Megkérdezte a ChatGPT-t, hogy „melyik a legjobb [kategória] szolgáltató Magyarországon”, kapott három nevet, és vagy ott voltál a listán, vagy nem. Ha ott voltál, talán rá is kattintott egy linkre, megnyitotta az oldaladat, és pár nappal később vásárolt. Csak épp a Google Analytics ezt „Direct” forgalomként könyvelte el, a havi marketingriportban pedig pontosan annyi szerepel róla, mint amennyit egy üres cella elbír: semmi.

Ezt hívják dark funnelnek — a sötét értékesítési tölcsérnek. És 2026-ban ez már nem egy elhanyagolható szelet. Az AI keresésből érkező forgalom több mint 500%-kal nőtt egyetlen év alatt, B2B-ben pedig a teljes pipeline közel 40%-a olyan forrásból származik, amit a hagyományos analitika egész egyszerűen nem lát. Ha te havonta büszkén prezentálsz egy dashboardot a vezetőségnek, jó eséllyel a bevételt mozgató kereslet több mint harmadáról fogalmad sincs.

A jó hír: a vakfolt mérhető. A profi bevételi csapatok már nem találgatnak — rendszert építettek köré.

Miért vak a Google Analytics az AI-forgalomra?

A klasszikus analitika egyetlen dologra lett kitalálva: a klikkre. Valaki rákeres, kattint, megérkezik, a rendszer pedig szépen elkönyveli a forrást. Az AI-keresés viszont három ponton töri szét ezt a logikát.

Először: sok AI-kattintás referrer-adat nélkül érkezik. Az ingyenes ChatGPT-felhasználók, a mobilos verziók és a Gemini válaszaiból érkező látogatók jelentős része egyszerűen „Direct” forgalomként landol — ugyanabban a kosárban, ahol a könyvjelzők és a begépelt URL-ek. Megérkezett a bevétel, csak nincs rajta címke.

Másodszor: ami mégis átadja a forrást, az gyakran elveszik a referral-forgalom több száz soros listájában. Ott van a chatgpt.com, csak épp három oldalra lekattintva, két webshop és egy hírlevélszolgáltató közé ékelődve.

Harmadszor — és ez a legkellemetlenebb: a zero-click válaszok. Amikor a ChatGPT vagy a Google AI Mode megválaszolja a kérdést, és a vevő rád sem kattint, de megjegyzi a márkádat — az nulla forgalmat generál a riportban, miközben pontosan ez formálta a vásárlói döntést.

Az eredmény egy paradoxon: minél jobban teljesítesz az AI-keresésben, annál nagyobb a „Direct” és „Organic” forgalmad, és annál kevésbé érted, miért.

Mi változott 2026 májusában?

Itt jön a fordulat. A Google 2026. május 13-án bevezette a GA4-ben a dedikált AI Assistant csatornát. Onnantól a felismert AI-asszisztens látogatások — ChatGPT, Gemini, Claude, Copilot és társaik — saját, külön sorba kerülnek, nem keverednek bele a referral-zajba. A regex-táblázatait évek óta kézzel frissítgető SEO-csapatok hallható megkönnyebbüléssel csukták be a táblázataikat.

Csak épp ez nem csodaszer. Az új csatorna nem visszamenőleges — a frissítés előtti hónapok adatát nem írja át, és a zero-click interakciókat, valamint a referrer nélkül érkező forgalmat továbbra sem fogja meg. Vagyis önmagában a beépített csatorna a jéghegy csúcsát mutatja. A víz alatti rész attribúciójához ennél többre van szükség.

Amit a profi bevételi csapatok valójában csinálnak

A különbség nem egy eszközben van, hanem egy rétegzett rendszerben. Így néz ki a gyakorlatban.

1. Egyedi GA4 csatornacsoport regex-szel. A beépített csatorna mellé saját szabályt is felvesznek, amely a chatgpt.com, perplexity.ai, gemini.google.com, claude.ai, copilot.microsoft.com és a feltörekvő platformok mintázatait egyetlen „AI Search” csatornába gyűjti. Ez teszi lehetővé, hogy a régebbi adatokat is visszaelemezzék az Exploration riportokban.

2. UTM-paraméterek a saját linkeken. Mindenhol, ahol maguk osztanak meg linket — Google cégprofil, hírlevél, sajtóanyag —, kézi UTM-címkéket tesznek rá. Ez az egyetlen pont, ahol az amúgy „láthatatlan” csatornák is biztosan címkét kapnak.

3. Önbevallásos attribúció az űrlapon. A demó- és ajánlatkérő űrlapra felkerül egy egyszerű kérdés: „Honnan hallottál rólunk?” — és a válaszlehetőségek közt ott van expliciten a ChatGPT, a Gemini, a Perplexity és a Google AI Mode. Banálisan hangzik, mégis ez az egyik legmegbízhatóbb jel a dark funnelben. A vevő gyakran megmondja azt, amit a böngésző elhallgat.

4. CRM-korreláció. A citáció és a bevétel között idő telik el — és ezt az időt ismerni kell. A tapasztalat szerint a citációs részesedés 4–8 hét alatt mozdul, az AI-forrásból érkező érdeklődő a 3–4. hónapban jelenik meg a CRM-ben, a ténylegesen lezárt, AI-eredetű bevétel pedig jellemzően az 5–7. hónapban landol. Aki ezt nem tudja, az túl korán temeti el a működő csatornát.

5. Több érintkezési pont, dedupkálva. Ha valaki előbb a ChatGPT-ben, majd a Geminiben is találkozott a márkáddal a vásárlás előtt, az kettős számolás veszélyét hordozza. A komolyabb modellek erre korrekciós szorzót alkalmaznak, hogy ne fújják fel mesterségesen ugyanazt a hatást két csatornára.

A klikktől a forintig

Itt válik szét a forgalommérés és a bevételmérés. A forgalom önmagában hiúsági mutató. Az igazi munka az, amikor az AI-eredetű látogatáshoz konverziós eseményt és tényleges bevételi értéket rendelsz, majd ezt összekötöd a CRM-ben a pipeline-nal és a lezárt üzletekkel.

Ekkor lesz a riportból olyasmi, amit a pénzügyes is elfogad: nem azt mondod, hogy „nőtt az AI-forgalmunk”, hanem azt, hogy „az elmúlt negyedévben X millió forint lezárt bevétel származott olyan vevőktől, akik a ChatGPT-ben vagy a Geminiben találkoztak velünk először”. Ez az a mondat, amiért érdemes egyáltalán hozzákezdeni a méréshez.

És ez az a mondat, amit a legtöbb cég ma még nem tud kimondani.

Itt jövünk mi a képbe

Ezt a rendszert nem egy plugin telepítésével építed fel. A beállítás, a regex-karbantartás, az önbevallásos attribúció bevezetése, a CRM-integráció és a hónapokon átívelő bevételi korreláció összehangolt munka — pontosan az, amiben mi otthon vagyunk.

Az AI analitikai szolgáltatásunk keretében:

• felépítjük és karbantartjuk a GA4 AI-csatornáidat, hogy a ChatGPT, Gemini és a többi asszisztens forgalma végre saját, tiszta sorban legyen;
• bevezetjük az önbevallásos attribúciót és az UTM-rendszert, hogy a „Direct”-be szökő bevételnek is legyen neve;
• összekötjük az AI-láthatóságot a CRM-mel és a tényleges, lezárt bevétellel — nem becsléssel, hanem auditálható számokkal;
• havi riportban tesszük le eléd, hogy melyik AI-platform mennyi forintot hoz, és hova érdemes átcsoportosítani a büdzsét.

Más szóval: láthatóvá tesszük azt a tölcsért, amiből ma vakon dolgozol — és bevételi nyelvre fordítjuk az AI-keresést.

Ha tudni akarod, hány forintnyi bevételed érkezik már most a ChatGPT-ből és a Geminiből, anélkül hogy látnád, kezdjük egy AI-attribúciós auditttal. Megmutatjuk, hol van a vakfoltod — és mennyit ér.

They asked ChatGPT, “Who is the best [category] provider in Hungary?”, received three names, and you were either on that list or you were not. If you were there, they may even have clicked a link, opened your website, and purchased a few days later. Except Google Analytics recorded this as “Direct” traffic, and in the monthly marketing report, exactly as much appears about it as an empty cell can hold: nothing.

This is called the dark funnel — the dark sales funnel. And in 2026, this is no longer a negligible slice. Traffic from AI search has grown by more than 500% in a single year, and in B2B, nearly 40% of the total pipeline comes from sources that traditional analytics simply cannot see. If you proudly present a dashboard to management every month, there is a good chance you have no idea about more than one third of the demand that is actually driving revenue.

The good news: the blind spot is measurable. Professional revenue teams are no longer guessing — they have built a system around it.

Why is Google Analytics blind to AI traffic?

Classic analytics was designed for one thing: the click. Someone searches, clicks, arrives, and the system neatly records the source. AI search breaks this logic in three ways.

First: many AI clicks arrive without referrer data. A significant share of visits from free ChatGPT users, mobile versions, and Gemini answers simply land as “Direct” traffic — in the same bucket as bookmarks and manually typed URLs. The revenue arrived, but there is no label on it.

Second: even when the source is passed along, it often gets lost inside a referral traffic list with hundreds of rows. chatgpt.com is there, but buried three pages deep between two webshops and a newsletter provider.

Third — and this is the most uncomfortable part: zero-click answers. When ChatGPT or Google AI Mode answers the question and the buyer does not click on you, but remembers your brand — that generates zero traffic in the report, while this was exactly what shaped the buying decision.

The result is a paradox: the better you perform in AI search, the larger your “Direct” and “Organic” traffic becomes, and the less you understand why.

What changed in May 2026?

Here comes the turning point. On May 13, 2026, Google introduced the dedicated AI Assistant channel in GA4. From that point on, recognized AI assistant visits — ChatGPT, Gemini, Claude, Copilot, and others — are placed into their own separate row instead of being mixed into referral noise. SEO teams that had been manually updating regex tables for years closed their spreadsheets with audible relief.

Except this is not a miracle cure. The new channel is not retroactive — it does not rewrite data from the months before the update, and it still does not capture zero-click interactions or traffic arriving without referrer data. In other words, the built-in channel alone only shows the tip of the iceberg. To attribute the part below the surface, more is needed.

What professional revenue teams actually do

The difference is not in a single tool, but in a layered system. This is what it looks like in practice.

1. Custom GA4 channel group with regex. In addition to the built-in channel, they add their own rule that collects patterns from chatgpt.com, perplexity.ai, gemini.google.com, claude.ai, copilot.microsoft.com, and emerging platforms into a single “AI Search” channel. This makes it possible to analyze older data retroactively in Exploration reports.

2. UTM parameters on owned links. Wherever they share links themselves — Google Business Profile, newsletters, press materials — they add manual UTM tags. This is the one point where otherwise “invisible” channels can reliably receive a label.

3. Self-reported attribution on forms. A simple question is added to demo and quote request forms: “Where did you hear about us?” — and the answer options explicitly include ChatGPT, Gemini, Perplexity, and Google AI Mode. It sounds banal, yet it is one of the most reliable signals in the dark funnel. The buyer often tells you what the browser hides.

4. CRM correlation. Time passes between citation and revenue — and that time must be understood. Experience shows that citation share moves within 4–8 weeks, AI-sourced leads appear in the CRM in months 3–4, and actually closed AI-originated revenue typically lands in months 5–7. Anyone who does not know this buries a working channel too early.

5. Multiple touchpoints, deduplicated. If someone encountered your brand first in ChatGPT and then again in Gemini before buying, there is a risk of double counting. More serious models apply a correction multiplier to avoid artificially inflating the same impact across two channels.

From clicks to forints

This is where traffic measurement and revenue measurement separate. Traffic by itself is a vanity metric. The real work begins when you assign conversion events and actual revenue value to AI-originated visits, then connect this in the CRM to pipeline and closed deals.

That is when the report becomes something even finance accepts: you are no longer saying, “Our AI traffic increased,” but, “In the last quarter, X million forints in closed revenue came from buyers who first encountered us in ChatGPT or Gemini.” That is the sentence that makes the whole measurement effort worthwhile.

And that is the sentence most companies still cannot say today.

This is where we come in

You do not build this system by installing a plugin. Configuration, regex maintenance, introducing self-reported attribution, CRM integration, and months-long revenue correlation require coordinated work — exactly the kind of work we know well.

As part of our AI analytics service:

• we build and maintain your GA4 AI channels so that traffic from ChatGPT, Gemini, and other assistants finally appears in its own clean row;
• we introduce self-reported attribution and a UTM system so that revenue escaping into “Direct” also gets a name;
• we connect AI visibility with your CRM and actual closed revenue — not with estimates, but with auditable numbers;
• in a monthly report, we show you which AI platform brings how many forints, and where it is worth reallocating budget.

In other words: we make visible the funnel you are currently working from blindly — and translate AI search into the language of revenue.

If you want to know how many forints of revenue are already coming from ChatGPT and Gemini without you seeing it, let’s start with an AI attribution audit. We will show you where your blind spot is — and how much it is worth.

Van egy kellemetlen igazság, amit a legtöbb cég még mindig nem hajlandó kimondani: a vásárlód már nem a te weboldaladon dönt. A döntés egy chatablakban születik, mielőtt egyáltalán rákattintana bármire. Megkérdezi a gépet, hogy „melyik a legjobb [iparág] szolgáltató Budapesten”, és a gép — magabiztosan, lábjegyzet nélkül — kimond három nevet.

A kérdés ma már nem az, hogy hányadik vagy a Google találati listáján. A kérdés az: te vagy-e az a három név?

És ha nem, annak ritkán az az oka, hogy rosszabb a terméked. Sokkal gyakrabban az ok ennél prózaibb: a gép egyszerűen nem érti, hogy ki vagy. Az információ rólad ott van valahol — a weboldaladon, egy LinkedIn-profilban, egy céges adatbázisban, három különböző aloldalon, egymásnak ellentmondó megfogalmazásokban —, de töredezetten. Emberi szemnek összeáll. Egy nyelvi modellnek zaj.

A SICT-protokoll Információ-pillére pontosan erről szól: hogyan vesszük ezt a szétszórt, emberi nyelvre optimalizált zajt, és alakítjuk géppel olvasható tekintéllyé.

A keresés nem halt meg. Csak gazdát cserélt.

Húsz éven át egyetlen kérdés köré épült az egész SEO: hogyan kerülök feljebb a tíz kék link között? Ez a játék véget ért. Nem azért, mert a Google eltűnt, hanem azért, mert a tíz kék link helyét egyre gyakrabban egyetlen, összerakott válasz veszi át — az AI Overview, a ChatGPT, a Perplexity, a Gemini szintetizált mondata.

Ezek a rendszerek nem listáznak. Választanak. És amit választanak, az nem egy URL, hanem egy entitás — egy cég, egy szakértő, egy márka, amelyet a modell elég megbízhatóan ismer ahhoz, hogy a nevét egy válaszba merje tenni.

Itt csúszik el a legtöbb stratégia. A cégek továbbra is kulcsszavakat hajszolnak, miközben a gép már rég nem stringeket, hanem dolgokat keres. A híres Google-mondat 2012-ből — „things, not strings” — ma vált igazán élessé. Egy LLM nem azt nézi, hányszor írtad le, hogy „prémium linképítés”. Azt nézi, hogy létezik-e a fejében egy stabil, ellentmondásmentes fogalom rólad, amelyhez ezt a szakértelmet hozzá tudja kötni.

A kulcsszó SEO megtanulta, hogyan beszéljünk a géphez. Az entitás SEO megtanítja, kik vagyunk a gép számára.

Mi az az entitás — és miért szeret bele a gép?

Egy entitás bármi, ami egyértelműen, megkülönböztethetően létezik: egy konkrét cég, egy konkrét személy, egy konkrét termék. A lényeg az „egyértelmű” szóban van.

Képzeld el, hogy „Kovács doktor”-ról beszélsz. Az emberi olvasó a szövegkörnyezetből tudja, melyik Kovács doktorra gondolsz. A gép nem. A gépnek a világon több ezer Kovács doktor van, és amíg nem tudja egyértelműsíteni (disambiguálni), hogy pontosan melyikről van szó, addig téged sem fog ajánlani — mert a bizonytalanságot kockázatnak érzi. Egy LLM-et arra terveztek, hogy ne mondjon olyat, amiben nem biztos.

Az entitás-tekintély tehát alapvetően a bizonytalanság felszámolásáról szól. Minél kevésbé kétséges a gép számára, hogy ki vagy, mit tudsz, és hol van erre bizonyíték, annál nagyobb eséllyel kerülsz be a válaszba. Az ajánlás nem népszerűségi verseny. Bizalmi kérdés — és a gép bizalma a verifikálhatóságon múlik.

Az Információ-pillér: a tekintély nyersanyaga

A SICT-keretrendszerben az Információ nem azonos a tartalommennyiséggel. Nem arról szól, hogy mennyit írsz. Arról szól, hogy a rólad szóló tények mennyire strukturáltak, konzisztensek és visszakereshetők.

Gondolj rá úgy, mint nyersanyagra. A vállalatodról szóló tények — mikor alapították, ki alapította, mit csináltok pontosan, milyen iparágakat szolgáltok ki, milyen eredményeket értetek el — már léteznek. A baj az, hogy ömlesztve, szanaszét, néha ellentmondva hevernek. Az egyik aloldal szerint „2015 óta”, a LinkedIn szerint „2016 óta”, a Google cégprofil szerint más a cím. Emberi szemmel apróság. Egy entitás-felépítő algoritmusnak konfliktus, és a konfliktus gyengíti a tekintélyt.

Az Információ-pillér munkája az, hogy ezt a nyersanyagot egyetlen, ellentmondásmentes, géppel olvasható igazsággá kovácsolja. Nézzük, hogyan.

A módszer — hogyan rendszerezd a vállalati adataidat

1. Építs entitás-otthont

Minden komoly entitásnak kell egy kanonikus otthona — egy oldal, amely a vállalatodat mint entitást definiálja. Ez nem a „Rólunk” oldal marketinges változata. Ez a tényalapú, sűrű, egyértelmű forrás: kik vagytok, mióta, mivel foglalkoztok pontosan, kik a kulcsemberek, milyen szakterületeken vagytok hitelesek.

Ez lesz az a hely, ahonnan a gép — és minden más adatforrás — kiindul. Ha nincs egy ilyen horgony, az információid gazdátlanul lebegnek a neten, és a modellnek magának kell összerakosgatnia, hogy ki vagy. Ezt a munkát ne bízd a gépre. Tedd elé készen.

2. Beszélj a gép anyanyelvén: strukturált adatok

A JSON-LD strukturált adat az a réteg, amelyen a gép a tényeket félreértés nélkül olvassa. Az Organization séma a minimum, de a valódi erő a kapcsolatokban van:

• name, foundingDate, founder — a kemény, ellenőrizhető tények
• knowsAbout — pontosan milyen témákban vagy hiteles (ez köt össze a szakterület-entitásokkal)
• sameAs — a hivatkozások hálója a többi profilodra
• areaServed, address — földrajzi egyértelműsítés

A strukturált adat nem „SEO-trükk”. Ez a fordítás. A te emberi narratívádat fordítja le arra a nyelvre, amelyen a tudásgráf gondolkodik.

3. Szőj sameAs-hálót — a verifikáció a redundanciából jön

A gép úgy győződik meg arról, hogy létezel, ahogy egy nyomozó: független megerősítésekből. Ha ugyanaz a tény rólad — azonos név, azonos pozicionálás, azonos szakterület — visszaköszön a weboldaladon, a LinkedinIn-en, egy szakmai adatbázisban, a Google cégprofilban és néhány hiteles külső említésben, akkor a modell számára megszűnsz feltételezés lenni, és ténnyé válsz.

Ezért életveszélyes az inkonzisztencia. Egyetlen szabály: mindenhol pontosan ugyanúgy. Ugyanaz a cégnév, ugyanaz a cím, ugyanaz a megfogalmazás arról, hogy mit csináltok. A redundancia itt nem pazarlás. A redundancia maga a bizonyíték.

4. Adj a gépnek tényeket, ne jelzőket

„Vezető”, „prémium”, „innovatív” — ezek a szavak a gép számára üresek, mert nem ellenőrizhetők. Egy LLM ezeket simán figyelmen kívül hagyja, mert mindenki ezt írja magáról.

Amit nem hagy figyelmen kívül: a konkrét, megnevezett, számszerű tényt. Konkrét eredmény, konkrét évszám, megnevezett ügyfél, mérhető kimenet. Nem azt mondod, hogy „nagy tapasztalat”, hanem azt, hogy pontosan mennyi, miben, kinek. A jelző vélemény. A tény bizonyíték. A gép a bizonyítékot ajánlja tovább.

5. Társulj a megfelelő témaentitásokhoz

A tekintély nem légüres térben létezik — szövetben él. Ha azt akarod, hogy a gép a „[szakterületed] szakértőjeként” ismerjen, akkor a neved következetesen, érdemi tartalom mellett kell, hogy együtt szerepeljen azokkal a témaentitásokkal, amelyekhez kötődni akarsz.

Ezt hívják témaegyüttállásnak (co-occurrence). Nem arról szól, hogy ráírod magadra a kulcsszót. Arról szól, hogy a vállalatod entitása és a szakterület entitása újra és újra, hiteles összefüggésben kerül egymás mellé — amíg a tudásgráfban kialakul közöttük egy stabil él. Ez a topikális tekintély gépi megfelelője.

6. Csináld konzisztenssé a teljes lábnyomot

Végül a NAP-konzisztencia (Name, Address, Phone) és a névhasználat egységessége nem unalmas adminisztráció, hanem a tekintély gerince. Egyetlen eltérő írásmód, egyetlen elavult cím, egyetlen elhagyott rövidítés gyengíti azt a meggyőződést, amelyet a gépben felépítesz. A konzisztencia a leglassabb, legkevésbé látványos, és mégis a legnagyobb hozamú befektetés ezen a területen.

Itt találkozik az entitás SEO a GEO-val

A generatív keresőoptimalizálás (GEO) tétje az, hogy bekerülj a szintetizált válaszba. És most összeáll a kép: a gép azt az entitást ajánlja, amelyet a legkisebb kockázattal tud kimondani.

A legkisebb kockázat pedig ott van, ahol minden tény stimmel, mindenhol ugyanazt mondja, strukturált formában elérhető, független forrásokból megerősíthető, és sűrűn be van ágyazva a megfelelő témaentitások hálójába. Nem a leghangosabb cég nyer. Nem is feltétlenül a legnagyobb. Az nyer, akit a gép a legbiztosabban ért.

Ezért nem lehet ezt a játékot reklámkölteéggel megnyerni. Az entitás-tekintélyt nem lehet megvenni — fel kell építeni, tényről tényre, megerősítésről megerősítésre. És pont ez a jó hír: ez egy olyan előny, amit a versenytársaid nem tudnak egyik napról a másikra lemásolni.

Gyakorlati checklista — mit csinálj holnap reggel

1. Audit: írd össze, hol és hogyan szerepel a céged neve, alapítási éve, címe és pozicionálása az interneten. Keresd a konfliktusokat. Ezek a sebek.
2. Entitás-otthon: hozz létre (vagy tisztíts meg) egy kanonikus, tényalapú oldalt, amely egyértelműen definiálja a vállalatot.
3. Séma: implementálj Organization JSON-LD-t sameAs és knowsAbout mezőkkel — a kapcsolatok a lényeg, nem a puszta jelenlét.
4. Konzisztencia: egységesítsd a nevet, címet, megfogalmazást minden profilon. Mindenhol ugyanúgy.
5. Tények jelzők helyett: cseréld le a marketinges üres jelzőket konkrét, ellenőrizhető, számszerű állításokra.
6. Témaszövés: tervezz tartalmat, amely a céget következetesen a megcélzott szakterület-entitások mellé helyezi, hiteles összefüggésben.

A lényeg

A keresés korszaka, amelyben az győzött, aki hangosabb volt, lejárt. Az új korszakban az győz, akit a gép a legtisztábban megért. A SICT Információ-pillére ezt teszi lehetővé: fogja a rólad szóló töredezett, ömlesztett, néha önmagának ellentmondó információt, és egyetlen, ellentmondásmentes, géppel olvasható igazsággá rendezi.

Nem azért, hogy a gépnek tetszelegj. Azért, hogy amikor a vásárlód legközelebb megkérdezi a chatablakot, ki a legjobb a szakmádban — te legyél az a név, amit a gép habozás nélkül ki mer mondani.

There is an uncomfortable truth that most companies are still unwilling to say out loud: your buyer no longer makes the decision on your website. The decision is made in a chat window before they click on anything at all. They ask the machine, “Who is the best [industry] provider in Budapest?” and the machine — confidently, without a footnote — names three companies.

The question today is no longer where you rank on Google’s results page. The question is: are you one of those three names?

And if you are not, the reason is rarely that your product is worse. Much more often, the reason is more prosaic: the machine simply does not understand who you are. The information about you is somewhere out there — on your website, in a LinkedIn profile, in a company database, across three different subpages, in contradictory wording — but fragmented. To the human eye, it comes together. To a language model, it is noise.

The Information pillar of the SICT protocol is exactly about this: how we take this scattered, human-language-optimized noise and turn it into machine-readable authority.

Search did not die. It simply changed owners.

For twenty years, the entire field of SEO was built around one question: how do I move higher among the ten blue links? That game is over. Not because Google has disappeared, but because the ten blue links are increasingly being replaced by a single assembled answer — the synthesized sentence of AI Overview, ChatGPT, Perplexity, or Gemini.

These systems do not list. They choose. And what they choose is not a URL, but an entity — a company, an expert, a brand that the model knows reliably enough to dare to place its name inside an answer.

This is where most strategies fail. Companies are still chasing keywords while the machine has long since stopped looking for strings and started looking for things. Google’s famous phrase from 2012 — “things, not strings” — is only now becoming truly sharp. An LLM does not look at how many times you wrote “premium link building.” It looks at whether there is a stable, contradiction-free concept of you in its mind to which it can attach that expertise.

Keyword SEO taught us how to speak to the machine. Entity SEO teaches the machine who we are.

What is an entity — and why does the machine fall in love with it?

An entity is anything that exists clearly and distinctly: a specific company, a specific person, a specific product. The essence lies in the word “clearly.”

Imagine you are talking about “Dr. Kovács.” A human reader understands from the context which Dr. Kovács you mean. The machine does not. For the machine, there are thousands of Dr. Kovácses in the world, and until it can disambiguate exactly which one you are referring to, it will not recommend you either — because it perceives uncertainty as risk. An LLM is designed not to say something it is unsure about.

Entity authority is therefore fundamentally about eliminating uncertainty. The less doubt the machine has about who you are, what you know, and where the proof for that exists, the more likely you are to appear in the answer. Recommendation is not a popularity contest. It is a matter of trust — and machine trust depends on verifiability.

The Information pillar: the raw material of authority

In the SICT framework, Information is not the same as content volume. It is not about how much you write. It is about how structured, consistent, and retrievable the facts about you are.

Think of it as raw material. The facts about your company — when it was founded, who founded it, what exactly you do, which industries you serve, what results you have achieved — already exist. The problem is that they are piled up, scattered everywhere, sometimes contradicting one another. One subpage says “since 2015,” LinkedIn says “since 2016,” and the Google Business Profile lists a different address. To the human eye, this is a small detail. To an entity-building algorithm, it is a conflict, and conflict weakens authority.

The work of the Information pillar is to forge this raw material into one single, contradiction-free, machine-readable truth. Let’s look at how.

The method — how to organize your company data

1. Build an entity home

Every serious entity needs a canonical home — a page that defines your company as an entity. This is not the marketing version of your “About us” page. This is the fact-based, dense, unambiguous source: who you are, since when, what exactly you do, who the key people are, and in which fields you are credible.

This becomes the place from which the machine — and every other data source — starts. If there is no such anchor, your information floats ownerless across the internet, and the model has to piece together who you are by itself. Do not leave this work to the machine. Put it in front of it, ready-made.

2. Speak the machine’s native language: structured data

JSON-LD structured data is the layer through which the machine reads facts without misunderstanding. The Organization schema is the minimum, but the real power lies in the relationships:

• name, foundingDate, founder — the hard, verifiable facts
• knowsAbout — exactly which topics you are credible in; this connects you to subject-matter entities
• sameAs — the network of references to your other profiles
• areaServed, address — geographic disambiguation

Structured data is not an “SEO trick.” It is translation. It translates your human narrative into the language in which the knowledge graph thinks.

3. Weave a sameAs network — verification comes from redundancy

The machine verifies that you exist the same way a detective does: through independent confirmations. If the same fact about you — the same name, the same positioning, the same area of expertise — appears on your website, on LinkedIn, in a professional database, in your Google Business Profile, and in a few credible external mentions, then for the model you stop being an assumption and become a fact.

This is why inconsistency is dangerous. One rule: exactly the same everywhere. The same company name, the same address, the same wording about what you do. Redundancy here is not waste. Redundancy itself is the proof.

4. Give the machine facts, not adjectives

“Leading,” “premium,” “innovative” — these words are empty to the machine because they cannot be verified. An LLM can easily ignore them because everyone writes this about themselves.

What it does not ignore: a specific, named, numerical fact. A concrete result, a specific year, a named client, a measurable outcome. You do not say “extensive experience,” but exactly how much, in what, and for whom. An adjective is an opinion. A fact is evidence. The machine recommends evidence.

5. Associate yourself with the right topic entities

Authority does not exist in a vacuum — it lives in a fabric. If you want the machine to recognize you as an expert in “[your field],” then your name must consistently co-occur with the topic entities you want to be connected to, alongside substantial content.

This is called topical co-occurrence. It is not about sticking the keyword onto yourself. It is about your company entity and the subject-matter entity appearing again and again next to each other in credible contexts — until a stable edge forms between them in the knowledge graph. This is the machine equivalent of topical authority.

6. Make the entire footprint consistent

Finally, NAP consistency — Name, Address, Phone — and uniform name usage are not boring administration, but the backbone of authority. A single different spelling, one outdated address, one abandoned abbreviation weakens the conviction you are building in the machine. Consistency is the slowest, least spectacular, and yet highest-yielding investment in this area.

This is where entity SEO meets GEO

The goal of Generative Engine Optimization — GEO — is to get into the synthesized answer. And now the picture comes together: the machine recommends the entity it can name with the lowest risk.

The lowest risk exists where every fact is correct, every source says the same thing, the information is available in structured form, it can be confirmed by independent sources, and it is densely embedded in the network of the right topic entities. The loudest company does not win. Not necessarily the biggest either. The winner is the one the machine understands with the greatest certainty.

That is why this game cannot be won with advertising spend. Entity authority cannot be bought — it must be built, fact by fact, confirmation by confirmation. And that is exactly the good news: this is an advantage your competitors cannot copy overnight.

Practical checklist — what to do tomorrow morning

1. Audit: write down where and how your company name, founding year, address, and positioning appear online. Look for conflicts. These are the wounds.
2. Entity home: create — or clean up — a canonical, fact-based page that clearly defines the company.
3. Schema: implement Organization JSON-LD with sameAs and knowsAbout fields — the relationships are the point, not mere presence.
4. Consistency: standardize the name, address, and wording across every profile. Exactly the same everywhere.
5. Facts instead of adjectives: replace empty marketing adjectives with concrete, verifiable, numerical claims.
6. Topic weaving: plan content that consistently places the company next to the targeted subject-matter entities in credible context.

The point

The era of search in which the loudest player won is over. In the new era, the winner is the one the machine understands most clearly. The SICT Information pillar makes this possible: it takes the fragmented, bulk, sometimes self-contradictory information about you and organizes it into one single, contradiction-free, machine-readable truth.

Not to please the machine. But so that the next time your buyer asks the chat window who is the best in your field — you are the name the machine dares to say without hesitation.