Az AI visibility mérés egyik kellemetlen problémája, hogy ugyanarra a kérdésre még ugyanaz az AI-rendszer sem feltétlenül ugyanazokat a márkákat vagy forrásokat hozza vissza két külön futásban. Erre a problémára épít a szeptember 6-án elindított Metrisque: nem egyetlen AI-választ akar végleges rangsorként kezelni, hanem ismételt mérésekből próbálja megmutatni, hogyan „érti” az adott márkát vagy terméket a ChatGPT, a Gemini és a Claude.
Ez fontos különbség. A Metrisque legerősebb állítása ugyanis nem az, hogy az AI válasza stabil — saját dokumentációja szerint az azonos kérdésekre adott válaszok is változhatnak. A cél inkább az, hogy a változó válaszok mögött stabilabban mérhető jeleket találjon.
Nem csak azt nézi, hogy megjelent-e a márka
A Metrisque több külön mérésre bontja az AI visibilityt. Vizsgálja többek között, hogy az AI fel tudja-e idézni a márkát, megfelelő kategóriába sorolja-e, mennyire illeszkedik egy oldal a vásárló kérdéséhez, milyen forrásokra támaszkodik a válasz, illetve bekerül-e a márka az ajánlott termékek vagy szolgáltatások közé. A rendszer ugyanazokat a vásárlói kérdéseket többször lefuttatja ChatGPT-n, Geminin és Claude-on, majd a későbbi méréseket a korábbi állapothoz hasonlítja.
Ez más megközelítés, mint egy egyszerű mention- vagy citation tracker. Ha például egy márka ritkán kerül be az ajánlásokba, a Metrisque nemcsak ezt az eredményt próbálja rögzíteni, hanem azt is, hogy az AI felismeri-e egyáltalán a márkát, megfelelő kategóriába helyezi-e a terméket, illetve talál-e olyan oldalt, amely közvetlenül válaszol az adott vásárlási kérdésre.
A módszer mögötti probléma valós. Egy 2026-ban publikált független kutatás három generatív keresőrendszeren vizsgálta az ismételt lekérdezéseket, és jelentős változékonyságot talált a megjelenő források és a visibility-mutatók között. A szerző következtetése szerint az egyszeri mérések félrevezetően pontos képet adhatnak, ezért az AI visibilityt inkább mintavételi problémaként érdemes kezelni.
A Metrisque 92%-os eredményt közöl — fontos korlátokkal
A vállalat a platform mögötti módszerhez saját, előregisztrált kutatást is publikált. A Metrisque szerint 1 916 terméket és 104 198 publikált szöveget vizsgáltak, és az úgynevezett „memory channel” tesztben az AI-ajánlások 92%-a abba az előre meghatározott jelentéstartományba esett, amelyet a mérési modell még az ajánlások lekérése előtt kijelölt.
A szám érdekes, de nem szabad többet beleolvasni annál, amit a vizsgálat mutat.
A Metrisque maga rögzíti, hogy a 92% nem a kereséssel kiegészített AI-válaszokra vonatkozó eredmény. A kutatás kategóriafüggő, a mérések meghatározott kérdéskészleten és időpontokban készültek, és nem vizsgálták, hogy a mért visibility végül vásárlást, weboldalforgalmat vagy bevételt eredményezett-e. A vállalat azt is nyilvánosan deklarálja, hogy kereskedelmi érdeke fűződik az alkalmazott mérési módszerhez.
Vagyis a kutatás nem bizonyítja, hogy a Metrisque képes előre megmondani, kit fog ajánlani holnap a ChatGPT, és azt sem, hogy egy jobb Metrisque-mutató több bevételt jelent.
Az érdekes rész valójában a mérési szemlélet
Az AI visibility piacon könnyű olyan számokat előállítani, amelyek precíznek látszanak: hány promptban jelent meg egy márka, mekkora volt a share of voice, hány citation érkezett egy domainre.
A nehezebb kérdés az, hogy egy héttel később bekövetkező változás valódi javulás-e, vagy egyszerűen az AI-rendszerek természetes ingadozása.
Ebben van a Metrisque érdekesebb állítása. A platform ugyanazokat a kérdéseket újraméri egy módosítás után, megtartja a korábbi futást baseline-ként, és külön kezeli azokat a dimenziókat, amelyekből végül egy ajánlás kialakulhat.
Ez még nem jelenti azt, hogy megtaláltuk az AI visibility univerzális mérőszámát. Sőt, egyelőre független bizonyíték sincs arra, hogy a Metrisque saját modellje által mért „territory” milyen erősen jelzi előre a valós üzleti teljesítményt.
A fontosabb tanulság inkább az, hogy az AI visibility mérésének kezd komolyabb módszertani kérdéssé válnia a puszta „benne voltunk-e a ChatGPT-ben?” típusú ellenőrzés helyett.
Ha az AI válasza eleve zajos, akkor egyetlen screenshotból vagy egyetlen promptfutásból nehéz megmondani, hogy egy tartalmi változtatás valóban működött-e. A Metrisque erre kínál egy új mérési megközelítést. Hogy ez lesz-e a jó mérce, azt még korai kijelenteni — de maga a probléma, amelyet megpróbál megoldani, nagyon is valós.
Források:
EinpressWire - https://www.einpresswire.com/article/940129494/metrisque-launches-the-first-way-to-measure-ai-visibility-that-gives-the-same-answer
Metrisque - https://metrisque.com/product/how-it-works
Metrisque - https://metrisque.com/research/study
https://arxiv.org/abs/2603.08924