A “messziről jött márka” azt mond magáról, amit akar. Az AI viszont nem feltétlenül csak a márka saját kommunikációját látja. Találkozhat vásárlói véleményekkel, külső értékelésekkel, árakkal, elérhetőségi információkkal és más forrásokkal is. Így előállhat egy furcsa helyzet: a márka jól látható az AI számára, az AI mégsem ajánlja.
Lehet, hogy túl magas az ára egy adott vásárlási helyzetben. Lehet, hogy rosszabbak a szállítási feltételei, hiányzik egy fontos funkció, vagy a külső tapasztalatok alapján egy versenytárs egyszerűen jobb választásnak tűnik. Ilyenkor nem biztos, hogy még több AI-optimalizált tartalomra van szükség. Lehet, hogy az AI pontosan azért nem ajánl, mert már elég információja van a döntéshez.
Ez alapvetően változtatja meg az AI Visibility problémáját: más kérdés, hogy az AI megtalálja-e a márkát, és más, hogy egy konkrét vásárlási helyzetben hajlandó-e ajánlani.
Más dolog megjelenni és más dolog ajánlást kapni
Jessica Bowman a Search Engine Landen megjelent elemzésében azt állítja, hogy az AI visibilitynek ma már két feladata van: optimalizálni azt, amit a SEO- és webes csapat kontrollál, illetve bevonni a szervezet többi részét azoknál a problémáknál, amelyek már nem weboldali eredetűek. A gondolat mögött van egy fontos különbség.
Egy információs kérdésnél az AI-rendszernek elsősorban meg kell találnia, értelmeznie és megfelelő kontextusba helyeznie az információkat. Egy vásárlási kérdés azonban gyakran már feltételeket tartalmaz: árkeretet, felhasználási helyzetet, kívánt funkciókat, problémákat vagy kompromisszumokat. Ilyenkor nem egyszerűen az a kérdés, hogy az AI „ismeri-e” a terméket, hanem az, hogy az adott helyzetben megfelelő választásnak tartja-e.
Az OpenAI jelenlegi dokumentációja szerint a ChatGPT shopping találatainál a felhasználó kérdése és kontextusa mellett strukturált első és harmadik féltől származó termékadatok, valamint más külső tartalmak is szerepet kaphatnak. Az OpenAI példaként az árat, termékleírást, review-kat és a használhatóságot is említi. A kereskedők sorrendjénél többek között az elérhetőség, az ár és a minőség is számíthat.
A Google hasonló irányba építi az AI Mode shopping funkcióit. A rendszer a Gemini képességeit a Shopping Graph adataival kombinálja; ebben termékadatok mellett például árak, elérhetőség és értékelések is szerepelnek. A Google azt is bemutatta, hogy egy összetettebb vásárlási kérdésnél az AI Mode külön keresésekkel próbálhatja feltárni, milyen tulajdonságok fontosak az adott használati helyzetben, majd ezek alapján szűkíti a termékeket. Vagyis a termékoldal optimalizálása továbbra is fontos. De önmagában nem garantálja, hogy a termék egy adott döntési helyzetben jó jelölt lesz.
Az AI nem csak a márka saját állításait láthatja
Itt válik különösen érdekessé egy 2026 augusztusában publikált Wharton Generative AI Labs kutatás. A kutatók nagyjából 26 ezer tesztben vizsgálták, hogyan választanak AI shopping agentek termékek között. Hat modellt teszteltek, és fokozatosan különböző információkat adtak a döntési környezethez: külső ajánlásokat, több forrást, eltérő forrássorrendet, felhasználói „memóriát”, illetve eltérő információátadási módokat.
A legfontosabb eredmény nem az volt, hogy létezik egy univerzális forrás vagy faktor, amely minden modellnél eldönti a versenyt. Éppen ellenkezőleg: a modellek viselkedése jelentősen különbözött. Viszont az világosan látszott, hogy a terméken kívüli kontextus képes volt megváltoztatni a választást.
Egyetlen külső forrás egyes modelleknél nagyon jelentős elmozdulást okozott. Több forrás esetén nem egyszerű átlagolás történt, és bizonyos modelleknél még az információk sorrendje is megváltoztatta az eredményt. A kutatás kontrollált kísérlet volt, ezért ebből nem következik, hogy a valós ChatGPT-, Gemini- vagy más AI-ajánlások minden termékkategóriában pontosan ugyanígy működnek. Azt viszont erősen demonstrálja, hogy egy AI-alapú vásárlási döntés nem feltétlenül redukálható arra, mi található egy vállalat saját weboldalán.
Itt ér véget a klasszikus SEO hatásköre
Tegyük fel, hogy egy webshop termékoldala technikailag hibátlan. Jó a strukturált adat, részletes a termékleírás, világosak a specifikációk, megfelelő a crawlability, és az AI-rendszerek rendszeresen megtalálják a márkát. Ez még mindig csak a probléma egyik oldala.
Ha egy vásárló olyan terméket keres, amelynél fontos például egy bizonyos integráció, garanciális feltétel, szállítási lehetőség, megbízhatósági jellemző vagy konkrét műszaki képesség, akkor hiába tökéletes a tartalom, ha maga az ajánlat nem teljesíti ezt a feltételt.
A tartalom pontosabban elmagyarázhatja a kompromisszumot. Nem tud azonban egy hiányzó funkcióból létező funkciót csinálni. Ugyanez igaz a márkáról és a termékről elérhető külső információkra is.
Bowman saját tanácsadói munkájából olyan eseteket ír le, ahol szerinte támogatási problémák, termékjellemzők vagy más üzleti tényezők álltak a gyenge AI-ajánlási teljesítmény mögött. Ezek nem függetlenül ellenőrzött kutatási eredmények, ezért nem érdemes általános szabályként kezelni őket.
A mögöttes mechanizmus azonban összhangban áll azzal, amit az OpenAI és a Google saját shopping rendszereiről dokumentál, illetve amit a Wharton kísérlete a külső kontextus hatásáról megmutat.
Ez megváltoztatja az AI visibility diagnosztikáját
Ha egy márka nem jelenik meg megfelelően AI-válaszokban, az első kérdés továbbra is lehet technikai vagy tartalmi. Megtalálható a termék? Pontosak és teljesek az adatok? Egyértelmű, hogy mire való? Az AI hozzáfér a szükséges információkhoz? Konzisztensen jelennek meg a fontos terméktulajdonságok?
Ha a rendszer a márkát láthatóan ismeri, mégsem ajánlja bizonyos vásárlási helyzetekben, más típusú vizsgálat következik. Ilyenkor érdemes konkrét buyer scenario-k mentén megvizsgálni, milyen feltételnél veszít a termék, milyen információ alapján, és hogy a probléma egyáltalán kommunikációs eredetű-e. A lehetséges válasz nem mindig SEO-feladat.
Lehet, hogy pontosabb termékadat kell. Lehet, hogy hiányzik egy fontos összehasonlítható attribútum. Lehet, hogy a termék valóban gyengébb egy adott felhasználási helyzetben. Lehet, hogy az ajánlat, a szolgáltatás, a support vagy más üzleti tényező szorul változtatásra. És az is lehet, hogy semmit nem érdemes változtatni, mert az adott buyer scenario üzletileg nem elég fontos. Ez már nem „hogyan optimalizáljunk az AI-ra?” kérdés. Ez hagyományos üzleti prioritási döntés, amelyet egy új csatorna tett láthatóvá.
Az AI visibility ezért részben szervezeti feladat lesz
A SEO és az AI visibility csapat szerepe ettől nem csökken. Inkább megváltozik. A feladat egy része továbbra is technikai: hozzáférhetőség, strukturált termékadat, tartalom, entitások, információs konzisztencia és mérés. A másik része viszont diagnosztikai.
A csapatnak fel kell tudnia ismerni, hogy egy elvesztett AI-ajánlás mögött valóban láthatósági probléma van-e, vagy az AI egyszerűen olyan termék-, ár-, reputációs vagy más döntési információt használ, amely alapján egy versenytárs jobb illeszkedést jelent az adott kérdésre. Ez fontos határ.
Az AI visibilityből nem következik, hogy a marketingnek át kell vennie a Product, Customer Service vagy más funkciók feladatait. Sokkal inkább az, hogy az AI-ajánlások vizsgálata olyan problémákat tehet láthatóvá, amelyek megoldása már ezekhez a csapatokhoz tartozik. A jelenlegi bizonyítékok alapján ezért egyre kevésbé érdemes az AI visibilityt pusztán új SEO-diszciplínaként kezelni.
A megtalálhatóság továbbra is alapfeltétel. De amikor az AI már választani próbál a termékek között, a valódi versenyelőny egy része nem a weboldalon keletkezik – hanem magában a termékben, az ajánlatban és abban a tapasztalatban, amelyről az internet többi része is mesél.
Források
Search Engine Land — Jessica Bowman: AI visibility has two jobs: Execute SEO and mobilize the organization, 2026. augusztus 25. - https://searchengineland.com/ai-visibility-execute-seo-mobilize-organization-485812
OpenAI Help Center: Shopping with ChatGPT Search. - https://help.openai.com/en/articles/11128490-shopping-with-chatgpt-search
Google: Shop with AI Mode, use AI to buy and try clothes on yourself virtually. - https://blog.google/products-and-platforms/products/shopping/google-shopping-ai-mode-virtual-try-on-update/
Wharton Generative AI Labs — Kumar et al.: Agentic Shopping is Complicated and Contingent, 2026. augusztus 27. - https://gail.wharton.upenn.edu/research-and-insights/technical-report-agentic-shopping/