Egy márka AI visibility mutatója lehet kifejezetten jó úgy is, hogy közben az AI a vásárlási folyamat egyik legfontosabb pontján szinte soha nem ajánlja.
Ez az egyik alapvető probléma az összesített AI visibility score-okkal. Megmutathatják, milyen gyakran jelenik meg egy márka az általunk vizsgált promptokban, de önmagukban nem mondják meg, milyen kérdésekben, milyen vásárlási szándéknál és a döntés melyik pontján történik ez.
Egyre fontosabb ezért nemcsak promptokat gyűjteni, hanem prompt mapet építeni: a vizsgált kérdéseket a valós vásárlói út különböző szakaszaihoz rendelni. A különbség elsőre módszertaninak tűnik. Valójában üzleti.
A 40%-os AI visibility két teljesen különböző dolgot jelenthet
Tegyük fel, hogy egy márka 100 vizsgált promptból 40 esetben jelenik meg valamelyik AI válaszában. Az AI visibility tehát 40%. Ez önmagában jól hangzik. Csakhogy legalább két egészen eltérő helyzet rejtőzhet mögötte.
Az egyik márka már akkor megjelenik, amikor a felhasználó még csak a problémáját próbálja megérteni, később bekerül a lehetséges megoldások közé, szerepel az összehasonlításokban, majd a konkrét vásárlási kérdéseknél is releváns marad. A másik szinte kizárólag akkor jelenik meg, amikor valaki már név szerint rákeres. Mindkettőnek lehet 40%-os visibility score-ja. A két üzleti helyzet mégsem hasonlít egymásra.
A Search Engine Land által bemutatott prompt-mapping megközelítés ezért azt javasolja, hogy az AI visibility eredményeit többek között a buyer journey szakaszai szerint bontsuk fel. Így nemcsak azt lehet látni, hogy a márka megjelenik-e, hanem azt is, hol kerül be az AI által felépített választási folyamatba, és hol esik ki belőle.
Az AI már nem csak a vásárlási út elején jelenik meg
Ennek azért van jelentősége, mert az AI-asszisztensek használata egyre kevésbé korlátozódik egyszerű információkeresésre.
A G2 2026-os kutatásában több mint ezer B2B szoftvervásárlót és döntéshozót kérdeztek meg. A válaszadók 71%-a azt mondta, hogy szoftverkutatás során használ AI-chatbotokat, 51% pedig gyakrabban kezdi AI-chatbottal a kutatást, mint Google-lel. A kutatásban a chatbotokat nemcsak kategóriák megismerésére használták: vendorok összehasonlítása, shortlistépítés, use case-ek ellenőrzése, árazás és csomagok vizsgálata is szerepelt a felhasználási módok között.
Ez természetesen B2B szoftverpiaci adat, ezért nem érdemes automatikusan minden iparágra vagy magyar e-kereskedelmi helyzetre kivetíteni. A fontosabb jelenséget azonban a Forrester kutatásai is alátámasztják: az AI-alapú keresés egyre inkább része annak, ahogyan a B2B vásárlók felfedeznek, értékelnek és validálnak lehetséges megoldásokat. Ez megváltoztatja azt is, mit kell AI visibility alatt mérni.
Négy különböző kérdést kell feltenni
Egy egyszerű kiindulási modell négy szakaszra bonthatja a promptokat.
Awareness — jelen vagy a probléma körül?
Itt a felhasználó még nem feltétlenül ismeri a termékkategóriát vagy a márkát. A kérdések a problémáról, célról vagy tünetről szólnak.
Egy webshopos példában ilyen lehet:
„Mitől lehet lassú a gaming PC-m játék közben?”
Ha egy hardverkereskedő kizárólag olyan kérdéseknél jelenik meg, mint a „legjobb videokártya webshop”, de a probléma feltárásakor soha, akkor a vásárlói útba viszonylag későn kapcsolódik be.
Consideration — összekapcsol az AI a megoldással?
Ekkor már megjelennek a kategóriák, megoldási lehetőségek és fontos tulajdonságok.
Például:
„Milyen videokártyát érdemes választani 1440p játékhoz?”
Itt már nem az a kérdés, ismeri-e az AI a márkát, hanem hogy relevánsnak tartja-e arra a problémára, amelyet a vásárló meg akar oldani.
Evaluation — bekerülsz a shortlistbe?
A felhasználó egyre konkrétabb feltételeket ad.
„Melyik magyar webshopból érdemes RTX 5070-et rendelni jó garanciális háttérrel?”
Ezen a ponton iparág, ár, lokáció, kompatibilitás, szolgáltatás vagy más kritérium is megváltoztathatja az AI ajánlását. Lehet, hogy egy márka egy általános kérdésre rendszeresen bekerül a válaszba, de amint megjelenik egy konkrét vásárlói követelmény, eltűnik.
Ez már lényegesen használhatóbb információ, mint az, hogy „AI visibility: 42%”.
Decision — mit mond rólad az AI, amikor már téged vizsgálnak?
A brandelt promptoknál maga a megjelenés gyakran kevésbé érdekes. Ha a felhasználó név szerint kérdez a cégről, jó eséllyel az AI is beszélni fog róla.
A fontos kérdés inkább az, hogy mit mond.
Aktuális az ár? Pontosan írja le a szolgáltatást? Milyen negatívumokat emel ki? Milyen versenytársakat állít mellé? Helyes információt ad a szállításról, garanciáról vagy termékkínálatról?
Itt az inclusion rate helyett már a reprezentáció minősége válik fontosabbá.
A promptlista nem attól lesz jobb, hogy hosszabb
Az egyik csapda az AI visibility mérésben, hogy technikailag szinte korlátlan számú promptot lehet generálni.
„Legjobb CRM.”
„Melyik a legjobb CRM?”
„Melyik CRM a legjobb kisvállalkozásoknak?”
„Melyik CRM-et ajánlod?”
És néhány perc múlva már van ötszáz promptunk.
Ettől azonban a mérés még nem feltétlenül lett jobb.
Egy 2026-os, Peec AI kutatói által készített exploratory working paper 288 ember által írt promptot, illetve további kontrollált promptvariációkat vizsgált több AI-rendszeren. A tanulmány egyik fontos következtetése szerint a prompt trackinget érdemes portfóliómérési problémaként kezelni: a különböző szemantikai területek, funnel szakaszok, promptformák és AI-rendszerek együtt adnak használhatóbb képet, nem egyetlen „kanonikus” prompt. A kutatás ugyanakkor a Peec AI-hoz kötődik és working paperként jelent meg, ezért ezt nem érdemes univerzális mérési törvényként kezelni.
A gyakorlati következtetés ettől még fontos:
nem minden elképzelhető promptot kell követni, hanem olyan promptmintát kell építeni, amely tudatosan reprezentálja azokat a helyzeteket, amelyekben a vásárló döntést hoz.
A prompt mapet nem a marketinges fejében kell elkezdeni
Ha a promptkészlet kizárólag egy belső brainstorming eredménye, könnyen azt fogjuk mérni, ahogyan a marketingcsapat elképzeli a vásárlói kérdéseket.
Ez nem feltétlenül ugyanaz, ahogyan a vásárlók ténylegesen fogalmaznak.
Használható input lehet például a Search Console és onsite search adata, sales callok, ügyfélszolgálati kérdések, review-k, Reddit- és fórumbeszélgetések, customer interview-k vagy akár a versenytársak körül visszatérően megjelenő kérdések.
A meglévő SEO keyword research szintén jó alapanyag lehet. De nem érdemes egyszerűen minden kulcsszó végére kérdőjelet tenni.
A „B850 alaplap” például egészen különböző döntési helyzeteket takarhat:
„Mi a különbség a B650 és B850 chipset között?”
„Érdemes B850 alaplapot venni Ryzen 7 9800X3D mellé?”
„Melyik B850 alaplap jó 100 ezer forint alatt?”
„MSI vagy ASUS B850 alaplapot válasszak?”
„Hol érdemes B850 alaplapot venni Magyarországon?”
Ugyanaz a terméktéma, de nem ugyanaz a vásárlási szándék.
A legfontosabb címke valószínűleg nem a keyword
Egy használható prompt mapben érdemes legalább a vásárlási szakaszt és a témát rögzíteni. A vállalkozástól függően ehhez társulhat persona, termékkategória, use case, lokáció, versenytárs, branded/non-branded státusz vagy más kritikus vásárlási feltétel.
Ezzel teljesen más kérdéseket lehet feltenni az adatoknak.
Nem azt, hogy:
„Mennyi az AI visibilitynk?”
Hanem például azt, hogy:
„Milyen gyakran kerülünk be a problémát még csak feltáró válaszokba?”
„Megjelenünk-e akkor, amikor az AI már konkrét megoldásokat ajánl?”
„Melyik versenytárs előz meg minket a shortlistépítésnél?”
„Milyen követelmény hozzáadásakor esünk ki az ajánlásokból?”
„Amikor a saját márkánkról kérdeznek, milyen kifogást vagy hiányosságot emel ki rendszeresen az AI?”
Ezekből már tartalmi és üzleti döntés következhet.
És itt derül ki, mire való valójában az AI visibility mérés
A funnel-alapú prompt mapping sem oldja meg az AI visibility egyik alapvető korlátját: továbbra sem látjuk az összes valódi felhasználói beszélgetést, és egy saját promptkészlet sem tekinthető automatikusan a piac teljes prompteloszlásának. Ezért a prompt map nem „az igazság” a márkáról.
Mérési modell. A célja az, hogy ugyanazt a tudatosan kiválasztott kérdésrendszert következetesen vizsgálva észrevegyük, hol változik a márka helyzete, milyen típusú kérdéseknél gyengül a jelenléte, és melyik szakasznál érdemes mélyebbre ásni.
Ez egyben megmutatja az aggregált AI visibility score legnagyobb korlátját is. Egyetlen szám megmondhatja, hogy összességében mennyit látszol. A vásárlói útra felépített prompt map viszont azt is megmutathatja, hol veszíted el a vevőt. És üzleti szempontból általában ez a fontosabb kérdés.
Forrás:
Search Engine Land - https://searchengineland.com/map-ai-search-prompts-sales-funnel-486060
G2 - https://learn.g2.com/g2-2026-ai-search-insight-report
Forrester - https://www.forrester.com/press-newsroom/forrester-2026-the-state-of-business-buying/