Egy weboldal tulajdonosa ma viszonylag jól látja, amikor egy AI-bot lekéri valamelyik oldalát. Azt viszont már jóval kevésbé, hogy mi történik ezután.
Bekerült a tartalom egy AI válaszának kontextusába? Ténylegesen felhasználta a modell? Hivatkozott rá? Megmutatta a forrást a felhasználónak? Kattintott is rá valaki?
Az AI-korszak egyik furcsa helyzete, hogy miközben egyre nagyobb értéke lehet annak, ha egy modell felhasznál egy tartalmat, ennek jelentős része jelenleg láthatatlan a tartalom tulajdonosa számára. Ezen próbál változtatni a SPUR Coalition új Content Telemetry Standardja.
A kiadók által létrehozott szervezet október 2-án publikálta a szabvány 1.0-s verzióját. A cél lényegében egy közös mérési nyelv létrehozása arra, hogy az AI-rendszerek jelenteni tudják, pontosan hogyan használtak fel egy tartalmat. Ha működik, az AI visibility mérésének egyik alapvető problémájához nyúl hozzá.
Ma leginkább azt látjuk, hogy az AI eljött az oldalunkra
A klasszikus webes analitika alaplogikája egyszerű. Valaki megérkezik egy weboldalra, oldalakat néz meg, kattint, vásárol vagy valamilyen más eseményt hajt végre. Ezekből az interakciókból viszonylag jól rekonstruálható, mi történt.
Az AI esetében ez a lánc szétesik. Egy kiadó vagy weboldal-tulajdonos még érzékelheti, hogy egy crawler vagy agent lekérte a tartalmát. Onnantól azonban a folyamat jelentős része már egy külső AI-rendszeren belül történik. Pontosan ezt a fekete dobozt próbálja felnyitni a Content Telemetry Standard.
A SPUR öt külön eseményt definiál:
Retrieved: az AI-rendszer lekérte a tartalmat.
Grounded: a tartalom bekerült az agent generálási kontextusába.
Cited: az AI válaszában explicit módon hivatkozott rá.
Presented: a tartalom vagy az arra mutató forráshivatkozás ténylegesen megjelent a felhasználó számára érzékelhető felületen.
Engaged: a felhasználó valamilyen interakcióba lépett vele, például rákattintott, kimásolta vagy megosztotta.
Ez első látásra technikai részletnek tűnhet, pedig fontos különbségeket tesz mérhetővé. Nem ugyanaz, ha egy AI lekéri a cikkünket, de végül nem használja fel, mintha arra építi a válaszát, továbbá az sem, ha felhasználja, de nem hivatkozik rá, mint amikor forrásként meg is jelenít bennünket.
Az AI visibility szempontjából ezek eddig gyakran egyetlen homályos kategóriába kerültek: „az AI valahogy használja a tartalmunkat”.
A SPUR ezt bontaná szét eseményekre.
A citation önmagában még nem mondja el, mi történt
Ez azért is érdekes, mert ma az AI visibility mérése gyakran a mention és citation körül forog. Megjelent-e egy márka az AI válaszában? Hivatkozott-e rá a rendszer? Milyen gyakran történik ez egy meghatározott prompt seten belül? Ezek továbbra is fontos mutatók. A telemetry azonban egy mélyebb réteget próbál láthatóvá tenni.
Elképzelhető például, hogy egy cikket az AI lekért és groundingra is felhasznált, de végül nem idézte forrásként. Ilyenkor a tartalom hatással lehetett a válaszra anélkül, hogy ebből a kiadó bármilyen láthatóságot kapott volna.
A másik irányban is lehet eltérés: egy forrás szerepelhet a generált outputban, miközben a felhasználói felület vagy az adott agent működése miatt a hivatkozás nem feltétlenül jut el ugyanúgy a felhasználóhoz. A SPUR ezért külön eseményként kezeli a groundingot, a citationt és a presentationt.
Ez már sokkal közelebb áll ahhoz, hogy ne pusztán azt kérdezzük: „megjelenünk-e az AI-ban?”, hanem azt is: „milyen szerepet játszott a tartalmunk az AI válaszában?”
Mi áll a háttérben?
A SPUR-t eredetileg nagy médiavállalatok és hírszervezetek hozták létre. A koalíció mögött többek között a BBC, a Financial Times, a Guardian Media Group, a Sky News és a Telegraph Media Group áll, később pedig az Associated Press is csatlakozott.
A motiváció nem nehezen érthető.
A kiadók jelentős összegeket költenek eredeti tartalom előállítására, miközben az AI-rendszerek egyre gyakrabban képesek ezek felhasználásával közvetlenül megválaszolni a felhasználók kérdéseit. Ha azonban nincs közös mérési rendszer arra, hogyan használta egy AI-platform az adott tartalmat, akkor azt is nehéz meghatározni, pontosan milyen értéket teremtett számára.
A telemetry ezért nem maga a licencelési rendszer és nem határozza meg azt sem, mennyit kell fizetni egy tartalom felhasználásáért. Inkább a mérési infrastruktúra egyik lehetséges rétege.
A szabványban szereplő license_ref mező például lehetővé teszi, hogy egy telemetry eseményt összekapcsoljanak azzal a licenccel vagy hozzáférési protokollal, amely alapján a tartalom használata történt.
Vagyis különválik két kérdés:
Mit tehet az AI a tartalommal?
és
Mit csinált vele ténylegesen?
A SPUR Content Telemetry elsősorban a másodikra próbál szabványos választ adni.
Van azonban egy komoly probléma: az AI-nak is együtt kell működnie
Itt jön a rendszer legfontosabb korlátja. A kiadó saját infrastruktúráján még érzékelheti, hogy egy AI-agent lekérte a tartalmat. A folyamat következő lépései azonban már jellemzően nem az ő rendszerében történnek. Hogy a tartalom bekerült-e a generálási kontextusba, hivatkozott-e rá az AI, megjelent-e a forrás a felhasználónak és történt-e engagement, azt nagyrészt maga az AI-rendszer tudja. Vagyis ezeknek az eseményeknek a jelentéséhez szükség van az agent vagy a platform együttműködésére.
A végleges 1.0 specifikáció maga is egyértelműen kezeli ezt a problémát. A retrieval bizonyos esetekben több oldalról is összevethető: például a tartalomtulajdonos infrastruktúrája és az agent riportja korrelálható egymással. A grounding, citation és presentation esetében nincs a retrievalhez hasonló független megfigyelő. Az engagement bizonyos eseteiben viszont a céloldal vagy egy közvetítő is megerősítheti a kifelé történő kattintást.
Ez fontos korlát.
A szabvány tehát létrehozza a nyelvet, amelyen az AI-rendszerek beszámolhatnak a tartalom használatáról. Attól azonban még nem válik automatikusan bizonyítottá, hogy minden eseményt teljesen és pontosan jelentettek. Természetesen az sem garantált, hogy a legnagyobb AI-platformok implementálják ezt.
Fontosabb lehet, mint elsőre látszik
A webes mérés történetének jelentős része közös események és technikai konvenciók kialakulásáról szólt. Pageview. Impression. Click. Conversion. Ezek nélkül nehéz lett volna felépíteni azt a digitális hirdetési és analitikai infrastruktúrát, amely ma természetesnek tűnik.
Az AI-alapú információfogyasztásnál ennek a közös mérési nyelvnek még csak az elején járunk és itt már nem csak a médiavállalatokról lehet szó.
Ugyanez a probléma idővel releváns lehet márkák, webshopok, termékadatbázisok, review-oldalak, vagy bármilyen olyan webes szereplő számára, amelynek tartalmát AI-agentek használják fel válaszokhoz és döntésekhez.
A kérdés ezért nem pusztán az, hogy a SPUR szabványa lesz-e az iparági győztes, inkább az, hogy kialakul-e egy olyan infrastruktúra, amelyben a tartalom útja nem ér véget analitikai szempontból abban a pillanatban, amikor egy AI-agent lekéri.
Az AI visibility következő nagy mérési kérdése könnyen lehet, hogy már nem az lesz:
“Megtalált minket az AI?”
Hanem az:
„Mit csinált velünk utána?”
Források
Digiday — WTF is SPUR’s publisher-run Content Telemetry Framework?
https://digiday.com/media/wtf-is-spurs-publisher-run-content-telemetry-framework/
The SPUR Coalition — SPUR Content Telemetry Standard v.1 published
https://www.spurcoalition.org/updates/spur-content-telemetry-standard-v1-published
SPUR Coalition / GitHub — Content Telemetry
https://github.com/SPUR-Coalition/telemetry/blob/main/README.md