AI Visibility Audit: Így mérd és elemzed a céged láthatóságát a ChatGPT-ben és Perplexity-ben

A B2B döntéshozók és beszerzők egyre nagyobb arányban használják a generatív AI keresőket a potenciális beszállítók és szoftverek felmérésére. Míg a Google Search Console pontos adatokat ad a kattintásokról, az LLM-ek (Large Language Models) esetében új auditálási módszertanra van szükség. Ebben az útmutatóban bemutatjuk, hogyan végezhetsz szisztematikus AI Visibility Auditot a saját márkádon.
1. Prompt-mátrix összeállítása
Az audit első lépése a célközönség keresési szándékát modellező prompt-mátrix felépítése. Három kategóriában kell tesztelni az AI válaszait:
- Közvetlen márkakeresések (Branded Prompts): „Mit érdemes tudni a [Cégnév] szolgáltatásairól?”
- Kategória-alapú keresések (Non-Branded Prompts): „Melyek a legjobb B2B marketing ügynökségek Magyarországon?”
- Probléma-orientált keresések (Intent Prompts): „Hogyan optimalizálható egy weboldal a ChatGPT és Perplexity ajánlásaihoz?”
2. A Share of Model (SoM) kiszámítása
Teszteld a prompt-mátrixot a négy fő AI felületen (ChatGPT, Perplexity AI, Google AI Overview, Microsoft Copilot). Rögzítsd, hogy a válaszok hány százalékában jelenik meg a márkád a versenytársaidhoz képest:
SoM (%) = (Márkaemlítések száma az AI válaszokban / Összes tesztelt prompt száma) × 1003. Forrás- és hivatkozáselemzés (Citation Audit)
A Perplexity és a SearchGPT pontos hivatkozásokat ad a válaszok alatt. Elemezd, hogy az AI honnan veszi az információit rólad:
- A saját weboldalad kódjából és blogjából (Primary Source),
- Független PR cikkekből és szakmai médiumokból,
- Közösségi fórumokról (Reddit, Quora diskurzusok).
4. Tónus- és pontosságelemzés (Sentiment & Accuracy)
Vizsgáld meg, hogy az AI nem generál-e téves információkat (hallucinációkat) az árazásodról vagy szolgáltatási körödről. Ha az AI pontatlan adatokat ad, az a hiányos vagy nem megfelelően strukturált weboldali adatokra (JSON-LD hiánya) utal.
Összegzés és teendők
Az AI Visibility Audit nem egyszeri feladat, hanem negyedéves rendszerességgel elvégzendő folyamat. A mért adatok alapján azonosíthatók azok a technikai és tartalmi hiányosságok, amelyek pótlásával a márka tartósan az AI keresők első számú ajánlásává válhat.
Hivatkozott források
- Princeton University / Georgia Tech – GEO: Generative Engine Optimization (KDD '24)
- Perplexity AI – Perplexity documentation – citations & sources

Gaál Norbert az AI Visibility Lab alapítója, generatív keresőoptimalizálással (GEO) foglalkozó kutató. B2B vállalatok AI-láthatóságának mérésével és felépítésével foglalkozik.
