A generatív AI-rendszerek egyik látványos képessége, hogy nemcsak információt adnak, hanem gyakran ajánlásokat is megfogalmaznak.
Ha azt kérdezzük:
„Milyen laptopot válasszak programozáshoz?”
„Melyik CRM jó egy közepes vállalatnak?”
„Milyen marketingügynökséget érdemes választani?”
a válaszban márkák, termékek és szolgáltatók jelenhetnek meg.
Ez új kérdést hozott a digitális marketingbe:
hogyan lehet mérni, hogy mely márkákat ajánlja az AI?
A probléma technikailag jóval összetettebb annál, mint hogy lefuttatunk néhány promptot.
A generatív keresésben nincs klasszikus találati lista
A hagyományos keresésben megszoktuk a rangsort.
Egy kulcsszóra a weboldal lehet első, ötödik vagy huszadik.
Ez könnyen mérhető és időben összehasonlítható.
A generatív AI ezzel szemben összefüggő választ készít.
Egy márka megjelenhet a válasz elején, közepén vagy csak kiegészítő információként.
Az egyik rendszer ajánlhatja, a másik csak megemlítheti, a harmadik pedig teljesen kihagyhatja.
Ezért az AI visibility nem egyszerű rangsorolási probléma.
A mérés alapja a kérdés
A mérési folyamat egy jól meghatározott kérdéskészlettel kezdődik.
Ezek lehetnek márkás kérdések, például:
„Mit tudsz az XY vállalatról?”
De az üzletileg érdekesebb rész általában a márkanév nélküli kérdésekből jön.
Például:
„Melyik vállalat foglalkozik AI visibility méréssel Magyarországon?”
Ebben a helyzetben a rendszernek magának kell kiválasztania a releváns szereplőket.
Ha egy márka rendszeresen megjelenik hasonló kérdésekre, az sokkal erősebb jel, mint az, hogy saját nevére megtalálható.
A válaszokat normalizálni kell
A technikai nehézség ott kezdődik, hogy az AI-platformok eltérő formátumban adják vissza a válaszokat.
Egyes rendszerek forrásokat is megjelenítenek.
Mások kevesebb citationt adnak.
A szöveg szerkezete is eltérhet.
Ahhoz, hogy az eredményeket összehasonlítsuk, a nyers válaszokból strukturált adatokat kell készíteni.
Például minden válasznál meg kell határozni:
megjelenik-e a vizsgált márka;
megjelennek-e versenytársak;
ajánlási kontextusban szerepel-e a márka;
milyen források kapcsolódnak a válaszhoz;
megjelenik-e saját domain;
és milyen egyéb szereplőket hoz be a rendszer.
Mention Rate és Recommendation Rate
A legegyszerűbb mutató a Mention Rate.
Ha száz releváns AI-válaszból harmincban szerepel a márka, akkor az említési arány 30 százalék.
Ez azonban még nem jelenti azt, hogy a rendszer ajánlja is.
Ezért külön mérhető a Recommendation Rate.
Egy márka szerepelhet háttérinformációként vagy összehasonlításként úgy, hogy a rendszer valójában másik szereplőt javasol.
Az ajánlási arány ezért közelebb áll ahhoz a kérdéshez, ami üzletileg igazán érdekes:
bekerül-e a márka a döntési lehetőségek közé?
A citationök megmutathatják, honnan épül a válasz
Ahol az AI-rendszer forrásokat is szolgáltat, újabb mérési lehetőség nyílik.
Megvizsgálható, milyen domainek jelennek meg a válaszok mögött.
A márka saját weboldala?
Egy szerkesztőségi cikk?
Egy szakmai portál?
Egy fórum?
Egy versenytárs oldala?
Ez azért fontos, mert az AI visibility fejlesztésekor nemcsak azt akarjuk tudni, mi történt, hanem azt is, milyen információk alapján történhetett.
Az AnswerTrackerben ezért külön mérési réteget jelentenek a citationök és a saját források használata.
Az AI néha tovább bontja a kérdést
A generatív keresés egyik érdekes technikai jelensége a query fan-out.
A rendszer az eredeti kérdést további részkeresésekre vagy alkérdésekre bonthatja.
Tegyük fel, hogy valaki ezt kérdezi:
„Melyik laptop jó videóvágásra 500 ezer forint alatt?”
A háttérben ehhez kapcsolódhatnak olyan keresések, mint:
„best video editing laptop”
„32 GB RAM laptop”
„RTX laptop under budget”
„OLED laptop video editing”
Ahol ezek a fan-out adatok hozzáférhetők, fontos betekintést adhatnak abba, hogyan jutott el az AI a végső válaszhoz.
Ez nemcsak mérési, hanem tartalomstratégiai szempontból is hasznos.
Mi az AnswerTracker szerepe?
Az AnswerTracker egy AI visibility mérési rendszer, amely több platform válaszait gyűjti és elemzi.
A rendszer fejlesztését Krankovics Béla AI visibility szakértő indította el abból a problémából kiindulva, hogy a generatív AI-válaszok jelenleg nehezen hasonlíthatók össze egységes módon.
Az AnswerTrackerben egy projekthez kérdések, versenytársak és AI-platformok rendelhetők.
A válaszok alapján vizsgálható többek között az említési arány, ajánlási arány, citationök, saját források használata és a versenytársi jelenlét.
Az ismételt mérések pedig lehetővé teszik, hogy ne egyetlen állapotot, hanem változást is lássunk.
A technikai audit és a válaszmérés nem ugyanaz
Fontos különválasztani két dolgot.
Az egyik az, hogy egy weboldal technikailag mennyire AI-kompatibilis.
Hozzáférnek-e a botok?
Indexelhető-e?
Jól strukturált-e?
Vannak-e megfelelő schema adatok?
Ezt tekinthetjük AI vagy website readiness vizsgálatnak.
A másik kérdés viszont az:
ténylegesen megjelenik-e a márka az AI válaszaiban?
Ezt csak valós válaszok mérésével lehet megállapítani.
Egy weboldal technikailag hibátlan lehet úgy is, hogy a márka szinte soha nem jelenik meg releváns AI-ajánlásokban.
És fordítva is előfordulhat.
A mérésből diagnózis lesz
Ha egy vállalat generikus kérdésekre gyengén teljesít, több lehetséges okot kell végignézni.
Krankovics Béla erre dolgozta ki az ANSWER Framework modellt, amely hat terület köré rendezi az AI visibility fejlesztését: Accessibility, Notability, Structure, Web Consistency, Evidence és Recommendation Readiness.
Ez azért fontos, mert egy 15 százalékos Mention Rate önmagában még nem mondja meg, mi a teendő.
A mérés akkor hasznos, ha el tudunk jutni az adattól a javítható okig.
Az AI-válasz is mérhető digitális felület
A generatív AI elsőre feketedoboznak tűnhet.
Azt azonban már most is mérni lehet, hogy egy adott kérdéskészlet esetében milyen szereplők jelennek meg, melyeket ajánlják, milyen forrásokra hivatkoznak és hogyan változik mindez időben.
Vagyis az AI visibility nem azt jelenti, hogy pontosan meg tudjuk jósolni egy modell következő válaszát.
Azt jelenti, hogy elég sok releváns választ mérünk ahhoz, hogy mintázatokat lássunk.
És ezekből már üzleti döntések is születhetnek.
(X)
