RAG-technológia és citálhatóság, hogyan idéz az AI?

A RAG (Retrieval-Augmented Generation) egy technikai megközelítés, amellyel a nagy nyelvi modellek (LLM-ek) kiegészítik saját tudásukat friss, külső forrásokból.

Hogyan működik lépésről-lépésre:
1. A felhasználó kérdést tesz fel (pl. "Melyik a legjobb CRM kisvállalkozásoknak 2025-ben?")
2. A rendszer keresést hajt végre, és visszahoz 5–10 releváns szövegcsonkot különböző weboldalakról
3. A nyelvi modell ezeket a csonkokat dolgozza fel kontextusként
4. A válasz ezekből az előhívott szövegekből épül fel, nem a modell belső emlékezetéből

Miért fontos ez neked? Mert a RAG-rendszer nem a "legjobb oldalt" hozza be, hanem a legjobban kinyerhető választ tartalmazó szövegrészeket. Ha az oldalad hosszú, strukturálatlan szövegtömb, a RAG nehezebben talál benne válaszkinyerési pontokat.

A citálhatóság azt jelenti, hogy egy AI-rendszer (ChatGPT, Perplexity, Gemini) mennyire hajlandó hivatkozni a tartalmaidra.

Princeton Egyetem kutatói azonosítottak 4 tényezőt, amelyek növelik a GEO-citálhatóságot:
1. Konkrét statisztikák, pontos számok, százalékok, évszámok
2. Hivatkozott források, linkelt vagy idézett külső referenciák
3. Szakértői idézetek, névvel, beosztással ellátott idézett vélemények
4. Könnyen olvasható struktúra, rövid bekezdések, listák, táblázatok

Példa, alacsony vs. magas citálhatóság:

Alacsony citálhatóság: "Az e-mail marketing hatékony eszköz a vállalkozások számára, és sokan használják."

Magas citálhatóság: "Az e-mail marketing 2024-ben átlagosan 36 dollárnyi bevételt generált minden elköltött 1 dollárra (Forrás: Litmus, 2024 Email Marketing Benchmark Report)."

Answer capsule (válasz-kapszula)
Minden fontos kérdésre az első 40–60 szóban add meg a lényegi választ. A RAG-rendszer ezt emeli ki először. Utána jöhetnek a részletek.

Rossz struktúra: Bevezetés → Háttér → Részletes elemzés → Válasz a 4. bekezdésben
Jó struktúra: Válasz az első mondatban → Alátámasztás → Részletek → Háttér

Rövid, önálló bekezdések
A Princeton-kutatás szerint a 120–180 szavas, egyértelmű bekezdések 70%-kal több AI-citációt kapnak, mint a hosszú, összefüggő szövegtömbök. Minden bekezdés legyen önmagában értelmes, mintha önállóan is idézhetné az AI.

Listák és összehasonlító táblázatok
A RAG-rendszerek különösen előszeretettel emelnek ki listákat és táblázatokat, mert ezek önállóan értelmezhetők, könnyen illeszthetők a válaszba.

FAQ-blokkok (FAQPage schema)
A kérdés-válasz párok explicit "válaszolható" szövegrészeket jelölnek ki. Használj FAQPage schema.org jelölést, így az AI pontosan tudja: "ez egy konkrét kérdésre adott teljes válasz".

Bottiltás a robots.txt-ben
Hatás: Az AI-crawler nem éri el az oldalt
Megoldás: Engedélyezd: GPTBot, PerplexityBot, ClaudeBot

JavaScript-generált tartalom
Hatás: Az AI-crawler nem látja a szöveget
Megoldás: Tedd elérhetővé HTML-ben is

Paywall mögötti tartalom
Hatás: Nem citálható
Megoldás: Adj nyilvánosan elérhető kulcsinformációkat

Régi, elavult tartalom
Hatás: Alacsonyabb AI-citáció
Megoldás: Frissítsd negyedévente

Strukturálatlan hosszú szöveg
Hatás: Nehezebben kinyerhető
Megoldás: Tagolj rövid bekezdésekre, adj FAQ-blokkot

Egy kecskeméti pénzügyi tanácsadó 2026 elején azt tapasztalta, hogy a RAG (Retrieval-Augmented Generation) alapú rendszerek, köztük a ChatGPT Search és a Perplexity, a „befektetési alap kisvállalkozásoknak" típusú kérdéseknél rendre egy nagyobb bank blogját citálták, nem az ő részletes útmutatóikat.

Vizsgálat megállapításai:
- A cikkeik hosszú, 800+ szavas blokkokból álltak, egyetlen bekezdéstördelés nélkül
- Nem volt answer capsule (válasz-kapszula) az első bekezdésben
- A statisztikák forrás nélküliek voltak (pl. „kutatások szerint 40%")
- Az AI Share of Voice (AI részesedés) tesztelése megmutatta: 0 megjelenés 10 tesztkérdésből

Módosítások 2026 február–márciusban:
- Minden cikkhez 50 szavas answer capsule-t írtak, közvetlen válasszal az első mondatban
- Az 5 legfontosabb cikket max. 150 szavas, önálló bekezdésekre tördelték
- Forrásokat adtak minden statisztika mellé (MNB, KSH, Eurostat)
- FAQPage schemát vezetek be 3 fő cikken
- Az AIO (AI Optimization) irányelvek szerint a H2-H3 alcímeket kérdésalapúra alakítottuk

Eredmény: 6 hét múlva a Perplexity 4/10 kérdésnél hivatkozott rájuk, és a ChatGPT Search 2 esetben citálta a szövegüket.

• Nincs answer capsule az első bekezdésben: A RAG-rendszer az első 40–60 szóból próbálja kinyerni a választ. Ha ez a rész általános bevezetés, az AI továbblép a következő forrásra.
• Forrásmegjelölés nélküli statisztikák: A Princeton Egyetem kutatása szerint a konkrét, évszámmal és forrással ellátott adatok 2,7-szeres citálhatóságot eredményeznek a forrás nélküli állításokhoz képest. „Kutatások szerint" típusú hivatkozás semmilyen AI Share of Voice növelő hatással nem bír.
• Egy tömb a teljes cikk: A strukturálatlan, hosszú szövegtömböket a RAG-motor nehezebben képes releváns szövegcsonkokra bontani. Maximum 150–180 szavas önálló bekezdések szükségesek.

A RAG (Retrieval-Augmented Generation) az AI-keresők tartalomfeldolgozási technológiája: rövid szövegcsonkokat keres elő, amelyekből felépíti a választ. Egy tartalom citálhatóságát 2026-ban négy tényező határozza meg: answer capsule az első bekezdésben, konkrét statisztikák forrással, kérdésalapú H2-H3 struktúra és rendszeres frissítés. A forrás nélküli, tömb-szerű szövegek szinte citálhatatlanok.

1. Válaszd ki az 5 legfontosabb cikkedet, és add meg bennük az answer capsule-t az első bekezdésben.
2. Ellenőrizd, hogy minden statisztikád mellett van-e forrás és évszám.
3. Tesztelj ChatGPT Search-ben és Perplexity-ben: hivatkoznak-e rád?

👉 Publisher csomagot megismerem — a Publicator AI RAG-barát struktúrával generálja a cikkeket: answer capsule az elejétől, önálló bekezdések és forrásjelölés minden adatnál.