A hagyományos keresőoptimalizálás évtizedeken át arra összpontosított, hogy egy adott oldal mely kulcsszavakra és milyen helyezésben jelenik meg a találati listán. Az MI-alapú keresési környezetben – a Google AI Overviews, a ChatGPT Search, a Perplexity és a Copilot világában – azonban ennél jóval összetettebb kérdésre kell választ adnunk: megérti-e a rendszer, hogy kik vagyunk, mivel foglalkozunk, milyen témákban vagyunk hitelesek, és milyen kapcsolatban állunk más ismert személyekkel, szervezetekkel, szolgáltatásokkal és helyszínekkel?

A keresés a kulcsszavaktól az entitások és kapcsolatok irányába fejlődik. A weboldal többé nem elszigetelt dokumentumok gyűjteménye: a vállalkozás, a szakértő, a szolgáltatás és a tartalom egyetlen szemantikai hálózat része. Az MI-rendszerek számára az egyértelműség, a következetesség és a külső megerősítés különösen fontos – a tudásgráf-alapú megközelítés pedig éppen ezt a hármat kapcsolja össze a technikai keresőoptimalizálással, a tartalomstratégiával, a strukturált adatokkal és a digitális reputációval. A változás hátterének megértéséhez érdemes először áttekinteni, mit jelent valójában az MI-láthatóság a Google, a ChatGPT és a Perplexity rendszerében.

Mi az a tudásgráf, és hogyan kapcsolódik a keresőoptimalizáláshoz?

A tudásgráf olyan kapcsolati rendszer, amelyben az egyes fogalmak, személyek, vállalkozások, helyek, termékek és szolgáltatások nem önmagukban, hanem tulajdonságaikon és egymáshoz fűződő viszonyaikon keresztül jelennek meg. Nem egy oldal, hanem egy térkép: minden entitás egy csomópont, minden kapcsolat egy él, amely jelentést hordoz.

Nézzünk egy egyszerű, kézzelfogható példát. Egy keresőoptimalizálási ügynökség tudásgráfjában az alábbi elemek kapcsolódhatnak össze: maga a vállalkozás, az alapító vagy vezető szakértő, a szolgáltatások, a kiszolgált földrajzi terület, az iparági szakterületek, a publikált cikkek, az ügyfélprojektek, a szakmai profilok, a külső említések, az értékelések és a kapcsolódó szervezetek. Pontosan ezt szemlélteti a cikk elején látható interaktív ábra is.

Miért fontos ez a szemléletváltás? Mert a „Budapesten működő keresőoptimalizálási ügynökség” kifejezés nem egyszerű kulcsszókombináció. A rendszernek fel kell ismernie a vállalkozást mint szervezetet, Budapestet mint helyszínt, a keresőoptimalizálást mint szolgáltatást – és mindenekelőtt a közöttük fennálló kapcsolatot. Az egyértelműen azonosítható entitás segíti a pontosabb besorolást és a helyes kontextus kialakítását: a gép nem találgat, hanem tud.

Fontos tisztázni azt is, hogy a tudásgráf nem kizárólag a Google saját, hatalmas adatbázisát jelenti. Egy vállalkozás a saját weboldalán is kialakíthat egy kisebb, következetes szemantikai rendszert – jól strukturált oldalakkal, logikus belső linkekkel és pontos sémajelölésekkel. Ez a „házon belüli” tudásgráf az, amit a nagy rendszerek beolvasnak, értelmeznek és összevetnek a külső forrásokkal. Az entitásalapú gondolkodás egyébként az MI-keresőoptimalizálás, a generatív keresőoptimalizálás és a válaszmotor-optimalizálás közös alapját jelenti – aki ezt érti, annak mindhárom terület logikája a helyére kerül.

Miért fontos a tudásgráf az MI-láthatóság szempontjából?

Az MI-rendszerek nem pusztán azt vizsgálják, hogy egy kifejezés hányszor szerepel egy oldalon. Azt próbálják meghatározni, hogy az információ milyen entitásra vonatkozik, mennyire következetes, más források megerősítik-e, és milyen kérdések megválaszolására használható. Ez alapvetően más játék, mint a klasszikus rangsorolás – és más felkészülést igényel.

A folyamat leegyszerűsítve így néz ki:

Először a rendszer felfedezi és feltérképezi a weboldalt, majd azonosítja a fő entitást. Ezután összekapcsolja a szervezettel, a személyekkel, a szolgáltatásokkal és a helyszínnel kapcsolatos adatokat, összeveti ezeket a külső forrásokkal, és megbecsüli az információ megbízhatóságát. Végül – és ez a döntő pillanat – eldönti, hogy a márka megfelelő forrás vagy ajánlás lehet-e egy adott kérdésnél.

Éppen ezért érdemes rendszeresen, strukturáltan ellenőrizni a saját helyzetünket. A gyakorlati ellenőrzéshez jól használható az MI-láthatósági audit sablon, amely a technikai hozzáférhetőséget, az entitásegyértelműséget, a tesztkérdéseket és a citációkat is vizsgálja.

A sémajelölések szerepe a gépi értelmezhetőségben

A Schema.org-jelölés olyan géppel olvasható leíró réteg, amely pontosíthatja, hogy az oldalon szereplő információk milyen típusú entitásokhoz tartoznak, és milyen kapcsolat áll fenn közöttük. Ha a tudásgráf a térkép, a strukturált adat a jelmagyarázat: nélküle a gép csak sejtheti, hogy mit lát – vele viszont pontosan tudja. Kattintson végig az alábbi fülekön, és nézze meg, melyik sématípus mire való!

A strukturált adatok megfelelő használata természetesen nem légüres térben történik: a technikai keresőoptimalizálás és tartalomoptimalizálás szélesebb rendszerébe illeszkedik.

Citációk és külső megerősítések: mitől válik hitelessé egy entitás?

A saját weboldal fontos kiindulópont, de önmagában nem mindig elegendő a márkával kapcsolatos állítások független megerősítéséhez. Gondoljon bele: bárki leírhatja magáról, hogy a piac vezető szakértője. A tudásgráf erejét az növeli igazán, ha más, hitelesen azonosítható források is következetesen kapcsolják a vállalkozást ugyanazokhoz a témákhoz és szolgáltatásokhoz.

A külső megerősítések lehetséges típusai igen sokfélék: szakmai cikkek, szerkesztőségi megjelenések, szakértői interjúk, kamarai és szervezeti profilok, konferencia-előadói oldalak, cégadatbázisok, szakmai közösségi profilok, partneroldalak, esettanulmányok, ügyfélvélemények, valamint kutatások és idézhető adatok. Mindegyik egy-egy újabb szál, amely a márkaentitást a szakterületéhez köti.

Érdemes azonban pontosan látni a fogalmak közötti különbséget, mert a gyakorlatban gyakran összemosódnak:

A legfontosabb tanulság: nem minden említés egyformán értékes. Erősebb jel lehet egy pontos, témába illeszkedő szakmai hivatkozás, mint sok általános vagy egymással ellentmondó márkaemlítés. A minőség itt is veri a mennyiséget. A folyamat működése részletesebben megérthető a ChatGPT Search entitásjeleiről, hivatkozásairól és forrásalkalmasságáról szóló útmutatóból, a márka megjelenéseinek követéséhez pedig érdemes kialakítani az MI-márkaemlítések mérési rendszerét a ChatGPT, a Gemini, a Copilot és a Perplexity válaszaiban.

Szemantikai kapcsolatok és belső linkelés

A belső linkelés nem kizárólag a linkérték továbbadásának eszköze. Egy megfelelően felépített belső kapcsolati rendszer megmutatja, hogy mely oldalak tartoznak össze, melyik a központi témakör, és hogyan kapcsolódnak egymáshoz a szolgáltatások, a szakértők, a fogalmak és az esettanulmányok. A belső linkek a saját tudásgráfunk élei – ha hiányoznak vagy logikátlanok, a gép szétesett, összefüggéstelen képet lát.

A gyakorlatban jól működő megoldás a témaklaszter: egy központi oldal – például az MI-alapú keresőoptimalizálás átfogó útmutatója – köré rendeződnek a kapcsolódó tartalmak: az MI-láthatóság, az entitásoptimalizálás, a tudásgráfok, a strukturált adatok, a generatív keresőoptimalizálás, a válaszmotor-optimalizálás, a márkaemlítések, a citációk, a szakértői entitások, a helyi entitásjelek és az MI-láthatóság mérése. Minden aloldal a központi témát mélyíti, a központi oldal pedig minden aloldalt legitimál.

A szemantikus belső linkelés öt szabálya

• Leíró horgonyszövegek: a „kattintson ide” helyett olyan horgonyszövegeket használjunk, amelyek megnevezik a céloldal témáját – ebből tanul a gép is, az olvasó is.
• Kontextusba illesztett linkek: a linket olyan mondatba helyezzük, amely megmagyarázza, miért kapcsolódik a céloldal az aktuális témához.
• Kétirányú kapcsolatok: a kapcsolódó cikkek ne csak a központi oldalra mutassanak – a központi oldal is hivatkozzon vissza a fontos résztémákra.
• Entitástípusok összekapcsolása: a szerzői profil mutasson a publikációkra, a publikációk a szerzőre, a szolgáltatási oldal az esettanulmányokra, az esettanulmányok pedig a szolgáltatásra.
• Árva oldalak megszüntetése: minden fontos oldal legyen elérhető legalább egy releváns, feltérképezhető belső linken keresztül.

Hogy még kézzelfoghatóbb legyen, így néz ki egy szemantikai kapcsolatlánc a gyakorlatban:

Ez a négy állítás együtt már egy kicsi, de következetes tudásgráf: személy, szervezet, szolgáltatás és fogalom kapcsolódik benne egymáshoz, mindegyik a maga jól definiált szerepében. Hogy mindez hogyan épül fel egy valós szolgáltatási struktúrában, azt az MI-láthatósági ügynökség budapesti útmutatójában mutatjuk be gyakorlati oldalról.

Hagyományos és tudásgráf-alapú megközelítés: a szemléletváltás egy táblázatban

Tudásgráf-alapú keresőoptimalizálás lépésről lépésre

A jó hír az, hogy a tudásgráf-alapú keresőoptimalizálás nem varázslat, hanem módszeres munka. Az alábbi hét lépés bármely vállalkozásnál végigvihető – a lényeg a következetesség és a türelem.

1. A fő entitás meghatározása

   Rögzíteni kell a márka nevét, a hivatalos vállalkozásnevet, a fő szolgáltatásokat, a működési területet, a szakértőket, a célközönséget és a bizonyítható szakterületeket. Ez a dokumentum lesz minden későbbi döntés viszonyítási pontja.

2. Entitástérkép készítése

   Azonosítani kell a fő entitáshoz kapcsolódó személyeket, szolgáltatásokat, helyeket, termékeket, publikációkat, ügyfélproblémákat és bizonyítékokat – vagyis fel kell rajzolni a saját tudásgráfunkat, még mielőtt a gép tenné meg helyettünk.

3. A webhely szerkezetének átalakítása

   Minden fontos entitás kapjon megfelelő oldalt: bemutatkozó oldal, szakértői profil, szolgáltatási oldal, tudásközpont, esettanulmány, valamint kapcsolati és helyi oldal. Ami nem létezik oldal formájában, azt a gép nehezen tudja entitásként kezelni.

4. Strukturált adatok bevezetése

   A látható tartalommal összhangban alkalmazható a szervezeti, a személyi, a cikk-, a szolgáltatási és a navigációs jelölés – mindig pontosan, mindig a valóságnak megfelelően.

5. Belső kapcsolati háló kialakítása

   A tartalmakat témaklaszterekbe kell rendezni, majd leíró horgonyszövegekkel összekapcsolni, a fenti öt szabály szerint.

6. Külső megerősítések építése

   A szakértői és márkaállításokat független szakmai forrásokkal, interjúkkal, publikációkkal és hiteles profilokkal kell alátámasztani. Ez a leglassabb, de a legértékesebb lépés.

7. Rendszeres ellenőrzés

   Vizsgálni kell, hogy az MI-rendszerek helyesen azonosítják-e a márkát, megfelelő témához kapcsolják-e, megemlítik-e releváns kérdéseknél, hivatkoznak-e a weboldalra, és nem keverik-e össze más vállalkozásokkal.

Hogyan mérhető a tudásgráf és az MI-láthatóság fejlődése?

Amit nem mérünk, azt nem tudjuk fejleszteni – és ez az MI-láthatóságra fokozottan igaz, mert itt nincs klasszikus helyezéslista, amire ránézhetnénk. A javasolt mérőszámok között szerepel a márkaemlítések száma, a hivatkozott oldalak száma, a pozitív ajánlások aránya, a helyes márkakörnyezet aránya, a téves vagy összekevert említések száma, az MI-rendszerekből érkező látogatások, a márkanévre történő keresések, az indexelt entitásoldalak száma, a strukturáltadat-hibák száma, a kapcsolódó témák lefedettsége, valamint a belső linkekkel támogatott fontos oldalak aránya.

A tesztelés módszere egyszerű, de fegyelmet igényel: havi rendszerességgel ugyanazokat a kérdéseket kell feltenni több MI-rendszernek. A tesztkérdések fedjék le az információkeresést, a szolgáltatókeresést, az összehasonlítást, a helyi ajánlást, a szakértőkeresést és a vásárlási döntést – így a márka a teljes döntési út mentén mérhetővé válik. Az adatok egységes követéséhez jól használható az MI-láthatósági irányítópult citációs, márkaemlítési és forgalmi adatokból.

Gyakori kérdések a tudásgráf-alapú keresőoptimalizálásról

A cél: egymást erősítő digitális tudásrendszer

A tudásgráf-alapú keresőoptimalizálás célja nem az, hogy újabb technikai trükkel egészítse ki a hagyományos keresőoptimalizálást. Egy olyan következetes digitális tudásrendszert hoz létre, amelyben a vállalkozás, a szakértők, a szolgáltatások, a tartalmak és a külső bizonyítékok egymást erősítik – és amelyet a keresőmotorok és az MI-rendszerek magabiztosan tudnak azonosítani, értelmezni és ajánlani.