A legtöbb AI-láthatósággal foglalkozó tanácsadás egyetlen esetre optimalizál: a gyors chatválaszra. Ott tényleg a tömörség, a világos definíció és a jól strukturált bekezdés nyer. A mélykutatási módok (ChatGPT deep research, Gemini Deep Research, Perplexity mélykutatás vagy hasonló, hosszabb futású üzemmódok) viszont egészen máshogy viselkednek, és más tartalmat is jutalmaznak. Ha eddig azért rövidítetted a szakmai anyagaidat, mert valaki azt mondta, hogy "az AI úgyis csak két mondatot idéz", akkor ezen a felületen pont az ellenkezőjét csinálod annak, ami segítene.
Mi történik valójában, amikor elindul egy mélykutatási mód?
Röviden: a modell nem egyetlen keresést fut le, hanem kutatási tervet készít, több körben keres, forrásokat olvas, közben újratervezi a kérdéseit, és a végén hosszabb, hivatkozott dolgozatot ír.
Hivatalosan igazolt: az OpenAI és a Google saját leírásai szerint ezek a módok több lépcsős, ügynöki (agentic) folyamatban dolgoznak: keresnek, megnyitnak oldalakat, értelmezik a talált anyagot, majd ennek alapján új keresést indítanak. A futásidő percekben mérhető, nem másodpercekben, és a végeredmény jellemzően több oldalas, forrásjegyzékkel ellátott anyag.
Saját tapasztalat: amikor magyar nyelvű szakmai témákra futtattam ilyen kutatásokat, a hivatkozott források száma jellemzően több tíz körül mozgott, és a lista feltűnően vegyes volt: hivatalos dokumentáció, egy-két szakmai blog, néhány iparági felmérés és gyakran fórumhozzászólás is. A gyors válasz ugyanezekre a kérdésekre általában néhány forrásból dolgozott, és szinte mindig ugyanazokat a nagy, ismert oldalakat hozta.
Szakmai feltételezés: a különbség oka valószínűleg az, hogy a mélykutatás nem egyetlen "legjobb" forrást keres, hanem lefedettségre törekszik. Ehhez pedig szüksége van olyan anyagokra is, amelyek egy szűk részkérdésre adnak részletes választ, még akkor is, ha az oldal egyébként nem nagy tekintélyű.
Miben más a forrásválasztás gyors válasznál és mélykutatásnál?
Röviden: a gyors válasz a megbízhatóság és a tömörség felé húz, a mélykutatás a részletgazdagság és az újdonság felé.
Három gyakorlati eltérést érdemes megjegyezni. Az első a mennyiség: ahol a gyors válasz három-öt forrásból összerak egy bekezdést, ott a mélykutatás akár harminc-hatvan URL-t is megnyit, és jóval többet olvas el belőlük. A második a hossz tűrése: a gyors válasz szempontjából egy 3000 szavas cikk inkább teher, mert a modellnek ki kell belőle vágnia a lényeget. A mélykutatásnál viszont a hosszú anyag előny, mert több kinyerhető állítást tartalmaz, és több részkérdésre ad választ egyszerre.
A harmadik a specifikusság. A mélykutatás jellemzően részkérdésekre bontja a témát, és ezekre keres külön-külön. Ha a cikked egyetlen szűk kérdést tényleg végigvisz (például hogy egy adott mérési módszer hogyan működik a gyakorlatban), akkor jó eséllyel pont az egyik alkérdésre lesz a legjobb találat, még akkor is, ha a domained nem versenyképes a nagy szakportálokkal.
Saját tapasztalat: a kisebb, szakosodott oldalak aránya a mélykutatási hivatkozáslistákban rendszeresen magasabb volt, mint a gyors válaszokéban. Ez nem mérés, hanem ismétlődő megfigyelés, de elég következetes ahhoz, hogy tervezni lehessen rá.
Milyen tartalomtípusok jutnak be tipikusan a mélykutatásba?
Röviden: az, ami olyasmit tartalmaz, amit máshonnan nehéz kimásolni.
- Módszertani leírás. Lépésről lépésre bemutatott folyamat, konkrét eszközökkel, sorrenddel, buktatókkal. Ez azért értékes, mert a modell a "hogyan" típusú alkérdésekre keres ilyet, és az általános marketingszöveg erre alkalmatlan.
- Saját mérés vagy adatgyűjtés. Akár kicsi minta, ha tisztán le van írva a módszer, a mintanagyság és az időpont. Egy 40 elemű saját teszt, aminél leírod, mit és mikor néztél, több hivatkozást hozhat, mint egy nagy szakcikk átfogalmazása.
- Összehasonlító áttekintés. Eszközök, megközelítések, szabványok szembeállítása táblázatszerű logikában. A kutatómódok szeretik, mert egy lépésben több forrást váltanak ki.
- Hivatalos dokumentáció és annak értelmezése. Maga a dokumentáció mindig erős forrás, de a gyakorlati fordítása ("ez a mezőnk mit jelent a magyar kkv-nak") olyan rés, ahol egy jól megírt hazai anyag megjelenhet.
- Fogalomtisztázás konfliktussal. Amikor egy témában több egymásnak ellentmondó állítás kering, a kutatómód kifejezetten keres olyan anyagot, ami ezeket ütközteti.
Szakmai feltételezés: a puszta hírösszefoglaló és a "mi is az X" típusú bevezető cikk itt gyengén szerepel, mert ugyanazt a tudást tíz másik oldal is hozza, és a modellnek nincs oka éppen a tiédet választani.
Hogyan teheted egy meglévő cikkedet mélykutatásra alkalmassá?
Röviden: ne írd újra, hanem tedd ellenőrizhetővé és bonthatóvá.
- Minden számhoz tegyél forrást és időpontot. Ne "a felmérések szerint", hanem "a kibocsátó neve, a felmérés címe, a közzététel éve". Ha saját adat, akkor írd oda, hogy saját mérés, mikor, mekkora mintán.
- Legyen látható dátum és szerző. A megjelenés és a legutóbbi frissítés dátuma a szövegben is szerepeljen, ne csak a sablonban. A szerzőnél legyen valódi név és rövid szakmai háttér, lehetőleg saját aloldalra mutatva.
- Bontsd tiszta fejezetszerkezetre. Egy H2 egy kérdés, alatta az első bekezdés adja meg a választ. A kutatómód így bekezdés-szinten tud idézni, és nem kell az egész cikket értelmeznie.
- Írj kiemelhető állításokat. Egy mondatban álljon meg a lényeg, önmagában is idézhetően. A hosszú, hivatkozásokkal teli összetett mondat nehezebben kerül be.
- Adj hozzá letölthető mellékletet. Ellenőrzőlista, sablon, nyers adattábla CSV-ben vagy XLSX-ben. A gyakorlatban a hivatkozott anyagok között ez ritka, ezért megkülönböztet.
- Tedd fel a strukturált adatot. Legalább
ArticlevagyTechArticletípus, benne"datePublished","dateModified","author"és"citation"mező. Ez nem varázslat, de segíti a gépi értelmezést. - Jelöld a bizonytalanságot. Ahol feltételezel, írd oda. Ez emberi olvasónál hitelesít, gépi feldolgozásnál pedig csökkenti a félreidézés esélyét.
- Ellenőrizd, hogy a szöveg olvasható-e JavaScript nélkül. Ha a tartalom csak kattintásra jelenik meg (harmonika, tab, lazy render), a kutató ügynök egy része nem látja.
- Vezess belső hivatkozásokat a részletekhez. A mélykutatás követi a linkeket. Egy jól nevezett aloldal (például a módszertan külön oldalon) önálló forrásként is bekerülhet.
- Tartsd karban. A fél éve nem frissített, dátum nélküli anyag gyorsan kiesik az összehasonlításból, ha a téma mozog.
Milyen technikai jelek segítik, hogy a hosszú anyagot tényleg beolvassák?
Röviden: a hozzáférhetőség itt fontosabb, mint a finomhangolt kulcsszóhasználat.
Nézd meg, hogy a robots.txt nem zárja-e ki azokat az ügynököket, amelyek a kutatómódokat kiszolgálják. Hivatalosan igazolt: az OpenAI és a Google is közzéteszi a saját ügynökei azonosítóit és azt, hogyan lehet őket engedni vagy tiltani, tehát ez ellenőrizhető, nem tippelés kérdése. Ugyanígy érdemes megnézni, hogy a bot-védelmi réteg (WAF, kihívás-oldal) nem dob-e vissza minden nem böngészős kérést.
A második pont a válaszidő és a méret. Egy 4000 szavas cikk önmagában nem gond, de ha 6 másodperc alatt tölt be és több megabájtnyi szkript kíséri, akkor a beolvasás kockázatosabb. Szakmai feltételezés: az időtúllépés miatti kiesés valószínűleg gyakoribb ok, mint a tartalmi elutasítás, csak nem látszik, mert semmilyen visszajelzést nem kapsz róla.
A harmadik a szemantikus jelölés. Egyszerű, hierarchikus címsorok, valódi listák, valódi táblázatok. Ha a táblázatod képként van feltöltve, akkor a benne lévő adat nem idézhető szövegként.
Miért verhet itt a hosszú szakmai anyag egy jól optimalizált rövid oldalt?
Röviden: mert a mélykutatás nem egy választ keres, hanem sok kis állítást gyűjt, és a hosszú anyag ebből többet kínál.
Ez a saját nézőpontom, és vállalom, hogy nem minden felületre igaz. A gyors chatválasznál a rövid, pontos oldal továbbra is erős, mert ott a modell egyetlen tömör összefoglalót akar. A mélykutatásnál viszont a cikked nem összefoglalóként, hanem nyersanyagként szerepel. Minél több önállóan megálló, ellenőrizhető állítás van benne, annál több ponton lehet rá hivatkozni, és annál nagyobb az esélye, hogy legalább egy alkérdésnél bekerül.
Ez nem jelent biztos eredményt, és a helyezés fogalma itt amúgy sem értelmes. Amit reálisan várhatsz: nő az esélye, hogy egy hosszabb kutatási válaszban forrásként megjelensz, és ezzel olyan olvasóhoz jutsz el, aki éppen döntés előtt áll. Saját tapasztalat: az így érkező látogatók száma alacsony, de a viselkedésük jellemzően komolyabb, mint az általános organikus forgalomé.
A gyakorlati következtetés nem az, hogy mindent hosszabbra kell írni. Inkább az, hogy érdemes tudatosan kétféle anyagot tartani: rövid, definíciós oldalakat a gyors válaszokhoz, és mély, hivatkozott anyagokat a kutatómódokhoz. A kettő nem versenyzik egymással, ha jól linkeled össze őket.
Milyen hibák miatt esik ki egy egyébként jó cikk?
Röviden: általában nem a tartalom gyenge, hanem az ellenőrizhetőség hiányzik.
- Nincs dátum, vagy csak a lábléc évszáma látszik. A modell nem tudja eldönteni, hogy friss-e az állítás.
- Az adat forrás nélkül szerepel. Az ilyen mondatot a kutatómód gyakran átugorja, mert nem tudja alátámasztani.
- A cikk egyetlen, több ezer szavas blokk, alcímek nélkül. Nem lehet belőle részletet kiemelni.
- A lényegi táblázat kép. Nem olvasható szövegként.
- A szerző "szerkesztőség" vagy "admin". Nincs mihez kötni a szakértelmet.
- A tartalom fizetőfal vagy kötelező regisztráció mögött van. Ilyenkor legfeljebb a bevezető kerül be.
- Az oldal duplikálja azt, ami már tíz helyen megvan. Nincs oka a modellnek éppen ezt választani.
Hogyan tudod ellenőrizni, hogy bejutsz-e a kutatásokba?
Röviden: futtass magad is mélykutatásokat a saját témáidra, és nézd meg a forráslistát.
Állíts össze tíz-tizenöt olyan kutatási kérdést, amit egy potenciális ügyfeled feltenne. Futtasd le őket több eszközben, és ne a választ olvasd először, hanem a hivatkozásokat. Írd fel, mely domainek jelennek meg ismétlődően, és milyen típusú anyagok ezek. Ez megmutatja, milyen formátumot díjaz az adott téma. Ezután nézd meg a szervernaplóban, hogy az ismert kutató ügynökök egyáltalán elérték-e az oldaladat, és melyik URL-eket kérték le. Ez utóbbi kemény adat, nem becslés.
A hivatkozásból érkező forgalmat érdemes külön csatornaként nézni az elemzőrendszerben, mert alapértelmezésben gyakran beleolvad az egyéb hivatkozók közé. Kis mennyiség mellett is sokat elárul, hogy melyik cikkre érkezik.
Források és további olvasnivalók
- Google Search Central: dokumentáció a feltérképezésről, a strukturált adatokról és a Google-Extended vezérlőről
- OpenAI dokumentáció: deep research leírás és az OpenAI keresőügynökök azonosítói
- Google: Gemini Deep Research terméktámogatási leírás
- Schema.org: Article, TechArticle, Dataset és citation típusok specifikációja
- W3C: WCAG és a szemantikus HTML ajánlásai
- robotstxt.org: a Robots Exclusion Protocol leírása
- Google Search Quality Rater Guidelines: az E-E-A-T szempontrendszer nyilvános dokumentuma
- A gyors válasz néhány forrásból dolgozik, a mélykutatás több tíz forrást olvas és hosszabb dokumentumokat is elbír.
- Tipikusan a módszertani leírás, a saját mérés, az összehasonlító áttekintés és a hivatalos dokumentáció jut be a hivatkozások közé.
- A dátum, a szerző, a forrásmegjelölés és a tiszta fejezetszerkezet nélkül a legjobb tartalom is kiesik a rostán.
- Egy letölthető melléklet (táblázat, ellenőrzőlista, nyers adat) érdemi előnyt adhat, mert idézhető részletet kínál.
- A hosszú, hivatkozott anyag itt még megelőzhet egy rövid, jól optimalizált oldalt, de ez sem jelent biztos eredményt.
Gyakori kérdések
Mennyivel hosszabb cikk kell a mélykutatáshoz?
Nincs kötelező hossz. A gyakorlatban az segít, ha egy cikk több önálló részkérdést is végigvisz, ez pedig jellemzően 1500 szó fölött fér el. A hossz önmagában nem érték: a töltelékkel felfújt szöveg ugyanúgy kiesik, mint a túl vékony.
Elég, ha csak a szerkezeten és a dátumon javítok?
Az sokat segíthet, mert az ellenőrizhetőség hiánya a leggyakoribb kiesési ok. Viszont ha a tartalom ugyanaz, mint tíz másik oldalon, akkor a formázás önmagában nem ad okot arra, hogy éppen téged idézzenek. A saját adat vagy a saját módszertan a valódi különbség.
Hogyan tudom meg, hogy a kutató ügynökök elérik-e az oldalamat?
A szervernaplóban vagy a tárhelyszolgáltató forgalmi kimutatásában keresd az ismert ügynökök azonosítóit, és nézd meg, milyen státuszkódot kaptak. Ha 403-at vagy kihívás-oldalt, akkor a bot-védelem zárja ki őket, nem a tartalom minősége.
Számít, hogy magyar nyelvű a cikk?
Igen, de nem úgy, ahogy sokan gondolják. A modellek magyar tartalmat is olvasnak és idéznek. A magyar nyelvű, szűk témára írt, alapos anyagnál gyakran kevesebb a versenytárs, ezért egy alkérdésnél könnyebben bekerülhet a forrásjegyzékbe. Ez nem jelent biztos megjelenést.
Érdemes letölthető mellékletet készíteni?
Ha van valódi tartalma, igen. Egy ellenőrzőlista, sablon vagy nyers adattábla önállóan is idézhető, és ritkább, mint a szokásos szöveges anyag. Fontos, hogy a melléklet lényege a HTML-oldalon is szerepeljen, mert nem minden ügynök nyit meg csatolt fájlt.
Mit mérjek, ha tudni akarom, hogy megérte-e?
Három dolgot: az ügynökök lekéréseit a naplóban, a kutatási felületekről érkező hivatkozott forgalmat az elemzőrendszerben, és a saját tesztkutatásaidban a megjelenéseidet. A harmadik a leginkább ingadozó, ezért ugyanazokat a kérdéseket érdemes rendszeresen, azonos módon újrafuttatni.
Források és további olvasnivalók
Ezen az oldalon a hivatalosan igazolt információt elsődleges forrásokból építjük fel; a saját tapasztalatot és a szakmai becslést mindig külön jelöljük a szövegben.