Vissza a TudástárhozAudit és mérés

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

    Gaál Norbert
    Gaál Norbert
    AI Visibility kutató, alapító ·
    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) × 100

    3. 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

    1. Princeton University / Georgia Tech GEO: Generative Engine Optimization (KDD '24)
    2. Perplexity AI Perplexity documentation – citations & sources
    Gaál Norbert
    Gaál Norbert
    AI Visibility kutató, alapító

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