Mit csinál egy rendes SEO-s hétfőn este 23:57-kor? Egy rendes valószínűleg alszik. Én vibe kódolok. Olyan sokan kérdezték az elmúlt hetekben, hogy miként is lehet „optimalizálni a ChatGPT” találatokra és egyebekre, hogy nekiálltam fórumokat olvasni, forráskódot túrni. A végeredményt lentebb olvashatjátok. Erősen technikai hátterú írás, de igyekszem emészthető formába önteni.

Ha valaki alap szinten ért az internethez, tudja hogyan működik egy weboldal, akkor az már egy óriási előny. Ez segít mondjuk neki, hogy nem néz be egy adathalász támadást. Ha valaki meg nagyon ért a weboldalak és alkalmazások működéséhez, akkor ki tudja következtetni vagy logikázni, hogy mikor minek kéne történnie. Miért fontos ez? Mert amikor programokat használunk, akkor azok gyakran hagynak nyomokat maguk után, amelyekből következtetni lehet a működésükre. Nincs ez másként a ChatGPT-vel sem. Én persze nem állítom, hogy nagyon értek az internethez. De a cikk végére talán el tudom hitetni, hogy ezúttal jó nyomon indultam el.

Hogy keres a ChatGPT?

Vegyünk egy hipotetikus esetet. Rákeres egy kedves érdeklődő, hogy melyik a legjobb SEO ügynökség és kíváncsi arra is, hogy miért?

Ekkor két opció létezik:

• a ChatGPT saját magától tudja a választ, ezért egyből meg is adja. Ilyenkor egy fekete pötty villog csak a képernyőn. Ekkor a saját „tudásbázisából dolgozik”, nem nyúl ki semmilyen információért.

• a másik esetben viszont kírja, hogy „Searching the web…” és nekilát egy webes keresést futtatni

Így néz ki ez a gyakorlatban.

Ok, de vajon ki lehet deríteni, hogy mit használ? Vagy akár azt hogy mire keres? Szerinted? Igen, ki lehet. Pontosan ezért készült ez a cikk is.

Szóval maga a felhasználó annyit lát, hogy elkezd érkezni a válasz a lenti formában.

De a háttérben egészen érdekes dolgok történnek. Ha megnyitod a böngésző Console-ját és megkeresed a Network tab alatt a Conversationt, akkor egész érdekes dolgokra lehet találni. Először ellenőrizzük milyen headert kapunk.

Van egy POST request a ChatGPT backend API-hoz. Vagyis a rendszer elküldi, hogy „figyu, erre lenne szükségem”.

Mit kell nekünk csinálni? Pontosan, jól gondoltad. El kell kapni a választ, amit az API visszaad. A Response tab alatt meg is találjuk, amit keresünk.

Elsőre egy kicsit furcsa kódot látunk, mintha darabokra lenne törve, meg az \u00fc és \u00f6 Unicode-karakterek magyar ékezetes betűket jelentenek, de feltűnik benne, olyan hogy:

• legjobb SEO ügynökség
• Magyarország 2025
• aztán valamit patchel a rendszer, tokenek jelennek meg és teljes search query-k

Ez a lenti kódrészlet, amit szét kell szálazni.

event: delta
data: {"p": "/message/content/text", "o": "append", "v": "{\"search"} 

event: delta
data: {"v": "_query\":[{\"q\":\"legjobb SEO \u00fcgyn\u00f6ks\u00e9g"}

event: delta
data: {"v": " Magyarorsz\u00e1g 2025"}

event: delta
data: {"p": "", "o": "patch", "v": [{"p": "/message/content/text", "o": "append", "v": "\"},{\"q\":\"top SEO agency Hungary reviews\"}]}"}, {"p": "/message/status", "o": "replace", "v": "finished_successfully"}, {"p": "/message/metadata", "o": "append", "v": {"finish_details": {"type": "stop", "stop_tokens": [200012]}, "search_display_string": "Searching the web...", "is_complete": true, "search_queries": [{"type": "search", "q": "legjobb SEO \u00fcgyn\u00f6ks\u00e9g Magyarorsz\u00e1g 2025"}, {"type": "search", "q": "top SEO agency Hungary reviews"}], "searched_display_string": "Searched the web..."}}]}    

Ez a kódrészlet a ChatGPT ún. „streamelt” válasza (Server-Sent Events (SSE)). Ezen a formátumon keresztül kommunikál a backend és a front-end (itt a webes felület). A rendszer fokozatosan (streamelve) építi fel a keresési lekérdezést. Ennek az az oka, hogy a ChatGPT (és más LLM-ek) tokenekben dolgoznak, és az outputot fokozatosan, streamelve küldik, ahogy generálják. Nem egyben az egészet. Vagyis fent minden event: delta egy vagy néhány új tokent küld, amelyekből fokozatosan összeáll a teljes szöveg.

Itt például ezek a tokenek.

"v": "{\"search"
"v": "_query\":[{\"q\":\"legjobb SEO ügynökség"
"v": " Magyarország 2025"

És ebből áll össze a végül a teljes keresés.

{"search_query":[{"q":"legjobb SEO ügynökség Magyarország 2025"}]}

Majd a rendszer elkészít(het) újabb kereséseket is, és végül ezeket egy tömbben fogja kiírni.

Jelen esetben ezeket:

"search_queries": [
{"type": "search", "q": "legjobb SEO ügynökség Magyarország 2025"},
{"type": "search", "q": "top SEO agency Hungary reviews"}
]

Joggal merülhet fel a kérdés, hogy erre aztán meg mi a búbánatnak van szükség? Miért nem lehet egyből ezzel kezdeni?

A válasz egyszerű: így real-time-nak tűnik a felhasználói élmény. A frontend ugyanis így azonnal tud reagálni (pl. „Gondolkodik…”, „Keres a neten…”), és nem kell megvárni az egész válasz legenerálását. Ez különösen akkor fontos, ha a válasz hosszan, akár nagyon sok lépésben épül fel. A lényeg ezen a ponton technikailag annyi, hogy a keresési kifejezések tokenenként, több delta eseményben érkeznek, mert a modell streamelve generálja a választ. Ezért a frontend valós időben tudja megjeleníteni az épülő üzenetet.

De a háttérben valami „egészen más történik”. A rendszer szeretne olyan keresést futtatni, ami nagy magabiztonsággal válaszolja meg a kérdésünket. Ezt hívjuk grounded search-nek.

Grounded search

A grounded search (magyarul: „megalapozott keresés”) a ChatGPT-ben azt jelenti, hogy a mesterséges intelligencia külső, valós adatforrásokra támaszkodik a válaszadás során, nem pusztán a betanított tudására.

Mit jelent ez pontosan?

• A rendszer konkrét kereséseket indít. Például internetes keresőben, saját dokumentumtárban vagy adatbázisban.
• Ezután valós szövegrészeket (idézeteket, kivonatokat) nyer ki ezekből a forrásokból.
• A választ ezekre az adatokra „megalapozva” generálja, vagyis nem csak „hasraütésszerűen”, hanem tényleges, ellenőrizhető információk alapján.

ChatGPT-ben hogyan néz ki ez?

Amikor a ChatGPT webes keresést vagy egy RAG-alapú (retrieval-augmented generation) mechanizmust használ, akkor az alábbi elemeken megy végig.

Elem	Szerepe
Keresési lekérdezés	A ChatGPT megfogalmaz egy (vagy több) keresőkifejezést, hogy megtalálja a releváns adatokat.
Talált források	Elolvas konkrét szövegrészeket cikkekből, weboldalakról vagy dokumentumokból.
AI gondolatmenet	Az AI ezeket elemzi és szintetizálja. Ezek alapján készíti el a választ.

Mire és miért jó ez?

• Nagyobb pontosság: ha az LLM keres, akkor nemcsak a „tudásából próbál tippelni”, hanem friss adatot is igyekszik használni.
• Ellenőrizhetőség: hivatkozható forrásokkal dolgozik, amiket meg is jelöl (illetve ezket te is kinyerheted, ha akarod, de erről majd később).
• Kevesebb „hallucináció”: ez elviekben csökkenti a kitalált vagy téves információkat is. Nem viszi le nullára, de jelentősen tudja csökkenteni.

A jó hír az, hogy ezeket a grounding-forrásokat ki lehet nyerni akár egy JavaScript bookmarklettel, akár API-n keresztül.

A fenti példában például jól látható, hogy két keresést rakott össze a rendszer:

• legjobb SEO ügynökség Magyarország 2025
• top SEO agency Hungary reviews

Vagyis amikor a ChatGPT választ ad arra, hogy melyik a legjobb SEO ügynökség Budapesten, akkor ebben a konkrét esetben a fenti két keresést fogja futtatni. Utána elolvassa az ott található tartalmakat. Azokat szintetizálja és végül megadja a választ.

Tehát mitől függ, hogy a ChatGPT milyen választ fog adni? Igen, attól függ.

• Attól függ, hogy mire keres rá (pontosabban mikre!)
• Attól függ, hogy ott milyen tartalom rankel
• Attól függ, hogy azokból mit olvas el
• Attól függ, hogy azokból mit szintetizál
• És végül attól függ, hogy abból mit jelenít meg, milyen szempontrendszer szerint

Ez alsó hangon 5 olyan elem, ami akár keresésről keresésre változni tud. És egy korábbi cikkben már bemutattam, hogy milyen erős a random / probabilisztikus faktor ebben az egészben. Lehet, hogy téged ajánl és javasol a legtöbbször, de nem mindig téged fog ajánlani. Itt most már valószínűségekről beszélünk, nem tényszerű „pozíciókról”.

De ugorjunk is vissza a technikai részre. Ha kézzel ki lehetett túrni, hogy mire keresett a ChatGPT, akkor biztos ki lehet ezt valahogy hatékonyabban is szedni. Nos, igen, ki lehet. Futtattam még egyszer a keresést és itt egy animáció, hogy a Bookmarkba mentett Javascript milyen outputot generál.

Itt ha kimásoltam a kereséseket, akkor ezt kaptam:

• legjobb SEO ügynökség Magyarország 2025
• top SEO agency Hungary reviews
• legjobb SEO ügynökség Magyarország
• top SEO agency Hungary

Feltűnt valami? Amikor másodjára futtattam a kereséseket, akkor már nem csak 2 kulcsszóra keresett rá, hanem már 4-re. Vagyis máris bővült azoknak a kifejezéseknek a köre, amikre a rendszer rákeresett. Persze, ezek nagyon hasonlóak voltak az első kereséshez, de attól még jól látható, hogy nem minden esetben ugyanazok a grounded search-ök alakulnak ki ugyanazon kérdés esetében.

Ami itt érdekes még, hogy látszik: az AI nem csak egy kifejezésre keres rá. Mint ahogy ahhoz egy-egy ügyfél szokott ragaszkodni. Hanem „teríti” a kereséseket és végül nem 1 queryből oldja meg a keresést, hanem több query kombinciójából. Ez valójában a fan-out fázis, amiről itt írtam bővebben a Google szabadalma résznél. (Mostani tesztek alapján a query fan-out max 5 elemig megy el, de ez később még változhat, nyilván felfele). Már régen is elavult volt az a megközelítés, hogy 1-1 kulcsszó organikus pozíciójához ragaszkodjon az ember, és ez egyre inkább fel fog erősödni. Persze, továbbra is jó, ha elől vagy egy konkrét kifejezésre. De az önmagában már nem (lesz) elég. Teríteni kell a kulcsszavakat, és folyamatosan vizsgálni, hogy az LLM rendszerek milyen szintetikus kereséseket kevernek ki. (Erre még később visszatérünk, miért fontos.)

Így néz ki egyébként maga a Bookmark és a javascript kód.

De innen még tovább lehet menni. Ugyanis az API Response-ban nem csak a kereséseket lehet elkapni, hanem több egyéb információt is. Például azt, hogy konkrétan milyen forrásokat és RAG-okat használt a rendszer. Illetve, hogyha gondolkodó modellt használtunk, akkor mi volt a gondolatmenet a keresés során. Ezért egyből két bookmarkot is készítettem. Egy rövidet és egy hosszabbat.

A második részletesebb bookmarkban darabokra is szedtem a fenti elemeket. A rendszer:

• először kiírja a keresési kifejezéseket
• alatta megmutatja az LLM gondolatmenetét a keresés során (AI Reasoning)
• és végül megadja a forrásokat (a RAG-ot)

Ahogy túrtam a netet, akkor nyilván kiderült, hogy mások is próbálkoztak már ezzel és vannak egész hasonló megoldások. Illetve jönni majd bőven ilyenek. Alapul vettem az egyik Chrome plugint és „vibe kódoltam” belőle egy saját veziót Cursor segítségével.

Hozzáadtam a saját Chrome böngészőmhöz.

Könnyedén lehet futtatni egy ChatGPT keresés után.

És utána szépen megadja, a queryket, a gondolkodási folyamatot, a termékeket, a tool callt és a RAG-ot is.

A végén pedig exportálható az egész. Látod benne rendszerezve a search queryket, thought-ot, tool call-t és a sourcet is.

Ez alapján már jól azonosítható, hogy konkrétan milyen úton-módon jutott el a ChatGPT ahhoz, hogy egy adott választ adjon nekünk. Látjuk a „szintetikus queryket”, amiket az LLM talált ki és generált le. A cél igazából innentől kezdve az, hogy ezekre (is) jól rankeljen az oldalad. Nagyon sok esetben azonban nem tudod az összes ilyet saját weboldalon lefedni. Valójában arra van szükség, hogy az online PR / linképítés folyamatában ezeket a szintetikus kulcsszavakra is te jelenj meg. Igen, más weboldalakon.

Az a tény, hogy a Google kereső algoritmusban megjelent az AI Overview még nem jelenti azt, hogy nincs másik kereső a piacon. A SEO valójában soha nem a Google optimalizálást jelentete, mégha sokszor ezt is értettük rajta. Ez igazából magyar sajátosság, hogy a Googlenek 95% körüli a részaránya az általános keresésben. Valójában lehet SEO-zni LLM-ek esetében is. Például egy LLM built-in keresője hasonlóan működik, mint egy okos felhasználó, aki több mindenre rákeres, több mindent elolvas és abból szintetizál. Oké, ezt értjük. De arra vagyunk kíváncsiak mit kell tenni?

Amit én csinálnék egy ilyen esetben:

• bekötném analitikában a különböző LLM-eket, hogy mérni tudjam az AI forgalmat. Erről itt írtam a cikk végén.
• innen már látni lehet, hogy milyen oldalakra érkezik forgalom LLM-ből, tehát megvannak az URL-ek, amelyek biztosan érintettek AI Search-ben
• az URL-eket vissza kell ellenőrizni Google Search Consoleban query szűrővel, hogy lássuk potenciálisan milyen valódi query-kre jelenik meg hagyományos Google search során. (Ez bár nem ad egzakt választ, sokkal inkább close proximity jellegű megoldás, de jelenleg nem ismerek jobb kiindulási módot. Ha ugyanis nem rankelsz a saját kulcsszavaidra Google keresésben, üres a GSC fiók, akkor az LLM se fog téged megtalálni, ajánlani. Ennyire egyszerű.)
• a hagyományos queryket be kell táplálni az LLM-be és megnézni hogy milyen grounded search lesz a végeredmény (itt maga a tokenekre bontás folyamata is érdekes, de főként az azok alapján a végső szintetikus queryk kellenek)
• majd ki kell gyűjteni, hogy ilyen gondolatmenetet alkalmaz az LLM, és milyen forrásokhoz, RAG-hoz nyúl ki
• ezt követően pedig szisztematikusan gyűjteni kell az adatokat, hogy egyfajta statisztikai valószínűséget kapjuk, tehát mekkora eséllyel fog minket ajánlani.
• a szintetikus keresések és források alapján pedig lehet külön, dedikált online PR stratégiát építeni (nagyon célzottat)
• végeredményként még az is elképzelhető, hogy a SEO tartalomgyártásnál dobni kell az eddigi kulcsszókutatás egy részét és a szintetikus long tail és szuper long tail kifejezésekre kell rámenni. És nemcsak a saját tartalmak esetében kell erre koncentrálni, hanem akár a PR stratégiában is. Vagyis olyan PR tartalmat kell gyártani, ami önmagában is képes rankelni, még akkor is, ha nagyon erősen long tail és niche kulcsszavakra készül. Olyanokra, amiket semmilyen korábban ismert keyword reasearch eszköz nem ad vissza, de az LLM működés grounded search outputjából mégis ki lehet nyerni.

Ez persze még nem jelenti azt, hogy teljes kontrollunk lesz a folyamat felett. Tehát nem tudjuk neki megmondani, hogy mire keressen, ott miket szedjen ki a dokumentumokból és azt hogy szintetizálja. De nyomon tudjuk követni, hogy konkrétan mit csinál. Ez pedig már önmagában egy óriási dolog. Mert így indirekt módon hatással tudunk lenni az inputokra.

Ki pedig az inputokat kontrollálja, az végső soron növeli az esélyét, hogy az LLM őt ajánlja és javasolja egy-egy válasz során majd. A GenAI ugyanis nem determinisztikus válaszokat ad, hanem probablisztikusokat. A cél viszont az, hogy minél több változót mi kontrolláljuk. A folyamat végén bármelyik algoritmus (legyen az ChatGPT, Claude vagy épp Gemini) minket dobjon fel a legjobb helyen.

Így végső soron a GEO (AI SEO), hívjuk bárhogy, érdemben nem különbözik a hagyományos SEO-tól. Csak jóval bonyolultabb, mert rárakódik egy újabb, eddig sokak számára láthatatlan réteg.