🧭 Bevezetés – A probléma nem az, hogy nincs adat, hanem hogy rossz dolgot mérünk

Képzelj el egy potenciális ügyfelet, aki megkérdezi a ChatGPT-től:

„Melyik három keresőmarketing ügynökséget érdemes megkeresnem Budapesten?”

Az MI megemlíti a vállalkozásodat. A felhasználó elolvassa az indoklást, majd néhány órával vagy nappal később közvetlenül beírja a céged nevét a Google-be, megnyitja az oldalt, végül ajánlatot kér.

Mit fog látni a GA4? Valószínűleg egy márkázott Google-keresést, organikus látogatást vagy közvetlen forgalmat. Pedig a vásárlási folyamatot valójában az MI indította el.

Az MI-alapú keresés nem egyszerűen új forgalmi csatorna. Új információs és döntési réteg került a vásárlói út elé, amelyet a hagyományos kattintásalapú attribúciós modellek csak részben látnak.

Ha szeretnéd megérteni, hogyan kell a hagyományos keresőoptimalizálási adatokkal dolgozni, olvasd el a SEO mérése GA4 és Search Console segítségével című útmutatónkat, amely a Roth Creative-nél már foglalkozik a GA4 és Search Console együttes használatával, illetve a zéró kattintásos keresések mérési problémájával.

2. Hogyan működött eddig a marketingattribúció?

A hagyományos vásárlói út viszonylag egyszerű volt:

A mérőrendszer viszonylag jól követhette:

• honnan érkezett a látogató;
• milyen kampányhoz kapcsolódott;
• melyik landing oldalra érkezett;
• milyen eseményeket hajtott végre;
• történt-e vásárlás vagy ajánlatkérés.

A klasszikus attribúciós modellek:

• Utolsó kattintásos attribúció: az utolsó érintkezés kapja a teljes érdemet;
• Első kattintásos attribúció: az első érintkezés kapja a teljes érdemet;
• Többérintéses attribúció: a konverziót több érintkezés osztozik meg;
• Adatvezérelt attribúció: a GA4 gépi tanulás alapú megközelítése.

Ezeknek a modelleknek közös feltételezése, hogy a döntési folyamat fontos része mérhető digitális érintkezésekből áll. Az MI-alapú keresés azonban sokszor a weboldalon kívül végzi el a tájékozódás jelentős részét.

Ezért már nem feltétlenül az a helyes kérdés: „Melyik kattintás hozta a konverziót?”, hanem: „Mely információs érintkezések befolyásolták a döntést?”

Ha érdekel, hogyan változik a keresőmarketing a generatív keresés korában, olvasd el a keresőoptimalizálás 2026-ban című cikkünket.

3. Az MI-keresés szétválasztja a láthatóságot és a forgalmat

A hagyományos SEO-ban a vásárlói út így nézett ki:

Az MI-keresésben viszont:

A kettő között nincs feltétlenül mérhető kattintás. Három tipikus eset:

1. Forráshivatkozás: Az MI idézi vagy hivatkozza a weboldalt, de a felhasználó nem kattint rá;
2. Márkaajánlás: Az MI megemlíti a márkát, miközben egy másik weboldalt használ forrásként;
3. Információs befolyás: A felhasználó megtudja a márka nevét az MI-től, majd később Google-ben közvetlenül rákeres.

Ezért a forgalom és a láthatóság két külön mérési objektummá válik. A Google 2026-ban már külön Search Console-riporttal kezdte mérni, hogy egy webhely URL-jei milyen gyakran jelennek meg generatív keresési funkciókban, például az AI Overviews és AI Mode felületeken.

Ha szeretnéd megérteni, hogyan változik a keresési stratégia az MI-korszakában, olvasd el a SEO, GEO és AEO: hogyan változik a keresési stratégia? című elemzésünket.

4. Miért nem oldja meg önmagában a GA4 az attribúciós problémát?

Fontos: ne állítsuk, hogy a GA4 „nem tud MI-forgalmat mérni”, mert ez 2026-ban már nem pontos.

A Google Analytics már külön AI Assistant csatornába képes sorolni bizonyos ismert MI-asszisztensektől – például ChatGPT, Gemini vagy Claude felől – érkező látogatásokat.

Példa:

A hagyományos mérés számára a Google lehet a látható forrás. Az üzleti valóságban azonban az MI volt a keresletet aktiváló érintkezés.

Ha szeretnéd megérteni, hogyan építs egy átlátható mérési rendszert, olvasd el a MI-SEO folyamat és riporting című cikkünket.

5. Az új modell: ne egyetlen attribúciót, hanem négy mérési réteget használjunk

Javasoljunk egy négyrétegű MI-keresési attribúciós modellt:

6. A „kattintás nélküli attribúció” új KPI-jai

Itt adjunk konkrét mérőszámokat:

Ha érdekel, miért fontos az egyedi adatok és szakértői meglátások az MI-keresésben, olvasd el a miért jutalmazza az MI-keresés az egyedi adatokat és szakértői meglátásokat? című cikkünket.

7. Hogyan nézzen ki egy gyakorlati MI-attribúciós mérési rendszer?

Adjunk egyszerű, megvalósítható rendszert:

Első adatforrás: Search Console

Vizsgáljuk:

• generatív MI-megjelenéseket, ahol rendelkezésre állnak;
• hagyományos megjelenéseket;
• márkázott kereséseket;
• oldalakat;
• országokat;
• trendeket.

A Google 2026 júniusától kezdte korlátozott körben bevezetni a külön generatív MI Search Console-riportokat.

Második adatforrás: GA4

Különítsük el:

• AI Assistant;
• Organic Search;
• Direct;
• Referral;
• konverziós útvonalakat.

Harmadik adatforrás: MI-láthatósági mérés

Rendszeresen futtassunk üzletileg releváns promptkészletet több MI-platformon.

Negyedik adatforrás: CRM

Adjunk mezőt: „Hol találkozott először velünk?” Lehetséges válaszok: Google / ChatGPT vagy más MI / ajánlás / LinkedIn / média / egyéb.

Ötödik réteg: üzleti adat

Kapcsoljuk össze:

8. Miért lesz az attribúcióból egyre inkább valószínűségi következtetés?

Az attribúciós modellek hosszú ideig azt az illúziót keltették, hogy minden konverziónak pontos forrás rendelhető. Az MI-alapú keresés megmutatja, hogy ez sok esetben nem lehetséges.

Egy döntést egyszerre alakíthat:

• Google;
• ChatGPT;
• szakmai cikk;
• Reddit;
• LinkedIn;
• kolléga ajánlása;
• korábbi márkaismeret.

Ezért az új attribúció kevésbé hasonlít könyveléshez, és egyre inkább oksági és valószínűségi modellezéshez.

Ha szeretnéd megérteni, hogyan kapcsolódik ez az organikus forgalomhoz, olvasd el a Google AI Overviews és az organikus forgalom című cikkünket.

9. Összegzés – A láthatatlan hatást is mérhetővé kell tenni

Az MI-keresés legnagyobb mérési hibája az lenne, ha csak azt tekintenénk értéknek, amire kattintani lehet.

A következő generációs mérési rendszernek egyszerre kell figyelnie:

A vállalatoknak ezért nem feltétlenül a GA4-et kell lecserélniük. Ki kell egészíteniük. A GA4 és a Search Console továbbra is a mérési infrastruktúra fontos része, de az MI korszakában mellettük már szükség van generatív láthatósági, CRM- és üzleti eredményadatokra is.

Szeretnéd megtudni, hogy márkád mennyire látható a generatív keresőkben – és ez hogyan kapcsolódik tényleges üzleti eredményekhez? Ismerd meg a Roth Creative keresőmarketing és MI-láthatósági megoldásait.

🔗 Kapcsolódó olvasnivalók