Webshop SEO és GEO 2026-ban: Vezetői stratégia az AI-alapú keresések korára

Az AI már ajánl helyetted termékeket – fel van készülve rá a webshopod?

A kérdés, ami mostantól mindent eldönt az e-kereskedelemben

Eddig a stratégiai kérdés pofonegyszerű volt: hányadik helyen rangsorol a Google a „legjobb futócipő” keresésre? 2026-ban ez a kérdés önmagában már édeskevés.

Az új kérdés így hangzik: amikor a vásárlód megkérdezi a ChatGPT-t, a Perplexityt vagy a Google AI Overviews-t, hogy melyik futócipőt vegye meg, az AI beválogatja-e a te termékedet a válaszba?

Ez nem egy távoli, jövőbeli forgatókönyv. Ez a folyamat már most zajlik, kőkeményen mérhető, a magyar piacon pedig különösen felgyorsult.

A piac már döntött – amit a friss kutatások is igazolnak

Felejtsük el azt a tévhitet, hogy az AI-t vásárlásra csak a technológiai „kockák” (a korai elfogadók) használják.

• Az elfogadás és használat mértéke (adopció): Az európai fogyasztók 56%-a már aktívan használ mesterséges intelligenciát a vásárlási döntéseihez, további 27% pedig nyitott a kipróbálására — azaz a piac 83%-a már ráhangolódott erre a technológiára.
• A magyar piac az élen: Magyarország 61%-os penetrációval az európai élmezőnyben, egészen pontosan a negyedik helyen áll:

Ország	AI-használat vásárláshoz
Spanyolország	67%
Lengyelország	63%
Magyarország	61%
Olaszország	60%
Svájc	59%
Belgium	57%
Portugália	57%
Hollandia	55%
Finnország	55%
Norvégia	52%
Németország	52%
Dánia	50%
Franciaország	49%
Svédország	49%
Egyesült Királyság	48%

• A sebesség, ami mindent felülír: Ezt az 50%-os átütési küszöböt az AI-alapú vásárlási döntéshozatal mindössze 18 hónap alatt érte el. Csak a miheztartás végett: az e-kereskedelemnek ehhez 5 évre, az okostelefonok elterjedésének pedig 10 évre volt szüksége. Ez a valaha mért egyik leggyorsabb fogyasztói viselkedésváltás a történelemben.

Mit jelent ez a kasszánál? Ez már most konkrét bevételeket mozgat: egyes webshopoknál a teljes forgalom 15-20%-a közvetlenül AI-chat felületekről (mint a ChatGPT vagy a Perplexity) érkezik úgynevezett referral (külső hivatkozott) forgalomként. Sőt, az a hajlandóság, hogy valaki tisztán egy AI-ajánlás alapján váltson kereskedőt (és hagyja ott a megszokott boltját), egyetlen év alatt 22%-ról 30%-ra ugrott.

Generációk szerint más a kép

Generáció	Már használja	Hajlandó kipróbálni	Soha nem fogja
Gen Z (18-27 évesek)	44%	27%	16%
Millennials (28-43 évesek)	51%	24%	15%
Gen X (44-59 évesek)	29%	24%	50%

Ez a korosztályos bontás egy rendkívül fontos üzenet a célközönség-tervezéshez. Ha a webshopod vásárlóbázisát főleg a Gen X adja, az AI-láthatóság kiépítése egy picit még várhat — nem olyan égetően sürgős, mint egy Millennial-fókuszú márkánál. Ugyanakkor a Gen X-esek 50%-os „soha nem fogja” tábora is hónapról hónapra szűkül, így üzleti öngyilkosság hosszú távon a szkepticizmusukra építeni.

Hol tart most a vásárlói út? (Mibe szól bele az AI?)

Az AI használata egyáltalán nem egyenletes a vásárlási folyamat során:

A vásárlás szakasza	AI-használat aránya
Inspiráció (ötletgyűjtés)	61%
Kutatás (informálódás)	57%
Összehasonlítás	52%
Döntés	37%
Vásárlás (maga a checkout)	8%

Ez a táblázat árulja el a legnagyobb stratégiai titkot: az AI ma elsősorban az értékesítési tölcsér tetején és közepén hoz döntéseket. Ha a tájékozódási fázisban az okos algoritmusok nem „látnak” téged, a vásárló el sem jut a webshopod pénztáráig.

Az, hogy a tényleges fizetést (checkout) még csak a vásárlók 8%-a engedi át az AI-nak, nem azt jelenti, hogy ráérünk. Azt jelenti, hogy jelenleg a bizalom a szűk keresztmetszet, nem pedig a technológiai képesség.

• Mit adnak át már most a vásárlók az AI-nak? Leginkább a legjobb ár felkutatását (34%), a termékek összehasonlítását (27%), a végtelen mennyiségű vásárlói vélemény összefoglalását (29%), és új termékek felfedezését (24%). A megszokott, ismétlődő vásárlások leadásának csak 10%-át, magát a fizetést pedig csak 8%-át engedné át teljesen a gépnek.

• Milyen termékeknél kritikus ez? Kategóriák szerint hatalmas az eltérés. Elektronika és technológia esetén a delegálási hajlandóság 45%, energiaszámlák kezelésénél 39%, biztosításoknál 36%, pénzügyi szolgáltatásoknál pedig 22%. Az egészségügy vagy az élelmiszer viszont még bizalmi zóna: itt csak 16% vonná be az AI-t. Döntéshozói konklúzió: Ha a webshopod elektronikai, tech, vagy könnyen paraméterezhető termékeket árul, ez a téma most azonnal releváns — nem pedig „majd jövőre”.

A bizalom kérdése  – a fék, ami visszatartja a teljes áttörést

A felhasználók hiába nyitottak, az adataikat mégis féltik. A felmérések szerint az AI-felhasználók 39%-a hajlandó személyes adatokat megosztani a jobb ajánlásokért, míg 41%-uk elzárkózik ettől.

• Mik a fő félelmek? Az adatvédelem és a biztonság (32%), a manipulációtól való tartás (28%), és az emberi kapcsolat hiánya (26%).

• Generációs bizalmi szakadék: A Gen Z 72%-a már vakon bízik az AI-eszközökben (és 57%-uk lazán adja az adatait). A Millenárisok 76%-a bízik bennük (60% adatmegosztással). A Gen X-nél azonban a bizalom még csak 50%-os, az adatmegosztási hajlandóság pedig mindössze 37%.

(iWebMA stratégiai megjegyzés: A bizalom kiépítése a mi feladatunk, kereskedőké. Az AI modellek is csak akkor fognak „megbízni” a mi webshopunk adataiban, ha azok konzisztensek, hitelesek és transzparensek. Itt nyer értelmet igazán a szakértői márkaépítés.)

De mi várható a közeljövőben? Kitekintés 2027-re

A Deloitte előrejelzése szerint minden korosztályban és piacon további növekedés várható, a görbe nem laposodik el. Az adatvédelmi aggodalom ráadásul látványosan olvad (Németországban például 2025-ben még a felhasználók 52%-a aggódott emiatt, 2026-ra ez 30%-ra esett vissza).

A következő 12-24 hónapban a fogyasztók elvárásai szintet lépnek:

• 48%-uk egyenesen elvárja, hogy az AI végezze el helyette az ár-összehasonlítást.
• 32%-uk az AI-tól várja a termékajánlásokat és a személyre szabott ajánlatokat.
• 16%-uk pedig már az önálló, AI által vezérelt fizetést (checkout) is elképzelhetőnek tartja.

A tét óriási: A Sopra Steria kutatása rávilágít, hogy a következő tíz évben megdöbbentő, 310 milliárd eurónyi európai e-kereskedelmi tranzakciót fognak AI-ügynökök asszisztálni vagy önállóan lebonyolítani. Aki most kimarad a generatív motorok „indexeléséből” (tehát nem kerül be az AI agyába), az erről az irdatlan szeletről önként lemond.

A paradigmaváltás: SEO → AEO → GEO

A vezetőknek meg kell érteniük: egy teljesen új réteg épült a hagyományos keresés fölé. Ezt a problémát nem lehet azzal letudni, hogy adunk még 20% büdzsét a SEO ügynökségnek, mert itt egészen más játékszabályok érvényesek.

• SEO (Search Engine Optimization): Harc a hagyományos Google találati lista első oldaláért. Ez továbbra is hoz forgalmat, de egy AI-vezérelt, kérdezz-felelek alapú keresésnél ez önmagában már kevés.
• AEO (Answer Engine Optimization): Ennek fókuszában az áll, hogy megjelenjünk az AI-asszisztensek (ChatGPT, Siri, Google Assistant) konkrét, rövid válaszaiban.
• GEO (Generative Engine Optimization): Ez ma a legmagasabb szint. A cél, hogy a webshopunk adatai forrásként vagy hiteles ajánlásként szerepeljenek a generatív AI motorok szintetizált, hosszas válaszaiban.

Dimenzió	Hagyományos SEO (Keresőoptimalizálás)	GEO (AI-láthatósági optimalizálás)
A fő stratégiai cél	Kattintás, forgalomterelés a weboldalra	Bekerülni az AI által szintetizált döntési javaslatba
A tartalom formátuma	Hosszú, kulcsszavakra optimalizált cikkek	Tömör, adatgazdag definíciók, GYIK-ek, kristálytiszta termékadatok
Technikai fókusz	Oldalbetöltési sebesség, backlink profil, címsorok	Strukturált adatok a kódban, entitás-gráfok, API kapcsolatok
Vezetői mérőszámok (KPI)	Organikus forgalom, Keresési helyezés	AI-citációk száma (Hányszor hivatkozik ránk az AI?), „Share of Model”

2026 a fordulópont: a GEO (Generative Engine Optimization) többé nem egy divatszó, hanem üzleti szükségszerűség. Már nem elég rangsorolni a keresőben — láthatóvá kell válni az AI „agyában” is.

Hogyan priorizáld a cég energiáit és büdzséjét?

Egy egészséges, 2026-os láthatósági stratégia nagyjából így oszlik meg:

• 30% klasszikus, technikai SEO
• 30% mélyreható, szakértői tartalom (E-E-A-T irányelvek alapján)
• 25% GEO specifikus optimalizálás (strukturált adatok, cég és termék összekötése)
• 15% mérés és folyamatos finomhangolás (iteráció)

A pontos arány webshoponként változhat, de a lényeg: a GEO kiegészíti, és nem helyettesíti a SEO-alapokat. Aki most pánikszerűen teljesen átcsoportosítaná a büdzsét a GEO-ra, és elhanyagolja a klasszikus SEO-t, az azonnal, mérhetően veszíteni fog a jelenlegi organikus forgalmából.

Mit jelent ez a motorháztető alatt? A strukturált termékadat, amire égető szükséged van

Döntéshozóként itt kell a legjobban figyelni: ez az a pont, ahol a legtöbb webshop elvérzik. Nem a marketingstratégia rossz, hanem az alapvető technikai adatok hiányoznak ahhoz, hogy a gép megértse, mit is árulunk. Mindezt a Schema Markup (strukturált adat) nevű kódolási nyelvvel oldjuk meg.

A „Product schema” (Termékkód) kötelező mezői

A fejlesztőknek két típust érdemes megkülönböztetniük:

1. Merchant listing (Amikor a felhasználó közvetlenül meg is veheti a terméket az oldaladon  –  ehhez az AI-nek nagyon szigorú adatok kellenek).
2. Product snippet (Amikor a termék nem vásárolható meg, például csak egy tesztcikkben vagy blogposztban szerepel).

Mik a kötelező elemek a vásárolható termékeknél (Merchant listing)?

• @type: „Product” – Ez a kód mondja meg a robotnak, hogy „Hé, ez egy eladó termék!” Természetesen kell hozzá a termék neve (name), legalább egy kép címe (image URL), és egy 1-2 bekezdéses összefoglaló (description).
• brand – A márka neve (Organization vagy Brand kódolással).
• GTIN vagy MPN — Ezek nélkül ma már esélytelen vagy. (Lásd lentebb).
• Az „offers” (Ajánlat) kódblokk: Ennek tartalmaznia kell a numerikus árat pénznemjelzés nélkül (price), a pénznem szabványos kódját (priceCurrency, pl. „HUF”), a raktárkészlet állapotát (availability), az ár érvényességi idejét (priceValidUntil), a vásárlási linket (url), a szállítási részleteket (célország, díj, idő – shippingDetails), és a visszaküldési feltételeket (mennyi időn belül, milyen módon – hasMerchantReturnPolicy).
• Ajánlott kiegészítések: a belső cikkszám (sku), kategória, és az értékelések (aggregateRating és review). De vigyázat: az AI csak az első féltől származó, valós véleményeket értékeli!

GTIN, MPN, SKU — Mit jelentenek és melyik kell az AI-nak?

Tisztázzuk a betűszavakat, mert ezek a GEO alapkövei:

• GTIN (Global Trade Item Number): Ez a globális kereskedelmi azonosító, hétköznapi nevén a vonalkód (8, 12, 13 vagy 14 jegyű szám). Az AI számára ez a legfontosabb azonosító. Fontos technikai csapda a fejlesztőknek: ne írjanak nullákat egy amerikai 12 jegyű (UPC-12) kód elé, csak hogy 13 jegyű legyen, mert az AI azonnal érvénytelennek minősíti!
• MPN (Manufacturer Part Number): Ez a gyártói cikkszám. Ha a webshopodban nincs GTIN (mert például saját gyártású termékeket – DTC – árulsz), akkor az MPN használata kötelező!
• SKU (Stock Keeping Unit): Ez a te saját, belső raktári azonosítód. Döntéshozói tudnivaló: a SKU önmagában az AI-nak semmit sem jelent, nem helyettesíti a GTIN-t vagy az MPN-t. Ha csak SKU van a kódodban, az AI nem tudja értelmezni a terméket a globális piacon.

Hogyan kezeljük a több színben és méretben kapható termékeket? (Multi-variáns)

Nem szabad egyetlen terméklapra bezsúfolni a kódban a méret- és színváltozatokat. Használni kell egy úgynevezett ProductGroup (Termékcsoport) kódolást. Minden egyes variánsnak (pl. a piros 42-es és a kék 43-as cipőnek) saját termék-kódja kell legyen, saját SKU-val és GTIN-nel.

Értékelések (AggregateRating) aranyszabályai

Ha a weboldalon az látszik, hogy egy terméket 150-en értékeltek és 4.8 az átlaga, akkor a háttérkódban lévő adatoknak (ratingValue és reviewCount) tizedesjegyre pontosan meg kell egyezniük ezzel! Csak első féltől (saját vásárlóktól) származó véleményeket szabad a kódba tenni — a külső, harmadik féltől behúzott értékeléseket tilos ide importálni, mert az AI megbünteti az oldalt hiteltelenség miatt.

A 2026-os Google Merchant Center frissítés, amiről minden cégvezetőnek tudnia kell

A Google is szigorított. Új, immár kötelező technikai mezők lettek: a szállítási adatok (shippingDetails), a visszaküldési szabályzat (hasMerchantReturnPolicy) és az ár érvényessége (priceValidUntil). Bejött egy új, videós attribútum is (video_link), ami 2026. június 30-tól szigorú minőségellenőrzés alá esik. Ezen felül szigorodik a termékképek elvárt felbontása (minimum 500×500 pixel ajánlott, ami 2027 januártól már kötelező határ lesz).

A legfontosabb technikai vastörvény: A Google Merchant Centerbe (a hirdetési rendszerbe) küldött adatfolyamnak és a weboldalad rejtett kódjának (schema) betűre pontosan ugyanazt kell mondania. Ha eltérés van (pl. más a szállítási díj), a Google „Quality Issue”-t (minőségi hibát) jelez, és az AI azonnal kiveszi a termékedet a találatokból. Az AI-rendszerek kíméletlenül büntetik az inkonzisztenciát.

Márka-szignálok és entitás-tisztaság (Mit gondol rólad a gép?)

A technikai mezők kitöltése önmagában még kevés a sikerhez. Az AI a márka körüli „jeleket” (szignálokat) is folyamatosan pásztázza, és ez alapján dönti el, hogy egyáltalán merjen-e téged ajánlani a felhasználónak.

• Bizalmi jelek: Valós értékelések, minősítések, független tanúsítványok kellenek. Az AI az egyértelmű értékajánlatokat szereti (pontos ár, bizonyított minőség, konkrét fenntarthatósági adatok). A homályos, régi vágású marketing-rizsa („Piacvezetők vagyunk!”, „Kiváló minőség mindenek felett!”) itt kifejezetten hátrány. Az AI nem érti a PR-szöveget, neki konkrét számok és tények kellenek.
• Szakértői státusz: A tartalmaid mögött valós arcoknak kell állniuk. A cikkek íróinak saját profilja kell legyen a kódban is (Person schema), egy alaposan felépített „Rólunk” oldal kíséretében. Ez az E-E-A-T (Tapasztalat, Szakértelem, Tekintély, Megbízhatóság) alapja.
• Entitás-tisztaság (A digitális ujjlenyomatod): Az entitás tisztaság azt jelenti, hogy az AI nem találhat ellentmondásos információkat a cégről a weben. Ha a Cégjegyzékben ‘Kovács és Társa Kft.’, a weboldalon ‘Kovács Cipők’, a Facebookon pedig ‘Kovács Akciós Cipő’ néven szerepelsz különböző címekkel, az AI összezavarodik és elveszíti a bizalmat. Ne csak a Terméket jelöld a kódban: a Céget, a Gyártót is definiálni kell, és egyértelmű, láthatatlan linkekkel (sameAs) össze kell kötni a weboldalt a cég hivatalos Facebook, Instagram és LinkedIn profiljával. Ezt a profi összefonódást hívják nested schema-nak (beágyazott kódolásnak): a Termék + Márka + Cég + Értékelés egyetlen, hiteles információs hálót alkot, nem pedig elszigetelt adatokat.

A harmadik, gyakran elfeledett pillér: A multimodális (több formátumú) megjelenés

A kód és a szöveg nagyon fontos, de ne feledjük: a modern AI-rendszerek már multimodálisan is dolgoznak. Ez azt jelenti, hogy egyszerre képesek szöveget, képet és videót is értelmezni, és ezeket összekötni. Egy jó minőségű, több szögből fotózott termékkép vagy egy videós teszt óriási súllyal esik latba.

Egy rendkívül gyakorlatias, de itthon még alulértékelt tartalomgyártási trükk (workflow): Készíts egy minőségi bemutató videót a termékről. Töltsd fel a YouTube-ra (ne feledd, ez a világ második legnagyobb keresőmotorja!). Készíts egy szöveges, olvasható leiratot a videóban elhangzottakról. Ebből a szövegből építs egy részletes, SEO-ra optimalizált blogcikket a webshopodra. Végül ágyazd be a YouTube videót a blogcikkbe, a YouTube videó leírásába pedig tedd be a blogcikked linkjét!

Mi történik ilyenkor? Egyetlen tartalmi munkával rögtön három, egymást oda-vissza erősítő felületet hoztál létre az AI számára (videó + blogszöveg + erős belső linkelés).

A negyedik pillér: A „Fanout query” (kérdés-szétbontás) és a szemantikai szerkezet

Amikor egy vásárló kérdez valamit a generatív AI-tól (pl. ChatGPT), a gép a háttérben nem egyetlen kulcsszóra keres rá. Úgynevezett fanout query-t csinál: a kérdést villámgyorsan több apró szándékra bontja szét, és azt a tartalmat fogja forrásként beemelni, amelyik a legpontosabban, a legátfogóbban fedi le a felhasználó valódi szándékát.

Hogyan kell erre webshopként felkészülni?

• Témacsoport (Topic cluster) logika: A cikkeket és tartalmakat nem egymástól függetlenül, ad-hoc jelleggel kell írni. Egy fő téma (pl. Okosórák) köré kell felépíteni a logikusan egymásra hivatkozó altémák és kapcsolódó cikkek hálózatát.
• Kérdésalapú H2-es (alcím) szerkezet: A termékleírásokban és cikkekben valós ügyfélkérdéseket használj alcímként! Ahelyett, hogy azt írnád: „Termékjellemzők”, írd azt: „Mennyi ideig bírja az okosóra akkumulátora napi használat mellett?”
• Rövid, idézhető válaszblokkok (Snackable content): Helyezz el 2-3 mondatos, tűpontos, adatgazdag definíciókat a cikk vagy az oldal elején. Ezeket egy AI-rendszer imádja, mert könnyen ki tudja emelni és idézni tudja a felhasználónak.

Ez a pillér köti össze tökéletesen a hagyományos tartalommarketinget az új GEO-val — egy átgondolt tartalmi hálózat egyszerre hoz forgalmat a Google-ből és ajánlást a ChatGPT-ből.

Agentic Commerce Readiness — Hol tart most a webshopod? (Egy 0–18 pontos vezetői önértékelés)

Ezt a felkészültséget nem „érzésre” mérjük. A webshopod képességeit kőkemény technikai kritériumok mentén pontozzuk (0-3 pontig), hogy lássuk, mennyire akadálymentes a pálya egy jövőbeli, önállóan vásárló AI-ügynök számára.

1. Termékfeed (Adatfolyam a termékekről): 0 = Nincs, vagy nem frissül valós időben. 1 = Van, de hiányos (nincs GTIN vagy készletinfó). 2 = Teljes, de csak napi egyszer frissül (ez lassú az AI-nak). 3 = Tökéletes: teljes, valós idejű, és API-n (két szoftver közötti közvetlen hídon) is lekérdezhető.

2. Strukturált adat (A láthatatlan kód): 0 = Egyáltalán nincs schema kód. 1 = Alapvető kód van, de hiányos mezőkkel. 2 = A termék kódja tökéletes, de a cég (Brand) nincs kódolva. 3 = Tökéletes hálózat (Nested schema): a termék, a márka, a cég és az értékelések egyetlen logikus láncot alkotnak.

3. Protokoll-integráció (Tud-e külsős szoftvert vásárolni nálad?): 0 = Nincs API kapcsolat. 1 = Van API, de nem hivatalosan dokumentált. 2 = Dokumentált, de csak adatok olvasására alkalmas (read-only). 3 = Dokumentált, írható-olvasható (read-write) API, amin keresztül egy AI-ügynök akár kosárba is tud tenni egy terméket (pl. az újonnan formálódó UCP, ACP, MCP szabványokon keresztül).

4. Géppel olvasható irányelvek (A szabályok kódolva): 0 = Nincsenek. 1 = Van szállítási és visszaküldési szabályzat a weboldalon, de csak ember által olvasható PDF-ben vagy folyószövegben. 2 = A szállítás és visszaküldés főbb adatai be vannak építve a schema kódba. 3 = Teljes, gépek által is olvasható szabályzatrendszer (szállítás, visszaküldés, adatvédelem, fizetés).

5. Bizalmi szignálok: 0 = Nincsenek. 1 = Vannak értékelések az oldalon, de nincsenek bekódolva az AI-nak. 2 = Az értékelések kódolva vannak, de nincsenek külső, független tanúsítványok. 3 = Maximális bizalom: hitelesített kódolt értékelések, külső tanúsítványokkal és erős márka-tekintéllyel ötvözve.

6. AI-citáció (Hivatkozik rád a gép?): 0 = Soha nem jelensz meg az AI válaszaiban. 1 = Néha megjelensz, de teljesen esetlegesen. 2 = Gyakran említenek, de csak futólag, nem forrásként. 3 = Konzisztensen és hiteles forrásként jelensz meg az összehasonlításokban (ChatGPT, Perplexity, Google AI Overviews).

Kiértékelés vezetőknek:

• 0–5 pont (Nem kész): Az AI-ügynökök gyakorlatilag „vakok”, nem látják a webshopodat.
• 6–10 pont (Részben kész): Néhány AI-modell látja az adataidat, de nagyon sok a súrlódás és a hiba.
• 11–15 pont (Többnyire kész): Jó úton jársz, a legtöbb AI képes adatot kinyerni, de finomítani kell a konverzióhoz.
• 16–18 pont (Teljesen kész): Az AI-ügynökök zökkenőmentesen és bizalommal tudnak adatot gyűjteni és „vásárolni” a rendszeredben.

Ha a pontszámod jelenleg 10 alatt van, a webshopod a mesterséges intelligencia számára gyakorlatilag egy megfejthetetlen, zárt fekete doboz.

Hogyan ellenőrizheted te magad, hogy „lát-e” téged az AI?

Létezik 5 konkrét lépés, amivel cégvezetőként vagy marketingesként is – programozói tudás nélkül – tesztelni tudod a helyzetet:

1. Entitás-teljességi vizsgálat (Entity Completeness Check): Fogd a legjobban fogyó terméked URL-jét, és futtasd le a Google ingyenes Rich Results Test (Bővített találatok tesztje) eszközében. Azonnal megmutatja, ha hiányoznak a kötelező adatok (pl. vonalkód) a háttérből.

2. Szemantikai tisztaság teszt (Semantic Clarity Test): Egy zseniálisan egyszerű teszt! Másold ki a weboldalad háttérkódját (schema markup), dobd be a ChatGPT-be, és kérd meg: „Légy szíves, írd le nekem ezt a terméket kizárólag az általam bemásolt kód alapján!” Ha az AI nem tudja pontosan megmondani az árat, a színt és a legfőbb előnyöket, akkor a kód rosszul van megírva.

3. Versenytárs-elemzés AI felületeken: Menj fel a Perplexity vagy a Google AI Overviews felületére, és keress rá angolul vagy magyarul a kategóriádra (pl. „Legjobb robotporszívók összehasonlítása 2026”). Szerepelsz köztük? Ha a versenytársad ott van, te pedig nem, érdemes megvizsgálni a versenytárs weboldalának kódolását, és abból tanulni.

4. Kérdés-lefedettségi térkép (Query Coverage Mapping): Írd össze az ügyfélszolgálatra beérkező top 20 leggyakoribb vásárlói kérdést. Utána nézd meg, hogy ezek a kérdések és a rájuk adott egyértelmű válaszok szerepelnek-e a weboldaladon strukturált formában (GYIK-ként). Ahol hiány van, ott egy AI sosem fog tudni válaszolni a vásárlónak a te termékeddel kapcsolatban.

5. Konzisztencia ellenőrzés (Consistency Validation): Nézd meg, hogy a háttérben lévő (schema) adatok hajszálpontosan egyeznek-e a weboldalon fizikailag olvasható tartalommal (pl. a raktárkészlettel vagy az árral). Ha a kód „raktáron”-t mond, de az oldalon az van, hogy „elfogyott”, az AI rendszerek büntetni fognak az inkonzisztenciáért.

Milyen platformokon érdemes ezeket a kereséseket tesztelni?

• Google AI Overviews (pl. „Legjobb [kategória]”, „[Márkanév] vélemények”, „[Termék A] vs [Termék B]”).
• Perplexity (Kiváló a forrásalapú, hivatkozott válaszok vizsgálatára).
• ChatGPT Shopping (Kérj tőle ajánlást egy adott élethelyzetre).
• Google Gemini (pl. „Hasonlítsd össze ezt a két terméket”, vagy „Melyek a top [kategória] termékek 2026-ban?”).

Akcióterv vezetőknek: Mit tehetsz már hétfőn? (Egy 4 hetes feladatlista)

Nem kell egy évig tervezni, indítsátok el ezt a 4 hetes „sprintet” a csapattal:

• 1. hét — Az audit (Helyzetkép): Futtassátok le a top 20 legtöbb bevételt hozó termékoldalt a Google Rich Results Teszten. A marketing/IT csapat listázza ki a hiányzó attribútumokat (GTIN, szállítási adatok, visszaküldés, árérvényesség). IT ellenőrizze, hogy a webshop fő kapuja (robots.txt) nem tiltja-e véletlenül a fő AI-robotok (GPTBot, PerplexityBot) belépését az oldalra! Végezzétek el az 1-18 pontos önértékelést.

• 2. hét — A technikai alapok rendbetétele: A fejlesztők építsék be a hiányzó Schema (Product, Offer, AggregateRating) kódokat. Fontos: ezek az adatok ne csak utólag, a böngészőben betöltődve jelenjenek meg (JS-hydration), hanem már a szerverről kész, tiszta kódként érkezzenek. Érdemes létrehozni egy úgynevezett llms.txt fájlt a szerveren — ez egy teljesen új, kifejezetten az AI-robotoknak szóló „térkép”, ami elmagyarázza nekik, hogyan értelmezzék az oldalatokat.

• 3. hét — A tartalom felfegyverzése: Írjatok egy 2-3 mondatos, ütős definíció-blokkot a legfontosabb kategória- és szolgáltatásoldalak tetejére. Készítsetek a termékoldalak aljára egy GYIK-szekciót (FAQ) 3-5 valós ügyfélkérdéssel, és kódoljátok is be (FAQPage schema). Az „olyan, mint a többi”, homályos marketing-állításokat cseréljétek kőkemény adatokra, százalékokra, tényekre.

• 4. hét — Az új mérési rendszer felállítása: Telepítsetek a marketing csapattal valamilyen AI-monitoring eszközt (pl. Search Atlas, AIClicks), vagy kezdjétek el manuálisan, egy Excel-táblában vezetni a megjelenéseket a fent említett 5 lépéses módszerrel. Ezt innentől negyedévente ismételni kell.

Új KPI-ok: Amit a cégvezetésnek innentől (negyedévente) látnia kell

• AI-citációk száma: Hányszor jelent meg a márkánk forrásként a releváns AI-válaszokban. (Reális cél: kulcskategóriánként havi 10+ megjelenés).
• AI felől érkező forgalom: A ChatGPT, Perplexity, Gemini felől a weboldalra érkező látogatók aránya. (Irányadó cél 2026-ra: a teljes forgalmunk 15-20%-át tegyék ki ezek a szuper-releváns érdeklődők).
• Az AI-generált tartalom konverziós rátája: Ha már használtok AI-t hirdetések vagy termékleírások írására, feltétlenül mérjétek vissza a teljesítményét az ember által írt szövegekhez képest! A hüvelykujjszabály: ha az AI-szöveg konverziója nem éri el a hús-vér szövegíró eredményének legalább 80-90%-át, akkor ott a kimeneti tartalom minőségével (és nem magával az AI technológiával) van a probléma. Emberi ellenőrzés (szerkesztés) szükséges.
• Konzisztencia-mutató: Folyamatos ellenőrzése annak, hogy a háttérkód és a kirakat (a weboldal vizuális része) nem mond-e ellent egymásnak.

Záró gondolat a jövő kereskedelméhez

A keresőoptimalizálás korábbi évtizedeiben az volt a feladat, hogy a forgalmat nyerjük meg. A GEO (Generative Engine Optimization) és az önállóan vásárló AI-ügynökök (Agentic Commerce) korában ennél sokkal nehezebb a dolgunk: a vásárló helyett meghozott döntést kell megnyernünk. Ráadásul jóval azelőtt, hogy a vásárló fizikailag egyáltalán eljutna a weboldaladra.

Ez nem azt jelenti, hogy mától kizárólag robotoknak és AI-ügynököknek kell eladnod. Azt viszont igenis jelenti, hogy a termékadatbázisodnak, a rejtett struktúráidnak és a bizalmi jelzéseidnek olyan patyolattiszta állapotban kell lenniük, hogy amikor egy mesterséges intelligencia válaszol egy tájékozódó vásárlónak, a te terméked is bátran szóba jöhessen — és ne csak az a versenytársad vigye el a boltot, aki már tavaly rendbe tette a technikai hátterét.

Ha cégvezetőként nem tudja pontosan, hol tart a csapata ezen az úton, érdemes egy külsős, mélyreható Analitika Audit & Diagnosztika keretében megvizsgálni a rendszert. Ennek során a hagyományos hirdetési és webes mérések (GA4) mellett már azt is világosan meg tudjuk mutatni Önnek, mennyire „olvasható” és ajánlható az Ön webshopja a jövőt meghatározó AI-algoritmusok számára.

Felhasznált kutatások és források:

• McKinsey (2026. április): Európai fogyasztói AI-használat jelentés.
• Deloitte (2026. május): State of Agentic Commerce in Europe.
• Sopra Steria / Finanzwire: Agentic AI és a 310 milliárd eurós e-kereskedelmi piac.
• GEOdocs: Product Schema AI Shopping Citations Spec (Technikai szabványok).
• Search Engine Land: Mastering Generative Engine Optimization in 2026.