Bevezetés
A digitális marketing alapjai megváltoztak: a hagyományos keresőmotorokat felváltják az olyan rendszerek, mint a ChatGPT vagy a Perplexity. Ebben az új környezetben a láthatóságot már nem linkek rangsora, hanem az AI általi idézettség és a „share of model" (modellből való részesedés) határozza meg.
Ez a bejegyzés a bécsi Wirtschaftsuniversität (WU) keretein belül végzett kutatómunkám egyik rövid összefoglalója. Az elmúlt időszakban szisztematikusan áttekintettem a nemzetközi szakirodalmat (2023–2026), hogy megértsem, pontosan hogyan működik a láthatóság a generatív motorok korszakában.
Az alábbiakban négy területre bontva mutatom be a legfontosabb kutatási eredményeket: (1) hogyan lehet optimalizálni a láthatóságot, (2) milyen manipulációs technikák léteznek, (3) mit mutatnak az empirikus mérések, és (4) milyen rendszerszintű kihívásokkal kell számolni.
1. Hogyan lehet javítani az AI-láthatóságon? – Optimalizálási keretek
Az első kutatási irány azokat a módszereket vizsgálja, amelyekkel egy vállalat vagy tartalom tudatosan növelheti jelenlétét az AI-alapú rendszerekben. Ezt a területet összefoglalóan Generative Engine Optimization-nek (GEO) nevezik – a hagyományos SEO analógiájára.
A terület alapkövét Aggarwal et al. (2024) fektette le: ők vezették be a GEO fogalmát, és megmutatták, hogy egyes tartalmi elemek – például statisztikák beágyazása, forrásokra való hivatkozás vagy kulcsszavak sűrűbb használata – szignifikánsan növelik annak az esélyét, hogy egy AI-rendszer hivatkozzon az adott tartalomra. Bevezettek mérőszámokat is a láthatóság számszerűsítésére, és létrehoztak egy 10 000 lekérdezést tartalmazó benchmark adatbázist (GEO-BENCH).
Rosen (2025) ennél is tovább ment: egy kilenc lépéses AI láthatóság-optimalizálási keretrendszert (AIVO) dolgozott ki, amely a célzott promptok azonosításától a márkához kötött AI-profilok létrehozásáig és a folyamatos monitoringig terjed. A szerző bevezette a Prompt-Space Occupancy Score (PSOS) fogalmát is, amely azt méri, hogy egy márka mennyire van jelen az AI-rendszerek által „bejárt" prompt-terekben.
Bagga et al. (2025) az e-kereskedelemre fókuszált: valósághű fogyasztói lekérdezéseket vizsgáltak, és iteratív algoritmussal optimalizálták a tartalmakat, hogy azok minél nagyobb eséllyel kerüljenek be az AI válaszaiba.
Wu et al. (2025) egy AutoGEO nevű keretrendszert fejlesztett ki, amely automatikusan azonosítja, hogy az egyes AI-alapú keresőmotorok milyen tartalmi jellemzőket részesítenek előnyben.
Zhou et al. (2026) pedig egy eddig kevéssé vizsgált problémát tárt fel: ha egyszerre több különböző lekérdezésre szeretnénk optimalizálni, az egyik lekérdezésre való hangolás ronthatja a láthatóságot egy másik esetén. Erre kínál megoldást az általuk javasolt IF-GEO módszer.
2. Manipulációs technikák és visszaélési lehetőségek
A láthatóság nemcsak „becsületes" úton növelhető: több kutatás kimutatta, hogy az AI-rendszerek célzottan manipulálhatók, és ez komoly kockázatokat jelent az egész ökoszisztéma számára.
Kumar és Lakkaraju (2024) megmutatta, hogy ha egy termék leírásába speciális, ún. stratégiai szövegeket (strategic text sequence, STS) ágyaznak be, az AI-alapú ajánlórendszerek szignifikánsan nagyobb valószínűséggel ajánlják az adott terméket, még akkor is, ha az eredetileg alacsony láthatósággal bírt. A módszer lényege, hogy ezek a szövegrészek nem emberi olvasónak szólnak, hanem az AI értelmezési mechanizmusát célozzák meg.
Nestaas, Debenedetti és Tramèr (2024) weboldalakon elrejtett prompt injekciókkal manipulálta az AI ajánlásait: az AI a manipulált oldalon lévő rejtett utasításokat követve bizonyos termékeket ajánlott, másokat háttérbe szorított. A szerzők egy figyelmeztető dinamikát is azonosítottak: ha minden piaci szereplő így manipulál, az összességében csökkentheti az AI-keresőkbe vetett bizalmat, egyfajta fogoly-dilemma helyzetet teremtve.
Filandrianos et al. (2025) kognitív torzítások hatását vizsgálták az AI ajánlásokra. Érdekes eredményeket publikáltak: a „társadalmi bizonyíték" típusú üzenetek (pl. „Már 10 000-en megvásárolták ezt a terméket!") növelik a láthatóságot, míg a szűkösséget vagy exkluzivitást hangsúlyozó üzenetek (pl. „Csak 5 db van raktáron!") paradox módon csökkenthetik azt.
3. Mit mutatnak a mérések? – Empirikus láthatóság-elemzések
Az empirikus kutatások azt vizsgálják, hogy a valóságban hogyan alakul a láthatóság az AI-rendszerekben, és az eredmények nem mindig kedvezőek a márkák számára.
Cook (2025) 80 globális vállalat reprezentációját mérte a ChatGPT-ben, Perplexity-ben és a Gemini-ban. Kiderült, hogy számos nagy, ismert márka szinte láthatatlan az AI-rendszerekben (különösen a nem nyugati cégek és ipari vállalatok), annak ellenére, hogy hagyományos brand equity szempontból erős szereplők. Ezt a jelenséget a szerző „Invisibility Gap"-nek nevezi.
Chen et al. (2026a) az AI-alapú és a hagyományos keresők által hivatkozott forrásokat hasonlította össze. Az AI-keresők lényegesen más forrásokat preferálnak: a saját márkaoldalak és közösségi médiatartalmak helyett hiteles, külső forrásokat részesítenek előnyben. A láthatóság tehát erősen függ a hitelesség jeleitől, a tartalom strukturáltságától és a különböző forrásokban való következetes megjelenéstől.
Schanbacher (2025) arra kereste a választ, hogy milyen technikai tényezők befolyásolják a ChatGPT általi idézettséget. Regressziós modellezéssel kimutatta, hogy a GYIK-séma (FAQ-séma) jelenléte az egyik legerősebb prediktora annak, hogy egy oldal bekerül-e az AI válaszába. Ezen túl a szerző azt is felfedezte, hogy a mobileszközökre való optimalizáltság és a fejléc-struktúra szintén szignifikáns tényezők.
Hu (2025) játékelméleti megközelítéssel elemezte, hogyan strukturálja át az AI-keresők térnyerése a piaci versenyt. Következtetése: az AI egyre inkább egyetlen „legjobb" választ kínál, ami erősíti a piaci koncentrációt, ugyanakkor ez kiskapukat nyit a szűk területre specializálódott szereplők előtt is.
Alipour, Kargar és Zihayat (2026) 44 vállalat auditja alapján azt találták, hogy az AI-alapú keresők láthatósági torzítással rendelkeznek: a már eleve ismert, nagy követőtáborral rendelkező szereplőket részesítik előnyben, tovább erősítve a meglévő piaci aszimmetriákat.
4. Rendszerszintű kihívások és multimodális kiterjesztések
A negyedik kutatási irány az AI-láthatóság rendszerszintű korlátait és új határait vizsgálja.
Tian et al. (2026) a hivatkozási hibák típusait térképezte fel: mikor és miért hagyja figyelmen kívül az AI az egyébként releváns forrásokat? A szerzők olyan diagnosztikai módszert is kidolgoztak, amellyel azonosítható, miért marad egy tartalom láthatatlan az AI számára.
Chen et al. (2026b) a képi tartalmak láthatóvá tételét vizsgálta: ha egy vizuális elemhez (képhez, ábrához) szöveges leírást rendelnek, az AI nagyobb eséllyel veszi azt figyelembe és nagyobb eséllyel hivatkozik rá. Ez különösen releváns olyan iparágakban, ahol a vizuális megjelenés kulcsfontosságú.
Összefoglalás és kutatási hiányok
A szakirodalom összességében egyértelműen mutatja: az AI-láthatóság komplex, többdimenziós jelenség. Nem elegendő egyetlen tényezőre koncentrálni – a tartalom struktúrája, a hitelesség, a versenydinamika és a rendszerszintű torzítások egyaránt alakítják, hogy egy márka látható-e a generatív motorok számára.
A terület dinamikusan fejlődik, és éppen ez nyitja meg a lehetőséget: az egységes mérési módszerek és a bevált gyakorlatok még kialakulóban vannak, ami azt jelenti, hogy a korai lépés komoly versenyelőnyt jelenthet. Az AI Visibility Lab munkája erre épül: egy márka AI-jelenlétét mérhetővé, érthetővé és javíthatóvá tesszük. Auditjaink során feltérképezzük, hogyan jelenik meg (vagy éppen nem jelenik meg) egy vállalat a ChatGPT, Perplexity, és más AI-keresők válaszaiban, valamint konkrét javaslatokat adunk arra, hogyan lehet ezen változtatni.
Az AI-láthatóság nem statikus adottság. Befolyásolható, ha valaki tudja, hol kell nézni, és mit kell mérni. Mi ebben segítünk.
Források
- Aggarwal et al. (2024) – GEO: Generative Engine Optimization. KDD '24.
- Kumar és Lakkaraju (2024) – Manipulating large language models to increase product visibility.
- Nestaas, Debenedetti és Tramèr (2024) – Adversarial Search Engine Optimization for Large Language Models.
- Bagga et al. (2025) – E-GEO: A Testbed for Generative Engine Optimization in E-Commerce.
- Chen et al. (2025) – Generative engine optimization: How to dominate AI search.
- Cook (2025) – Mind the Invisibility Gap: An Analysis of 80 Leading Global Brands in LLM Answers.
- Filandrianos et al. (2025) – Bias Beware: The Impact of Cognitive Biases on LLM-Driven Product Recommendations. EMNLP 2025.
- Hu (2025) – From Lists to Oracles: Competition for Generative Search Visibility and Long-Tail Entry.
- Rosen (2025) – Methodology for AI Visibility Optimization Version 3.0.
- Schanbacher (2025) – The Impact of JSON-LD Metadata on ChatGPT Visibility.
- Wu et al. (2025) – What Generative Search Engines Like and How to Optimize Web Content Cooperatively.
- Alipour, Kargar és Zihayat (2026) – When Attention Becomes Exposure in Generative Search.
- Chen et al. (2026a) – Navigating the Shift: A Comparative Analysis of Web Search and Generative AI Response Generation.
- Chen et al. (2026b) – Caption Injection for Optimization in Generative Search Engine.
- Tian et al. (2026) – Diagnosing and Repairing Citation Failures in Generative Engine Optimization.
- Zhou et al. (2026) – IF-GEO: Conflict-Aware Instruction Fusion for Multi-Query Generative Engine Optimization.
