseket mérünk
A márkás kérdések fontosak, de önmagukban félrevezetők lehetnek.
Ha azt kérdezzük:
„Mit tudsz az XY cégről?”
akkor már előre megmondtuk az AI-nak, melyik vállalkozásról beszéljen.
Az üzletileg fontosabb kérdések sokszor márkanév nélkül kezdődnek:
„Melyik szolgáltató foglalkozik ezzel Magyarországon?”
„Milyen rendszert válasszak erre a problémára?”
„Kit érdemes megkeresni, ha ezt szeretném megoldani?”
Ezekben a helyzetekben az AI-nak magának kell eldöntenie, mely szereplőket hozza be a válaszba.
Ezt tekinthetjük generikus AI-felfedezhetőségnek.
A különbség hasonló ahhoz, ami a klasszikus keresésben a brand és non-brand keresések között van.
Mit érdemes ténylegesen mérni?
Az egyik legegyszerűbb mutató az, hogy a releváns válaszok hány százalékában jelenik meg a márka.
Ez a Mention Rate.
Ennél azonban többet mond az, hogy milyen szerepben jelenik meg.
Egészen más, ha az AI annyit ír, hogy „az XY cég is foglalkozik a témával”, mint amikor konkrétan ezt mondja:
„Ezek közül az egyik megfontolandó választás az XY.”
Ezért külön érdemes mérni a Recommendation Rate értéket is.
Ugyancsak érdekes kérdés, hogy az AI milyen forrásokat használ.
Ha egy rendszer a vállalat saját weboldalára hivatkozik, az azt jelzi, hogy a tartalom hozzáférhető és felhasználható.
Ha viszont egy külső szakmai vagy szerkesztőségi forrás alapján említi a márkát, az más típusú bizonyíték.
Ebből származik többek között a Citation Rate és az Own Source Rate fogalma.
A forráshasználat legalább olyan fontos, mint maga az említés
Egy érdekes helyzet az, amikor az AI egy vállalat weboldalát már forrásként használja, de a márkát mégsem említi név szerint.
Ilyenkor a probléma nem feltétlenül technikai.
Az információ eljutott az AI-rendszerhez, de a kapcsolat a tartalom és a márka között nem volt elég erős ahhoz, hogy a vállalkozás bekerüljön a válaszba.
Ez fontos különbség.
Más beavatkozást igényel egy technikailag nem hozzáférhető oldal, és mást egy olyan weboldal, amelyet az AI már használ, de amelyből nem áll össze egyértelműen, hogy az adott márka miért releváns az adott kategóriában.
Több platformot kell együtt nézni
Nincs egyetlen egységes „AI”.
A ChatGPT, a Gemini, a Perplexity és más rendszerek eltérő modelleket, keresési mechanizmusokat és forrásokat használhatnak.
Ezért egy márka az egyik platformon gyakran megjelenhet, egy másikon pedig alig.
Az AI visibility mérés egyik technikai kihívása éppen az, hogy ezeket a különböző válaszokat közös rendszerbe kell rendezni.
Ezt a problémát kezeli az AnswerTracker, amelyet Krankovics Béla AI visibility szakértő fejlesztett az AI-válaszok rendszeres mérésére és összehasonlítására.
A rendszer több AI-platformon vizsgálhatja ugyanazokat a kérdéseket, majd a válaszokból márkaemlítési, ajánlási, citation- és versenytársi adatokat készít.
Miért fontos az ismételt mérés?
Az AI visibility nem statikus.
Egy új weboldal, egy átdolgozott szolgáltatásoldal, egy szakmai cikk vagy egy külső médiamegjelenés után változhat, hogy az AI milyen forrásokat használ és milyen márkákat kapcsol az adott témához.
Ha ugyanazt a kérdéskészletet időről időre újramérjük, már trendeket is láthatunk.
Így kiderülhet például, hogy egy korábban ritkán említett márka egy adott témakörben fokozatosan egyre gyakrabban kerül elő.
Ez már sokkal közelebb áll egy valódi marketingméréshez, mint az, hogy időnként megkérdezzük a ChatGPT-t a saját márkánkról.
A következő kérdés: miért?
A mérés azonban önmagában még nem oldja meg a problémát.
Ha azt látjuk, hogy egy márka csak a kérdések 10 százalékában jelenik meg, a következő kérdés az:
miért marad ki a többi válaszból?
Lehet technikai probléma.
Lehet hiányos tartalom.
Lehet, hogy az AI nem tudja egyértelműen összekapcsolni a céget az adott szakterülettel.
Lehet, hogy kevés a független külső bizonyíték.
Vagy egyszerűen a versenytársak erősebb digitális jelenléttel rendelkeznek.
Krankovics Béla erre dolgozta ki az ANSWER Framework módszertani keretet, amely a hozzáférhetőségtől a strukturáltságon és webes konzisztencián át egészen a bizonyítékokig és az ajánlhatóságig vizsgálja az AI-láthatóságot.
A lényeg, hogy a mérésből konkrét fejlesztési feladat legyen.
Az AI visibility nem újabb vanity metric
Az AI-láthatóság akkor válik üzletileg értékessé, amikor nem önmagában egy pontszámot figyelünk.
A valódi kérdés az:
amikor egy potenciális ügyfél az AI-tól kér segítséget egy döntéshez, bekerül-e a márkánk a szóba jöhető lehetőségek közé?
Ezt már lehet mérni.
És ha mérhető, idővel az is láthatóvá válik, hogy melyik beavatkozás javított rajta.
