Az említés: a márka része a válasznak
Kérdezzük meg például az egyik AI-rendszert, hogy milyen típusú vállalati autóflotta-szolgáltatások vannak Magyarországon. Ha a válaszban szerepel egy szolgáltató neve, az már említés. De ettől még nem tudjuk, hogy pozitív kontextusban jelent meg-e, a felhasználó céljára releváns-e, vagy csak egy hosszú felsorolás végére került.
A név előfordulása önmagában kevés. Számít a kontextus, a pontosság, a láthatóság és az is, hogy a válasz milyen kérdésre született. Egy téves termékbesorolás például nem siker, még akkor sem, ha az automatikus mérőszám említésként számolja.
A hivatkozás: az AI forrásként mutat meg egy oldalt
Másik helyzet, amikor a válasz mellett egy kattintható forráshivatkozás jelenik meg. Ilyenkor gyakran egy tájékoztató, útmutató, termékadatlap vagy külső szakmai cikk kap szerepet az indoklásban. Ez a tartalom értékét jelezheti az adott keresési folyamatban. Fontos azonban, hogy a hivatkozás nem feltétlenül jelent márkaajánlást. Egy egészségügyi tájékoztató lehet jó forrás anélkül, hogy az AI az azt publikáló magánklinikát választaná a felhasználónak.
A fordítottja is előfordulhat: a márkát ajánlja a rendszer, de nem tesz mellé közvetlen linket a vállalat weboldalára. Az említés és a hivatkozás tehát külön mérendő.
Az ajánlás: amikor a márka egy döntés része lesz
Szerintem ez a legérdekesebb kategória, de ezt is érdemes pontosan kezelni. Tegyük fel, hogy valaki azt kérdezi: „Melyik szolgáltató lehet megfelelő egy ötvenfős cégnek, ha egy hónapon belül szeretne új vállalati telefonflottát bevezetni?” Ha az AI név szerint megnevez néhány lehetőséget, indokolja a választást, és az egyik márkát a megadott feltételekhez köti, az már tényleges ajánlási helyzet.
Itt viszont nem pusztán a szereplés a fontos. Milyen indokkal került be a cég? Helyesek az információk? Az AI megkülönbözteti a célcsoportokat? Nem ígér olyasmit a vállalat nevében, amit az nem vállal? Egy pontatlan ajánlás akár több problémát is okozhat, mint egy hiányzó említés.
Egy mondatban három külön mérőszám
Képzeljünk el száz előre meghatározott, valódi vásárlói kérdést. Harminc válaszban előfordul a márkanév, tizenötben van hivatkozás a cég valamelyik anyagára, de csak nyolcban szerepel a cég konkrét ajánlásként. A három szám különböző kérdésre válaszol. Az első az ismertséghez kapcsolódó láthatóságot, a második a tartalom forrásszerepét, a harmadik a döntési helyzetben való jelenlétet közelíti. Ez csak szemléltető példa, nem kutatási eredmény.
Ráadásul a mérésnél azt is jelezni kell, hogy a száz kérdésből hányra érkezett egyáltalán használható AI-válasz. Ha a platform nem adott választ, nem szabad úgy tenni, mintha az ugyanaz lenne, mint egy negatív márkaértékelés.
Mit mutasson a kampány utáni riport?
Egy natív kampánynál természetesen fontos a megjelenés, az átkattintás és az oldalon végzett művelet. Ha viszont a kampány célja a szakértői jelenlét erősítése is, érdemes külön figyelni arra, hogy a terjesztett válaszoldal vagy szakmai cikk megjelenik-e később forrásként. Ez hosszabb távú, közvetett hatás lehet, nem bizonyított egyenes ok-okozati lánc.
Az AI-láthatóságot ezért nem egyetlen számra redukálnám. Jobb három külön kérdést feltenni: beszélnek rólad, hivatkoznak rád, és ajánlanak téged? A következő lépés annak megértése, milyen tartalom képes ezekhez valódi alapot teremteni.
