A Citation Share ugyanaz, mint a piaci részesedés?

Nem. Nem mér forgalmi vagy üzleti piaci részesedést, és nem tekinthető versenytársi rangsornak.

keresőmarketing ügynökség – AI Marketing ügynökség: SEO keresőoptimalizálás, Linképítés Budapest

How to Build an AI Visibility Dashboard from Citation, Brand Mention and Traffic Data

onlinemarketing101 — Fri, 17 Jul 2026 21:57:00 +0000

AI SEO · Measurement · Reporting

How to Build an AI Visibility Dashboard from Citation, Brand Mention and Traffic Data

A business may rank prominently in Google’s organic results while being completely absent from ChatGPT, Perplexity or Microsoft Copilot answers. The opposite can also happen: a brand may regularly appear in AI answers while the effect remains invisible in traditional SEO reports. Both situations point to the same gap — measurement has fallen behind search behavior.

AI VISIBILITY DASHBOARD — MONTHLY VIEW

0Total AI citations▲ +23%

0Citation rate▲ +6 pp

0Brand mention rate▬ +1 pp

0AI traffic sessions▲ +48%

0AI conversions▲ +9

AI visibility is not one single metric, but the combination of at least three clearly separate phenomena. You need to measure whether AI systems cite one of the website’s pages; whether they mention or recommend the brand in their answers; and whether visitors, leads and conversions arrive from AI surfaces. A well-built AI visibility dashboard connects these three data layers into one decision-support interface. This article shows you how, step by step.

1Why is a traditional SEO dashboard no longer enough?

Classic SEO reports have been built around the same logic for years: keyword positions, impressions and clicks, organic visits, click-through rate, backlinks and conversions. These data points are still important — without technical SEO and content optimization, there is no AI visibility either — but on their own, they no longer show how a generative system uses information connected to the brand.

AI answer engines work fundamentally differently from traditional results lists. A generative system can:

cite a web page without mentioning the brand behind it;
mention a brand without a link, based purely on trained or externally found information;
recommend a business based on information found on another website — for example a PR article or review page;
influence a purchase decision without sending traffic, because the user has already learned from the answer;
assemble the same answer from multiple searches and sources, which makes a single position meaningless on its own.

The core message: position-based measurement must be complemented with source-based, entity-based and business-outcome-based measurement. Anyone looking only at positions simply misses the larger half of AI-era visibility.

2The three measurement layers of an AI visibility dashboard

Before choosing any tool or spreadsheet, it is worth clarifying the logic of the model. The dashboard is built on three layers, and each layer answers a different question. Click the tabs and see what each layer measures:

This shows which pages AI systems use as proof or as sources. This layer measures the “raw material value” of your content: how citable, trustworthy and relevant AI engines consider your pages.

How many times was the domain cited during the examined period?
Which specific URLs were cited?
Which topics were the citations connected to?
Which questions or queries triggered the citation?

This examines whether the brand name enters the answer, and in what context it appears. Here the measurement object is no longer the page, but the entity — the business as a recognizable actor.

Does AI mention the brand in answers to relevant questions?
Does it describe the services correctly?
Does it recommend the brand, or only mention it neutrally?
Which competitors appear next to it?
Is the context positive, neutral or negative?

This layer connects AI visibility with the website’s actual performance. Visibility without business outcomes is only a vanity metric — this layer decides whether the work pays off.

Did a visitor arrive from an AI system?
Which landing page did they reach, and how much time did they spend there?
Did a quote request, purchase or contact action happen?
Did branded searches increase?

3Which data sources should be connected?

A dashboard is only as good as its data sources. At the moment, it is worth building on four pillars.

Bing Webmaster Tools — AI Performance

Microsoft introduced the AI Performance section of Bing Webmaster Tools in public preview in February 2026. Among other things, the report shows cited pages and so-called grounding queries — the background searches AI runs to support an answer. These reveal which website content is used by Bing and Microsoft’s AI-powered answers, including Copilot experiences.

Google Search Console

Google Search Console’s generative AI performance reporting can provide a separate view of appearances across Google AI Overviews, AI Mode and other generative search surfaces. The data should still be interpreted together with overall web search performance, because there is significant overlap between generative and classic results — the same content can work for the brand in both environments.

Google Analytics 4

GA4 can classify visits from recognized AI assistants into a separate AI Assistant channel. Such sessions may be associated with the ai-assistant medium and the (ai-assistant) campaign value. This makes it possible to analyze AI traffic as a standalone channel instead of searching for it in the noise of “direct” or “referral” traffic.

Test-question panel

Because not every system provides detailed native performance data, a repeatable question set is also needed. The same questions — covering both buyer intent and informational needs — should be regularly run across ChatGPT, Perplexity, Gemini and Copilot, documenting when a citation, brand mention or recommendation appears. We wrote a separate guide on the measurement specifics of ChatGPT Search visibility.

4The most important metrics for AI citations

4.1. Number of citations

The total number of domain or page citations detected during the examined period. This is the absolute baseline metric, but on its own it says little — the dashboard should therefore show it in multiple breakdowns: by platform (ChatGPT, Perplexity, Bing, Google, Gemini), by topic, by landing page, by country or language, and by informational versus commercial questions. A citation earned for a commercial-intent question is much more valuable than an appearance for a general definitional question.

4.2. Citation rate

Citation rate = number of answers containing a citation ÷ all valid test answers × 100

This shows what share of the fixed question set leads AI to use the website as a source. The advantage of ratio-based measurement is that the time series remains comparable even when the question set is expanded.

4.3. Citation share

Citation share = citations belonging to your own brand ÷ all citations belonging to your brand and the examined competitors × 100

This is one version of Share of Voice adapted to the AI environment. It shows what slice of the available “citation space” in the market the business owns — and how much it leaves to competitors.

4.4. Number of cited pages

It matters whether every AI citation points to a single blog post, or whether the system also uses several service pages, case studies and expert articles. A broad citation base indicates that AI sees the whole domain as a reliable source, not just one lucky piece of content.

4.5. Citation stability

This examines whether the same URL appears across several consecutive measurements. A stable citation is a stronger signal than one occasional appearance — in our article on Perplexity source selection logic, we showed in detail which authority and structure signals keep a page on the source list for longer.

5Measuring brand mentions and recommendations

A citation and a brand mention are not the same thing. An AI system may cite an article without including the brand name in the answer. At other times, the brand may appear in the answer while AI cites an external PR article, review page or expert interview. The dashboard should therefore track both phenomena separately using the following metrics:

Brand mention rate

Brand mention rate = answers mentioning the brand ÷ all examined answers × 100

Recommendation rate

Among commercial or provider-search questions, how many answers actually recommend the business — not merely mention it, but position it as an option worth choosing.

Entity accuracy

Examine whether AI correctly states the brand name, main service, target market, operating location, expert names, and the relationship between the business and the expert. An inaccurate entity picture — wrong service description, outdated address, misattributed expert — quietly damages conversion, because the user already receives the wrong impression inside the answer.

Context quality

A mention can be positive, neutral, inaccurate, outdated, misleading or negative. Every detected mention should be classified, because trends here are at least as important as the raw count.

Competitor mention share

Show how often the business appears compared with its most important competitors in answers to the same questions.

Important nuance: an unlinked mention can still be a valuable reputation and entity signal — but on its own, it does not prove business impact. That is exactly why the dashboard’s third layer exists.

6Tracking traffic and conversions from AI systems

6.1. AI Assistant channel in GA4

One dashboard panel should show sessions from AI sources, the number of users, engaged sessions, average engagement time, visited landing pages, and key events and conversions. This reveals not only the quantity of AI traffic, but also its quality.

6.2. Source and medium

It is worth separately analyzing sources such as chatgpt.com, perplexity.ai, copilot.microsoft.com, gemini.google.com and other recognized AI assistants. According to OpenAI’s information, links from ChatGPT search results may contain the utm_source=chatgpt.com parameter, which helps identify incoming traffic.

6.3. AI traffic conversion rate

Conversion rate = conversions from AI sources ÷ sessions from AI sources × 100

6.4. Revenue or estimated business value

For service businesses, quote requests can be assigned an estimated value; for e-commerce stores, actual revenue can be measured. This step makes it possible for AI visibility to become not a “professional curiosity,” but a monetizable channel in executive reporting.

6.5. Indirect impact

Not every AI-influenced visitor clicks directly. The user may first encounter the brand in an AI answer, then search for the brand name days later or type in the URL directly. For this reason, it is worth tracking changes in branded searches, direct traffic trends, “How did you hear about us?” answers in quote requests, and conversion changes appearing at the same time as AI traffic. The indirect impact is often larger than what is directly measurable.

7What should the dashboard look like?

A good dashboard narrows from top to bottom: from the executive summary toward the details. The sample panel at the beginning of the article follows exactly this logic.

Executive summary

The first row should show five major metrics: total AI citations, citation rate, brand mention rate, AI traffic and AI-generated conversions. Each metric should include the current value, change versus the previous period, the target value and a simple trend signal — the leader should be able to see within five seconds whether the system is moving in the right direction.

Platform breakdown

Create separate panels for Google AI Overviews and AI Mode, ChatGPT Search, Perplexity, Microsoft Copilot and Bing, and Gemini. These platforms select sources differently, so the interventions will also be platform-specific.

Content performance

A table should show how content performs by page type:

Landing page	Citations	Brand mentions	AI visits	Conversions	Refresh need
Service page	12	8	31	3	Low
Guide	27	4	65	2	Medium
Case study	6	10	18	4	Low

The lesson is immediately visible: the guide brings the most citations and visits, but the case study and service page generate the conversions. The content strategy must build on all three types at once.

Question- and topic-level view

The deepest level of the dashboard should show which questions make the brand appear; which questions make only the competitor appear; where there is a citation but no brand mention; and where there is no visibility at all. This view becomes next month’s content task list. Before starting data collection, it is worth performing a thorough baseline assessment — we explained why this is essential in our article on the importance of an SEO audit.

8Creating an aggregated AI visibility score

The different metrics can be merged into a single executive score — but the original submetrics must always be preserved, otherwise the score hides where the problem is. The recommended weighting is: citation performance 30%, brand mention performance 20%, recommendation presence 15%, entity accuracy 10%, AI traffic 15%, AI conversions 10%.

AI visibility score = citation score × 0.30 + mention score × 0.20 + recommendation score × 0.15 + entity accuracy × 0.10 + traffic score × 0.15 + conversion score × 0.10

Try it live — set the sliders to your own estimated values on a 0–100 scale and see where your business stands:

Interactive AI visibility score calculator

Move the sliders between 0 and 100 — the weighted score updates instantly.

Citation performance60

weight: 30%

Brand mention performance50

weight: 20%

Recommendation presence40

weight: 15%

Entity accuracy70

weight: 10%

AI traffic45

weight: 15%

AI conversions35

weight: 10%

AI visibility score / 100

Important: the score is not a universal industry standard, but a company-specific executive metric whose weights should be adjusted to business goals. For a known expert or consultant, brand mentions and recommendations may deserve higher weight. For an e-commerce store, traffic and revenue may be more important. For a B2B service provider, quote requests and qualified leads may be decisive. We covered the strategic foundations behind the score in our practical guide to AI visibility agency work in Budapest.

9Monthly measurement and optimization workflow

The dashboard becomes a decision-support system when it is connected to a repeatable workflow. The following nine steps are worth running every month — tick them off as you go:

Export Bing AI Performance and Search Console data
Check GA4 AI Assistant traffic
Rerun the fixed test-question panel
Record brand and competitor mentions
Compare new citations and lost citations
Identify the best-performing landing pages
Improve content that triggers weak or inaccurate answers
Compare results with the previous month
Define next month’s content priorities

0 / 9 steps complete

At the end of the monthly report, include not only data but three concrete decisions: which content must be refreshed; which topic must be expanded; and which business landing page’s AI visibility must be strengthened. Data without a decision is only an archive.

10Common measurement mistakes

Treating all AI systems as one channel

ChatGPT, Perplexity, Google and Copilot select sources and display citations differently. What works on one platform may remain invisible on another — aggregated data hides the differences.

Confusing citation with recommendation

A professional article being cited does not mean AI recommends the business as a provider. The two phenomena deserve separate metrics.

Drawing conclusions from a single test

AI answers may change — even daily. Without repeated, documented measurement, every observation is a snapshot, not a trend.

Tracking visits only

Zero clicks do not necessarily mean zero business impact. Brand awareness and later branded search may increase after an AI answer even if nobody clicked through directly.

Leaving competitors out

Absolute citation count gives little information if you do not know how many appearances competitors earn for the same questions. Share is the real metric.

Ignoring data quality

Incorrect source classifications, AI visits landing in direct traffic and missing parameters must be checked separately — otherwise the dashboard confidently shows the wrong picture.

Frequently Asked Questions

It is a measurement interface that shows a brand’s AI citations, brand mentions, recommendation presence, AI traffic and related business outcomes in one place.

With a citation, AI uses or displays a specific web page as a source. With a brand mention, the business name appears in the answer, but it does not necessarily receive a direct link.

Yes. Visits from ChatGPT search citations can be identified in analytics systems, although data quality and source classification should be checked regularly.

Traffic data can be updated daily, but a full AI visibility analysis is usually recommended monthly, or weekly in fast-changing markets.

Summary

AI visibility cannot be described with a single ranking or traffic figure. To see the real picture, you need to measure together which pages AI systems cite, how they mention the brand, which competitors they recommend, and how much traffic and business value they generate. A well-built AI visibility dashboard is therefore not a simple report, but a decision-support system: it shows which content should be improved, which questions the brand is strong in, and where competitors occupy the available space inside AI answers.

Find out how AI sees you

The first step is a technical, content and entity-based assessment. Discover OnlineMarketing101’s AI SEO and AI visibility solutions, and find out how your business appears in Google, ChatGPT, Perplexity and Microsoft AI-powered answers.

Request an AI visibility assessment →

AI-láthatósági irányítópult készítése citációs, márkaemlítési és forgalmi adatokból

onlinemarketing101 — Fri, 17 Jul 2026 21:57:00 +0000

AI SEO · Mérés · Riporting

AI-láthatósági irányítópult készítése citációs, márkaemlítési és forgalmi adatokból

Egy vállalkozás előkelő helyen szerepelhet a Google organikus találatai között, miközben a ChatGPT, a Perplexity vagy a Microsoft Copilot válaszaiban egyáltalán nem jelenik meg. És fordítva: egy márka rendszeresen felbukkanhat AI-válaszokban úgy, hogy ennek hatása sehol nem látszik a hagyományos SEO-jelentésekben. Mindkét helyzet ugyanarra a hiányosságra mutat rá — a mérés lemaradt a keresési viselkedés mögött.

AI-LÁTHATÓSÁGI IRÁNYÍTÓPULT — HAVI NÉZET

0Összes AI-citáció▲ +23%

0Citációs arány▲ +6 pp

0Márkaemlítési arány▬ +1 pp

0AI-forgalom (munkamenet)▲ +48%

0AI-konverzió▲ +9

Az AI-láthatóság ugyanis nem egyetlen mutató, hanem legalább három, egymástól jól elkülöníthető jelenség összessége. Mérni kell, hogy az AI-rendszerek hivatkoznak-e a weboldal valamelyik oldalára; hogy megemlítik vagy ajánlják-e a márkát a válaszaikban; és hogy érkeznek-e látogatók, érdeklődők és konverziók az AI-felületekről. Egy jól felépített AI-láthatósági irányítópult pontosan ezt a három adatréteget kapcsolja össze egyetlen, döntéstámogatásra alkalmas felületen. Ebben a cikkben lépésről lépésre megmutatjuk, hogyan.

1Miért nem elegendő a hagyományos SEO-irányítópult?

A klasszikus SEO-jelentések évek óta ugyanarra a logikára épülnek: kulcsszópozíciók, megjelenések és kattintások, organikus látogatások, átkattintási arány, visszamutató hivatkozások, konverziók. Ezek az adatok továbbra is fontosak — a technikai SEO és a tartalomoptimalizálás nélkül AI-láthatóság sincs —, de önmagukban már nem mutatják meg, hogy egy generatív rendszer hogyan használja fel a márkához kapcsolódó információkat.

Az AI-válaszmotorok ugyanis alapvetően másképp működnek, mint a hagyományos találati lista. Egy generatív rendszer:

idézhet egy weboldalt anélkül, hogy megemlítené a mögötte álló márkát;
megemlíthet egy márkát hivatkozás nélkül, pusztán a betanult vagy máshol talált információk alapján;
más weboldalon található információ alapján ajánlhat egy vállalkozást — például egy PR-cikk vagy értékelőoldal nyomán;
forgalom küldése nélkül is befolyásolhatja a vásárlási döntést, hiszen a felhasználó a válaszból már tájékozódott;
több keresésből és forrásból állíthatja össze ugyanazt a választ, így egyetlen pozíció önmagában értelmezhetetlen.

A fő üzenet: a helyezésalapú mérés mellé forrásalapú, entitásalapú és üzleti eredményalapú mérés szükséges. Aki csak pozíciókat néz, az az AI-korszak láthatóságának a nagyobbik felét egyszerűen nem látja.

2Az AI-láthatósági irányítópult három mérési rétege

Mielőtt bármilyen eszközt vagy táblázatot választanál, érdemes tisztázni a modell logikáját. Az irányítópult három rétegre épül, és mindhárom réteg más kérdésre válaszol. Kattints a fülekre, és nézd meg, mit mér az egyes rétegek mindegyike:

Azt mutatja meg, hogy az AI-rendszerek mely oldalakat használják bizonyítékként vagy forrásként. Ez a réteg a tartalom „nyersanyag-értékét” méri: mennyire tartják az AI-motorok idézhetőnek, megbízhatónak és relevánsnak az oldalaidat.

Hányszor hivatkoztak a domainre a vizsgált időszakban?
Mely konkrét URL-eket idézték?
Milyen témákhoz kapcsolódott a hivatkozás?
Milyen kérdések vagy lekérdezések váltották ki a citációt?

Azt vizsgálja, hogy a márka neve bekerül-e a válaszba, és milyen kontextusban jelenik meg. Itt már nem az oldal, hanem az entitás — a vállalkozás mint felismerhető szereplő — a mérés tárgya.

Megemlíti-e az AI a márkát a releváns kérdésekre adott válaszokban?
Helyesen írja-e le a szolgáltatásokat?
Ajánlja-e a márkát, vagy csak semlegesen említi?
Milyen versenytársak mellett szerepel?
Pozitív, semleges vagy negatív a kontextus?

Ez a réteg kapcsolja össze az AI-láthatóságot a weboldal tényleges teljesítményével. Láthatóság üzleti eredmény nélkül csak hiúsági mutató — ez a réteg dönti el, hogy a munka megtérül-e.

Érkezett-e látogató az AI-rendszerből?
Melyik céloldalra jutott, és mennyi időt töltött ott?
Történt-e ajánlatkérés, vásárlás vagy kapcsolatfelvétel?
Növekedett-e a márkanévre irányuló keresések száma?

3Milyen adatforrásokat érdemes összekapcsolni?

Az irányítópult csak annyira jó, amennyire az adatforrásai. Jelenleg négy pillérre érdemes építeni.

Bing Webmaster Tools – AI Performance

A Microsoft 2026 februárjában nyilvános előzetesként vezette be a Bing Webmaster Tools AI Performance felületét. A jelentés többek között a hivatkozott oldalakat és az úgynevezett grounding lekérdezéseket mutatja meg — vagyis azokat a háttérkereséseket, amelyeket az AI a válasz megalapozásához futtat. Ezekből megállapítható, hogy a weboldal mely tartalmait használják fel a Bing és a Microsoft AI-alapú válaszai, beleértve a Copilot-élményeket is.

Google Search Console

A Google Search Console generatív AI-teljesítményjelentése külön képet adhat a Google AI Overviews, az AI Mode és más generatív keresési felületek megjelenéseiről. Az adatokat továbbra is érdemes a teljes webes keresési teljesítménnyel együtt értelmezni, mert a generatív és a klasszikus találatok között jelentős átfedés van — ugyanaz a tartalom mindkét felületen dolgozhat a márkáért.

Google Analytics 4

A GA4 képes külön AI Assistant csatornába sorolni az általa felismert AI-asszisztensekből származó látogatásokat. Az ilyen munkamenetekhez az ai-assistant médium és az (ai-assistant) kampányérték kapcsolódhat. Ez teszi lehetővé, hogy az AI-forgalmat ne a „direct” vagy „referral” zajban keressük, hanem önálló csatornaként elemezzük.

Tesztkérdés-panel

Mivel nem minden rendszer ad részletes natív teljesítményadatokat, szükség van egy ismételhető kérdéskészletre is. Ugyanazokat a — vásárlói szándékot és információs igényt egyaránt lefedő — kérdéseket kell rendszeresen lefuttatni a ChatGPT, a Perplexity, a Gemini és a Copilot felületein, dokumentálva, hogy mikor jelenik meg citáció, márkaemlítés vagy ajánlás. A ChatGPT Search láthatóságának mérési sajátosságairól külön útmutatóban írtunk.

4Az AI-citációk legfontosabb mérőszámai

4.1. Citációk száma

A vizsgált időszakban észlelt összes domain- vagy oldalhivatkozás. Ez az abszolút alapmutató, de önmagában keveset mond — az irányítópulton ezért érdemes több bontásban is megjeleníteni: platformonként (ChatGPT, Perplexity, Bing, Google, Gemini), témánként, céloldalanként, országonként vagy nyelvenként, valamint információs és kereskedelmi kérdések szerint. Egy kereskedelmi szándékú kérdésnél elért citáció üzletileg jóval többet ér, mint egy általános definíciós kérdésnél elért megjelenés.

4.2. Citációs arány

Citációs arány = citációt tartalmazó válaszok száma ÷ összes érvényes tesztválasz × 100

Ez megmutatja, hogy a rögzített kérdéskészlet mekkora részénél használja az AI forrásként a weboldalt. Az arányalapú mérés előnye, hogy a kérdéskészlet bővítése esetén is összehasonlítható marad az idősor.

4.3. Citációs részesedés

Citációs részesedés = saját márkához tartozó citációk ÷ a saját és a vizsgált versenytársak összes citációja × 100

Ez az AI-környezetben alkalmazható hangrészesedés (Share of Voice) egyik változata. Megmutatja, hogy a piacon rendelkezésre álló „citációs helyekből” mekkora szeletet birtokol a vállalkozás — és mekkorát engednek át a versenytársak.

4.4. Hivatkozott oldalak száma

Nem mindegy, hogy minden AI-hivatkozás egyetlen blogbejegyzésre mutat, vagy a rendszer több szolgáltatásoldalt, esettanulmányt és szakértői tartalmat is használ. A széles citációs bázis azt jelzi, hogy az AI a teljes domaint tekinti megbízható forrásnak, nem csak egyetlen szerencsés tartalmat.

4.5. Citációs stabilitás

Azt vizsgálja, hogy az adott URL több egymást követő mérésben is megjelenik-e. A stabil citáció erősebb jelzés, mint egyetlen alkalmi megjelenés — a Perplexity forráskiválasztási logikájáról szóló cikkünkben részletesen bemutattuk, milyen tekintély- és struktúrajelek tartják bent tartósan egy oldalt a forráslistában.

5A márkaemlítések és ajánlások mérése

A citáció és a márkaemlítés nem ugyanaz. Egy AI-rendszer hivatkozhat egy cikkre anélkül, hogy a márkanevet beleírná a válaszba. Máskor a márka szerepelhet a válaszban, miközben az AI egy külső PR-cikkre, értékelőoldalra vagy szakmai interjúra hivatkozik. Az irányítópultnak ezért mindkét jelenséget külön kell követnie, az alábbi mutatókkal:

Márkaemlítési arány

Márkaemlítési arány = márkát említő válaszok ÷ összes vizsgált válasz × 100

Ajánlási arány

A kereskedelmi vagy szolgáltatókeresési kérdések közül hány válasz ajánlja ténylegesen a vállalkozást — nem csak említi, hanem választási lehetőségként pozicionálja.

Entitáspontosság

Vizsgáld meg, hogy az AI helyesen közli-e a márka nevét, a fő szolgáltatását, a célpiacát, a működési helyét, a szakértők nevét, valamint a vállalkozás és a szakértő kapcsolatát. Egy pontatlan entitáskép — rossz szolgáltatásleírás, elavult cím, félreattribuált szakértő — csendben rombolja a konverziót, mert a felhasználó már a válaszban téves képet kap.

Kontextusminőség

Az említés lehet pozitív, semleges, pontatlan, elavult, félrevezető vagy negatív. Érdemes minden észlelt említést besorolni, mert a trendek itt legalább olyan fontosak, mint a darabszám.

Versenytársi említési részesedés

Mutasd meg, milyen gyakran szerepel a vállalkozás a legfontosabb versenytársakhoz képest ugyanazokra a kérdésekre adott válaszokban.

Fontos árnyalat: a link nélküli említés is értékes reputációs és entitásjelzés lehet — de önmagában nem bizonyít üzleti eredményt. Az irányítópult harmadik rétege pontosan ezért létezik.

6Az AI-rendszerekből érkező forgalom és konverziók követése

6.1. AI Assistant csatorna a GA4-ben

Az irányítópult egyik panelje mutassa meg az AI-forrásból érkező munkameneteket, a felhasználók számát, az elkötelezett munkameneteket, az átlagos elköteleződési időt, a megtekintett céloldalakat, valamint a kulcseseményeket és konverziókat. Így az AI-forgalom minősége is látszik, nem csak a mennyisége.

6.2. Forrás és médium

Érdemes külön vizsgálni például a chatgpt.com, a perplexity.ai, a copilot.microsoft.com, a gemini.google.com forrásokat és az egyéb felismert AI-asszisztenseket. Az OpenAI tájékoztatása szerint a ChatGPT keresési találataiból származó hivatkozások tartalmazhatják az utm_source=chatgpt.com paramétert, ami segíti a beérkező forgalom azonosítását.

6.3. AI-forgalmi konverziós arány

Konverziós arány = AI-forrásból érkező konverziók ÷ AI-forrásból érkező munkamenetek × 100

6.4. Bevétel vagy becsült üzleti érték

Szolgáltató vállalkozásoknál az ajánlatkérésekhez becsült érték rendelhető, webáruháznál a tényleges bevétel mérhető. Ez a lépés teszi lehetővé, hogy az AI-láthatóság ne „szakmai érdekesség”, hanem forintosítható csatorna legyen a vezetői riportban.

6.5. Közvetett hatás

Nem minden AI-befolyásolt látogató kattint közvetlenül. A felhasználó először találkozhat a márkával egy AI-válaszban, majd napokkal később márkanév alapján keres rá, vagy közvetlenül beírja a címet. Ezért érdemes együtt követni a márkás keresések változását, a közvetlen látogatások alakulását, az ajánlatkérések „Hol hallott rólunk?” válaszait, valamint az AI-forgalommal egy időben megjelenő konverziós változásokat. A közvetett hatás gyakran nagyobb, mint a közvetlenül mérhető.

7Hogyan nézzen ki az irányítópult?

A jó irányítópult felülről lefelé szűkül: a vezetői összefoglalótól halad a részletek felé. A cikk elején látható mintapanel pontosan ezt a logikát követi.

Felső vezetői összefoglaló

Az első sorban öt nagy mutató jelenjen meg: összes AI-citáció, citációs arány, márkaemlítési arány, AI-forgalom és AI-ból származó konverziók. Minden mutató mellett szerepeljen az aktuális érték, az előző időszakhoz viszonyított változás, a célérték és egy egyszerű trendjelzés — a vezetőnek öt másodperc alatt látnia kell, jó irányba megy-e a rendszer.

Platform szerinti bontás

Külön panel készüljön a Google AI Overviews és AI Mode, a ChatGPT Search, a Perplexity, a Microsoft Copilot és Bing, valamint a Gemini felületeihez. A platformok forráskiválasztási logikája eltér, ezért a beavatkozások is platformspecifikusak lesznek.

Tartalmi teljesítmény

Egy táblázat mutassa meg oldaltípusonként, hogyan dolgozik a tartalom:

Céloldal	Citációk	Márkaemlítések	AI-látogatások	Konverziók	Frissítési igény
Szolgáltatásoldal	12	8	31	3	Alacsony
Útmutató	27	4	65	2	Közepes
Esettanulmány	6	10	18	4	Alacsony

A táblázat tanulsága azonnal látszik: az útmutató hozza a legtöbb citációt és látogatást, de a konverziót az esettanulmány és a szolgáltatásoldal termeli. A tartalmi stratégia mindhárom típusra egyszerre épít.

Kérdés- és témaszintű nézet

Az irányítópult legmélyebb szintje mutassa meg, mely kérdésekre jelenik meg a márka; melyekre csak a versenytárs jelenik meg; hol található citáció, de nincs márkaemlítés; és hol nincs semmilyen láthatóság. Ez a nézet adja a következő hónap tartalmi feladatlistáját. Az adatgyűjtés megkezdése előtt érdemes egy alapos állapotfelmérést végezni — arról, hogy ez miért kihagyhatatlan, a SEO-audit fontosságát bemutató cikkünkben írtunk részletesen.

8Összesített AI-láthatósági pontszám kialakítása

A különböző mutatók egyetlen vezetői pontszámmá is összevonhatók — de az eredeti részmutatókat mindig meg kell őrizni, különben a pontszám elfedi, hol van a probléma. A javasolt súlyozás: citációs teljesítmény 30%, márkaemlítési teljesítmény 20%, ajánlási jelenlét 15%, entitáspontosság 10%, AI-forgalom 15%, AI-konverziók 10%.

AI-láthatósági pontszám = citációs pont × 0,30 + említési pont × 0,20 + ajánlási pont × 0,15 + entitáspontosság × 0,10 + forgalmi pont × 0,15 + konverziós pont × 0,10

Próbáld ki élőben — állítsd be a csúszkákat a saját becsült értékeidre (0–100 skálán), és nézd meg, hol tart a vállalkozásod:

Interaktív AI-láthatósági pontszám-kalkulátor

Mozgasd a csúszkákat 0 és 100 között — a súlyozott pontszám azonnal frissül.

Citációs teljesítmény60

súly: 30%

Márkaemlítési teljesítmény50

súly: 20%

Ajánlási jelenlét40

súly: 15%

Entitáspontosság70

súly: 10%

AI-forgalom45

súly: 15%

AI-konverziók35

súly: 10%

AI-láthatósági pontszám / 100

Fontos: a pontszám nem univerzális iparági szabvány, hanem vállalatspecifikus vezetői mutató, amelynek súlyait az üzleti célokhoz kell igazítani. Egy ismert szakértőnél vagy tanácsadónál nagyobb súlyt kaphat a márkaemlítés és az ajánlás. Webáruháznál a forgalom és a bevétel lehet hangsúlyosabb. B2B szolgáltatónál az ajánlatkérések és a minősített érdeklődők száma lehet a döntő. A pontszám mögötti stratégiai alapokról az AI-láthatósági ügynökség budapesti gyakorlati útmutatójában írtunk bővebben.

9Havi mérési és optimalizálási folyamat

Az irányítópult akkor válik döntéstámogató rendszerré, ha ismétlődő munkafolyamat tartozik hozzá. Az alábbi kilenc lépést érdemes havonta végigvinni — pipáld ki, ahogy haladsz:

Bing AI Performance és Search Console adatok exportálása
GA4 AI Assistant forgalom ellenőrzése
A rögzített tesztkérdés-panel újrafuttatása
Márka- és versenytársemlítések rögzítése
Új citációk és elveszett citációk összehasonlítása
Legjobban teljesítő céloldalak azonosítása
Gyenge vagy pontatlan válaszokat kiváltó tartalmak javítása
Eredmények összevetése az előző hónappal
Következő havi tartalmi prioritások meghatározása

0 / 9 lépés kész

A havi jelentés végén ne csak adatok szerepeljenek, hanem három konkrét döntés is: melyik tartalmat kell frissíteni; melyik témát kell továbbépíteni; és melyik üzleti céloldal AI-láthatóságát kell megerősíteni. Adat döntés nélkül csak archívum.

10Gyakori mérési hibák

Az összes AI-rendszer egyetlen csatornaként való kezelése

A ChatGPT, a Perplexity, a Google és a Copilot eltérő módon választ forrásokat és jelenít meg hivatkozásokat. Ami az egyik platformon működik, a másikon láthatatlan maradhat — az összevont adat elfedi a különbségeket.

A citáció összekeverése az ajánlással

Egy szakmai cikk idézése még nem jelenti azt, hogy az AI a vállalkozást szolgáltatóként is ajánlja. A két jelenség külön mérőszámot érdemel.

Egyszeri tesztből levont következtetések

Az AI-válaszok változhatnak — akár naponta. Ismételt, dokumentált mérés nélkül minden megállapítás pillanatfelvétel, nem trend.

Csak a látogatások követése

A nulla kattintás nem feltétlenül jelent nulla üzleti hatást. A márka ismertsége és a későbbi márkás keresés is növekedhet egy olyan AI-válasz nyomán, amelyből senki nem kattintott át.

A versenytársak kihagyása

Az abszolút citációszám kevés információt ad, ha nem tudjuk, mennyi megjelenést szereznek ugyanazokra a kérdésekre a versenytársak. A részesedés a valódi mutató.

Az adatminőség figyelmen kívül hagyása

A hibás forrásbesorolásokat, a közvetlen forgalomba kerülő AI-látogatásokat és a hiányzó paramétereket külön ellenőrizni kell — különben az irányítópult magabiztosan mutat téves képet.

Gyakran ismételt kérdések

Olyan mérési felület, amely egy helyen mutatja meg a márka AI-citációit, márkaemlítéseit, ajánlási jelenlétét, AI-forgalmát és az ebből származó üzleti eredményeket.

Citáció esetén az AI egy konkrét weboldalt használ vagy jelöl meg forrásként. Márkaemlítésnél a vállalkozás neve bekerül a válaszba, de nem feltétlenül kap közvetlen hivatkozást.

Igen. A ChatGPT keresési hivatkozásaiból származó látogatások analitikai rendszerekben azonosíthatók, bár az adatminőséget és a forrásbesorolást rendszeresen ellenőrizni kell.

A forgalmi adatok akár naponta is frissülhetnek, de a teljes AI-láthatósági elemzéshez általában havi, gyorsan változó piacon pedig heti mérés javasolt.

Összegzés

Az AI-láthatóságot nem lehet egyetlen helyezéssel vagy látogatási adattal leírni. A valódi képhez együtt kell mérni, hogy az AI-rendszerek mely oldalakat idézik, hogyan említik a márkát, milyen versenytársakat ajánlanak, valamint mennyi forgalmat és üzleti eredményt hoznak. Egy jól felépített AI-láthatósági irányítópult így nem egyszerű jelentés, hanem döntéstámogató rendszer: megmutatja, mely tartalmakat érdemes fejleszteni, milyen kérdésekben erős a márka, és hol foglalják el a versenytársak az AI-válaszokban rendelkezésre álló helyet.

Derítsd ki, hogyan lát téged az AI

Az első lépés egy technikai, tartalmi és entitásalapú felmérés. Ismerd meg az OnlineMarketing101 AI SEO és AI-láthatósági megoldásait, és derítsd ki, hogyan jelenik meg vállalkozásod a Google, a ChatGPT, a Perplexity és a Microsoft AI-alapú válaszaiban.

Kérek egy AI-láthatósági felmérést →

AI Visibility Audit Template: Technical SEO, Entity Clarity, Test Questions and AI Citations

onlinemarketing101 — Thu, 16 Jul 2026 21:56:00 +0000

AI Visibility Audit Template: SEO, Entities and Citations

AI SEO audit · GEO / AEO diagnostics

AI Visibility Audit Template: Technical SEO, Entity Clarity, Test Questions and AI Citations

While you are working on the next blog post, someone is asking ChatGPT right now who they should trust with their problem. The answer either includes your brand — or it does not. This template is not just another SEO checklist, but a complete diagnostic framework: it measures how well generative search sees, understands and cites your business across four layers — technology, entity, prompts and citations.

Reading time: ~11 minutes Field: AI SEO · GEO · AEO Format: Fillable audit template

„`

Illustrative example · total 47 / 100 points

T — Technical accessibility18/25

E — Entity clarity14/25

P — Test questions / prompts9/25

C — Citations6/25

This profile is typical of a brand whose technical foundations are acceptable, but which barely appears as a source in AI answers. You can draw your own radar using the fillable audit sample at the end of the article.

„`

Why is a traditional SEO audit no longer enough?

A traditional SEO audit reviews a familiar set of questions: can the page be crawled, can it be indexed, is it fast enough, and is it properly optimized for search engines? These questions still matter — they are just no longer sufficient on their own.

Search has gained a second brain. When someone asks ChatGPT, Gemini or Google AI Mode today who they should trust with their problem, the system does not show ten blue links — it produces one synthesized answer. That answer either includes your business or a competitor, and the difference is often not decided by classic ranking, but by the following questions:

Can an AI system understand what the business does?
Can the brand, expert and service be clearly identified?
Does the business appear in relevant ChatGPT, Gemini, Copilot or Perplexity answers?
Is the company’s own website cited, or does AI learn about the brand from an external source?
For which questions and search intents does the business remain invisible?

Important difference

AI visibility does not only mean a clickable source citation. A brand can appear as a citation, an unlinked mention or a concrete recommendation. Each has different value, but all three matter when a decision-maker chooses you.

Think about how often this situation happens in your own market. A potential customer does not type in the brand name; they describe a problem — “I need a reliable accountant in Budapest,” “which agency understands generative search?” — and the AI assistant gives them two or three concrete names. If you are not there, the traditional website, the polished logo and the well-written “About us” page are worth nothing in that moment. The AI visibility audit makes this blind spot measurable before you invest in expensive campaigns.

If you are not sure what the concept covers exactly, this article explains in detail what AI visibility really means.

What is an AI visibility audit?

Definition

An AI visibility audit is a structured assessment of how machine-interpretable, source-ready and visible a website, brand or expert is in generative search engines.

It is not a single metric, but four diagnostic layers that build on one another — exactly the same layers shown by the radar above:

„`

Technical accessibility

Can systems access and process the page content? This is the foundation layer — without it, the other three cannot be meaningfully interpreted.

Entity clarity

Is it clear who the business is, what it offers, and which topics its name is connected to on the web?

Test questions / prompt matrix

What does ChatGPT, Gemini or Perplexity answer to the target audience’s real, business-relevant questions?

Citations

Which pages, brands and sources are actually cited in the answers — and is your website among them?

It is important to state clearly: AI SEO does not replace classic search engine optimization. Technical SEO, GEO and AEO are layered disciplines, not competing methods. You can read more about the practical framework of AI SEO, GEO and AEO here.

Who should use this template? Primarily marketing leaders and business owners who already feel that something has changed in search behavior but do not yet have concrete data on where they are losing visibility. It is also useful for SEO professionals who want to expand their classic audits with an AI-specific layer, and for expert brands where personal credibility — not just the company name — determines the buying decision. The order of the four pillars is not accidental: without the technical foundation, entity signals remain uncertain; without the entity layer, prompt-test results become difficult to interpret.

„`

Preparing the audit: goals, platforms and baseline

Before examining any of the pillars, it is worth spending ten minutes collecting the basic data. Without this, later results will be difficult to compare — especially from quarter to quarter.

„`

What should you clarify in advance?

The business name and all name variants used
The main services or product categories
The key experts and leaders
The geographic markets where the business operates
The primary target audiences
The most important competitors
The AI platforms to be examined
The most valuable question types from a business perspective

Which platforms should be audited?

ChatGPT Search Google AI Overviews & AI Mode Microsoft Copilot Perplexity Gemini Traditional Google & Bing results list

Recording the baseline

Before testing, create screenshots, a dated results table and a unified scoring model for every question examined. The same questions must later be rerun without changes — only then can you measure whether the improvements actually produced movement in citations and brand mentions.

„`

1st pillar — Technical SEO and machine accessibility

This layer is the least spectacular, yet most things are decided here: what a search system cannot reliably access, it cannot process as a trustworthy source either.

„`

Crawlability and indexability

robots.txt settings
noindex and canonical tags
XML sitemap
HTTP status codes and faulty redirects
orphan pages and duplicate content
text hidden behind JavaScript
mobile rendering and server-side rendering
page loading speed

Technical shortcomings therefore do not only create ranking problems, but can also create real AI visibility blind spots. You can read more here about why content can become invisible to AI bots.

Internal link network and information architecture

Can the most important service pages be reached within three clicks?
Are there logical topic clusters?
Do articles connect to services?
Are anchor texts clear?
Do expert and reference pages receive proper internal links?
Are there pages on the same topic competing with each other?

Internal links are not just navigation elements: they also show machine systems the relationships between topics, services and brand entities.

Structured data check

Organization Person Article Service BreadcrumbList FAQPage LocalBusiness Product Review*

*only when real and properly usable reviews are present.

When broader, priority-based coverage is needed, this framework also helps you build an AI-supported, priority-based SEO audit action list.

„`

2nd pillar — Entity clarity and brand identification

Generative systems think not in keywords, but in entities: who, what and in which relationships. If the brand is blurry at this layer, even the best content cannot become a stable source.

„`

4.1 Is it clearly understandable who the business is?

What is the official name of the business?
What service or product does it offer?
Who does it offer it to?
In which geographic area does it operate?
Who stands behind the expert content?
What experience, qualification or reference proves credibility?
How is it different from competitors?

4.2 Brand-name consistency

Compare whether the website header and footer, contact page, Google Business Profile, social profiles, professional databases, press appearances, author bios and structured data all present the same picture. Differences between company name, expert name, address, services and related URLs create uncertainty — and an AI system is more likely to leave an uncertain entity out of an answer than take a risk with it.

4.3 Expert and topical entities

It is worth recording in a separate table which concepts the brand is connected to. For an AI SEO agency, related entities could include for example:

AI visibility search engine optimization generative search ChatGPT Search Google AI Overviews Perplexity answer engine optimization structured data citation tracking

To understand this layer more deeply, read about entity signals in ChatGPT Search visibility and the characteristics of source-ready websites.

„`

3rd pillar — AI test questions and prompt matrix

An AI system’s answer may depend on the wording of the question, the assumed user intent, location, conversation history and available web sources. That is why you should never test with only one question: for a smaller business, at least 30–50 questions are recommended; for a more complex or multi-market brand, 100–200 questions are worth building into the prompt matrix.

„`

Brand awareness Category-based Comparative Expert-focused

Examines the brand’s direct, independent recognizability.

“What do you know about [brand name]?”
“What services does [brand name] provide?”
“Is [brand name] a trustworthy provider?”

Measures whether the brand enters the “best providers” category when the user does not even know its name yet.

“What are the best [service] companies in Hungary?”
“Who do you recommend for solving [problem]?”
“What criteria should I use to choose a [provider]?”

Shows how AI positions the brand compared with competitors.

“What is the difference between [brand] and [competitor]?”
“Which solution is better for small businesses?”
“Which service offers better value for money?”

Tests expert credibility and personal brand visibility.

“Who is considered an expert in this field?”
“What experience does [expert name] have?”
“Who can help with a complex [field] project?”

5.3 Recording results

For every single answer, record in a table whether the brand appears, in what position, whether the context is positive, neutral or negative, whether there is a clickable citation, which URL the system uses, which competitors it names, and whether the answer is factually accurate.

„`

4th pillar — Citations and source selection

Brand appearance alone does not reveal which source AI used to build the answer — yet this exact difference determines whether your own website plays a role, or whether your name is mediated by a third-party article.

„`

6.1 Does AI know the brand from your own source or from an external source?

Citation from own website Press appearance Professional database Social profile Review site Competitor or aggregator page Uncited brand mention

6.2 Identifying citable pages

Examine which page types most often enter the answers: guides, definitions, comparisons, research, case studies, pages containing prices, expert bios, frequently asked questions, and content that publishes statistics and original data.

The Bing AI Performance report can be especially valuable because, in addition to cited pages, it can help understand the queries used for retrieval and Citation Share. You can read more here: Bing AI Performance: cited pages, grounding queries and Citation Share. For the Google-side layer, this guide gives practical direction: Google AI Overviews optimization and citation potential.

„`

The AI visibility audit scoring system

The four pillars should be summarized on a single 100-point scale — exactly the way the radar at the beginning of the article is structured.

„`

Audit category	Maximum points
Technical accessibility	25
Entity clarity	25
Presence in test questions	25
Citations and source quality	25
Total	100

0–25

The brand is practically invisible or easy to misunderstand

26–50

Partial presence with significant gaps

51–70

Stable foundations, but inconsistent AI appearance

71–85

Strong, measurable visibility across several platforms

86–100

Outstanding source readiness and category authority

The score alone is not enough — for every identified issue, record the business impact, expected difficulty of the fix, responsible owner, deadline, measurement method and priority level. Without this, the audit remains a nice document instead of an action plan.

„`

Turning findings into a 30–60–90 day plan

The audit itself is a diagnosis. The value lies in converting the detected gaps into scheduled, owner-assigned actions.

„`

Days 0–30

Accessibility and error fixing

Fix indexing errors
Internally link important pages
Correct structured data
Unify brand name and company data
Run baseline test questions

Days 31–60

Entity and content building

Improve author and expert pages
Clarify service pages
Add definition and question-answer blocks
Create missing topic clusters
Publish case studies and proof assets

Days 61–90

Citation and reputation layer

External professional appearances
Relevant brand mentions
Citable research and comparisons
Second prompt test
Measure Citation Share and AI traffic

At this stage, it is worth examining how to measure revenue actually coming from AI searches, and how all this can be integrated into a broader Google AI Mode SEO strategy.

„`

Fillable audit sample — try it live

The table below is a reduced, working sample of the full audit template. Click any status button: each click moves the row forward from “Not checked” → “Passed” → “Failed,” and updates the progress live. The full template naturally contains many more rows and covers every audit point.

„`

0 / 6 points checked · 0 passed

Audit point	Evidence	Priority	Action
Important pages are indexable	Search Console	Critical	Fix indexing error
Brand name is consistent	Website and profiles	High	Unify name variants
Organization markup is correct	Code check	Medium	Fix structured data
Brand appears in category questions	Prompt test	High	Improve category pages
Own page receives citations	AI answer	High	Optimize source page
Competitor Citation Share is known	Bing data	Medium	Competitor analysis

Clicks are stored only in this browser session and are not saved.

On the published audit page, it is also worth applying the following structured data types: Article, FAQPage, BreadcrumbList, Organization, Person, completed with clearly defined author and update data.

„`

Frequently Asked Questions

„`

What is the difference between an SEO audit and an AI visibility audit?

AI-láthatósági audit sablon: technikai SEO, entitásegyértelműség, tesztkérdések és AI-hivatkozások

onlinemarketing101 — Thu, 16 Jul 2026 21:52:00 +0000

AI-láthatósági audit sablon: SEO, entitások és citációk

AI SEO audit · GEO / AEO diagnosztika

AI-láthatósági audit sablon: technikai SEO, entitásegyértelműség, tesztkérdések és AI-hivatkozások

Amíg Ön a következő blogbejegyzésen dolgozik, valaki éppen most kérdez rá a ChatGPT-ben, hogy kire bízza a problémáját. A válasz vagy tartalmazza a márkáját — vagy nem. Ez a sablon nem egy újabb SEO-checklist, hanem egy teljes diagnosztikai keretrendszer: megméri, mennyire látja, érti és idézi a vállalkozását a generatív keresés négy rétege — a technika, az entitás, a promptok és a citációk.

Olvasási idő: ~11 perc Terület: AI SEO · GEO · AEO Formátum: Kitölthető audit sablon

Illusztratív példa · összesen 47 / 100 pont

T — Technikai hozzáférhetőség18/25

E — Entitásegyértelműség14/25

P — Tesztkérdések (promptok)9/25

C — Citációk6/25

Ez a profil tipikus egy olyan márkánál, amely technikailag rendben van, de az AI-válaszokban még alig szerepel forrásként. Az Ön saját radarját a cikk végén található kitölthető auditmintával rajzolhatja meg.

Miért nem elég többé egy hagyományos SEO-audit?

A hagyományos SEO-audit egy jól ismert kérdéssort jár körbe: feltérképezhető-e az oldal, indexelhető-e, elég gyors-e, és megfelelően van-e optimalizálva a keresőmotorok számára. Ezek a kérdések továbbra is érvényesek — csak épp önmagukban már nem elegendőek.

A keresés időközben megkapta a második agyát. Amikor valaki ma megkérdezi a ChatGPT-t, a Geminit vagy a Google AI Módot, hogy kire bízza a problémáját, a rendszer nem tíz kék linket dob elé — egyetlen összefésült választ ad. Ez a válasz vagy tartalmazza az Ön vállalkozását, vagy egy versenytársét, és a különbséget legtöbbször nem a klasszikus rangsorolás dönti el, hanem az alábbi kérdések:

Megérti-e egy AI-rendszer, hogy mivel foglalkozik a vállalkozás?
Egyértelműen azonosítható-e a márka, a szakértő és a szolgáltatás?
Megjelenik-e a vállalkozás releváns ChatGPT-, Gemini-, Copilot- vagy Perplexity-válaszokban?
A saját weboldalát idézik, vagy egy külső forrásból ismeri meg a márkát az AI?
Milyen kérdések és keresési szándékok esetén marad láthatatlan a vállalkozás?

Fontos különbség

Az AI-láthatóság nem kizárólag kattintható forráshivatkozást jelent. A márka megjelenhet citációként, link nélküli említésként vagy konkrét ajánlásként is — mindhárom másképp értékes, de mindhárom számít abban, hogy a döntéshozó Önt választja-e.

Gondoljon bele, milyen gyakran fordul elő ez a helyzet a saját piacán. Egy potenciális ügyfél nem beírja a márkanevet, hanem megfogalmaz egy problémát — „kell egy megbízható könyvelő Budapesten”, „melyik ügynökség ért a generatív kereséshez” —, és az AI-asszisztens ad neki két-három konkrét nevet. Ha ott nem szerepel, a hagyományos honlap, a szép logó és a jól megírt „Rólunk” oldal önmagában semmit nem ér ebben a pillanatban. Az AI-láthatósági audit épp ezt a vakfoltot teszi mérhetővé, mielőtt még drága kampányokba fektetne.

Ha bizonytalan abban, hogy pontosan mit takar ez a fogalom, ebben a cikkben bontottuk ki részletesen, hogy mit jelent valójában az AI-láthatóság.

Mi az AI-láthatósági audit?

Definíció

Az AI-láthatósági audit egy weboldal, márka vagy szakértő gépi értelmezhetőségének, forrásként való használhatóságának és generatív keresőkben történő megjelenésének strukturált vizsgálata.

Ez nem egyetlen mérőszám, hanem négy, egymásra épülő diagnosztikai réteg — pontosan azok, amelyeket a fenti radar is megmutat:

Technikai hozzáférhetőség

El tudják-e érni és fel tudják-e dolgozni a rendszerek az oldal tartalmát? Ez az alapréteg — enélkül a másik három nem is értelmezhető.

Entitásegyértelműség

Világos-e, hogy ki a vállalkozás, mit kínál, és milyen témákhoz kapcsolódik a neve az interneten?

Tesztkérdések (promptmátrix)

Milyen választ ad a ChatGPT, a Gemini vagy a Perplexity a célközönség valós, üzletileg releváns kérdéseire?

Citációk

Mely oldalakat, márkákat és forrásokat idézik ténylegesen a válaszok — és szerepel-e köztük az Ön weboldala?

Fontos leszögezni: az AI SEO nem helyettesíti a klasszikus keresőoptimalizálást. A technikai SEO, a GEO és az AEO egymásra épülő rétegek, nem egymással versengő módszerek — részletesen itt olvashat az AI SEO, GEO és AEO gyakorlati keretrendszeréről.

Kinek érdemes végigvinnie ezt a sablont? Elsősorban azoknak a marketingvezetőknek és cégvezetőknek, akik már érzik, hogy valami megváltozott a keresési szokásokban, de nincs kézzelfogható adatuk arról, hol veszítik el a láthatóságot. Ugyanígy hasznos SEO-szakembereknek, akik a klasszikus auditjukat szeretnék kiegészíteni egy AI-specifikus réteggel, és szakértői márkáknak, ahol a személyes hitelesség — nem csak a cégnév — a döntő tényező. A négy pillér sorrendje nem véletlen: a technikai alap nélkül az entitásjelek is bizonytalanok maradnak, entitás nélkül pedig a promptteszt eredményei értelmezhetetlenek lesznek.

Az audit előkészítése: célok, platformok és viszonyítási alap

Mielőtt bármelyik pillért vizsgálni kezdené, érdemes tíz percet szánni az alapadatok összegyűjtésére. Enélkül a későbbi eredmények nehezen lesznek összehasonlíthatók — pláne negyedévről negyedévre.

Mit tisztázzon előre?

A vállalkozás neve és minden használt névváltozata
A fő szolgáltatások vagy termékkategóriák
A kiemelt szakértők és vezetők
A földrajzi piacok, amelyeken a vállalkozás jelen van
Az elsődleges célcsoportok
A legfontosabb versenytársak
A vizsgálandó AI-platformok köre
Az üzleti szempontból legértékesebb kérdéstípusok

Mely platformokon érdemes auditálni?

ChatGPT Search Google AI Overviews & AI Mode Microsoft Copilot Perplexity Gemini Hagyományos Google & Bing találati lista

Az alapállapot rögzítése

A tesztelés előtt készítsen képernyőképeket, dátumozott eredménytáblát és egységes pontozást minden vizsgált kérdésről. Ugyanazokat a kérdéseket később, változtatás nélkül kell újra lefuttatni — csak így válik mérhetővé, hogy az elvégzett fejlesztések valóban hoztak-e elmozdulást a citációkban és a márkaemlítésekben.

1. pillér — Technikai SEO és gépi hozzáférhetőség

Ez a réteg a legkevésbé látványos, mégis itt dől el a legtöbb: amit egy keresőrendszer nem tud stabilan elérni, azt nem tudja megbízható forrásként feldolgozni sem.

Feltérképezhetőség és indexelhetőség

robots.txt beállítások
noindex és canonical címkék
XML-webhelytérkép
HTTP-státuszkódok és hibás átirányítások
árva oldalak és duplikált tartalmak
JavaScript mögé zárt szövegek
mobilos megjelenítés és szerveroldali renderelés
oldalbetöltési sebesség

A technikai hiányosságok ezért nem egyszerűen rangsorolási problémát okoznak, hanem valódi AI-láthatósági vakfoltot is létrehozhatnak — bővebben itt olvashat arról, miért válhat láthatatlanná a tartalom az AI-botok számára.

Belső linkhálózat és információs architektúra

Elérhetők-e a legfontosabb szolgáltatásoldalak három kattintáson belül?
Vannak-e logikus témaklaszterek?
Kapcsolódnak-e a cikkek a szolgáltatásokhoz?
Egyértelműek-e a horgonyszövegek?
Kapnak-e megfelelő belső linket a szakértői és referenciaoldalak?
Találhatók-e egymással versengő, azonos témájú oldalak?

A belső linkek nem csupán navigációs elemek: a témák, szolgáltatások és márkaentitások közötti kapcsolatokat is megmutatják a gépi rendszereknek.

Strukturált adatok ellenőrzése

Organization Person Article Service BreadcrumbList FAQPage LocalBusiness Product Review*

*csak valós és szabályosan használható értékelések esetén.

Ha szélesebb, prioritásalapú lefedettségre van szüksége, ez a keretrendszer segít abban is, hogy AI-vel épített, prioritásalapú SEO-audit teendőlistát állítson össze.

2. pillér — Entitásegyértelműség és márkaazonosítás

A generatív rendszerek nem kulcsszavakban, hanem entitásokban gondolkodnak: kikről, mikről és milyen kapcsolatokban van szó. Ha a márka ebben a rétegben elmosódott, a legjobb tartalom sem tud stabil forrássá válni.

4.1 Egyértelműen megérthető-e, hogy ki a vállalkozás?

Mi a vállalkozás hivatalos neve?
Milyen szolgáltatást vagy terméket kínál?
Kiknek kínálja?
Milyen földrajzi területen működik?
Ki áll a szakmai tartalom mögött?
Milyen tapasztalat, képesítés vagy referencia igazolja a hitelességét?
Miben különbözik a versenytársaktól?

4.2 Márkanév-következetesség

Hasonlítsa össze, hogy a weboldal fejléce és lábléce, a kapcsolat oldal, a Google Cégprofil, a közösségi profilok, a szakmai adatbázisok, a sajtómegjelenések, a szerzői bemutatkozások és a strukturált adatokban szereplő nevek mind ugyanazt a képet mutatják-e. A cégnév, a szakértő neve, a cím, a szolgáltatások és a kapcsolódó webcímek közötti eltérések bizonytalanságot teremtenek — és a bizonytalan entitást egy AI-rendszer inkább kihagyja a válaszból, mint hogy kockáztasson vele.

4.3 Szakértői és tematikus entitások

Külön táblázatban érdemes rögzíteni, hogy a márka mely fogalmakhoz kapcsolódik. Egy AI SEO-ügynökségnél ilyen kapcsolódó entitás lehet például:

AI-láthatóság keresőoptimalizálás generatív keresés ChatGPT Search Google AI Overviews Perplexity válaszmotor-optimalizálás strukturált adatok hivatkozáskövetés

Ha ezt a réteget mélyebben szeretné megérteni, itt olvashat a ChatGPT Search-láthatóság entitásjeleiről és a forráskész weboldalak jellemzőiről.

3. pillér — AI-tesztkérdések és promptmátrix

Egy AI-rendszer válasza függhet a kérdés megfogalmazásától, a felhasználó feltételezett szándékától, a helytől, a beszélgetési előzményektől és az elérhető webes forrásoktól. Ezért soha ne egyetlen kérdéssel teszteljünk: kisebb vállalkozásnál legalább 30–50, összetettebb vagy többpiacos márkánál 100–200 kérdésből álló promptmátrixot érdemes összeállítani.

Márkaismertségi Kategóriaalapú Összehasonlító Szakértői

A márka önálló, közvetlen ismertségét vizsgálja.

„Mit tudsz a [márkanév] vállalkozásról?”
„Milyen szolgáltatásokat nyújt a [márkanév]?”
„Megbízható szolgáltató-e a [márkanév]?”

Azt méri, hogy a márka bekerül-e a kategória „legjobbjai” közé, amikor a felhasználó még nem is ismeri a nevét.

„Melyek a legjobb [szolgáltatás] cégek Magyarországon?”
„Kit ajánlasz [probléma] megoldására?”
„Milyen szempontok alapján válasszak [szolgáltatót]?”

Megmutatja, hogyan pozicionálja az AI a márkát a versenytársakhoz képest.

„Mi a különbség a [márka] és a [versenytárs] között?”
„Melyik megoldás előnyösebb kisvállalkozásoknak?”
„Melyik szolgáltatás kínál jobb ár-érték arányt?”

A szakértői hitelesség és a személyes márka láthatóságát teszteli.

„Ki számít szakértőnek ezen a területen?”
„Milyen tapasztalata van [szakértő neve] személynek?”
„Ki tud segíteni egy összetett [szakterület] projektben?”

5.3 Eredményrögzítés

Minden egyes válasznál rögzítse táblázatban: szerepel-e a márka, milyen pozícióban, pozitív, semleges vagy negatív-e a kontextus, van-e kattintható hivatkozás, melyik URL-t használja a rendszer, mely versenytársakat nevezi meg, és tényszerűen pontos-e a válasz.

4. pillér — Citációk és forráskiválasztás

A márka megjelenése önmagában még nem mutatja meg, hogy az AI melyik forrásból építette fel a választ — pedig pontosan ez a különbség dönti el, hogy a saját weboldala kap-e szerepet, vagy csak egy harmadik fél írása közvetíti a nevét.

6.1 Saját vagy külső forrásból ismeri a márkát az AI?

Saját weboldalról származó hivatkozás Sajtómegjelenés Szakmai adatbázis Közösségi profil Értékelőoldal Versenytárs vagy gyűjtőoldal Forrás nélküli márkaemlítés

6.2 Idézhető oldalak azonosítása

Vizsgálja meg, mely oldaltípusok kerülnek be leggyakrabban a válaszokba: útmutatók, fogalommeghatározások, összehasonlítások, kutatások, esettanulmányok, árakat tartalmazó oldalak, szakértői bemutatkozások, gyakori kérdések, valamint statisztikákat és eredeti adatokat közlő tartalmak.

A Bing AI Performance jelentése különösen értékes lehet, mert a hivatkozott oldalak mellett a visszakereséshez használt lekérdezéseket és a citációs részesedést is segíthet megérteni — erről bővebben itt olvashat: Bing AI Performance: hivatkozott oldalak, grounding lekérdezések és citációs részesedés. A Google-oldali réteghez pedig ez a cikk ad gyakorlati útmutatót: Google AI Overviews optimalizálás és hivatkozási potenciál.

Az AI-láthatósági audit pontozási rendszere

A négy pillért egyetlen, 100 pontos skálán érdemes összesíteni — pontosan úgy, ahogyan a cikk elején látható radar is felépül.

Auditkategória	Maximális pont
Technikai hozzáférhetőség	25
Entitásegyértelműség	25
Tesztkérdésekben elért jelenlét	25
Citációk és forrásminőség	25
Összesen	100

0–25

A márka gyakorlatilag láthatatlan vagy félreérthető

26–50

Részleges jelenlét, jelentős hiányosságokkal

51–70

Stabil alapok, de következetlen AI-megjelenés

71–85

Erős, több platformon is mérhető láthatóság

86–100

Kiemelkedő forráskészség és kategóriaautoritás

A pontszám önmagában nem elég — minden azonosított hibához rögzítse az üzleti hatást, a javítás várható nehézségét, a felelőst, a határidőt, a mérési módszert és a prioritási szintet is. Enélkül az audit szép dokumentum marad, nem cselekvési terv.

A megállapítások átfordítása 30–60–90 napos tervvé

Az audit önmagában diagnózis. Az érték abban rejlik, hogy a talált hiányosságokat ütemezett, felelősökhöz rendelt lépésekké alakítja.

0–30. nap

Hozzáférhetőség és hibajavítás

Indexelési hibák rendezése
Fontos oldalak belső linkelése
Strukturált adatok javítása
Márkanév és cégadatok egységesítése
Alapállapotot mérő tesztkérdések lefuttatása

31–60. nap

Entitás- és tartalomépítés

Szerzői és szakértői oldalak fejlesztése
Szolgáltatásoldalak egyértelműsítése
Definíciós és kérdés–válasz blokkok
Hiányzó témaklaszterek elkészítése
Esettanulmányok és bizonyítékok publikálása

61–90. nap

Hivatkozási és reputációs réteg

Külső szakmai megjelenések
Releváns márkaemlítések
Idézhető kutatások és összehasonlítások
Újabb promptteszt
Citációs részesedés és AI-forgalom mérése

Aki idáig eljut, érdemes megnézni, hogyan mérhető az AI-keresésekből ténylegesen származó bevétel, illetve hogyan illeszthető mindez egy tágabb Google AI Mode SEO-stratégiába.

Kitölthető auditminta — próbálja ki élőben

Az alábbi táblázat a teljes audit sablon egy kicsinyített, működő mintája. Kattintson bármelyik állapot-gombra: minden kattintás továbblépteti a sort „Nincs ellenőrizve” → „Megfelelt” → „Hibás” között, és élőben frissíti a haladást. A teljes sablon értelemszerűen ennél jóval több sort és minden vizsgálati pontot tartalmaz.

0 / 6 pont ellenőrizve · 0 megfelelt

Vizsgálati pont	Bizonyíték	Prioritás	Teendő
Fontos oldalak indexelhetők	Search Console	Kritikus	Indexelési hiba javítása
Márkanév egységes	Weboldal és profilok	Magas	Névformák egységesítése
Organization jelölés helyes	Kódellenőrzés	Közepes	Strukturált adat javítása
Márka szerepel kategóriakérdésekben	Promptteszt	Magas	Kategóriaoldalak fejlesztése
Saját oldal kap citációt	AI-válasz	Magas	Forrásoldal optimalizálása
Versenytársi citációs részesedés ismert	Bing-adatok	Közepes	Versenyelemzés

A kattintások csak ebben a böngészőmunkamenetben tárolódnak, nem kerülnek mentésre.

A publikált auditoldalon érdemes az alábbi strukturált adatokat is alkalmazni: Article, FAQPage, BreadcrumbList, Organization, Person, jól meghatározott szerzői és frissítési adatokkal kiegészítve.

Gyakran ismételt kérdések

Mi a különbség a SEO-audit és az AI-láthatósági audit között?

Bing AI Performance Metrics: What Do Cited Pages, Grounding Queries and Citation Share Show?

onlinemarketing101 — Wed, 15 Jul 2026 21:52:00 +0000

AI SEO & GEO

Bing AI Performance Metrics: What Do Cited Pages, Grounding Queries and Citation Share Show?

Rankings alone are no longer enough. We show how to read the Bing Webmaster Tools AI Performance report to understand whether your website actually appears in Microsoft Copilot answers — and what to do with the data.

Updated: July 2026 Reading time: approx. 10 minutes Topic: Bing Webmaster Tools, AI visibility, GEO

Imagine this situation: your website performs well in the traditional Google results list, yet something still feels missing from the picture. When you ask Microsoft Copilot about your field of expertise, not a single sentence in the answer cites you. Then there is the opposite case as well: one professional subpage regularly appears as a source in AI-generated answers, while the number of clicks barely moves. Confusing, isn’t it?

These two phenomena show exactly why it is no longer enough to think only in rankings. Generative search engines — whether Bing, Copilot or their partner surfaces — do not simply return a list of results. They merge the content of several sources into one direct answer and attach citations to it. Organic traffic simply cannot show this type of visibility.

This is where Bing AI Performance enters the picture: first-party data showing when, in what context and how frequently an AI system cited your content. Microsoft launched the Bing Webmaster Tools AI Performance report in public preview in February 2026, then expanded it on June 16, 2026 with new features: intents, topics, Citation Share and period comparison. The report shows aggregated citation data from Bing, Microsoft Copilot and certain partner AI surfaces in one place.

To interpret this dataset correctly, however, you first need to separate four concepts: number of citations, the set of cited pages, grounding queries and Citation Share. In this article, we do exactly that — step by step, with practical examples and a small interactive calculator at the end that lets you immediately test your own data.

For a deeper look at the differences between classic SEO, AEO and GEO, we have also created a separate guide: A practical framework for AI SEO, GEO and AEO.

1. What is the Bing AI Performance report?

AI Performance is a separate report inside Bing Webmaster Tools. It does not examine classic search rankings; instead, it shows how and to what extent a website becomes a source in AI-generated answers. In other words, it does not measure where you rank in the list, but whether you enter the small set of sources the AI actually uses.

Metric	What does it show?
Total citations	How many times one of the website’s URLs appeared as a source
Average cited pages	How many unique pages, on average, participated in AI answers per day
Page-level citation activity	Which URLs were cited most frequently
Grounding queries	Which phrases the AI used to retrieve the cited information
Citation Share	What percentage of all citations for a given query came from the website
Change over time	How citation activity increased or decreased

Important: total citations alone do not show the order or emphasis with which the source appeared in the answer. Page-level data should not be treated as a classic ranking position either — it is an observation layer, not a score.

It is therefore worth moving away from the reflex that “the higher the number, the better.” The real value of the report lies in the patterns it reveals: which pieces of content, in which topics, and how often become reference points. For a broader understanding of this AI visibility concept, we recommend this overview: What does AI visibility really mean?

2. Cited pages: which content does AI consider a usable source?

The truly important question is not how many pages are indexed on the domain. What matters is how many of those actually enter the source set of AI answers. A 500-page online store may have only four or five pages that are genuinely “citable” — and that is exactly the number worth watching.

Examining the list of cited pages answers several questions:

Topical authority

In which topics does the domain already have visible AI presence?

Citable format

Which content types actually prove to be citable?

Page-type performance

Do product pages, category pages or guides perform better?

Concentration

Does one strong page generate most citations, or is the base broader?

It is important to distinguish between two similar-sounding metrics. “Average cited pages” is a site-level average: how many unique URLs appear as sources per day in aggregate. “Page-level citation activity”, on the other hand, shows citation counts assigned to specific URLs. Microsoft also emphasizes that these metrics are not authority scores or rankings — they are meant for observing citation patterns, not for grading pages.

Practical example

An accounting firm’s website has 150 indexed pages, but according to AI Performance, only three guides receive regular citations. That is not necessarily a bad thing — in fact, it is often a good sign. It may indicate that these three pages are properly focused, contain concrete and verifiable claims, and are built from clearly separated answer blocks. The other 147 pages, by contrast, are probably too generic or overlap with one another too much — and therefore do not become independent citation points.

For more on technical accessibility — in other words, why an AI bot may not “see” your content at all — read this article: Why is content marketing invisible to AI bots?

3. What are grounding queries?

The Hungarian phrase for “grounding query” can be described as a source-grounding retrieval query, but since the English term is increasingly used in professional language, we keep both concepts in this article.

Put simply: a grounding query is the keyword phrase or search formulation the AI system used when it retrieved the web information needed to support its answer. According to Microsoft’s definition, these are the important phrases with which the AI found the content that was later cited — and the displayed data represents a representative sample of total citation activity.

It is not the same as the user’s question

This is the most important and most commonly misunderstood point. A grounding query does not necessarily match what the user actually typed into Copilot or Bing.

Example

The user asks: “What search engine optimization strategy does a Hungarian B2B company need in 2026?”

To answer this, the AI may run several independent background retrievals, such as:

“B2B SEO strategy Hungary”
“AI SEO metrics”
“Microsoft Copilot visibility”
“GEO optimization for B2B companies”

This decomposition shows exactly how AI breaks one complex user question into smaller, independently answerable information tasks. Once you understand this, you can adapt your own content planning to the same logic — instead of building around a single keyword, you should cover an entire question space.

Analyzing grounding queries can therefore reveal:

which question areas the AI considers the website relevant for;
which terminology it associates with the content;
whether it connects the content to informational, commercial, local or research intent;
which related topics are worth creating new content for;
where there is a gap between the intended positioning and the topics the AI actually perceives.

The latest version of the Bing report also groups grounding queries into broader intent categories — such as informational, commercial, navigational, research, local, creative or problem-solving categories — which gives an even more detailed picture of how content fits into the user journey.

You can read more about how source selection, authority and content structure work together here: How do source selection, authority and content structure work together?

4. What does Citation Share mean?

Citation Share shows what percentage of all displayed citations for a given grounding query came from your website.

Formula: Citation Share = (your website’s citations / all citations for the given query) × 100

Let’s look at a concrete case: in AI answers connected to a specific grounding query, 100 source citations appeared in total. Of these, 18 citations pointed to your domain, while 82 belonged to other sources. In this case, your Citation Share is 18 percent.

Why is this more valuable than citation count alone? Because it adds context. Twenty citations can be an outstanding result in a narrow professional subtopic, but insignificant in a topic area where thousands of citations are generated daily. Citation Share shows exactly this relative weight.

At the same time, Microsoft clearly indicates that this is an observational metric — nothing more.

Not a ranking system

It contains no ranking or position, only a ratio.

Not a quality score

It does not measure the linguistic or professional quality of the content.

Not traffic share

It has no direct relationship with clicks.

Not a complete market view

It does not show all competitor domains.

Citation Share also moves continuously: user interest, model updates, content freshness, partner data sources and changes in the entire web source pool all affect it. This is not a system error — it is the nature of generative search.

Try it: Citation Share calculator

Enter your own citations and the total number of citations for the query — the calculator immediately shows your share.

Your website’s citations

Total citations for the query

Enter the data above.

You can read more about Citation Share and the logic of measuring AI citations on our homepage: AI SEO and AI citation measurement.

5. The three metrics must be interpreted together

The metrics introduced so far tell only half-truths when viewed separately. Only when they are placed next to one another does the real picture of a domain’s AI visibility emerge.

Situation	Cited pages	Grounding queries	Citation Share	Interpretation
Few pages, high share	Low	Narrow topic area	High	Strong but concentrated expert presence
Many pages, low share	High	Diverse	Low	Broad coverage, but strong competition
Many pages, growing share	High	Relevant clusters	Rising	Strengthening topical authority
Many citations, irrelevant queries	High	Imprecise	Variable	Semantic positioning problem
Declining page count and share	Declining	Narrowing	Declining	Freshness, technical or content problem

A simple rule of thumb is useful:

citation count shows activity;
number of cited pages shows content breadth;
grounding queries show semantic context;
Citation Share shows relative presence;
period comparison shows direction.

With Bing Compare, for example, you can compare the current 30 days with the previous 30 days, or compare two custom periods. However, caution is important: a shift is not necessarily the result of a single optimization action — model updates, competitor movement and demand seasonality can all shape the numbers.

6. Practical Bing AI Performance analysis workflow

Set a baseline period

Review the previous 30 or 90 days and record the baseline values:

total citations
average cited pages
most frequently cited URLs
leading grounding queries
strongest topics and Citation Share

Group the cited pages

Organize the URLs that receive citations into categories: service page, product or category page, expert guide, case study, concept explainer, comparison, research/proprietary data, FAQ page. This quickly shows which content type actually “works.”

Connect pages with queries

Collect the most important data points in one table: URL — grounding query — intent — citations — Citation Share — action. This table becomes the foundation for the next content cycle.

Find content opportunities

Pay special attention to these patterns:

high citation count but low share;
high share but only one cited page;
relevant grounding query without dedicated content yet;
declining share in a previously strong topic;
indexed page that receives no citations at all.

Compare with traditional SEO data

The classic Bing Webmaster Tools reports still show impressions, clicks and average positions. AI Performance does not replace this; it adds a second visibility layer.

You can read more about the relationship between classic search engine optimization and search marketing here: Search marketing and search engine optimization.

7. How can the number of cited pages and Citation Share be increased?

Independently citable information units

Content that is easy for AI to extract: short definitions, concrete numbers, comparison tables, step-by-step guides, expert conclusions, question-and-answer blocks and clearly identified sources.

Avoid overly generic claims

“Our service is high quality.”

“The technical audit covered 147 URLs, of which 38 had indexing issues and 21 had canonicalization problems.”

Build intentional topic clusters

Grounding queries reveal related questions for which new subpages should be created — for example, as an interconnected subpage network organized around a pillar page.

Update facts regularly

Freshness is crucial in grounding systems: outdated data may not only produce weaker visibility, but also inaccurate AI answers. Factual accuracy, clear sourcing and the handling of contradictions are fundamental expectations.

Do not forget IndexNow: important content changes should be signaled immediately. According to Bing, this helps search and AI systems learn faster when content has been created, updated or deleted.

You can find a full presentation of the optimization process covering technical SEO, GEO and AEO here: AI visibility guide: technical SEO, GEO and AEO.

8. The most common interpretation mistakes

“The page with the most citations is the strongest SEO page.”

Not necessarily. Citation count is not a ranking or quality score.

“High Citation Share means high traffic.”

Citation Share is not a click or traffic metric; it measures relative presence within a specific query.

“The grounding query is the same as the user’s typed question.”

A grounding query is part of the AI’s internal information retrieval process, so it may be a rephrased or decomposed version of the original question.

“One week of growth proves optimization success.”

AI citations move dynamically. At least 30–90 day trends should be analyzed, and several metrics should be interpreted together.

“Bing AI Performance replaces Search Console and analytics.”

It does not. AI citation, organic appearance, click, referral traffic and conversion remain separate measurement layers that must be reviewed together.

Summary: AI visibility is becoming a measurable business process

The most important strength of Bing AI Performance is not that it provides one final AI visibility score. Quite the opposite: through several separate signals, it shows where, in which topics and at what relative share your content is being used to support AI answers.

Cited pages show which pieces of content actually become sources. Grounding queries reveal how AI interprets the website’s topics. Citation Share puts appearance counts into context — showing what share your own domain holds in the competition for a given topic.

The future SEO question is therefore no longer only “where does the page rank in Google?” — but just as much:

When AI systems answer which questions, do they rely on our website?

Frequently Asked Questions

It is a report in Bing Webmaster Tools that shows how often a website’s pages appear as sources in generated answers across Bing, Microsoft Copilot and certain partner AI surfaces.

It is a URL that the AI system displayed as a source next to a generated answer.

A retrieval phrase the AI used to find web information supporting its answer — and it is not necessarily identical to the user’s original question.

It shows what percentage of all citations for a given grounding query came from the analyzed website.

No. It does not measure traffic share or business market share, and it should not be treated as a complete competitor ranking.

By creating well-structured, factual, fresh, technically accessible and clearly citable content, and by consistently expanding topical coverage through a cluster-based approach.

Strength in unity: technical SEO + AEO + GEO

To increase AI citations, classic technical SEO, content authority, AEO and GEO should be managed as one unified system. Discover OnlineMarketing101’s AI SEO approach.

Discover our AI SEO approach →

Bing AI Performance mérőszámok: mit mutatnak a hivatkozott oldalak, a grounding lekérdezések és a citációs részesedés?

onlinemarketing101 — Wed, 15 Jul 2026 21:52:00 +0000

AI SEO & GEO

Bing AI Performance mérőszámok: mit mutatnak a hivatkozott oldalak, a grounding lekérdezések és a citációs részesedés?

A helyezés önmagában már nem elég. Megmutatjuk, hogyan olvassa ki a Bing Webmaster Tools AI Performance riportjából, hogy a weboldala tényleg megjelenik-e a Microsoft Copilot válaszaiban — és mit kezdjen az adatokkal.

Frissítve: 2026. július Olvasási idő: kb. 10 perc Téma: Bing Webmaster Tools, AI-láthatóság, GEO

Képzelje el a következő helyzetet: a weboldala szépen teljesít a hagyományos Google-találati listán, mégis úgy érzi, hogy valami hiányzik a képből. Amikor rákérdez a Microsoft Copilotnál a saját szakterületére, a válaszban egyetlen mondat sem hivatkozik Önre. Aztán ott a fordított eset is: egy szakmai aloldal rendszeresen felbukkan forrásként az AI által generált válaszokban, miközben a kattintásszám alig mozdul. Zavaró, nem?

Ez a két jelenség pontosan azt mutatja meg, miért nem elég többé a helyezésben gondolkodni. A generatív keresőmotorok — legyen szó a Bingről, a Copilotról vagy azok partneri felületeiről — nem egyszerű találati listát adnak vissza. Több forrás tartalmát olvasztják egyetlen, közvetlen válasszá, és ehhez hivatkozásokat rendelnek. Az organikus forgalom ezt a fajta láthatóságot egyszerűen nem tudja megmutatni.

Itt lép be a képbe a Bing AI Performance: első kézből származó adat arról, mikor, milyen kontextusban és milyen gyakorisággal hivatkozott a tartalmára egy AI-rendszer. A Microsoft 2026 februárjában indította el nyilvános előzetesként a Bing Webmaster Tools AI Performance riportját, majd 2026. június 16-án új funkciókkal bővítette: szándékok, témák, citációs részesedés és időszak-összehasonlítás. A riport a Bing, a Microsoft Copilot és bizonyos partneri AI-felületek összesített citációs adatait mutatja meg egy helyen.

Ahhoz azonban, hogy ezt az adathalmazt jól tudja értelmezni, először szét kell szálazni négy fogalmat: a hivatkozások számát, a hivatkozott oldalak körét, a grounding lekérdezéseket és a citációs részesedést. Ebben a cikkben pontosan ezt tesszük — sorban, gyakorlati példákkal, és egy kis interaktív számológéppel a végén, amivel azonnal ki is próbálhatja a saját adatait.

Ha a klasszikus SEO, az AEO és a GEO közötti különbségekben is szeretne elmélyülni, ehhez egy külön útmutatót is összeállítottunk: AI SEO, GEO és AEO gyakorlati keretrendszere.

1. Mi az a Bing AI Performance riport?

Az AI Performance a Bing Webmaster Tools egy különálló jelentése. Nem a klasszikus keresési helyezéseket, hanem azt vizsgálja, hogy a weboldal mennyire és hogyan válik forrássá az AI által generált válaszokban. Más szóval: nem azt méri, hányadik a listán, hanem azt, hogy egyáltalán bekerül-e abba a néhány forrásba, amit az AI ténylegesen felhasznál.

Mérőszám	Mit mutat?
Összes citáció	Hányszor jelent meg a weboldal valamely URL-je forrásként
Átlagosan hivatkozott oldalak	Naponta átlagosan hány egyedi oldal vett részt AI-válaszokban
Oldalszintű citációs aktivitás	Mely URL-eket hivatkozták a leggyakrabban
Grounding lekérdezések	Milyen kifejezésekkel kereste vissza az AI a hivatkozott információt
Citációs részesedés	Az adott lekérdezéshez tartozó összes citáció mekkora része származott a webhelyről
Időbeli változás	Hogyan emelkedett vagy csökkent a citációs aktivitás

Fontos: az összes citáció önmagában nem mutatja meg, hogy a forrás milyen sorrendben vagy milyen hangsúllyal jelent meg a válaszban. Az oldalszintű adat sem tekinthető klasszikus rangsorolási helyezésnek — inkább egy megfigyelési rétegről van szó, nem egy pontszámról.

Érdemes tehát elszakadni attól a reflextől, hogy „minél magasabb a szám, annál jobb”. A riport igazi értéke abban rejlik, hogy mintázatokat mutat meg: mely tartalmak, milyen témákban és milyen gyakorisággal válnak hivatkozási ponttá. Ha ezt a tágabb AI-láthatósági fogalmat is szeretné jobban megérteni, ajánljuk ezt az összefoglalót: Mit jelent valójában az AI-láthatóság?

2. Hivatkozott oldalak: mely tartalmakat tekinti használható forrásnak az AI?

Az igazán fontos kérdés nem az, hogy hány oldal van indexelve a domainen. Az számít, hogy ezek közül ténylegesen mennyi kerül bele az AI-válaszok forráskészletébe. Egy 500 oldalas webshopnak lehet, hogy csak 4-5 oldala „idézhető” valójában — és pontosan ez az a szám, amit érdemes figyelni.

A hivatkozott oldalak listájának vizsgálata több kérdésre is választ ad:

Tartalmi tekintély

Mely témákban van már érzékelhető AI-jelenléte a domainnek?

Idézhető formátum

Mely tartalomtípusok bizonyulnak ténylegesen idézhetőnek?

Oldaltípus-teljesítmény

Termékoldalak, kategóriaoldalak vagy útmutatók teljesítenek jobban?

Koncentráció

Egyetlen erős oldal termeli-e a citációk többségét, vagy szélesebb a bázis?

Fontos különbséget tenni két hasonlóan hangzó mutató között. Az „átlagosan hivatkozott oldalak” egy webhelyszintű átlag: naponta hány egyedi URL jelenik meg forrásként összesítve. Az „oldalszintű citációs aktivitás” ezzel szemben konkrét URL-ekhez rendelt citációs számokat mutat. A Microsoft is hangsúlyozza: ezek a mutatók nem jelentenek tekintélypontszámot vagy rangsort — a citációs mintázat megfigyelésére szolgálnak, nem minősítésre.

Gyakorlati példa

Egy könyvelőiroda weboldalán 150 indexelt oldal található, de az AI Performance szerint csak három útmutató kap rendszeres hivatkozást. Ez önmagában nem baj — sőt, gyakran ez jó jel. Arra utalhat, hogy ez a három oldal megfelelően fókuszált, konkrét és ellenőrizhető állításokat tartalmaz, és jól elkülöníthető válaszblokkokból épül fel. A többi 147 oldal ezzel szemben valószínűleg túl általános, vagy tartalmilag átfedésben van egymással — ezért nem válik önálló hivatkozási ponttá.

Ha a technikai hozzáférhetőség kérdése is érdekli — vagyis hogy egyáltalán miért nem „látja” egy AI-bot a tartalmát —, ebben a cikkben jártuk körül: Miért láthatatlan a tartalommarketing az AI-botok számára?

3. Mik azok a grounding lekérdezések?

A „grounding lekérdezés” magyarul leginkább forrásmegalapozó lekérdezésként írható körül, de mivel a szakmai szóhasználatban egyre inkább az angol kifejezés terjed el, ebben a cikkben is megtartjuk mindkét változatot.

Egyszerű megfogalmazásban: a grounding lekérdezés az a kulcskifejezés vagy keresési megfogalmazás, amelyet az AI-rendszer akkor használt, amikor a válasz alátámasztásához szükséges webes információt kereste vissza. A Microsoft meghatározása szerint ezek azok a fontos kifejezések, amelyekkel az AI a később hivatkozott tartalmat megtalálta — a megjelenített adatok pedig a teljes citációs aktivitás egy reprezentatív mintáját jelentik.

Nem azonos a felhasználó kérdésével

Ez a legfontosabb és legtöbbször félreértett pont. A grounding lekérdezés nem feltétlenül egyezik meg azzal, amit a felhasználó ténylegesen begépelt a Copilotba vagy a Bingbe.

Példa

A felhasználó ezt kérdezi: „Milyen keresőoptimalizálási stratégiára van szüksége egy magyar B2B vállalkozásnak 2026-ban?”

Az AI ennek megválaszolásához a háttérben több, egymástól független visszakeresést is indíthat, például:

„B2B SEO stratégia Magyarország”
„AI SEO mérőszámok”
„Microsoft Copilot láthatóság”
„GEO optimalizálás B2B vállalatoknak”

Ez a felbontás pontosan megmutatja, ahogyan az AI a felhasználó egyetlen, összetett kérdését apró, önállóan megválaszolható információs feladatokra bontja szét. Ha ezt megérti, a saját tartalomtervezését is ehhez a logikához tudja igazítani — nem egyetlen kulcsszóra, hanem egy egész kérdéskör lefedésére érdemes építkezni.

A grounding lekérdezések elemzéséből tehát kiolvasható:

milyen kérdéskörökben tartja relevánsnak az AI a weboldalt;
milyen terminológiával társítja a tartalmat;
információs, kereskedelmi, helyi vagy kutatási szándékhoz kapcsolja-e;
mely kapcsolódó témákhoz érdemes új tartalmat készíteni;
hol van eltérés a célzott és az AI által ténylegesen érzékelt témák között.

A Bing legújabb riportverziója a grounding lekérdezéseket ráadásul szélesebb szándékkategóriákba is sorolja — például információs, kereskedelmi, navigációs, kutatási, helyi, alkotási vagy problémamegoldási kategóriába —, ami tovább finomítja a képet arról, hogyan illeszkedik a tartalom a felhasználói utazásba.

A forráskiválasztás, a tekintély és a tartalmi struktúra összjátékáról bővebben itt olvashat: Hogyan dolgozik együtt a forráskiválasztás, a tekintély és a tartalmi struktúra?

4. Mit jelent a citációs részesedés?

A Citation Share, vagyis citációs részesedés azt mutatja meg, hogy egy adott grounding lekérdezéshez tartozó összes megjelenített hivatkozás mekkora százaléka származott az Ön weboldaláról.

Képlet: Citációs részesedés = (saját webhely citációi / az adott lekérdezéshez tartozó összes citáció) × 100

Nézzünk egy konkrét esetet: egy adott grounding lekérdezéshez kapcsolódó AI-válaszokban összesen 100 forráshivatkozás jelent meg. Ebből 18 citáció az Ön domainjére mutatott, 82 pedig más forrásokhoz tartozott. A citációs részesedés ebben az esetben 18 százalék.

Miért értékesebb ez, mint önmagában a citációszám? Mert kontextust ad. Húsz citáció lehet kiemelkedő eredmény egy szűk szakmai résztémában, de jelentéktelen egy olyan témakörben, amelyben több ezer citáció keletkezik naponta. A Citation Share pontosan ezt a relatív súlyt mutatja meg.

Ugyanakkor a Microsoft is világosan jelzi: ez egy megfigyelési mutató, nem több.

Nem helyezési rendszer

Nincs benne rangsor vagy pozíció, csak arányszám.

Nem minőségpontszám

Nem méri a tartalom nyelvi vagy szakmai színvonalát.

Nem forgalmi részesedés

Nincs közvetlen kapcsolatban a kattintásokkal.

Nem teljes piaci kép

Nem mutatja meg az összes versenytárs domaint.

A citációs részesedés emellett folyamatosan mozog: a felhasználói érdeklődés, a modellfrissítések, a tartalom frissessége, a partneri adatforrások és a teljes internetes forráskészlet változásai mind hatással vannak rá. Ez nem hiba a rendszerben — ez a generatív keresés természete.

Próbálja ki: Citation Share kalkulátor

Adja meg a saját citációit és az adott lekérdezéshez tartozó összes citációt — a számológép azonnal kiszámolja a részesedést.

Saját webhely citációi

Összes citáció a lekérdezésre

Adja meg az adatokat fent.

A citációs részesedésről és az AI-citációk mérési logikájáról bővebben a főoldalunkon olvashat: AI SEO és AI-citációk mérése.

5. A három mérőszámot együtt kell értelmezni

Az eddig bemutatott mutatók külön-külön csak féligazságot mondanak el. Csak együtt, egymás mellé téve rajzolódik ki a valós kép arról, hol tart a domain AI-láthatósága.

Helyzet	Hivatkozott oldalak	Grounding lekérdezések	Citációs részesedés	Értelmezés
Kevés oldal, magas részesedés	Alacsony	Szűk témakör	Magas	Erős, de koncentrált szakmai jelenlét
Sok oldal, alacsony részesedés	Magas	Sokféle	Alacsony	Széles lefedettség, de erős verseny
Sok oldal, növekvő részesedés	Magas	Releváns klaszterek	Emelkedő	Erősödő témaköri tekintély
Sok citáció, irreleváns lekérdezések	Magas	Pontatlan	Változó	Szemantikai pozicionálási probléma
Csökkenő oldalszám és részesedés	Csökkenő	Szűkülő	Csökkenő	Frissességi, technikai vagy tartalmi probléma

Érdemes megjegyezni egy egyszerű ökölszabályt:

a citációszám az aktivitást mutatja meg;
a hivatkozott oldalak száma a tartalmi szélességet;
a grounding lekérdezések a szemantikai kontextust;
a Citation Share a relatív jelenlétet;
az időbeli összehasonlítás pedig az irányt.

A Bing Compare funkciójával például az aktuális 30 napot szembeállíthatja az előző 30 nappal, vagy két tetszőleges időszakot vethet össze. Fontos ugyanakkor óvatosnak lenni: egy elmozdulás nem feltétlenül egyetlen optimalizálási beavatkozás következménye — a modellfrissítések, a versenytársi mozgások és a kereslet szezonalitása is alakítják a számokat.

6. Gyakorlati Bing AI Performance elemzési folyamat

Állítson be egy kiindulási időszakot

Nézze át az előző 30 vagy 90 napot, és jegyezze fel az alapértékeket:

összes citáció
átlagosan hivatkozott oldalak
leggyakrabban idézett URL-ek
vezető grounding lekérdezések
legerősebb témák és citációs részesedés

Csoportosítsa a hivatkozott oldalakat

Rendezze kategóriákba a citációt kapó URL-eket: szolgáltatási oldal, termék- vagy kategóriaoldal, szakmai útmutató, esettanulmány, fogalommagyarázó oldal, összehasonlítás, kutatás/saját adat, GYIK-oldal. Így gyorsan látszik, melyik tartalomtípus „dolgozik” valójában.

Kapcsolja össze az oldalakat a lekérdezésekkel

Egyetlen táblázatban gyűjtse a legfontosabb adatpontokat: URL — grounding lekérdezés — szándék — citációk — citációs részesedés — teendő. Ez a táblázat lesz a következő tartalmi ciklus alapja.

Keresse meg a tartalmi lehetőségeket

Különösen érdemes odafigyelni ezekre a mintázatokra:

magas citáció, de alacsony részesedés;
magas részesedés, de csak egyetlen hivatkozott oldal;
releváns grounding lekérdezés, amelyhez még nincs dedikált tartalom;
csökkenő részesedés egy korábban erős témában;
indexelt oldal, amely egyáltalán nem kap hivatkozást.

Vesse össze a hagyományos SEO-adatokkal

A Bing Webmaster Tools klasszikus riportjai továbbra is mutatják a megjelenéseket, kattintásokat és átlagos pozíciókat. Az AI Performance ezt nem helyettesíti, hanem egy második láthatósági réteggel egészíti ki.

A klasszikus keresőoptimalizálás és a keresőmarketing viszonyáról bővebben itt olvashat: Keresőmarketing és keresőoptimalizálás.

7. Hogyan növelhető a hivatkozott oldalak száma és a citációs részesedés?

Önállóan idézhető információs egységek

Az AI számára könnyen kivonható tartalmak: rövid definíciók, konkrét számadatok, összehasonlító táblázatok, lépésről lépésre útmutatók, szakértői következtetések, kérdés-válasz blokkok, egyértelműen megjelölt források.

Kerülje a túl általános állításokat

„A szolgáltatásunk magas minőségű.”

„A technikai audit 147 URL vizsgálatát tartalmazta, amelyek közül 38-nál indexelési, 21-nél kanonizációs problémát találtunk.”

Építsen tudatos témaklasztereket

A grounding lekérdezésekből azonosíthatók a kapcsolódó kérdések, amelyekhez érdemes új aloldalakat létrehozni — például egy főoldal köré szervezett, egymásra épülő aloldal-hálózat formájában.

Frissítse rendszeresen a tényeket

A grounding rendszerekben a frissesség kulcsfontosságú: egy elavult adat nemcsak gyengébb találatot, hanem pontatlan AI-választ is eredményezhet. A tényszerű pontosság, a forrás egyértelműsége és az ellentmondások kezelése alapvető elvárás.

Ne feledje az IndexNow-t: a fontos tartalmi módosításokat érdemes azonnal jelezni. A Bing szerint ez segít abban, hogy a keresési és AI-rendszerek gyorsabban értesüljenek egy tartalom létrehozásáról, frissítéséről vagy törléséről.

Az optimalizálási folyamat teljes, technikai SEO-t, GEO-t és AEO-t egyaránt lefedő bemutatását itt találja: AI-láthatósági útmutató: technikai SEO, GEO és AEO.

8. A leggyakoribb értelmezési hibák

„A legtöbb citációval rendelkező oldal a legerősebb SEO-oldal.”

Nem feltétlenül. A citációszám nem rangsorolási vagy minőségi pontszám.

„A magas Citation Share magas forgalmat jelent.”

A Citation Share nem kattintási vagy forgalmi mutató, hanem relatív jelenlétet mér egy adott lekérdezésen belül.

„A grounding lekérdezés azonos a felhasználó által beírt kérdéssel.”

A grounding lekérdezés az AI belső információ-visszakeresési folyamatának része, ezért az eredeti kérdés átfogalmazott vagy részfeladatokra bontott változata is lehet.

„Egy heti növekedés bizonyítja az optimalizálás sikerét.”

Az AI-citációk dinamikusan mozognak. Legalább 30–90 napos trendeket, több mutatót együtt érdemes elemezni.

„A Bing AI Performance kiváltja a Search Console-t és az analitikát.”

Nem váltja ki. Az AI-citáció, az organikus megjelenés, a kattintás, a referral forgalom és a konverzió továbbra is külön mérési szintek, amelyeket együtt kell nézni.

Összegzés: az AI-láthatóság mérhető üzleti folyamattá válik

A Bing AI Performance legfontosabb erénye nem az, hogy egyetlen végleges AI-láthatósági pontszámot ad. Éppen ellenkezőleg: több különálló jelzésen keresztül mutatja meg, hol, milyen témában és milyen arányban használják a tartalmát AI-válaszok megalapozására.

A hivatkozott oldalak megmutatják, mely tartalmak válnak ténylegesen forrássá. A grounding lekérdezések feltárják, hogyan értelmezi az AI a weboldal témáit. A citációs részesedés pedig kontextusba helyezi a megjelenések számát — megmutatja, hogy egy adott témában mekkora hányadot birtokol a saját domain a versenyben.

A jövő SEO-kérdése ezért már nem csupán az, hogy „hányadik helyen szerepel az oldal a Google-ban?” — hanem legalább ennyire az is:

Mely kérdések megválaszolásakor támaszkodnak az AI-rendszerek a mi weboldalunkra?

Gyakori kérdések

A Bing Webmaster Tools olyan jelentése, amely megmutatja, hogy a weboldal oldalai milyen gyakran jelennek meg forrásként a Bing, a Microsoft Copilot és bizonyos partneri AI-felületek generált válaszaiban.

Olyan URL, amelyet az AI-rendszer forrásként jelenített meg egy generált válasz mellett.

Olyan visszakeresési kifejezés, amelyet az AI a válaszát alátámasztó webes információ megtalálására használt — nem feltétlenül azonos a felhasználó eredeti kérdésével.

Azt mutatja meg, hogy egy adott grounding lekérdezéshez tartozó összes citáció mekkora százaléka származott a vizsgált webhelyről.

Nem. Nem mér forgalmi vagy üzleti piaci részesedést, és nem tekinthető teljes versenytársi rangsornak.

Jól strukturált, tényszerű, friss, technikailag hozzáférhető és egyértelműen hivatkozható tartalmak létrehozásával, valamint a témaköri lefedettség következetes, klaszter-alapú bővítésével.

Egységben az erő: technikai SEO + AEO + GEO

Az AI-citációk növeléséhez a klasszikus technikai SEO-t, a tartalmi tekintélyt, az AEO-t és a GEO-t egységes rendszerként érdemes kezelni. Ismerje meg az OnlineMarketing101 AI SEO megközelítését.

Fedezze fel az AI SEO megközelítésünket →

Perplexity SEO: hogyan dolgozik együtt a forráskiválasztás, a tekintély és a tartalmi struktúra?

onlinemarketing101 — Mon, 13 Jul 2026 21:08:00 +0000

AI-keresőoptimalizálás · Perplexity

Perplexity SEO: hogyan dolgozik együtt a forráskiválasztás, a tekintély és a tartalmi struktúra?

Egy weboldal szerepelhet a Google első oldalán, mégsem biztos, hogy a Perplexity felhasználja vagy forrásként megjelöli. A generatív keresők világában ugyanis már nem az az egyetlen kérdés, hogy egy oldal megtalálható-e, hanem az is, hogy a rendszer megbízhatónak, relevánsnak és könnyen felhasználhatónak ítéli-e egy konkrét válasz összeállításához.

Szerző: Online Marketing 101 szerkesztőség Megjelenés: 2026. július 13. Olvasási idő: ~11 perc

Tartalomjegyzék

Perplexity SEO: How Source Selection, Authority and Content Structure Work Together

onlinemarketing101 — Mon, 13 Jul 2026 21:08:00 +0000

AI Search Optimization · Perplexity

Perplexity SEO: How Source Selection, Authority and Content Structure Work Together

A website may appear on the first page of Google, yet Perplexity may still not use it or cite it as a source. In the world of generative search engines, the only question is no longer whether a page can be found, but also whether the system considers it trustworthy, relevant and easy to use when assembling a concrete answer.

Author: Online Marketing 101 editorial team Published: July 13, 2026 Reading time: ~11 minutes

Table of Contents

Google AI Mode SEO-stratégia: az indexelt oldalaktól a generatív keresési láthatóságig

onlinemarketing101 — Sun, 12 Jul 2026 20:49:00 +0000

AI SEO · Generatív keresés

Google AI Mode SEO-stratégia: az indexelt oldalaktól a generatív keresési láthatóságig

Egy weboldal attól még nem válik láthatóvá a Google AI Mode felületén, hogy szerepel a Google indexében. Az indexelés ma már csak a belépőjegy — a valódi verseny azért folyik, hogy a tartalmad a generált válaszok hivatkozott forrásává váljon.

A Google robotjai technikailag el tudják érni és be tudják járni az oldalt: nincs tiltás a robots.txt-ben, a szerver megfelelően válaszol, a tartalom renderelhető. Ez minden további lépés előfeltétele.

A keresés az elmúlt két évben többet változott, mint előtte egy évtized alatt. A klasszikus kereső találati oldalakat és linkeket rangsorolt; a felhasználó kattintott, olvasott, majd döntött. A Google AI Mode ezzel szemben több forrásból összeállított, részletes, párbeszédszerű választ készít — és a weboldalad már nem tíz kék link egyike, hanem vagy bizonyíték a válasz mögött, vagy láthatatlan.

A vállalkozásoknak ezért ma már nem csak az indexelhetőségért és a pozíciókért kell versenyezniük, hanem azért is, hogy tartalmukat a Google megbízható, pontos és hivatkozható forrásként válassza ki. Fontos ugyanakkor egy pontosítás: a Google szerint az AI Mode és az AI Overviews esetében továbbra is a hagyományos SEO-alapok érvényesek. Nincs külön „AI Mode-jelölés”, és nincs garantált bekerülési módszer — a forrásként megjelenő oldalnak indexeltnek és keresési kivonat megjelenítésére alkalmasnak kell lennie.

A változás tágabb összefüggéseit — hogyan alakul az AI-láthatóság a Google AI Overviews, a ChatGPT Search és a Perplexity rendszerében — külön útmutatóban mutatjuk be. Ez a cikk arra fókuszál, ami e pillanatban a legtöbb magyar vállalkozás számára a legnagyobb tét: a Google saját generatív keresése.

1. Mit változtat meg a Google AI Mode a keresésben?

Röviden

A klasszikus keresés alapegysége a találati oldal volt — az AI Mode-ban a központi egység maga a generált válasz. A SEO célja így már nem csak a jó helyezés, hanem az, hogy az oldalad egy generatív válasz megfelelő bizonyítékává váljon.

A Google AI Mode nem egyszerűen egy új doboz a találati oldal tetején. Egy másfajta keresési logika, amely:

összetett, többrétegű kérdéseket is értelmez, nem csak kulcsszavakat;
több kapcsolódó témát vizsgálhat egyszerre;
különböző forrásokból gyűjt információt, majd ezekből szintetizál;
összehasonlításokat és döntéstámogató válaszokat készít;
lehetőséget ad további, pontosító kérdések feltételére;
a válasz mellett támogató webes forrásokat jelenít meg.

A szemléletváltás lényege: a SEO célja már nem kizárólag az, hogy egy oldal jó helyezést érjen el, hanem az is, hogy egy generatív válasz megfelelő bizonyítékává váljon.

Érdemes hangsúlyozni: a Google nézőpontjából a generatív keresésre történő optimalizálás továbbra is SEO. A GEO (Generative Engine Optimization) és az AEO (Answer Engine Optimization) hasznos szakmai fogalmak a gondolkodás strukturálásához, de nem helyettesítik a technikai és tartalmi keresőoptimalizálást — inkább kiterjesztik azt. A fogalmak pontos elhatárolásához ajánljuk az AI SEO, GEO és AEO közötti különbségeket bemutató gyakorlati keretrendszerünket.

2. Hogyan működik a lekérdezés-kiterjesztés?

Egyetlen keresés helyett kapcsolódó kérdések egész hálózata

Röviden

A lekérdezés-kiterjesztés (query fan-out) során a Google AI Mode az eredeti kérdésből több kapcsolódó keresést hoz létre, hogy a téma különböző részterületeiről is információt gyűjtsön — majd az eredményekből egyetlen összetett választ állít össze.

Ez az a mechanizmus, amelyet a legtöbb vállalkozás még nem épített be a tartalomstratégiájába — pedig itt dől el a generatív láthatóság. Nézzünk egy valós példát. A felhasználó ezt kérdezi:

Felhasználói kérdés: „Melyik AI SEO-stratégia lenne megfelelő egy magyar B2B vállalkozásnak?”

A rendszer ehhez kapcsolódóan a háttérben több részterületet vizsgálhat egyszerre:

mit jelent pontosan az AI SEO;
hogyan működik a Google AI Mode;
mely tartalomformátumok idézhetők a legjobban;
hogyan mérhető az AI-láthatóság;
milyen technikai feltételei vannak az indexelésnek;
miben különbözik a B2B keresési szándék a lakossági kereséstől.

A Google hivatalos dokumentációja szerint az AI Mode és az AI Overviews több kapcsolódó keresést indíthat a részproblémák és a különböző adatforrások feltárására. Ez a működés — és ez a jó hír — több és változatosabb weboldalnak is lehetőséget adhat a forrásként való megjelenésre, mint a klasszikus, első három pozícióra szűkült verseny.

Stratégiai következtetés: nem elég egyetlen fő kulcsszóra optimalizált oldalt készíteni. A márkának a teljes kérdéskört lefedő tartalmi rendszert kell felépítenie.

Hogy ez technikai és tartalmi oldalon pontosan mit követel meg, azt a Google AI Overviews optimalizálásáról szóló útmutatónkban részletesen kibontjuk.

3. Az indexelt oldal és a generatív forrás közötti különbség

A cikk elején látható interaktív útvonal nem díszlet: ez a modell írja le, milyen fejlődési szinteken kell végigmennie egy weboldalnak, mire generatív forrássá válhat. Foglaljuk össze a négy alapszintet:

1. Feltérképezhető oldal — a Google robotjai technikailag el tudják érni az oldalt.
2. Indexelt oldal — a Google feldolgozta, és felvette a keresési indexbe.
3. Releváns találat — az oldal tartalma megfelel egy adott keresési szándéknak.
4. Generatív válaszban használható forrás — az oldal egyértelmű, pontos, jól strukturált, megbízható és jól idézhető információt tartalmaz.

Minden AI Mode-forrásnak indexelhetőnek kell lennie — de nem minden indexelt oldal alkalmas arra, hogy generatív válasz forrásává váljon.

Az indexelés tehát szükséges technikai feltétel, az idézhetőség viszont már tartalmi és bizalmi kérdés is. Sok weboldal ezen a ponton reked meg: technikailag rendben van, szerepel az indexben, még forgalmat is hoz — de a generatív válaszokban mégis a versenytársak jelennek meg, mert az ő tartalmuk pontosabban, kiemelhetőbben és hitelesebben válaszol.

4. A Google AI Mode technikai SEO-alapjai

Röviden

Technikai SEO nélkül nincs generatív láthatóság: az AI Mode csak olyan oldalt használhat forrásként, amely feltérképezhető, indexelt és keresési kivonat megjelenítésére alkalmas. Az alábbi ellenőrzőlista a minimum.

Használd az alábbi interaktív listát belső audithoz — pipáld ki, ami nálatok már rendben van:

0 / 12 kipipálva

Külön figyelmet érdemel a kivonatok szabályozása. Ha egy oldal nem jelenhet meg keresési kivonattal, az a Google generatív keresési funkcióiban való forrásmegjelenést is akadályozhatja. A robots meta utasításokkal — különösen a nosnippet, a max-snippet és a data-nosnippet beállításokkal — ezért körültekintően kell bánni: egy rosszul beállított direktíva csendben zárhatja ki az oldalt a generatív válaszokból.

A strukturált adatok segíthetik a tartalom gépi értelmezését, de fontos tisztán látni: nem garantálják az AI Mode-megjelenést. Hasznos típusok lehetnek: Article, Organization, Person, LocalBusiness, Product, Offer és BreadcrumbList. Egyetlen szabály viszont megkerülhetetlen: csak a látható tartalomnak megfelelő, szabályosan implementált strukturált adatot szabad használni.

Ha nem tudod, hol kezdd a hibák rangsorolását üzleti hatás szerint, az AI-val támogatott SEO-auditról szóló cikkünk pontos módszertant ad hozzá.

5. Hogyan készítsünk AI Mode számára felhasználható tartalmat?

5.1. Először adjunk közvetlen választ

Minden fontos szakasz elején jelenjen meg egy rövid, önmagában is értelmezhető válasz — ahogyan ebben a cikkben is látod a „Röviden” dobozokat. Ezután következhet a részletes magyarázat, a példa és a bizonyíték. A javasolt szerkezet:

kérdés;
két-három mondatos közvetlen válasz;
részletes kifejtés;
gyakorlati példa;
adat vagy forrás;
rövid következtetés.

5.2. Egy szakasz — egy jól körülhatárolt probléma

Kerüld a hosszú, tagolatlan szövegtömböket. Az AI Mode nem teljes oldalakat idéz, hanem jelentésegységeket emel ki. A tartalom ezért épüljön olyan önálló egységekből, amelyek eredeti környezetükből részben kiemelve is érthetők maradnak. Ha egy bekezdés csak az előző öt ismeretében értelmezhető, generatív szempontból használhatatlan.

5.3. Használjunk idézhető formátumokat

Bizonyos formátumok szerkezetüknél fogva könnyebben emelhetők be egy generált válaszba:

pontos definíciók;
összehasonlító táblázatok;
számozott folyamatok;
ellenőrzőlisták;
előnyök és hátrányok szembeállítása;
konkrét árak és feltételek;
dátummal ellátott adatok;
rövid esettanulmányok;
gyakori kérdések.

5.4. Fedjük le a teljes döntési folyamatot

A cikkek ne kizárólag a „mi ez?” kérdésre válaszoljanak. Egy döntést támogató generatív válaszhoz a rendszernek arra is bizonyíték kell, hogy:

kinek ajánlott az adott megoldás;
mikor érdemes használni;
mennyibe kerül;
milyen kockázatai vannak;
hogyan hasonlítható össze más megoldásokkal;
milyen eredmény várható;
hogyan mérhető a siker.

Az idézhető tartalomszerkezet és az entitásjelek mélyebb összefüggéseit a ChatGPT Search láthatóságáról és a forráskész weboldalakról szóló cikkünk tárgyalja, az árak és ajánlatok gépi értelmezhetőségéhez pedig az AI-barát árazási stratégiákról szóló útmutatónk ad kapaszkodót.

6. Témaklaszterek és entitásalapú láthatóság

Röviden

A lekérdezés-kiterjesztés miatt a tartalmi lefedettség fontosabbá válik, mint valaha: egyetlen hosszú pilléroldal helyett összekapcsolt tartalmi klasztert érdemes építeni, amelyben a belső linkek jelölik ki a témák közötti kapcsolatokat.

Ha a Google AI Mode egy kérdést hat részkérdésre bont, akkor annak a márkának van a legnagyobb esélye forrásként megjelenni, amelyik mind a hat részkérdésre kínál minőségi tartalmat. Ehhez a témához például így nézhet ki egy jól felépített klaszter:

Központi pilléroldal: Google AI Mode SEO-stratégia (ez a cikk). Kapcsolódó cikkek: Google AI Overviews optimalizálás · technikai SEO és indexelés · AI SEO, GEO és AEO · ChatGPT Search láthatóság · entitásalapú keresőoptimalizálás · idézhető tartalom készítése · AI-láthatóság mérése · strukturált adatok · AI SEO-audit.

És itt jön a rész, amelyet a legtöbben alábecsülnek: a belső link nem pusztán navigációs elem, hanem témakapcsolatot kifejező jel. A belső linkhálózat mutatja meg a keresőrendszernek:

melyik a központi tartalom;
mely oldalak tartoznak ugyanahhoz a témához;
milyen részproblémákat fed le a weboldal;
mely szolgáltatási oldal üzletileg a legfontosabb.

A lokális és szolgáltatói megvalósításhoz — hogyan épül fel mindez egy budapesti ügynökség gyakorlatában — az AI-láthatósági ügynökségi útmutatónk ad konkrét példákat.

7. Mitől válik egy oldal megbízható és hivatkozható forrássá?

A generatív rendszerek számára a megbízhatóság nem érzés, hanem ellenőrizhető jelek összessége. A legfontosabb hitelességi elemek:

azonosítható szerző és részletes szerzői bemutatkozás;
szakmai tapasztalat és referenciák;
publikálási és frissítési dátum;
elsődleges forrásokra mutató hivatkozások;
saját adatok és esettanulmányok;
pontosan körülhatárolt állítások;
egyértelmű céges adatok;
következetes márkanév és szolgáltatásleírás;
független szakmai említések.

És amit kerülni kell: a bizonyíték nélküli felsőfokú állításokat. A „mi vagyunk a legjobbak” típusú mondatok a generatív rendszerek számára üres zaj. Helyettük ellenőrizhető információ, módszertan, eredmény és konkrét példa kell.

A generatív keresési láthatóság nem egyszerűen tartalomgyártási, hanem digitális bizonyíthatósági feladat.

8. Hogyan mérhető a Google AI Mode-láthatóság?

Röviden

Ne kizárólag az organikus kattintásokat mérd. Az AI Mode-korszakban a láthatóság a márkaemlítésekben, az idézett oldalakban, az AI-rendszerekből érkező hivatkozó forgalomban és a márkás keresések változásában is megjelenik.

A javasolt mutatókészlet:

indexelt stratégiai oldalak száma;
organikus megjelenések és kattintások;
márkás keresések változása;
AI-rendszerekből érkező hivatkozó forgalom;
AI-válaszokban megjelenő márkaemlítések;
idézett vagy forrásként megjelenő oldalak;
versenytársakhoz viszonyított említési arány;
direkt forgalom változása;
ajánlatkérések és bevétel;
tartalmi klaszterek lefedettsége.

Jó tudni: a Google Search Console az AI Mode és az AI Overviews megjelenéseit a keresési teljesítmény részeként kezeli, az AI Mode-ban feltett további kérdés pedig új keresésként számítható. Ahol már elérhető, érdemes ellenőrizni a Search Console generatív AI-beállításait és teljesítményjelentéseit is — ezek bevezetése fokozatosan történik, ezért régiónként és fiókonként eltérhet, mit látsz.

A kattintás nélküli hatások és a bevételi attribúció mélyebb elemzéséhez ajánljuk A láthatatlan tölcsér című elemzésünket.

9. Gyakorlati 90 napos Google AI Mode SEO-terv

Az alábbi ütemterv három 30 napos szakaszra bontja a felkészülést. Kattints a fülekre a részletekért:

Első 30 nap: technikai alkalmasság

indexelési állapot ellenőrzése a Search Console-ban;
robots- és kivonatbeállítások felülvizsgálata;
kanonikus hibák javítása;
árva oldalak feltárása;
belső linkhálózat elemzése;
strukturált adatok ellenőrzése;
a legfontosabb üzleti oldalak kijelölése.

Második 30 nap: tartalom és témaklaszter

vásárlói kérdések összegyűjtése (értékesítés, ügyfélszolgálat, kereséselemzés);
keresési szándékok csoportosítása;
pilléroldal és kapcsolódó cikkek megtervezése;
közvetlen válaszblokkok létrehozása a kulcsszakaszok elején;
összehasonlító tartalmak készítése;
szerzői és szervezeti adatok erősítése;
régi cikkek frissítése és újrastrukturálása.

Harmadik 30 nap: idézhetőség és mérés

állítások forrásolása;
esettanulmányok publikálása;
belső linkek véglegesítése;
AI Mode-típusú kérdések rendszeres tesztelése;
márkaemlítések dokumentálása;
Search Console- és analitikai adatok vizsgálata;
alacsony teljesítményű szakaszok újraírása;
a következő tartalmi hiányosságok meghatározása.

Egy fontos elvárás-menedzsment: a 90 nap végére nem garantált AI Mode-megjelenést kell ígérni — ilyet senki nem tud —, hanem egy technikailag hozzáférhető, szemantikailag egyértelmű és bizonyítékokkal alátámasztott tartalmi rendszert, amely a lehető legjobb pozícióból várja a generatív kiválasztást.

Összegzés: a fejlődési útvonal

A teljes út egyetlen sorban összefoglalható:

feltérképezhető oldal → indexelt oldal → releváns találat → idézhető forrás → generatív keresési láthatóság

A Google AI Mode nem teszi feleslegessé a klasszikus SEO-t — éppen ellenkezőleg. Technikai SEO nélkül nincs hozzáférhető forrás, megfelelő tartalmi struktúra nélkül nincs idézhető válasz, hitelességi jelek nélkül pedig nincs biztonsággal ajánlható márka. Aki ma építi fel ezt a rendszert, az nem egy trendre reagál, hanem a keresés következő évtizedére készül.

Mennyire AI Mode-kész a weboldalad?

Mérd fel, hogy weboldalad mennyire alkalmas a Google AI Mode, az AI Overviews és más generatív keresők számára — indulj el egy átfogó AI SEO- és keresési láthatósági audittal.

Kérek egy AI SEO-auditot →

Gyakori kérdések

Kell külön optimalizálni a Google AI Mode számára?