A 7 dimenzió, amivel az MI-láthatóság mérhető

Az MI-láthatóság nem érzés, hanem mérhető állapot. Hét dimenzió mentén pontozok egy oldalt nullától százig, mindegyiket a maga súlyával: elérhetőség 20%, strukturált adat 15%, válaszkész tartalom 15%, entitás 15%, külső jelenlét 25%, hitelességi jelek 5%, tartalmi mélység 5%. Minden dimenzió alatt konkrét, ellenőrizhető pontok állnak — nem benyomások, hanem géppel megnézhető tények. Itt a teljes váz: mit vizsgál az egyes dimenzió, és mit jelent ez abból, amit a vásárló valójában lát az MI-válaszban.

A pontszám haszna az, hogy összemérhetővé tesz. Két versenytárs és az Ön oldala ugyanazzal a mérővel, ugyanazon a napon — így derül ki, hol van a valódi különbség. Rétegről rétegre megmutatom, mit vizsgál a hét dimenzió, miért éppen ekkora a súlya, és mi mozdul gyorsan, illetve mi lassan.

Mi a 7 dimenzió, és miért éppen ezek?

A hét dimenzió nem önkényes lista. Mindegyik egy-egy kérdésre felel, amit a modell csendben feltesz, mielőtt megnevez egy céget: el tudom-e érni az oldalt, értem-e, mit kínál, ki tudok-e emelni belőle egy idézhető választ, biztosan tudom-e, melyik cégről van szó, beszélnek-e róla máshol, megbízhatónak látszik-e, és van-e mögötte érdemi mélység. A súlyok ezeknek a kérdéseknek a fontosságát tükrözik.

D1 — Elérhetőség (20%). Ez a legnyersebb, mégis a leggyorsabban javítható réteg. Ha a robot be sem jut az oldalra, vagy a tartalom csak JavaScript futtatása után jelenik meg, a modell üres lapot lát — és a cég eltűnik a válaszból. A vásárló ebből semmit nem érzékel a felületen, mégis ezen múlik minden más. Egy nemzetközi vizsgálat szerint a B2B- és webáruház-oldalak nagyjából 27%-a tudtán kívül blokkolja a nagy nyelvi modellek robotjait, sokszor a tárhely vagy a CDN szintjén. Ahol a robot nem jut be, ott a többi dimenzió munkája kárba vész.

D2 — Strukturált adat (15%). A strukturált jelölés megmondja a gépnek, mi a cég neve, hol van, mit kínál — vagyis nem kell találgatnia. A nemzetközi mérések szerint az érvényes strukturált adattal ellátott oldalak 20–30%-kal gyakrabban kerülnek be az MI-összefoglalókba. A vásárló annyit lát ebből, hogy a cég adatai pontosan jelennek meg az MI-válaszban, nem pedig elavultan vagy hiányosan.

D3 — Válaszkész tartalom (15%). A modell a fejléc utáni első néhány mondatból emeli ki a legszívesebben az idézhető részt — egy gyakran hivatkozott szakmai forrás szerint az első 40–60 szóból. Ha a választ hosszú, kanyargós bekezdés temeti maga alá, az MI inkább másnál keresi. A vásárló felől nézve ez az a helyzet, amikor a kérdésére rögtön a lényeg érkezik, nem három bekezdésnyi bevezető.

D4 — Entitás és NAP-konzisztencia (15%). A NAP a név, a cím és a telefonszám hármasa. Ha ezek a honlapon, a Google Cégprofilban és a katalógusokban nem pontosan ugyanúgy szerepelnek, a modell elbizonytalanodik, és inkább kihagyja a céget, mint hogy összekeverje egy másikkal. A vásárló ezt akkor érzékeli, amikor az MI rossz címet vagy régi telefonszámot mond — vagy egyszerűen egy hasonló nevű, másik vállalkozást ajánl helyette.

D5 — Külső jelenlét (25%). Ez a legnagyobb súlyú dimenzió, és külön fejezetet érdemel — lentebb kifejtem, miért. Röviden: ez az, amit mások mondanak a cégről. Vélemények, független oldalak, fórumok, sajtó, katalógusok. A vásárló felől ez a döntő: a modell nem a cég önjellemzését hiszi el, hanem azt, amit kívülről lát róla.

D6 — E-E-A-T jelek (5%). A hitelesség maradék, máshol még nem mért jelei: él-e HTTPS minden oldalon, van-e megnevezett szerző, elérhető-e az adatvédelmi tájékoztató és az impresszum. Kis súly, mert nagy részét a strukturált adat és a külső jelenlét úgyis lefedi.

D7 — Tartalmi mélység (5%). Van-e a cégnek érdemi, témába vágó tartalma, és összekötik-e egymást a fontos oldalak. Egy féloldalas brosúra-honlapból nehéz témagazdát építeni — abból az MI legföljebb a cég nevét tudja, konkrét, idézhető választ nem.

Miért a külső jelenlét a legsúlyosabb?

Mert ez az egyetlen dimenzió, amit nem a cég saját honlapjáról olvas le a modell — és épp ez az, ami a tényleges ajánlást mozgatja. Egy 7 000 hivatkozást vizsgáló elemzés szerint a megnevezett források nagy része nem a cégek saját oldala: a ChatGPT idézeteiben önmagában a Wikipédia aránya 47,9 százalék, a Perplexitynél a fórumok adják a hivatkozások közel felét (Digital Bloom, 2025). A modell tehát kívülről ítél. Hiába hibátlan a többi hat dimenzió, ha kívülről semmi nem szól a cégről, az MI-nek nincs miből táplálkoznia.

Ennek a külső lábnyomnak a véleménytömeg a legsűrűbb része. Rögzített véleményszám-küszöb nincs — bizalmi küszöb működik: a SOCi 2026-os felmérése szerint az MI által ajánlott helyek átlagosan 4,3 csillagon állnak, sok friss, megválaszolt véleménnyel; kevés vélemény mellett a kihagyás vagy a hibás találgatás a jellemző. Ez a jel tisztességesen nem gyorsítható: elégedett ügyfelek visszajelzéseiből gyűlik, hétről hétre. Hogy mi számít valójában, és hogyan épül fel tisztességesen, azt a hány vélemény kell az MI-ajánláshoz írásban szedtem szét.

Egy magyar részlet külön súlyt ad ennek. Egy 1,3 millió hivatkozást vizsgáló elemzés szerint a tartalmukat másik nyelvre lefordító oldalak akár +327%-kal több MI-hivatkozást szereztek az adott nyelv keresésein, mint fordítás nélkül (Weglot). Magyar ügyfelekért magyarul érdemes láthatóvá válni, és a külső említések nyelve sem mindegy.

Itt fontos figyelmeztetés következik, amit a kapu kőbe vés. A 25% nem azt méri, hogy az MI ajánlani fogja a céget — azt élesben, lekérdezéssel kell megnézni. Azt méri, hogy megvan-e az a külső lábnyom, amiből az ajánlás egyáltalán táplálkozhat. A versenytársai véletlenül láthatók a mesterséges intelligencia előtt; a cél az, hogy az Ön vállalkozása szándékosan váljon láthatóvá. Hogy a pontszám miért nem azonos az ajánlással, azt a GEO-pontszám és az MI-ajánlás cikkben fejtem ki tételesen.

És van egy másik aszimmetria is. A külső jelenlét nemcsak a legsúlyosabb, hanem a leglassabb réteg is: 6–12 hónap, mire érdemben mozdul, mert valódi emberek valódi tapasztalataiból épül, részben a cégen kívül. Az elérhetőség ezzel szemben napok kérdése. Hogy melyik réteg milyen ütemben hat, azt a mennyi idő alatt hat a GEO írásban követheti végig. A nagy súly és a lassú építés együtt magyarázza, miért ez a legtöbb magyar kkv leggyengébb pontja — és egyúttal miért ez a legértékesebb, hiszen ezt a legnehezebb lemásolni.

Hogyan néz ki egy mérés a gyakorlatban?

Egyetlen mérés akkor ér valamit, ha megismételhető. A módszer ezért szigorúan rögzített: minden dimenzió alatt ugyanazok az ellenőrző pontok futnak le, és minden eredmény dátumot kap. Nem becslés, hanem géppel megnézhető tény — eléri-e a robot az oldalt, ott van-e a strukturált adat, egyezik-e a NAP, és így tovább a hét dimenzión át.

A mérés egy adatminőségi kapuval kezdődik, mielőtt bármilyen pontszám születne. Ha az oldal hibaüzenetet ad vissza, üres, vagy gépi fal mögött van, akkor nem rossz pontszámot kap — hanem „nem mérhető” jelölést. Ez fontos őszinteségi szabály: egy oldal, ami épp nem volt elérhető, nem ugyanaz, mint egy oldal, ami rosszul teljesített. A kettőt nem keverem össze, és a riport sem keveri.

A megismételhetőség teszi a számot követhetővé. Ugyanazt a hét dimenziót havonta újramérem, ugyanazokkal az ellenőrzésekkel, és dátumozott összevetést készítek az előző hónaphoz képest. Így nem ígéretből derül ki, hogy halad-e a munka, hanem számokból: a technikai pontszám már az első hónapban felugorhat, a tartalmi a másodikban-harmadikban, a külső jelenlét pedig lassan, kitartóan kúszik fölfelé. A folyamat lépéseit a hogyan működik oldalon követheti végig.

A hét dimenzió logikája egy ponton túl egyszerű is. Néhány réteg arról szól, hogy az MI elérje és megértse az oldalt — ezek gyorsan, technikailag javíthatók. A legnagyobb súlyú réteg viszont arról szól, hogy mások beszéljenek a cégről — ez lassú, türelmes, részben a cégen kívüli munka. A pontszám éppen ezt a kettősséget teszi láthatóvá. Hogy mindez miért nem helyettesíti a klasszikus keresőoptimalizálást, hanem ráépül, azt a SEO és GEO oldalon járom körül.

A pontszám nem jutalom és nem ítélet. Inkább térkép: megmutatja, melyik réteg áll már a helyén, és melyik vár még a maga idejére. A technikai dimenziók a megtett út, a külső jelenlét a hátralévő táv. Aki csak az egyiket méri, fél térképet rajzol — és fél áron sem érdemes fél térképet venni.

Ma már nem az a kérdés, hogy mérhető-e az MI-láthatóság, hanem az, hogy ki méri őszintén, és ki ad el helyette ígéretet. A hét dimenzió ezt teszi számszerűvé: nem azt mondja meg, hogy az MI ajánlani fog, hanem azt, hogy hol tart ma a cég, és mi a következő lépés. Egy mérhető, dátumozott kiindulópont többet ér, mint tíz magabiztos jóslat.

A nyolcadik tengely: megkülönböztethetőség, vagyis kiválasztás

A hét dimenzió egyetlen kérdésre ad választ: el tudja-e olvasni Önt a modell. Ez a felkészültség — a belépő. Van azonban egy második kérdés is, amely csak akkor válik élessé, ha az elsőre már igen a válasz: ha bekerül a szóba jöhető cégek halmazába, Ön lesz-e az egyetlen kézenfekvő válasz, vagy egy a tizennégy felcserélhető találat közül? A kettő nem ugyanaz, és nem is ugyanazt a munkát igényli. A felkészültség azt méri, hogy a modell megtalálja és érti a céget. A megkülönböztethetőség azt méri, hogy a modell kiemeli-e a többi közül, amikor választania kell. Ezt a kettősséget a megtalál az MI, de Önt választja-e írásban fejtem ki bővebben.

Ennek a különbségnek ma már erős, független alátámasztása van. A Bain 2026 márciusi, több mint egymilliárd MI-hivatkozást elemző banki tanulmánya szerint a nagy nyelvi modellek „elsimítják az általános üzenetet, és az ismétlődő mintázatokat erősítik fel" — a jellegtelen, bárkire ráhúzható pozicionálás algoritmikusan hátrányba kerül (Bain, 2026). A Bain egy 2026. áprilisi elemzése szerint a márkanélküli kérdések 89 százalékát harmadik fél forrásai töltik ki — vagyis ahol a cég nem hagy egyértelmű, megkülönböztető nyomot, ott a modell mást emel be helyette. A megkülönböztethetőség tehát nem stíluskérdés, hanem kiválasztási tényező.

Fontos, hogy ez mért állapot, nem ígéret. Ahogyan a felkészültségi pontszámról is őszintén kimondom, hogy nem azonos az ajánlással, úgy a megkülönböztethetőségről is ki kell mondani: azt méri, hol tart ma a cég a felcserélhetőség skáláján — nem azt ígéri, hogy a megkülönböztethetőség javítása több vásárlót hoz. A kettő közötti ok-okozati lánc nincs bizonyítva, és nem is állítom; ahogyan a GEO-pontszám és az MI-ajánlás cikkben is tételesen kifejtem, a felkészültség és az eredmény két külön mérés. Egy mérhető, dátumozott kiindulópont a felcserélhetőségről pontosan annyit ér, amennyire őszinte.

A megkülönböztethetőséget hét részmetrika mentén vizsgálom, mindegyiket a kiválasztás egy-egy szempontjából:

A logika ugyanaz, mint a hét dimenziónál: minden részmetrika alatt megismételhető, dátumozott mérés fut, és a mérés két módban történik. Az egyik a „keresés nélküli" mód, amely a modell betanult tudását vizsgálja — ez a mechanizmust méri. A másik a kereséssel támogatott mód, amely azt mutatja, mit lát a vásárló valójában, amikor ma, élesben kérdez. A kettő gyakran eltér, és épp az eltérés a tanulság: attól, hogy egy cég szerepel a válaszban, még nem biztos, hogy a modell őt választja.

Miért nem a pipák száma számít, hanem a súlyuk

A piacon felbukkannak olyan MI-láthatósági kiértékelők, amelyek a dimenziók számával versenyeznek — „huszonhat szempont", „több tucat pont". Ez könnyen félrevezet, ezért érdemes tisztázni a különbséget. Egy bináris pipa csak annyit mond: megvan, vagy nincs meg. Egy súlyozott dimenzió ennél többet mond: nemcsak azt vizsgálja, megvan-e valami, hanem azt is, hogy mennyit nyom a latba a tényleges láthatóságban. Nálam hét domén szerepel, de mindegyik mögött tíznél több ellenőrzőpont gördül össze egyetlen, súlyozott pontszámmá — a cél nem a pipák gyűjtése, hanem az eredmény mérése.

A különbség nem szőrszálhasogatás. Egy oldal kipipálhatja egy hosszú ellenőrzőlista minden pontját, és mégis láthatatlan maradhat az MI előtt — mert a tényleges láthatóságot nem a kipipált technikai elemek száma dönti el, hanem a külső említések, a vélemények és a hitelesség súlya. Az Ahrefs nagy mintás elemzése szerint az MI-láthatóság valódi előrejelzői a márkaemlítések, az értékelések és a tekintély, nem pedig egy ellenőrzőlista hossza (Ahrefs, 2025). Ezért súlyozott kimenetet mérek, nem pipaszámot: aki harminc apró technikai pontot kipipál, de a legnagyobb súlyú dimenzióban — a külső jelenlétben — üresen áll, az a pontszámban és az MI-válaszban is hátul végez.

Nem a szempontok számát mérem, hanem a kimenetet. Harminc kipipált apróság kevesebbet ér egyetlen nagy súlyú dimenziónál, ha az utóbbi üresen áll. A hosszú lista megnyugtat — de a súly dönt.

Kindl Dávid · Közzétéve: 2026. május 30. · Frissítve: 2026. június 8.