AnswerTracker AI Visibility Research #1 · 2026. október
Röviden
Az AnswerTracker 4 011 egyedi AI-válaszának elemzése alapján az AI-láthatóság jóval változékonyabb, mint amit egyetlen ChatGPT-válasz vagy egyszeri mérés mutat. A többplatformos összehasonlítások 47,9%-ában eltért, hogy a vizsgált márka egyáltalán megjelent-e, a kérdés–forrásdomain kombinációk 80,9%-a pedig csak egyetlen AI-platformon szerepelt. A branded kérdések 97,9%-os mention rate-et adtak, míg a generikus kérdések csak 28,0%-ot. Az eredmények alapján az AI visibility méréséhez több platformra, generikus kérdésportfólióra, forráselemzésre és ismételt mérésekre van szükség.
Az AI-láthatóság mérésénél könnyű egyetlen ChatGPT-válaszból messzemenő következtetéseket levonni. Egy márka megjelenik egy válaszban, egy másikban nem. Egy weboldalt forrásként használ az egyik AI, miközben egy másik teljesen más forrásokra támaszkodik. Az AnswerTracker eddigi mérési adatain azt vizsgáltuk meg, hogy ezek mennyire elszigetelt jelenségek, és mennyire rendszerszintű sajátosságai az AI-alapú keresésnek.
Az elemzés 13 valós projekt 370 mérési futását és 4 011 egyedi AI-válaszát foglalja össze, 2026. július 16. és szeptember 30. között. A korpuszban többek között ChatGPT, Gemini, Google AI Mode, Google AI Overview, Perplexity, Claude, DeepSeek és Grok válaszai szerepelnek.
Az eredmények alapján az AI visibility nem tekinthető egyetlen stabil rangsornak. A márka megjelenése, a felhasznált források és ezek időbeli stabilitása is jelentősen eltér az egyes AI-rendszerek között.
Közel minden második többplatformos mérésnél eltér a márka jelenléte
A teljes korpuszban 654 olyan friss mérési helyzetet találtunk, ahol ugyanazt a kérdést ugyanabban a mérési futásban legalább két AI-platform válaszolta meg.
Ezek közül 313 esetben az AI-rendszerek nem értettek egyet abban, hogy a vizsgált márka megjelenjen-e a válaszban.
Ez 47,9%-os platformdivergenciát jelent.
Másképpen fogalmazva: közel minden második összehasonlítható mérésnél legalább egy AI látta relevánsnak a márkát, miközben egy másik nem.
Ez azt jelenti, hogy egyetlen AI-platform eredményét nem érdemes általános „AI visibility” eredményként kezelni.
A források közötti eltérés még nagyobb
A többplatformos összehasonlításokban 10 522 kérdés–forrásdomain kombinációt azonosítottunk.
Ezekből 8 516 csak egyetlen AI-platform válaszában szerepelt.
Ez 80,9%.
A platformpárok explicit grounded source készleteinek átlagos Jaccard-átfedése mindössze 5,94% volt. A medián érték pedig 0%.
Ez azt jelenti, hogy az összehasonlított platformpárok legalább felében egyetlen közös explicit grounded source domain sem szerepelt ugyanarra a kérdésre.
Az AI-platformok tehát nem egyszerűen különböző válaszokat generálnak. Jelentős részben eltérő forrásvilágból építik fel ezeket a válaszokat.
A branded prompt majdnem garantálja a márka megjelenését
A teljes adatbázis egyik leglátványosabb különbsége a branded és generikus kérdések között jelent meg.
Azokban a kérdésekben, amelyek tartalmazták a vizsgált márka nevét vagy annak azonosított aliasát, 856 AI-válaszból 838 említette a márkát.
Ez 97,9%-os mention rate.
A márkanevet nem tartalmazó generikus kérdések esetében 3 155 válaszból 883 tartalmazta a vizsgált márkát.
Ez mindössze 28,0%.
A branded és generikus kérdések mention rate-je között közel 3,5-szeres különbség van.
Ez fontos módszertani következménnyel jár. Ha egy AI visibility audit elsősorban olyan promptokat használ, amelyekben eleve szerepel a márkanév, az eredmény lényegesen kedvezőbb képet mutathat a márka AI-láthatóságáról, mint a valódi, generikus fogyasztói kérdések.
A generikus kérdések ezért különösen fontosak annak mérésére, hogy egy AI-rendszer spontán módon relevánsnak tartja-e a márkát.
Az AI visibility időben sem állandó
Az AnswerTracker korpuszában 455 olyan projekt–kérdés–platform idősor található, amely legalább két mérési ponttal rendelkezik.
Ezek közül 140 esetben változott meg az idő során, hogy az adott AI-platform megemlíti-e a márkát.
Ez 30,8%.
A saját domain explicit grounded source-ként való használata az ismételten mért idősorok 24,2%-ában változott.
Vagyis még ugyanazon kérdés és ugyanazon platform esetében sem feltétlenül stabil a márka jelenléte.
Egyetlen AI-válasz ezért adatpont. Az ismételt mérés viszont trendet mutat.
A saját weboldal fontos, de nem az egyetlen forrás
A 4 011 vizsgált AI-válaszból 2 531 esetben találtunk explicit, provider által igazolt grounded source evidence-et.
Ez 63,1%-os lefedettség.
A vizsgált márka saját domainje viszont csak 936 válaszban szerepelt ilyen forrásként, ami a teljes korpusz 23,3%-a.
Összesen 2 513 különböző grounded source domaint azonosítottunk.
Ez arra utal, hogy az AI visibility nem kizárólag a saját weboldal optimalizálásának kérdése. A márkáról szóló külső tartalmak, szakmai oldalak, médiamegjelenések, közösségi platformok és egyéb harmadik fél által publikált források is részei annak az információs környezetnek, amelyből az AI-rendszerek dolgoznak.
Mit jelent mindez az AI visibility mérésében?
A kutatás alapján az AI-láthatóságot nem érdemes egyetlen prompttal, egyetlen platformmal vagy egyetlen pillanatfelvétellel mérni.
A méréshez kérdésportfólióra, generikus kérdésekre, több AI-platform összehasonlítására, ismételt mérésekre és a források elemzésére is szükség van.
Külön érdemes kezelni a brand mentiont, a citationt, a saját domain forrásként való megjelenését és a recommendationt is. Ezek nem ugyanazt mérik.
Az AnswerTrackerben ezért nem egyetlen „AI rangsort” próbálunk létrehozni. A cél annak megértése, hogy egy márka milyen kérdéseknél, mely AI-platformokon, milyen stabilitással és milyen információs környezetből kerül be az AI-válaszokba.
Módszertan
Az elemzés 13 valós AnswerTracker-projekt 4 011 egyedi AI-válaszán alapul. A projekt-hozzárendelés nem pusztán a kérdések alapján történt, hanem a mérési futás tényleges tulajdonjoga alapján. Ezzel kizártuk, hogy egy projektek között újrahasznált kérdés ugyanazt a választ több projekthez is hozzászámolja.
A platformok közötti összehasonlításoknál csak friss, nem újrahasznált measurement jobokat vettünk figyelembe.
A source-divergencia elemzés kizárólag olyan citationöket használ, amelyekhez explicit provider-grounding evidence tartozik. A korábbi, nem bizonyítható forrásjelöléseket nem számítottuk grounded source-nak.
A brand mention felismerését külön, vak manuális mintán validáltuk. A 40 válaszos kontrollmintán a brand mention detektálás 95%-os pontosságot ért el.
A recommendation felismerés eredményeit a jelen kutatás fő következtetéseiben nem használjuk, mert a manuális validáció alapján annak precision értéke jelenleg még nem elég magas publikációs következtetésekhez.
A kutatás nem tekinthető a teljes magyar piac reprezentatív vizsgálatának. Az AnswerTracker valós mérési korpuszának elemzése, amely több iparágból és különböző méretű projektből származó adatokat tartalmaz.
Fő eredmények
- 4 011 egyedi AI-válasz
- 13 valós projekt
- 370 mérési futás
- 654 friss többplatformos összehasonlítás
- 47,9% brand mention platformdivergencia
- 80,9% csak egyetlen platformon megjelenő kérdés–forrás kombináció
- 5,94% átlagos forrásátfedés a platformpárok között
- 0% medián forrásátfedés
- 97,9% brand mention branded kérdéseknél
- 28,0% brand mention generikus kérdéseknél
- 30,8% időben változó brand mention idősor
- 2 513 különböző grounded source domain
Gyakori kérdések az AI-láthatóság méréséről
Mit jelent az AI visibility?
Az AI visibility azt mutatja meg, hogy egy márka, vállalat, termék vagy szakértő milyen gyakran, milyen kontextusban és milyen források alapján jelenik meg a generatív AI-rendszerek válaszaiban. Nem csak a márkaemlítés számít, hanem az is, hogy mely kérdéseknél jelenik meg, mely platformokon, milyen forrásokra támaszkodik az AI, és mennyire stabil az eredmény időben.
Miért nem elég egyetlen ChatGPT-választ megnézni?
Mert ugyanarra a kérdésre különböző AI-platformok eltérő választ adhatnak. Az AnswerTracker kutatásában a többplatformos összehasonlítások 47,9%-ában eltért, hogy a vizsgált márka megjelent-e a válaszban. Egyetlen screenshot ezért csak egy pillanatnyi adatpont, nem teljes AI visibility mérés.
Miért fontos több AI-platformot mérni?
A ChatGPT, Gemini, Google AI Mode, Google AI Overview, Perplexity, Claude, DeepSeek és más rendszerek eltérő modelleket, keresési és retrieval-mechanizmusokat, valamint forráskészleteket használhatnak. A kutatásban a kérdés–forrásdomain kombinációk 80,9%-a csak egyetlen platformon jelent meg.
Mit jelent a 0%-os medián forrásátfedés?
Azt, hogy a vizsgált platformpárok legalább felében ugyanarra a kérdésre egyetlen közös explicit grounded source domain sem szerepelt. Ez jól mutatja, hogy az AI-rendszerek sok esetben teljesen eltérő forrásvilágból építik fel a válaszaikat.
Mi a különbség a branded és a generikus kérdések között?
Branded kérdés az, amelyben eleve szerepel a márka neve, például: „Mit tudsz az X márkáról?”. Generikus kérdésben a felhasználó nem nevezi meg a márkát, például: „Melyik szolgáltatót ajánlanád erre a problémára?”. Az AnswerTracker adataiban a branded kérdések 97,9%-ában megjelent a vizsgált márka, míg a generikus kérdéseknél csak 28,0%-ban.
Miért torzíthatja az AI visibility mérést a branded prompt?
Ha a márka nevét már a kérdésben megadjuk, az AI-nak lényegesen nagyobb esélye van arra, hogy azt a válaszában is megemlítse. Emiatt egy branded promptokra épülő audit jelentősen túlbecsülheti a márka valódi, organikus AI-felfedezhetőségét.
Mennyire stabilak az AI-válaszok időben?
Nem teljesen stabilak. A legalább kétszer megmért projekt–kérdés–platform idősorok 30,8%-ában változott, hogy a márka megjelent-e a válaszban. Ezért az ismételt mérés legalább olyan fontos, mint a többplatformos összehasonlítás.
Elég a saját weboldalt optimalizálni az AI-láthatóság javításához?
Nem feltétlenül. A kutatásban 2 513 különböző grounded source domaint azonosítottunk, miközben a vizsgált márka saját domainje csak a válaszok 23,3%-ában jelent meg explicit grounded source-ként. Az AI visibility szempontjából ezért a külső megjelenések, szakmai cikkek, médiamegjelenések és más megbízható harmadik fél források is fontosak lehetnek.
Mi a különbség a brand mention, citation és recommendation között?
A brand mention azt jelenti, hogy a márka neve szerepel a válaszban. A citation azt jelenti, hogy az AI egy konkrét forrást használ vagy hivatkozik rá. A recommendation ennél erősebb jel: azt mutatja, hogy az AI a márkát választási vagy ajánlási opcióként kezeli. Ezeket érdemes külön mérni, mert egyik sem következik automatikusan a másikból.
Hogyan érdemes AI visibility auditot készíteni?
Egy megfelelő audit nem egyetlen promptból áll. Érdemes generikus és branded kérdéseket is használni, több AI-platformot mérni, a forrásokat elemezni, majd ugyanazokat a kérdéseket időben ismételten lefuttatni. Így nem egy pillanatképet, hanem valódi AI visibility trendet kapunk.
Mi az AnswerTracker szerepe ebben?
Az AnswerTracker arra készült, hogy több kérdésen, több AI-platformon és ismételt méréseken keresztül vizsgálja a márkák AI-láthatóságát. A cél nem egyetlen visibility score előállítása, hanem annak megértése, hogy a márka mikor, hol, milyen források alapján és milyen stabilitással jelenik meg az AI-válaszokban.
