Valaki épp vásárolni készül, megnyit egy chatet egy nyelvi modellel, és megkérdezi, mit válasszon. A válasz készen érkezik: néhány név, rövid indoklás, néha egy link. Nincs kattintás a keresési eredményre, nincs látogatás a márka weboldalára, nincs nyoma semmilyen műszerfalon. Az analitika semmit sem mutat, mégis épp most született meg a döntés. Hol volt tehát az ügyfél figyelme? A modell válaszában. És a modell döntötte el, ki kapja meg.
A nyelvi modell mint influencer: öt lépcső, amit egy márka megmász, hogy elérje az ügyfél figyelmét
Ma egy nyelvi modell úgy működik, mint egy influencer, csak más feltételekkel. Nincs megvásárolható elérése, és nem ír alá szerződéseket. Ő dönti el, kit mutasson meg a kérdés feltevésekor, és ajánlása pontosan a választás pillanatában éri el az ügyfelet.
A rangsorok haláláról szóló írásomban azt állítottam, hogy a keresési eredményekben elfoglalt pozíció már nem az a mérőszám, ami számít, helyét felváltotta annak valószínűsége, hogy egy modell ajánlja a márkát. Michał Grzebyk ezen a blogon írta le, mit jelent a márka láthatósága a modellválaszokban. Mindkét írás ugyanazon a létrán lévő fok. Itt még egyet megmászok, mert sem a puszta jelenlét, sem az ajánlás önmagában nem mondja meg, hogy egy márkának van-e esélye az ügyfél figyelmére.
Ezt az esélyt öt fokra bontom: jelenlét, verseny, pozíció, irány és átadás. Együtt alkotják a figyelem-esély létrát. Minden fok egy egyszerű kérdés, amit egy marketinges feltehet a saját márkájáról, és együtt írják le, mit tesz a modell az ügyfél elé. Az, hogy az ügyfél ténylegesen elolvassa-e, külön kérdés, amire a végén visszatérek.
Honnan származnak a cikkben szereplő számok?
Minden itt szereplő adat egyetlen saját kutatásunkból származik. Egy konkrét márkát érint, amelyet A márkának nevezek, és a helyzetére épített forgatókönyveket: 1400 kérdés 11 nyelven, 12 piacról származó perszónák nevében, hat modellnek (ChatGPT, Gemini, Claude, Perplexity, Grok, DeepSeek) feltéve. Ez 8400 értékelt választ eredményezett, amelyeket 2026 augusztusa és októbere között gyűjtöttünk.
Ezek a százalékok tehát az A márkát, annak kérdéseit és az adott időszak modellverzióit írják le. Nem piaci normák, sem pedig olyan szintek, amelyekhez más márkát mérni lehetne. Egy másik kategória, más kérdések és más perszónák eltérő számokat eredményeznek. Azért mutatom be őket, mert olyan mechanizmusokat illusztrálnak, amelyeket más márkák mérésekor is látunk: a hatás iránya hasonló, de a szintet mindig külön kell mérni.
Miért nem mond még semmit egyetlen modellválasz?
Vegyünk egy kérdést a tanulmányból, amelyet az egyik piac nyelvén tettek fel, márkanév nélkül. Hat modell hat különböző választ adott. Kettőben az A márka egyáltalán nem szerepelt. Egyben negyedikként jött, „meglepetésként” bevezetve. Egy másikban saját szakaszt kapott, egy másikban egyetlen említést egy mondatban az életköltségekről, az utolsóban pedig harmadik lett a listán.
Hat modellből négy behozta a márkát a válaszába. Ez jó eredmény? Egy kérdés nem mondja meg. A hasonló kérdések egész csoportjában a modell az A márkát 324 válaszból 45,1%-ban hozta be, tehát kevesebb mint minden második válaszban. Egyetlen válasz olyan, mint egy dobás egy súlyozott kockával: a kockának megvannak a maga tendenciái, de egy dobás kimenetele véletlen. Csak egy rögzített kérdéssor, sokszor feltéve, a modell verziójával és dátumával minden adat mellett, fedi fel ezeket a tendenciákat.
Ez a tanulmány még egy dolgot mutat. A kérdéstípusok közötti különbségek nagyobbak voltak, mint a modellek közötti különbségek. Az, amit az ügyfél kérdez, többet nyom a latban, mint az, hogy melyik modellt használja. Ezért kezdődik egy tanulmány elkészítése a márka és azon helyzetek pontos leírásával, amelyekben az ügyfelek keresik. Ezt a modellválaszok tanulmányának előkészítéséről szóló sorozatunkban tárgyaljuk.
Öt kérdés, amit érdemes feltenni a saját márkádról
A modell magától beveszi a márkát a válaszba?
Az első fok a jelenlét. Amikor a márkanév szerepel a kérdésben, a modell szinte mindig beszél róla: az A márka tanulmányban a válaszok 99,9%-ában. Ez azonban visszhang, nem mérés. Az igazi teszt ott kezdődik, ahol az ügyfél nem nevezi meg a márkát, mert csak ott választja ki maga a modell, kinek adjon esélyt.
1452 olyan válaszban, ahol nem szerepelt az A márka neve, a modell az esetek 72,4%-ában hozta be. Ez az átlag nagy különbségeket rejt. A magánszemélyektől származó kérdésekben (amelyekre a következő adatok vonatkoznak, hacsak másképp nem jelzem), a márka versenyszegmensére szűkítve, 552 válaszból 91,7%-ban jelent meg. Az egész kategóriára vonatkozó általános kérdésekben 324-ből 45,1%-ban. Azoknál a kérdéseknél, amelyek egyáltalán nem utaltak a kategóriára, 90-ből 20,0%-ban. A jelenlét tehát nem a márka tulajdonsága. Hanem egy pár tulajdonsága: a márka és a kérdés.
Kivel osztja meg a márka a választ?
A második fok a verseny. Egy modell ritkán mutat rá egyetlen márkára. 1044 olyan válaszban, ahol nem szerepelt az A márka neve, átlagosan majdnem hat másik opciót sorolt fel, és az A márka mindössze az esetek 0,4%-ában volt az egyetlen javaslat. Általános kérdésekben a listát egy vezető nyitotta, akit a válaszok 58,0%-ában neveztek meg. Az A márka a második helyen végzett (45,1%), négy opcióval szorosan mögötte, mindegyiket a válaszok 38–41%-ában említették.
A következtetés egyszerű: egy modell válaszában egy márka nem egy riválissal, hanem egy egész listával versenyez. A modell, amely összeállítja ezt a listát, dönti el, kit lát majd az ügyfél a márkád mellett.
Milyen magasan áll a márka a válaszban?
A harmadik fok a pozíció: a válasz tetején vagy a nyolcadik bekezdésben. Az egykérdéses példában az A márka egyszer harmadik, egyszer negyedik helyen állt. Csábító ezt rangsorrá alakítani. Az A márka tanulmány azonban azt mutatja, hogy amikor a márkanév nem szerepel a kérdésben, a pozíciója válaszról válaszra változik, még akkor is, ha ugyanazt a kérdést ugyanazon a napon ismétlik meg.
Egyetlen pozíció tehát nem eredmény. Az eredmény az, hogy egy rögzített kérdéssorban milyen gyakran éri el a márka a válasz elejét. Amikor a márkanév szerepel a kérdésben, a modell szinte mindig azzal kezdi a válaszát, de ez ismét csak visszhang.
A modell ajánlja, csak megemlíti, vagy ellenzi?
A negyedik fok az irány. Amikor a modell magától behozta az A márkát a válaszba, az esetek 55,9%-ában egyértelműen ajánlotta. Szinte soha nem tanácsolta ellene (1,7%), de tíz válaszból négyben csak megemlítette, ajánlás nélkül. Michał Grzebyk egy külön írásban magyarázza el a megemlítés és az ajánlás közötti különbséget.
A legérdekesebb az, hogy a kérdéstípus itt fordítva működik, mint a jelenlét esetében. A szűkített kérdésekben az A márka szinte mindig megjelenik, mégis csak a válaszok 47,0%-ában ajánlják. Az általános kérdésekben ritkábban jelenik meg, de amikor megjelenik, 62,3%-ban ajánlják. A kötelező jelenlét nem ugyanaz, mint a választásból eredő jelenlét. A modell akkor választ egy márkát, ha van érve mellette, és egy említésszámláló nem tudja megkülönböztetni a két helyzetet.
Hová küldi a modell az ügyfelet?
Az ötödik fok az átadás. Itt ér véget a modell csatornája, és kezdődik a weboldalad. A modellek által memóriából megadott címek az esetek 49,5%-ában az A márkához kapcsolódó oldalakra vezettek. Az élő kereséssel talált források az esetek 22,4%-ában vezettek oda. Ez két különböző működési mód és két külön adat, amelyeket nem vonok össze egybe.
A válaszok olvasása megmutatja, miért. A modell olyan forrást idéz, amely a kérdező helyzetére, nyelvére és kontextusára vonatkozik. Nem idéz olyan szöveget, amely arról szól, ki a márka. Bármely tartalomkiadó számára ez fontos jelzés: a modellekből érkező forgalom arra az oldalra megy, amelyik válaszol az ügyfél kérdésére.
A figyelem esélye egy pillanatfelvétel
Az öt fok egy adott nap és egy adott modellverzió válaszait írja le. Az A márka tanulmányban az újabb modellverziók hét hét alatt több mint tíz ponttal eltolták az egyértelmű ajánlások arányát, mindkét irányba és kampány nélkül. Egy modell, új verziójában, abbahagyta a márka megnevezését egy olyan válaszban, ahol korábban szerepelt a listán. Egy másik, új verziójában, az első mondatba tette.
Az ilyen jellegű eltolódás megváltoztatja bármely egyszeri audit jelentését. Egy modellverzió és dátum nélküli adatnak nincs címe, és egy negyedévvel ezelőtti mérés csak azt mondja meg, milyenek voltak a dolgok. A figyelem esélyét rendszeresen ellenőrizni kell, ugyanazon kérdéssor alapján.
Miért nem látható még egy jól ismert márka?
Közvetlenül az A márkához kapcsolódó legismertebb nevekről kérdezve a modellek mind a 144 válaszban ugyanazt a kánont adták. Gyakorlati kérdésekben ugyanez a kánon a válaszok 12,0% és 0,8% között jelent meg. A tudás csak azon az ajtón keresztül jut be egy válaszba, amelyet az ügyfél kérdése nyit meg: egy hely, egy probléma, egy specifikus helyzet. Üzleti kérdésekben az a forrás, amely egy gyakorlati igényt elégített ki ("hogyan ellenőrizzek egy üzleti partnert?"), 4200 válaszból 143-ban jelent meg, míg ugyanabban a környezetben a legnagyobb vállalat 21-ben.
Tehát a modell nem azt ajánlja, amit a legjobban ismer. Azt ajánlja, ami illik a kérdéshez. Ezért kell egy márka tartalmát az ügyfelek helyzetei köré építeni, nem pedig a saját leírása köré.
A figyelem esélye még nem figyelem
Az öt fok megmondja, mit tesz a modell az ügyfél elé. Azt, hogy az ügyfél valójában mit olvas és dolgoz fel, csak olyan módszerek mutatják meg, amelyek embereket vonnak be, például felmérés vagy szemkövetés a válaszok mintáin. Itt kezdődik a figyelem, szigorú értelemben. A reklámozásban a figyelem egy részét adatjelekből, például expozíciós időből vagy görgetésből becsülik. Egy modell válaszában ezek a jelek kizárólag az azt megjelenítő platformhoz tartoznak, így kívülről csak a válasz tartalma olvasható. A figyelemhez vezető út az AI csatornán tehát négy lépésből áll.
Először, kérdések márkanév nélkül: egy rögzített ügyfélkérdés-sor, sok futtatás, és a modell verziója és dátuma minden eredmény mellett. Másodszor, az öt fok a válaszok tartalmából kiolvasva, ami a figyelem esélye. Harmadszor, emberek bevonásával végzett kutatás, amely megerősíti a figyelmet. Negyedszer, az üzleti eredmény: forgalom a válaszokból, érdeklődések, értékesítések és márkaismertség-növekedés, összekapcsolva a második és harmadik lépéssel.
Ezen az úton egy külön eszköz is található: a reprezentáció minőségének auditja. A Brand Semantics blogon leírt 5P modell ellenőrzi, hogy egy válasz igaz-e, és hogy az eredmény stabil-e. A figyelem-esély létra a márka ügyfélhez vezető útját írja le, míg az 5P annak minőségét, amit a modell mond útközben.
Mi következik ebből egy marketinges számára, bármilyen eszközt is használ?
Öt alapelvbe gyűjtöttem össze, amelyek bármilyen mérési módszerrel érvényesek.
- Mérj ott, ahol az ügyfél nem nevezi meg a márkát. A márkanévvel ellátott kérdések visszhangok, nem mérések. A figyelem esélyét a kategóriára, a problémára és a helyzetre vonatkozó kérdések döntik el.
- Ne számold a megemlítéseket. Számold az indoklással ellátott megemlítéseket: egy érvvel, egy hellyel, egy összehasonlítással. Az indoklás nélküli megemlítés helyet foglal a listán, de nem ad okot az ügyfélnek a választásra.
- Adj a modellnek egy ajtót. Egy tény, egy szám vagy egy összehasonlítás, amelyet az ügyfél kérdésére készítettek, bekerül a válaszba. Egy szöveg arról, hogy ki vagy, általában nem.
- Tanulmányozd a közönség kérdését a saját nyelvén és kontextusában. Csak így tud a válasz embereket hozzád küldeni, nem pedig egy olyan forráshoz, amely jobban illik az ügyfél helyzetéhez.
- Minden adat modellverzióval és dátummal. Mérj rendszeresen, és számold külön a fizetett hirdetéseket a chatben a modell megemlítésétől.
A figyelem valutává válik. Egy modell válaszában a megnyerés esélyeit a modell osztja ki, és azokhoz a márkákhoz kerülnek, amelyek okot adnak rá.
Ha szeretnéd ellenőrizni ezt az öt fokot a saját márkád esetében, a Semantio márkanév nélküli kérdéseket tesz fel a modelleknek, és megmutatja, hogy a modell beveszi-e a márkát, kivel együtt szerepel, mennyire erősen ajánlja, és hová küldi tovább az embereket. Kezdheted egy 7 napos próbaverzióval.
Olvassa el ezt is: A ChatGPT megmutatja, hányszor szerepelt egy márka a válaszokban. Azt azonban nem, hogy miért
