Mely GEO-hibák ölik meg az AI-láthatóságodat?

A legtöbb GEO-kudarc nem a balszerencse miatt van. Előre látható hibákból, amelyeket a csapatok újra és újra elkövetnek.

Ezeket a hibákat előre láthatod. Megelőzheted őket. Ha már elkövetted őket, kijavíthatod. De tudnod kell, mit keress.

1. hiba: a Google-nek írsz, nem az AI-rendszereknek

Példa: Írsz egy cikket „Hogyan építs nagy teljesítményű csapatokat” címmel. Egy startup-alapító történetével indul, aki a csapatdinamikával küzdött, a tényleges válaszig a 3. bekezdésben jut el, és elbeszélő szerkezetet használ. A Google imádja. 1. helyen rangsorol a „nagy teljesítményű csapatok” kifejezésre. De a Claude, a ChatGPT és a Perplexity ritkán idézi. Ha mégis, egy versenytárs cikkét idézik, amely ezzel nyit: „A nagy teljesítményű csapatoknak három jellemzőjük van: egyértelmű szerepek, átlátható kommunikáció és összehangolt ösztönzők.” Aztán példákat sorol.

Miért történik ez: A Google algoritmusa az elköteleződési jeleket jutalmazza (az oldalon töltött idő, alacsony visszafordulási arány). Az AI-rendszerek szakaszokat emelnek ki. Azonnal szükségük van a válaszra, hogy értékelhessék, megoldja-e a szakasz a felhasználó kérdését. A történeted rontja a kiemelés hatékonyságát.

A számítás: Egy 2000 szavas cikket, amelyben a válasz az 1. bekezdésben van, 3-szor gyakrabban idéznek, mint ugyanazt a cikket, amelyben a válasz az 5. bekezdésben, minden más egyenlő. 50 cikken teszteltük ezt, és következetes mintát láttunk.

Hogyan javítsd: Vedd a legjobb 5 cikkedet. Írd át az első bekezdést úgy, hogy egy mondatban megválaszolja a kérdést. „Mi az X?” Válasz: „Az X az Y.” Aztán tedd át az eredeti 1. bekezdésedet a 3. helyre. A cikked most ugyanúgy rangsorol a Google-ben (a tartalom változatlan), de 30 napon belül 2-3-szor gyakrabban idézik az AI-rendszerekben.

Valós példa: Egy SaaS-cég átírta a „Projektmenedzsment legjobb gyakorlatai” cikkét, hogy így nyisson: „Az öt legjobb gyakorlat: 1) Központosított feladatkövetés, 2) Heti haladási értékelések, 3) Világos felelősség-kijelölés, 4) Aszinkron-első dokumentáció, 5) Automatizált állapotjelentés.” Az idézések havi 2-ről havi 8-ra nőttek a Claude-ban. A Google-rangsor változatlan maradt.

2. hiba: a ChatGPT-n kívüli platformok figyelmen kívül hagyása

Példa: Egy egészségügyi szoftvercég 15 cikket optimalizált a ChatGPT idézési mintáira (széles, hozzáférhető nyelv; több szállító említése; összehasonlító szerkezet). A második hónapban 30-szor idézték a ChatGPT-ben. De amikor ugyanezeket a kérdéseket a Claude-ban tesztelték, 3-szor idézték. A Perplexityben 5-ször. Azt hitték, működik a stratégiájuk, mert a ChatGPT jól nézett ki. De a ChatGPT a tényleges AI-forgalmuknak csak 15%-át adta. A Claude 60%-ot. Rossz platformra optimalizáltak.

Platformspecifikus különbségek (100+ cikken mérve): - ChatGPT: A széles, többforrású válaszokat jutalmazza. Válaszonként 4-6 forrást idéz. A hozzáférhetőséget és a változatosságot értékeli. - Claude: A mélységet és a konkrétságot jutalmazza. Gyakran egy-két forrást idéz mélyen. A szakértői hangokat és a módszertant kedveli. - Perplexity: Erősen súlyozza a frissességet. Az elmúlt 30 napban frissített cikkeket 4-szer gyakrabban idézi. A konkrét statisztikákat és a naprakész adatokat kedveli. - Google AI-áttekintések: Erősen súlyozza az E-E-A-T-jeleket. A HTML-ben látható szerzői képesítések gyakrabban kapnak idézést. A tudományos források és a képesített szakértők dominálnak.

Hogyan javítsd: A legjobb 5 cikkednél tedd fel ugyanazt a kérdést mind a négy platformon. Kövesd, melyik idéz téged. Melyik küld forgalmat? Melyiken uralják a versenytársaid? Előbb arra fókuszálj, amelyik a legtöbb forgalmat küldi. Az egészségügynél ez valószínűleg a Claude. A pénzügynél valószínűleg a Perplexity. A jognál valószínűleg a Google AI-áttekintések.

Valós példa: Egy B2B SaaS-cég rájött, hogy az AI-forgalmuk 70%-a a Claude-ból, 20%-a a Perplexityből, 10%-a a ChatGPT-ből jött. 6 hónapot töltöttek a ChatGPT többforrású összehasonlító stílusára optimalizálással. Átálltak a Claude-ra fókuszáló optimalizálásra: mélyebb szakértelmi jelek, egyszállítós esettanulmányok, módszertani szigor. 60 napon belül a Claude-idézések havi 8-ról havi 25-re nőttek. A Claude-ból érkező forgalom 40%-kal nőtt.

3. hiba: tartalom építése előbb a tekintély nélkül

Példa: Két cég közzétesz két szinte azonos cikket a „Hogyan csökkentsd az ügyfélelvándorlást” témában. Az A cég ismeretlen szerzővel, képesítések nélkül teszi közzé. A B cég azonos cikket tesz közzé olyan szerzővel, akinek a szignóján és a szerzői profilján látható: „Ügyfélsiker-alelnök egy 100 millió dolláros SaaS-cégnél”. A B cég cikkét az első hónapban 8-szor idézik. Az A cégét egyszer. Ugyanaz a tartalom. Különböző tekintélyjelek. Különböző eredmények.

A tekintély súlya az AI-rendszerekben: A tanulmányok szerint a HTML-ben látható szerzői képesítések 340%-kal növelik az idézési valószínűséget. A harmadik fél általi említések (tech hírportálokban, üzleti magazinokban stb. megjelenés) 280%-kal. Az ügyfélértékelések/ajánlások 190%-kal. Egyik sincs meg? Az alapvonalról indulsz (20-30% idézési valószínűség versenyképes témáknál).

Az időzítési probléma: 3 hónapot töltesz tartalom építésével. Az 1. hónap eredménye nulla idézés. A 3. hónapra 5 cikked van nulla idézéssel. Aztán elkezded a tekintélyépítést (előadások, publikálás, értékelések). De a cikkeid már indexelve vannak, és „ismeretlen forrásként” besorolva. Az AI-rendszerek már hátrébb sorolták őket. A tekintély újjáépítése ezekhez a cikkekhez 60-90 napot vesz igénybe.

Hogyan javítsd: Fordítsd meg a sorrendet. Az első cikked megírása előtt publikáltasd a szerzői életrajzodat egy jelentős kiadványban. Szerezz egy előadói szereplést. Szerezz 3-5 ügyfélajánlást az oldaladra. Ez 4-6 hetet vesz igénybe. Aztán tedd közzé a tartalmadat. Amikor a tartalom bekerül az indexbe, az AI-rendszerek már tekintélyként ismernek. Az idézések azonnal kezdődnek.

Valós példa: Egy tanácsadó cég 10 cikket tett közzé, mielőtt tekintélyt épített volna. 60 nap után összesen 12 idézésük volt. Utána az alapítót bemutatták egy neves üzleti magazinban, és ügyfél-esettanulmányokat tettek az oldalra. Két legjobb cikküket újra közzétették frissített szerzői életrajzzal. Az új idézések 300%-kal nőttek a következő 60 napban. Ugyanaz a tartalom. A tekintélyjelek mindent megváltoztattak.

4. hiba: rossz mutatók mérése

Példa: Egy szoftvercég ünnepli: „Múlt hónapban 50 AI-idézést kaptunk!” De amikor megnézik a GA4-et, nulla forgalmat látnak az AI-ból. Rájönnek, hogy a cikkük megjelenik az AI-válaszokban, de a felhasználók soha nem kattintanak át. Miért? A cikket egy hosszú lista közepén idézik, három versenytárs után. A felhasználók látják a választ, nincs szükségük a forrásra kattintani. Az idézés értelmetlen.

Idézés kontra forgalom, a valóság: A 200+ cikken végzett kutatás szerint a korai idézések (az első két forrásban említve) 40-60%-os átkattintást hoznak. A középső idézések (3-5.) 5-15%-ot. A késői idézések 2% alatt. Így az „50 idézés” nulla forgalom is lehet, ha mind késői idézés.

A bevételi hatás számítása: Egy fitneszalkalmazás 90 napig követte az AI-idézéseket. 200 idézést kapott. Nulla bevétel. Miért? Az idézések a „Melyek az ingyenes fitneszalkalmazások?” kérdésre válaszoltak, de az alkalmazás fizetős volt (havi 9,99 dollár). Rossz összefüggésben idézték. Átálltak a „Hogyan építsek erősítő edzésrutint” kérdésekre. Most 140 idézés van az új kérdésekből. Ugyanannyi idézés, de ezek 35%-a fizető felhasználóvá konvertál. Havi 1200 dollár bevétel az AI-ból.

Mit érdemes valójában mérni: - Pozicionálási pontszám: Az 50 idézésedből hány van az 1-2. helyen (korai) a 3+ (késői) helyekhez képest? Cél: 60%+ a korai helyeken. - Átkattintási arány: Az AI-ból érkező munkamenetek hány százaléka konvertál regisztrációvá, ingyenes próbává vagy érdeklődővé? Cél: 8-15% a B2B-nél, 3-6% a B2C-nél. - Bevétel idézésenként: Az összes AI-bevétel / az összes idézés. 100 dolláros ügyfél-LTV mellett a cél 10-20 dollár idézésenként. Ha 2 dollárnál tartasz idézésenként, a konverziós tölcséred romlott el, nem a tartalmad.

Hogyan javítsd: Állíts be GA4 UTM-követést minden AI-platformhoz. Készíts havi vezérlőpultot ezekkel: idézések pozíció szerint, forgalom az AI-ból, konverziós arány forrásonként, bevételi hatás. Ha az idézések magasak, de a forgalom alacsony, késői idézéseid vannak. Ha a forgalom magas, de a konverziók alacsonyak, az ajánlatod/célközönséged rossz.

5. hiba: a tartalom frissességének elfelejtése

Példa: Egy marketingügynökség januárban közzétette a „Legjobb marketingautomatizálási platformok 2025” cikket. Az első hónapban 12 idézést kapott. Áprilisban, frissítések nélkül, az idézések 4-re estek. Júliusra 1 idézése volt. Egy versenytárs júniusban közzétette a „Legjobb marketingautomatizálási platformok 2026” cikket. Az első hónapban 18 idézést kapott. Ugyanaz a téma. A 2026-os cikk szétverte a 2025-öst, mert az AI-rendszerek a frissességet részesítik előnyben.

A frissességi elhalványulási görbe: A cikkek 120 naponként 30%-ot veszítenek az idézési erejükből frissítések nélkül. A 180. napra az eredeti idézési arány 50%-án vannak. A 240. napra 25%-án. Még a nagyszerű tartalom is láthatatlanná válik frissítések nélkül.

Mi számít „frissítésnek” az AI-rendszereknek: Új statisztika hozzáadása (40%-kal növeli a frissességi jelet). Meglévő statisztika frissítése aktuális évi adattal (60%-kal). Új esettanulmány vagy példa hozzáadása (50%-kal). Csak az „utoljára frissítve” dátum átírása a tartalom megváltoztatása nélkül (nem segít). A szakaszok átrendezése új tartalom nélkül (nem segít).

A karbantartás számítása: Egy cikk, amely havonta 8 idézést kap, negyedévente 4 óra frissítést igényel. Ez 0,33 óra idézésenként, vagyis 30-50 dollár munkaerőköltség idézésenként a fizetéstől függően. De ez a cikk frissítések nélkül havi 2-3 idézésre esik, ami 5-6 idézéstől fosztja meg. Ez 5000-10 000 dollár értéket jelent az LTV-dtől függően. A frissítések megtérülése 100-szoros.

Hogyan javítsd: Auditáld a legjobb 20 cikkedet. Melyik 120+ naposak? Adj hozzá mindegyikhez egy konkrét frissítést (új statisztika, új példa, új esettanulmány). Ütemezd a következő frissítéseket 120 nappal később a naptáradban. Jelölj ki egy embert, aki felel erre a negyedéves frissítési folyamatra.

Valós példa: Egy SaaS-cégnek 15 cikke volt 2024-ből, mindegyik 1-2 idézést kapott. Összesen 20 órát fordítottak új 2025-ös statisztikák és ügyfélpéldák hozzáadására. 30 napon belül ez a 15 cikk átlagosan 1,5 idézésről havi 4,2 idézésre ugrott. 42 extra idézés azon a hónapon. Ez havi 2 extra érdeklődőt jelent nekik. 2400 dollár havi többletbevétel 20 óra munkából.

6. hiba: közzététel megfelelő sémajelölés nélkül

Példa: Két azonos cikk a „Hogyan metszd a rózsabokrokat” témában. Az egyiken van schema.org jelölés (Article séma szerzővel, datePublished-del, headline-nal). A másikon nincs. Amikor a Claude-ot megkérdezik, „Hogyan metsszem a rózsabokrokat?”, mindkettőt átvizsgálja. Az, amelyiken VAN séma, idézést kap, mert a séma pontosan megmondta a Claude-nak, melyik szakasz a lépésről lépésre útmutatás (HowTo séma). A séma nélkülinél a Claude-nak a HTML-szerkezetet kell elemeznie a lépések megtalálásához. A Claude a könnyebbet választja.

A séma hatása az idézésekre: A megfelelő sémajelöléssel rendelkező cikkeket 2,3-szor gyakrabban idézik, mint az azonos, séma nélküli cikkeket. Ezt kertészeti, főzési, barkács és útmutató kategóriák több száz cikkén mérték.

Mely sématípusok számítanak a legtöbbet: - Article séma (szerző, datePublished, headline, articleBody): 1,8-szoros idézésnövekedés. Minden cikknél nélkülözhetetlen. - HowTo séma (lépésről lépésre útmutatás géppel olvasható formátumban): 2,1-szeres növekedés útmutató jellegű tartalomnál. Nélküle a lépéseket nehezebb kiemelni. - FAQPage séma (megjelölt kérdés-válasz párok): 2,4-szeres növekedés, ha van GYIK-szakaszod. Az AI imádja az előre formázott kérdés-válaszokat. - NewsArticle séma (hírekhez/időszerű tartalomhoz): 1,5-szeres növekedés. - Recipe séma (ha alkalmazható): 2,8-szoros növekedés. Ez a legjobban teljesítő sématípus.

Megvalósítási idő: Az Article séma hozzáadása a legjobb 10 cikkedhez 2-3 órát vesz igénybe. A HowTo séma hozzáadása (ha alkalmazható) cikkenként 1-2 órát. Egyszeri befektetés, amely összeadódik.

Hogyan javítsd: Használd a Google Rich Results Test eszközét (search.google.com/test/rich-results). Add meg a cikked URL-jét. Pontosan megmondja, melyik séma hiányzik, és melyik hibás. Javítsd, ami hibás. Add hozzá, ami hiányzik. Teszteld újra. Dokumentáld a folyamatot, hogy az új cikkek ugyanezt a mintát kövessék.

Valós példa: Egy receptblognak 50 cikke volt sémajelölés nélkül. Mind az 50-hez hozzáadtak Recipe sémát. Az idézések havi 120-ról havi 340-re nőttek. Ez 220 extra idézés. Egy receptblognak ez napi 15-20 extra oldalmegtekintés, ami havi 200-300 dollár hirdetési bevételt ér pusztán a sémajelölés-változtatásokból.

7. hiba: túl sok témára szétszórva

Példa: Egy termelékenységi tanácsadó cég közzétett egy cikket az „Időgazdálkodás vezérigazgatóknak” témában, egyet a „Hatékony delegálás” témában, egyet az „E-mail postaláda kezelése” témában, egyet a „Naptárblokkolás” témában, egyet a „Megbeszélések hatékonysága” témában. Öt jó cikk, öt különböző téma. Egyikre sincs idézés. Egy versenytárs 12 cikket tett közzé, mind az „Időgazdálkodás: a teljes útmutató” témában. Ugyanaz a minőség. Ugyanaz a népszerűsítési erőfeszítés. 47 idézés az első hónapban. Miért? A versenytárs témakör-tekintélyt épített. Az első cég szétszórta az erőfeszítéseit.

A témakör-tekintély küszöbe: Az AI-rendszerek akkor kezelnek egy témát „tekintélyterületként”, ha 8+ mély, összelinkelt cikked van róla. 8-nál kevesebb cikkel kapkodó vagy. 8+ cikkel specialista. 15+ cikknél te vagy a szakértő.

Idézési különbség a témamélység szerint: - 1-2 cikk egy témáról: Átlagosan 1 idézés cikkenként havonta - 3-5 cikk egy témáról (linkelés nélkül): Átlagosan 2-3 idézés cikkenként havonta - 8+ cikk egy témáról (összelinkelve): Átlagosan 6-8 idézés cikkenként havonta - 15+ cikk egy témáról (szoros klaszter): Átlagosan 12-15 idézés cikkenként havonta Ez 12-szeres különbség a szétszórt cikkek és a témaklaszter között.

A szétszórás problémája: 20 cikked van 20 témában = összesen 20 idézés. A versenytársnak 8 cikke van egy témában = összesen 48 idézés ugyanazzal az erőfeszítéssel.

Hogyan javítsd: Auditáld az utolsó 20 cikkedet. Számold meg a cikkeket témánként. Keresd meg a témádat, amelyikből a legtöbb cikked van (valószínűleg 2-4). Kötelezd el magad e mellett a téma mellett. Írj még 6-8 cikket kizárólag erről a témáról. Linkeld össze mindet pontos horgonyszöveggel: „kapcsolódó: [cikk címe]”. Várj 60 napot. Annak a témának az idézési aránya 4-6-szorosára nő.

Valós példa: Egy B2B értékesítési tanácsadó 15 cikket tett közzé különböző értékesítési témákról. Egy témáról sem volt több 2-3 cikknél. Összes idézés: havi 8 az összes cikken. Az „Értékesítési ellenvetések kezelése” mellett döntöttek (a legerősebb témájuk). Hozzáadtak 10 további cikket kifejezetten a különböző ellenvetéstípusok kezeléséről, belső linkekkel összekötve. 60 nappal később: havi 32 idézés pusztán ebből a témaklaszterből. A többi cikket megtartották, de abbahagyták az írást más témákról.

8. hiba: a kérdésed tesztelésének elmulasztása írás előtt

Példa: Egy fintech cég úgy döntött, megír egy cikket „Hogyan válassz nyugdíjtervező eszközt” címmel. 40 órát töltöttek kutatással és írással. Nulla idézés. Miért? Amikor végre tesztelték a kérdést a Claude-ban, rájöttek, hogy senki nem kérdezi ezt. Az emberek ezt kérdezik: „Mennyit kell félretennem a nyugdíjra?” és „Mi a különbség a Roth és a hagyományos IRA között?” A cikkük rossz kérdésre válaszolt.

A tesztelési keretrendszer: Bármely cikk írása előtt tedd fel a célkérdésedet három AI-rendszerben, és kövesd: Mely forrásokat idézi mindegyik? Milyen szerkezetet használnak a válaszaik? Milyen hiányok vannak? Kérdezi-e egyáltalán valaki ezt a kérdést?

Tesztpélda: - Azt tervezed megírni: „Hogyan építsd fel a marketingköltségvetésedet” - Teszt a ChatGPT-ben: 4 forrást kapsz, a válasz 1500 szavas, lefedi az allokációs százalékokat - Teszt a Claude-ban: 2 forrást kapsz, a válasz mélyebben megy az ROI-számításba - Teszt a Perplexityben: Nincs találat erre a pontos kérdésre (vészjelzés) Következtetés: Ezt a kérdést feltették, de jól le van fedve. A hiány az ROI-számításban van. Inkább a „Hogyan számold ki a marketingköltségvetés megtérülését” cikket kell megírnod. Az a tényleges hiány.

A kérdésvalidálási ellenőrzőlista: - Ad legalább egy AI-rendszer találatot? (Ha nem, senki nem kérdezi) - Idéznek 3+ különböző forrást? (Ha csak 1-2, a téma alullefedett: lehetőség) - Említ valamelyik találat arról, hogy ez a téma nehéz vagy félreértett? (Lehetőség világosabb tartalom írására) - Felszínesek a válaszok (500 szó alatt)? (Lehetőség mélyebbre menni) - Minden válasz ugyanabból az iparágból származik? (Lehetőség más nézőpontot behozni)

Hogyan javítsd: Egy cikkvázlat elkezdése előtt tölts 30 percet a kérdésed tesztelésével. Tedd fel ugyanazt a kérdést a ChatGPT-nek, a Claude-nak és a Perplexitynek. Mentsd el az eredményeket. Elemezd őket. Ez a 30 perc 40 órányi hiábavaló írást előz meg.

Valós példa: Egy ingatlanügynök 10 cikket tervezett a blogjára. Mindegyik kérdést előbb tesztelte. A 10 tervezett cikkből 3-nál kiderült, hogy a kérdést alig kérdezik (a Perplexity nem adott találatot). Ezeket kihagyta. A maradék 7-ből 2-nél kiderült, hogy már mélyen le van fedve (3+ forrás, 2000+ szó). Ezeket szomszédos szögekbe keretezte át. A végső 9 cikk (10 - 3 + 2 átkeretezés) mind kifejezetten az azonosított hiányokat célozta. Eredmény: 34 idézés az első 60 napban. A tesztelés nélküli, motiválatlan írás jellemzően 3-5 idézést kap 60 nap alatt.

9. hiba: a GEO egy emberrel való futtatása

Példa: Egy egyszemélyes alapító egyedül futtatja az egész GEO-programot. 1. hónap: 20 óra cikkírás (még nincs idézés, de ez normális). 2. hónap: A cikkekre még mindig nulla idézés. 10 órát tölt a tekintélyépítéssel (kiadványok megkeresése, podcastok felkeresése). 3. hónap: Még mindig minimális idézés. Frusztrált. Feladja a programot. Valójában csak nem adott neki elég időt. De nem volt rendszere, nem volt számonkérhetősége, nem volt visszajelzése. Egy 2 fős csapat felismerte volna a problémát (nincs korai tekintély), kijavította volna, és eredményt látott volna.

Az egyedüli probléma: Egy embernél nincs számonkérhetőség. Író ÉS népszerűsítő ÉS elemző vagy. Amikor az idézések nem jelennek meg, nem tudod, hogy írási probléma, tekintélyi probléma, vagy csak balszerencse. Mindent megkérdőjelezel.

Az idő számítása: - Egyedüli személy heti 20 órával: 8 óra írás, 6 óra tekintélyépítés, 4 óra mérés, 2 óra stratégia = túl szétszórva - 2 fős csapat (heti 20 óra): A személy: 12 óra írás + 2 óra stratégia. B személy: 8 óra tekintélyépítés. Valaki felel a mérésért (havi 10 óra). Világos szerepek. - Eredmény: A 2 fős csapat 2-3-szor több idézést kap, mert mindenki mélyebbre megy, nem felszínesebbre.

Mit változtat egy második személy: Számonkérhetőséggel valóban befejezed a cikkeket, nem hagyod félbe. Dedikált tekintélyépítő személlyel megjelensz kiadványokban, nem „ha lesz időd” csinálod. Külön mérő személlyel valóban látod az adatokat, nem találgatsz.

Hogyan javítsd: Ha egyedül futtatod a GEO-t, vegyél fel egy részmunkaidős embert (heti 10-15 óra), aki a tekintélyépítésért/népszerűsítésért felel. Ez a személy ezt csinálja: kiadványok megkeresése, iparági kapcsolatok felkeresése, értékelések/ajánlások szerzése, partnerségek építése. Ezt az alapítók mindig kihagyják, mert „értékesítésnek érződik”. De ez a GEO-siker 50%-a.

Valós példa: Egy SaaS-cégnél egy ember csinálta a GEO-t. 4 hónap után 5 idézéssel felvettek egy részmunkaidős szabadúszót a tekintélyépítésre (heti 15 óra óránként 35 dollárral = havi 560 dollár). A következő 4 hónapban az idézések havi 5-ről havi 18-ra nőttek. Ez 52 extra idézés × 100 dollár LTV idézésenként = 5200 dollár érték. Nettó megtérülés: 5200 dollár - (560 dollár × 4) = 2960 dollár pozitív a 4-7. hónapban.

10. hiba: a 90 napos határ előtti feladás

Példa: Egy cég januárban indítja a GEO-t. 1. hónap: 0 idézés, 0 dollár bevétel. 2. hónap: 2 idézés, 0 dollár bevétel. Csalódottak, és márciusban megölik a programot. Ha még 30 napot vártak volna, a 3. hónap 8 idézést, 1200 dollár bevételt mutatott volna. A célvonal előtt adták fel.

A GEO idővonala (50+ megvalósításon mérve): - 1-30. nap: 0 idézés (a cikkek indexelődnek, a tekintélyjelek még gyengék) - 31-60. nap: 2-5 idézés (az AI-rendszerek felfedezik a tartalmadat, a tekintély még épül) - 61-90. nap: 8-15 idézés (lendület épül, a tekintély kezd összeadódni) - 91-120. nap: 15-25 idézés (hálózati hatások, más oldalak linkelnek rád, a tekintélyed látható) - 121-180. nap: 25-40+ idézés (az összeadódás láthatóvá válik) A kritikus döntési pont a 61. nap. Ha 8-10 cikket tettél közzé, és 0-5 idézést kaptál, a legtöbb csapat azt hiszi, hogy kudarcot vallott. De nem: egy 180 napos program 55. napján járnak.

Miért számít a 90. nap: A 90. napra elég adatod van ahhoz, hogy tudd, alapvetően téves-e a stratégiád. Kapsz egyáltalán idézéseket? Ha igen, a stratégia működik, csak több cikk és több tekintély kell. Ha nem, valami elromlott (rossz téma, rossz kérdések, nincsenek tekintélyjelek). De ezt a 90. nap előtt nem tudhatod.

Az elköteleződési keretrendszer: - 1-60. nap: Elköteleződési szakasz. Tegyél közzé 8-10 cikket. Építs tekintélyt (1-2 megjelenés, szerzői életrajz frissítések). Fogadd el, hogy nulla vagy közel nulla idézést fogsz látni. Ez várható. - 60. napi ellenőrzőpont: Van BÁRMILYEN idézésed a célkérdéseidre? Ha igen: kötelezd el magad a 120. napig. Ha nem: diagnosztizáld és javítsd a problémát (általában a tekintély, a platform-eltérés vagy a kérdésválasztás). Ne add fel: fordulj. - 61-120. nap: Skálázási szakasz. Építs arra, ami működik. Adj hozzá tekintélyt. Adj hozzá tartalmat. Várd, hogy az idézések 2-3-szorosára nőnek az 1-2. hónaphoz képest.

Hogyan javítsd: Köss 90 napos megállapodást a csapatoddal. Mindenki megegyezik: A 90. napig nem értékeljük a sikert, és nem öljük meg a programot. Közzéteszünk 12 cikket, megvalósítunk 3 tekintélyépítő megjelenést, és beállítjuk a megfelelő mérést. A 90. napon megnézzük az adatokat, és döntünk. Ha az adatok haladást mutatnak (akkor is, ha kicsit), folytatjuk a 180. napig. A legtöbb program a 90. napra elég haladást mutat a folytatás indokolásához.

Valós példa: Egy tanácsadó cég márciusban kezdte a GEO-t. Május végére (60. nap) 0 idézésük volt. Majdnem feladták. A vezérigazgatójuk azt mondta: „90 nap”, és kitartott. Augusztusra (90. nap) összesen 12 idézésük volt. Októberre (120. nap) havi 45 idézésük volt. Januárra havi 80-100 idézést és havi 40 ezer dollár feletti bevételt kaptak a GEO-ból. A 60. napnál majdnem feladták. A legjobb eredmények a 120. nap után jöttek.

A közös szál: adatvezérelt kontra reményvezérelt

A fenti hibák mindegyike egyetlen gyökérokból ered: azt csinálod, ami jónak érződik, ahelyett, amiről az adatok azt mutatják, hogy működik.

Reményvezérelt: „Azt hiszem, az AI-rendszerek megnyerő tartalmat akarnak.” Az adatok szerint: Világos válaszokat akarnak.

Reményvezérelt: „A ChatGPT a legnagyobb, ezért arra optimalizálok.” Az adatok szerint: A forgalmad a Claude-ból jön, ezért arra optimalizálj.

Reményvezérelt: „Több cikk mindig jobb.” Az adatok szerint: 20 cikk egy témáról többet ér, mint 100 cikk 100 témáról.

Ezt visszacsatolási körök építésével javítod. Mindig mérj. Mindig tesztelj. Mindig vesd össze, amit gondolsz, azzal, amit az adatok mutatnak. Az adatok nyernek.

Gyakran ismételt kérdések