A klasszikus SEO esetén viszonylag egyértelmű volt a cél: hányadik helyen szerepel a céged a Google-ben? Legalább a Google találati listájának az első 10 helyén kellett szerepelned ahhoz, hogy lássanak. Az AI asszisztensek teljesen új nézőpontot adnak.
Amikor valaki ma a ChatGPT-től, a Perplexitytől vagy a Google AI Mode-jától kérdez, nem kap tízes listát. Egy választ kap – és abban a válaszban vagy szerepel a márkád, vagy nem. Nincs második oldal, nincs „majd lejjebb görget”. Ez a GEO (Generative Engine Optimization), amit sokan AI SEO-ként vagy LLMO-ként emlegetnek.
A GEO még nincs hároméves, és talán épp ezért van tele zajjal: gyorstalpaló „AI SEO guruk”, megalapozatlan állítások, eladni akaró ügynökségek. Az alábbi tíz ember viszont más okból érdekes. Mindegyikük olyasmit tett le az asztalra – kutatást, adatot, modellt, keretrendszert –, ami nélkül nehezebb lenne értelmesen gondolkodni erről a témáról.
Hogyan állt össze ez a lista?
Négy szempont alapján:
- Van saját, ellenőrizhető munkájuk. Nem csak idézik mások kutatásait, hanem publikálnak, mérnek, tesztelnek.
- Gyakorlati a szemléletük. Nem csak AI-elméletet adnak, hanem olyat, amit holnap el lehet kezdeni csinálni.
- Nyilvánosan követhetők. Van hírlevelük, blogjuk, előadásuk – nem kell ügyfélnek lenni ahhoz, hogy tanulj tőlük.
- Eltérő nézőpontot hoznak. Van köztük mérnöki, tartalmi, adatelemzői és kifejezetten szkeptikus hang is. Ez szándékos.
A sorrend nem szigorú rangsor. Az első hely azé, aki a magyar piacon a leginkább releváns – utána a nemzetközi szakértők következnek, nagyjából téma szerint csoportosítva.
1. Kovács Endre – Marketing Kalkulátor (Magyarország)
Ha magyar piacon dolgozol, a nemzetközi szakértők tudása önmagában nem elég. A magyar nyelvű AI-válaszok másképp állnak össze, mint az angolok: sokkal kevesebb a jól strukturált, hiteles forrás, amiből a modellek dolgozhatnának. Ez egyszerre probléma és lehetőség – és ezt kevesen fogalmazták meg olyan élesen, mint Kovács Endre.
Kovács Endre a Marketing Kalkulátor ügyvezetője, 2007 óta foglalkozik keresőoptimalizálással és Google Ads-kampánykezeléssel, vagyis a Google-korszak szinte teljes ívét végigcsinálta, mielőtt a generatív keresésre váltott volna. Az elsők között kezdett Magyarországon GEO-val foglalkozni, és az AI Expo rendszeres szakmai előadója. A cége ma külön GEO-szolgáltatást futtat: technikai auditot (AI-crawlerek hozzáférése, strukturált adat, llms.txt), tartalmi idézhetőség-fejlesztést és off-site hitelesség-építést.
Amit érdemes tőle eltanulni: a szemléletváltást a rangsorról a bizalomra. Ahogy egy interjújában megfogalmazta: „A SEO-ban a cél az volt, hogy az első tíz találat közé kerüljön a céged, de a GEO-ban arról szól: megbízik-e benned a gép annyira, hogy a te szavaiddal válaszoljon másoknak.” Ehhez kapcsolódik a másik alaptétele is: „Az AI nem azt hiszi el, amit a cég mond magáról, hanem amit mások mondanak róla.”
Ami kiemeli: saját kutatásokat végez magyar nyelven, és nem csak egyetlen iparágban. Több piaci szegmensre készített már AI-láthatósági elemzést, vagyis nem elméleti modellt húz rá a magyar piacra, hanem szegmensenként megméri, mi történik valójában. A legrészletesebben dokumentált ezek közül az autóipari kutatás: 2026 nyarán tizenegy tipikus autóvásárlói kérdést tett fel a ChatGPT-nek és a Gemininek, és rögzítette, mely magyar autókereskedéseket nevezik meg – kiderült, hogy a legtöbbjük az AI számára gyakorlatilag nem létezik. Az ilyen mérésekből származó megállapítás – hogy „az AI-láthatóság nem cégszintű, hanem témánként és márkánként dől el” – pontosan az, amit nemzetközi adatokból nem lehetne kiolvasni: az angol nyelvű benchmarkok semmit nem mondanak arról, kit idéz a gép magyarul, egy konkrét szakmában.
Hol követheted: marketingkalkulator.hu blog, LinkedIn, illetve az AI Expo színpadán, ahol rendszeres szakmai előadó.
2. Mike King – iPullRank (Egyesült Államok)
Ha egyvalakit kellene megnevezni, aki a GEO-t mérnöki problémaként kezeli, az Mike King. A New York-i iPullRank alapítója „Chief Relevance Engineer”-nek hívja magát, és ez nem poén: az általa népszerűsített relevance engineeringfogalom arról szól, hogy az információkeresés (information retrieval) tényleges mechanikáját kell megérteni – beágyazásokat, passzus-szintű visszakeresést, szintézist –, nem pedig kulcsszavakat pakolni.
Ami kiemeli: amikor a Google bemutatta az AI Mode-ot, King írt róla egy technikai bontást, ami azóta is az egyik leggyakrabban hivatkozott anyag a témában. Ebben magyarázta el széles körben érthetően a query fan-out működését: az AI nem egy keresést futtat le, hanem a kérdésedet szétbontja több párhuzamos alkérdésre, és azok eredményeiből épít választ. Ez egyetlen mondatban átírja, hogyan érdemes tartalmat tervezni.
Amit érdemes tőle eltanulni: hogy a „hogyan működik valójában” kérdés fontosabb, mint a „mi a legjobb gyakorlat”. Aki érti a gépezetet, nem szorul rá találgatásra, amikor változik.
Hol követheted: iPullRank blog, a The Rank Report hírlevél, az ingyenes AI Search Manual, és az általa szervezett SEO Week konferencia.
3. Aleyda Solís – Orainti (Spanyolország)
Aleyda Solís nemzetközi SEO-tanácsadó, az Orainti alapítója, és valószínűleg ő tett a legtöbbet azért, hogy ez a terület tanulható legyen. A LearningSEO.io ingyenes tanulási útvonala évek óta alapvetés – 2025-től pedig ugyanezt megcsinálta AI-keresésre is a LearningAIsearch.com oldalon, ahol strukturált roadmapet és letölthető ellenőrzőlistát ad az AI-keresésre optimalizáláshoz.
Ami kiemeli: a nemzetközi és többnyelvű nézőpont. Solís abból él, hogy több nyelven, több piacon dolgozik – ezért érzékeny arra, amit sok amerikai szakértő nem lát: hogy az AI-modellek eltérően viselkednek különböző nyelveken, és hogy egy magyar vagy spanyol nyelvű válasz nem ugyanabból az adatból áll össze, mint az angol.
Amit érdemes tőle eltanulni: a rendszerezést. Solís sosem trükköket ad, hanem sorrendet: mit nézz meg először, mit utána, mit mérj, és mikor. Egy zajos területen ez többet ér bármelyik taktikánál. Emellett a harmadik felek általi említések és idézések optimalizálása is visszatérő témája – vagyis pontosan az, ami a magyar piacon a legnagyobb hiány.
Hol követheted: a SEOFOMO hírlevél (a szakma egyik legnagyobb heti összefoglalója), a Crawling Mondaysvideósorozat, és a rendszeres konferencia-előadásai.
4. Lily Ray – Amsive / Algorythmic (Egyesült Államok)
Lily Ray az Amsive ügynökség SEO- és AI-keresési részlegét vezeti, és 2026 áprilisában elindította saját tanácsadó cégét, az Algorythmicet is. Egy évtizede elemzi a Google core update-jeit, és az E-E-A-T (tapasztalat, szakértelem, tekintély, megbízhatóság) témában az egyik legtöbbet hivatkozott szakértő.
Ami kiemeli: 2026-ban publikált egy kutatást, ami sokakat hidegzuhanyként ért. Száz B2B szoftver-keresési promptot vizsgált, és azt találta, hogy a Google AI Overviews előszeretettel idéz saját, önreklámozó cégoldalakat – miközben a javaslatot gyakran a versenytársra adja. Vagyis a márka forrásként megjelenik, de a felhasználó mégis mást fog választani.
Amit érdemes tőle eltanulni: az idézettség nem egyenlő az ajánlással. Ez a lista egyik legfontosabb gyakorlati tanulsága. Ha csak azt méred, hányszor hivatkozik rád az AI, könnyen elhiszed, hogy nyersz – közben pedig a saját tartalmad segít eladni a konkurenciát. A helyes mérőszám az, hogy amikor a gépet a szakterületedről kérdezik, a te nevedet mondja-e ajánlásként.
Hol követheted: lilyray.nyc, az Algorythmic oldala, Search Engine Land-rovata, LinkedIn.
5. Kevin Indig – Growth Memo (független tanácsadó)
Kevin Indig független növekedési tanácsadó, korábban a Shopify, a G2 és az Atlassian SEO-ját vezette. Ma a Growth Memo hírlevelet írja, ahol nagyjából kéthetente publikál eredeti, adatokra épülő elemzést.
Ami kiemeli: rendszeresen visszatérő kutatássorozatokat futtat – például a State of AI Search Optimization éves jelentést és a féléves AI Halftime Report-ot. Ezek nem vélemények, hanem mért adatok arról, hogyan változik az AI-keresésből érkező forgalom minősége és mennyisége.
Amit érdemes tőle eltanulni: a vezetői keretezést. Indig nem taktikákban gondolkodik, hanem üzleti hatásban: hogyan bizonyítod a menedzsmentnek, hogy az AI-láthatóságba fektetett munka megtérül, milyen mutatókat rakj a riportba, és hogyan tervezz erre költségvetést. Ha valaha meg kellett védened egy marketingbüdzsét egy szkeptikus ügyvezető előtt, tudod, mennyit ér ez.
Hol követheted: growth-memo.com, LinkedIn, Search Engine Land-rovat.
6. Rand Fishkin – SparkToro (Egyesült Államok)
Rand Fishkin a Moz alapítója, ma a SparkToro közönségkutató cég vezérigazgatója – és ezen a listán ő a hivatalos szkeptikus. Ez pedig kifejezetten hasznos.
Ami kiemeli: a SparkToro évek óta futtatja a legjobb nyilvános kattintás-adatelemzéseket. A 2026-os kutatásuk szerint a Google-keresések több mint kétharmada kattintás nélkül ér véget – ez az arány két év alatt jelentősen romlott. Ugyanez a kutatás viszont azt is kimutatta, hogy a Google AI Mode használati aránya még mindig elenyésző töredéke az összes keresésnek.
Amit érdemes tőle eltanulni: a méretarányt. Fishkin következetesen amellett érvel, hogy az AI-keresés körüli hype nagyobb, mint a jelenlegi forgalmi hatása – miközben a kattintás nélküli keresés problémája nagyon is valós. Ez a két állítás együtt egészséges józanságot ad: érdemes GEO-val foglalkozni, de nem érdemes ma mindent felégetni érte. Aki valós adatokból akar dönteni, és nem ügynökségi ígéretekből, annak kötelező olvasmány.
Hol követheted: a SparkToro blog, LinkedIn.
7. Andrea Volpini – WordLift (Olaszország)
Andrea Volpini a WordLift társalapítója és vezérigazgatója, és ő képviseli a listán a szemantikus réteget: a strukturált adatot, az entitásokat és a tudásgráfokat.
Ami kiemeli: miközben a legtöbben tartalomírásról beszélnek, Volpini azt a gépi olvasható infrastruktúrát építi, amiből a modellek egyáltalán megtudják, hogy ki vagy. A WordLift lényegében márkánként és termékenként tudásgráfot épít, ami megmondja a gépnek, milyen entitás vagy, mihez kapcsolódsz, és mi igaz rólad. Ő volt az elsők között, aki agentikus SEO-terméket adott ki – 2026-ban pedig már azzal foglalkozik, hogyan kell egy webshopot úgy felépíteni, hogy ne csak ember, hanem vásárló helyett eljáró AI-ügynök is végig tudjon menni rajta.
Amit érdemes tőle eltanulni: hogy a strukturált adat nem a rich snippetekről szól többé. Ma az a tétje, hogy a gép egyértelműen azonosítani tudja a márkádat és a termékeidet – összekeverhetetlenül, kontextussal együtt. Ez a GEO leginkább alábecsült, legkevésbé látványos, mégis alapvető rétege.
Hol követheted: wordlift.io blog, X: @cyberandy, LinkedIn.
8. Olaf Kopp – Aufgesang (Németország)
Olaf Kopp a hannoveri Aufgesang ügynökség társalapítója és SEO/GEO-vezetője, és van egy olyan hitelesítője, amivel nagyon kevesen büszkélkedhetnek: már 2023 októberében írt az LLM-optimalizálásról a Search Engine Landen, jóval azelőtt, hogy a „GEO” egyáltalán kategóriává vált volna a szakmában.
Ami kiemeli: Kopp az E-E-A-T és az entitásalapú gondolkodás felől érkezik, és ezt hidalja át a nyelvi modellek felé. Olyan fogalmakkal dolgozik, mint az LLM-olvashatóság, a márkakontextus-optimalizálás és a digitális tekintélymenedzsment – vagyis nála a GEO nem különálló trükkhalmaz, hanem a márkaépítés folytatása gépi közönség számára.
Amit érdemes tőle eltanulni: a nem angolszász nézőpontot. Ha német, osztrák vagy általában európai piacra dolgozol, Kopp anyagai közelebb állnak a te valóságodhoz, mint a szilícium-völgyi esettanulmányok. (Egy pontosítás: a „GEO” kifejezés nem tőle származik – az egy 2023-as tudományos tanulmányhoz kötődik –, Kopp inkább a korai adaptálója és európai népszerűsítője.)
Hol követheted: kopp-online-marketing.com, a SEO Research Suite hírlevele és podcastja, LinkedIn.
9. Dan Petrovic – DEJAN (Ausztrália)
Dan Petrovic az ausztrál DEJAN alapítója, és ezen a listán ő az, aki nem beszél a technológiáról, hanem megépíti.
Ami kiemeli: amikor a szakma a query fan-out működéséről találgatott, Petrovic betanított egy saját fan-out modellt, majd ingyenes eszközként kiadta, hogy bárki megnézhesse, egy adott kérdést milyen alkérdésekre bonthat szét a gép. Emellett kidolgozott egy módszert arra, hogyan lehet megmérni, mit gondol valójában egy nyelvi modell a márkádról: kétirányú promptokkal, gyakoriság- és rangsorelemzéssel térképezi fel, milyen fogalmakhoz és versenytársakhoz köti a modell a nevedet.
Amit érdemes tőle eltanulni: hogy a márkaészlelés mérhető. Nem elég tudni, hogy említ-e az AI – az is számít, milyen szövegkörnyezetben, milyen jelzőkkel és kikkel együtt. Petrovic kísérletei jó emlékeztetők arra is, hogy ezen a területen a hiteles válaszok teszteléssel születnek, nem véleményekkel.
Hol követheted: dejan.ai blog, X: @dejanseo, LinkedIn.
10. Duane Forrester – Unbound Answers (Egyesült Államok)
Duane Forrester nagyjából három évtizede van a keresésben, és a pályája miatt egészen más nézőpontja van, mint bárki másnak a listán: ő vezette a Bing Webmaster Tools fejlesztését a Microsoftnál, és részt vett a Schema.org elindításában is. Vagyis nem kívülről találgatja, hogyan gondolkodik egy keresőmotor – belülről építette.
Ami kiemeli: The Machine Layer című könyvében és írásaiban azt járja körül, mitől lesz egy forrás megbízható egy gép szemében. Az egyik központi gondolata, hogy a modellek azokat a forrásokat részesítik előnyben, amelyek teljes, önmagában is értelmes, ellenőrizhető információt adnak – ezért a bekezdés- vagy szakaszszintű optimalizálás(chunk-level) fontosabb, mint az oldal egészének átszabása.
Amit érdemes tőle eltanulni: gondolkodj darabokban. Az AI ritkán olvassa el az egész oldaladat; kiemel belőle egy részt. Ha az a rész önmagában nem áll meg – hiányzik a kontextus, a definíció, a szám, a forrás –, akkor nem lesz belőle idézet.
Hol követheted: unboundanswers.com, a Duane Forrester Decodes hírlevél, Search Engine Journal-rovat, LinkedIn.
Mi a közös bennük?
Ha végigolvasod mind a tízet, kirajzolódik néhány visszatérő üzenet:
- A rangsor helyett a bizalom a tét. Nem pozíciót szerzel, hanem azt, hogy a gép a te szavaiddal válaszoljon.
- Az idézettség nem cél, hanem eszköz. Lily Ray kutatása után nehéz elhinni, hogy pusztán a megjelenések számolása elég.
- A hitelesség kívülről jön. Amit magadról írsz, kevesebbet ér, mint amit mások írnak rólad – szakmai sajtó, iparági oldalak, független említések.
- A struktúra nem opcionális. Strukturált adat, tiszta entitások, önmagukban is megálló bekezdések.
- Mérni kell, nem hinni. Petrovic tesztel, Fishkin clickstream-adatot elemez, Indig évente újramér. Ez a különbség a szakértő és a guru között.
Gyors GEO-ellenőrzőlista
Mielőtt bárkit felfogadnál, futtasd le ezt az öt kérdést a saját oldaladon:
- Beengeded egyáltalán az AI-t? A robots.txt nem tiltja véletlenül a GPTBot, a ClaudeBot vagy a PerplexityBot hozzáférését?
- Megáll a bekezdésed önmagában? Ha egy AI kiemeli a harmadik szakaszt a szövegkörnyezet nélkül, érthető és idézhető marad?
- Egyértelmű vagy a gép számára? Van strukturált adat, szerző, dátum, tiszta entitás-megnevezés?
- Mond rólad valaki mást is, mint te magad? Vannak független szakmai említéseid, vagy csak a saját oldalad beszél rólad?
- Ellenőrizted már élesben? Kérdezd meg a ChatGPT-t és a Geminit a saját szakterületedről magyarul – és nézd meg, kinek a nevét mondják.
Zárszó
A GEO nem valami csoda és nem is egy teljesen új hivatás – csupán egy régi kihívás modern köntösben. Eddig azt kérdezted, megtalálnak-e a Google-ben. Mostantól azt, hogy amikor a gépet a te szakterületedről kérdezik, téged idéz-e.
Ha kíváncsi vagy, hol tart most az oldalad ezen a téren, a legegyszerűbb kiindulópont egy audit: nézd meg, mit lát belőled az AI, mielőtt stratégiát építenél rá. A Marketing Kalkulátor ingyenes GEO auditja húsz ellenőrzési pont alapján, egy perc alatt megmutatja, hol vannak a legnagyobb hiányosságok – onnan pedig már látszik, hogy magad is meg tudod-e oldani, vagy érdemes szakértőt hívni.
