• A hónap egyetlen kötelező változása már meg is történt: 2026. augusztus 31-én mindenkinél megszűnt a rögzített meetingek Call-duplikációja.
• A hívás-triggeres workflow-k némán állnak le rögzített meetingeknél. Nincs hibaüzenet, csak nem történik meg valami.
• Az AI négy dátumhoz kötött lépésben jutott el a lead-kvalifikációtól a kifelé menő fizetési kérésig. Ez a HubSpot fejlesztési sorrendje, nem a te bevezetési sorrended.
• Megjött az admin-kapu afölé, melyik AI-konnektor fér a portálhoz. Attól, hogy van gomb, még nem nyomta meg senki.
• Két csendes javítás menti meg az integrációidat: a rekord-ID és a workflow-beléptetés megőrzése összevonásnál.
• A terméklevél kiemelt listája népszerűségi rangsor, nem újdonság-lista. A Revenue Agent háromszor jött vissza egy hónapban.

Négy lépésben ment át az AI a javaslatból a cselekvésbe

Ha csak egy levelet olvasol el a négyből, ez a mintázat nem látszik. Egymás mellé téve viszont nagyon is:

A HubSpot saját termékoldala szerint a Customer Agent „válaszol a kérdésekre, leadeket kvalifikál és automatikusan megoldja a ticketeket”, méghozzá chaten, e-mailben, hangban és a közösségi csatornákon. Ez már önmagában nem javaslat-szintű működés: a kvalifikáció addig egy ember döntése volt arról, melyik érdeklődő hova tartozik.

Az érdekes viszont nem az egyes lépés, hanem a sorrend. Az első három állomás befelé hatott: mit lát, mit mond, mit kvalifikál az agent. Egy rossz kvalifikáció belső hiba, amit valaki később kijavít. A negyedik állomás más: ott már egy önálló dokumentum keletkezik, ami kifelé megy, egy ügyfélhez.

A gyakorlatban ez úgy néz ki, hogy a hibák költsége változik meg. Amíg az agent egy lead életciklus-státuszát állította rosszul, azt egy belső ember észrevette és javította. Ha egy rossz összegű vagy rossz vevőnek szóló fizetési kérés megy ki, akkor a következő lépés nem javítás, hanem ügyfélkommunikáció egy hibáról.

És itt van a második, kevésbé látványos váltás. Amíg az agent egy megnevezett feladatot végzett, tudtad, mit kell ellenőrizned: azt az egy lépést. Amikor bármilyen beszélgetésbe beleszólhat, a kérdés megváltozik. Nem az egyes válaszokat kell egyenként ellenőrizni, hanem azt, hogy mit engedtél meg neki egyáltalán. Ez nem ugyanaz a feladat, és nem is ugyanaz a szakma.

Erről korábban részletesen írtunk a Revenue Agent kapcsán: a rendszer nem rosszul dönt, hanem jó döntést hoz rossz adaton. Augusztus ezt a tételt nem cáfolta, hanem élesítette. A lehetőség-oldalról ugyanezt a kérdést az AI és az ember közös marketingosztályánál jártuk körbe.

Fontos korlát, mielőtt bárki ezt megtervezi: hogy a Find Invoices Action és a „help any conversation” pontosan mit csinál, azt a HubSpot nyilvános dokumentációja ma nem írja le, és a Breeze Assistant fizetési link készítését sem találtuk meg a hivatalos tudásbázisban. A funkciók léte és dátuma első feles forrásból való, a működésük részlete nem. Ezért nem mondunk róluk többet, mint amennyit a HubSpot maga kimondott.

Miért esett a hívásszámod, és miért nem visszaesés?

Ez a hónap egyetlen olyan tétele, ami dátumra pontosan, mindenkinél, kérdés nélkül életbe lépett. Érdemes egy percet szánni rá.

Eddig, ha egy megbeszélést a Notetakerrel vagy egy videókonferencia-integrációval (Zoom, Microsoft Teams, Google Meet) rögzítettél, a HubSpot két rekordot hozott létre belőle: egy Call-t és egy Meeting-et. A HubSpot saját bejelentése szerint 2026. július 31-től public betában, 2026. augusztus 31-től pedig mindenkinél ez megszűnt: a rögzített megbeszélésből már csak Meeting-rekord keletkezik, és az átirat, a felvétel meg az összefoglaló is oda kerül. A tényleges telefonhívások továbbra is Call-ként maradnak, a változás csak a rögzített megbeszéléseket érinti.

Három következménye van, és mind a három a te oldaladon jelentkezik:

1. A riportok. Minden riport és dashboard, ami Call objektumra szűr, szeptembertől kevesebb aktivitást mutat. A HubSpot ajánlása egyértelmű: állítsd át a szűrőt a Meeting objektumra, és ellenőrizd az aktivitás-számokat. Ha a hívásszám nálad vezetői mutató, ez jó alkalom megnézni, egyáltalán jó mutatót követsz-e.
2. A workflow-k. A hívás-alapú workflow-k augusztus 31. után nem indulnak el rögzített meetingre. Ezeket újra kell építeni meeting-triggerre. Ez a legkockázatosabb pont, mert nem hibaüzenettel jelentkezik, hanem azzal, hogy valami néma csendben nem történik meg.
3. A régi adat. A meglévő Call-rekordok nem tűnnek el és nem törlődnek. A HubSpot átmásolja a kulcs-property-ket a kapcsolódó Meeting-rekordokra, de ez nem visszamenőleges rendezés: az új property-k 2026. július 1-től kezdtek feltöltődni.

Ha nálad hívásszám a mérce, vagy hívásra épülő automatizmus fut, ez most nem érdekes hír, hanem szeptemberi feladat. Pont ez az a fajta csendes, strukturális változás, amit egy mérési audit előre jelez, nem utólag magyaráz.

Ki dönti el, melyik AI fér hozzá a HubSpot-adataidhoz?

Az App Install Governance tétellel a Super Adminok központilag kezelhetik, mely alkalmazások és AI-konnektorok telepíthetők a portálra. A HubSpot saját dokumentációja szerint a Super Admin jóváhagyáskor kiválasztja, milyen adat-jogosultságot kap a konnektor, és azt is, hogy ki telepítheti: csak az adminok, kijelölt felhasználók és csapatok, vagy mindenki a fiókban. A kötelező jogosultságokat nem lehet kikapcsolni, az opcionálisakat igen. A jóváhagyás visszavonható, és a visszavonás mindenkinél eltávolítja a korábban telepített alkalmazást.

Ez közvetlen válasz arra a kérdésre, ami a nyár óta nyitva állt: nem csak a HubSpot saját AI-ja fér az adatodhoz, hanem minden konnektor, amit valaki felkapcsol. Most már van rá gomb.

Egy funkció viszont, amivel senki nem foglalkozik, ugyanakkora kockázatot hagy nyitva, mintha nem is létezne. A kérdés innentől nem az, hogy lehet-e korlátozni, hanem hogy a te portálodon ki nézte meg, mi van most bekapcsolva, és ki telepíthet. Ez tizenöt perc, és nem igényel projektet.

Mi történik a rekordjaiddal összevonáskor?

A hónap két legkevésbé látványos tétele pont azoknak a legfontosabb, akiknek a HubSpotja külső rendszerekhez van kötve.

Rekord-ID megőrzése összevonásnál. A HubSpot ma dokumentált működése az, hogy összevonáskor „a keletkező rekord új, egyedi Record ID-t kap”. Ez évek óta ismert fájdalom: minden riport, workflow, integráció és külső szinkron, amit egy rekord ID-jára kötöttek, elszakad egy összevonás után. A rekord-ID megőrzése (Primary ID Preservation for Merged Records) public betaként ezt fordítja meg: az elsődleges rekord megtartja az ID-ját. Ha nálad duplikátumokat vonnak össze, és van külső rendszer a HubSpot mellett – mondjuk a hirdetési fiókod is oda van kötve -, ez a hónap legértékesebb tétele.

Workflow-beléptetés megőrzése összevonásnál. A HubSpot augusztusi fejlesztői összefoglalója szerint 2026. augusztus 18-tól az elsődleges rekord összevonás után is bent marad az aktív workflow-kban, és megőrzi a pozícióját: a késleltetéseket, az ágakat és a várakozó lépéseket. Csak a beolvasztott duplikátum lép ki. Ez automatikusan él, nem kell hozzá semmit csinálnod.

Ez a kettő együtt egy régi, csendes hibatípust számol fel: azt, amikor egy adattisztítási művelet mellékhatásaként áll le valami, és senki nem köti össze a kettőt. Ugyanaz a logika, mint amiről a martech-stack hibáinál is szó volt: nem az eszköz romlik el, hanem a köztük lévő kapcsolat.

Mennyit ér a stakeholder-térkép és a mobil hangjegyzet?

Buying Groups. A HubSpot natívvá tette a döntéshozói térképet: a cégrekordon egy szervezeti ábra mutatja a kulcs-stakeholdereket, a szerepüket és a hiányzó kapcsolatokat. A HubSpot leírása szerint Sales Hub vagy Service Hub Enterprise kell hozzá, és a cégrekord-elrendezésbe kézzel kell felvenni a Buying Groups kártyát.

A lényeg viszont nem ez, hanem az, amit ugyanez a leírás is kimond: az ábra a kapcsolódó kontakt-rekordokból épül, a beosztásokból és a köztük rögzített viszonyokból. Vagyis egy térkép nem old meg egy hiányzó adatot, csak láthatóvá teszi a hiányát. Ha a kontaktjaid felénél nincs beosztás, vagy nincsenek a cégükhöz kötve, akkor egy szép, üres ábrát kapsz. Ez nem a funkció hibája, csak érdemes tudni, mit vársz tőle – ugyanaz a szabály, ami az automatizálásra is igaz: annyit ér, amennyi mögötte van. A CRM adatfegyelméről külön is írtunk.

Mobil hangjegyzet iOS-en. Egy koppintással rögzíthetsz hangjegyzetet találkozó előtt vagy után, akár offline is. A HubSpot leírása szerint a felvételt a rögzítés befejezése után lehet elnevezni és CRM-rekordhoz kötni, offline felvételnél pedig akkor, amikor újra online vagy.

Itt a kockázat nem a hiányzó mező, hanem az elszakadt időpillanat. Az adat létezik, a felvétel megvan, csak a társítása egy külön lépés, ami időben elcsúszik. Minél messzebb kerül a rögzítés pillanatától, annál nagyobb az esély, hogy soha nem történik meg, vagy rossz rekordhoz kerül. Egy hangfelvétel, ami nincs egyetlen ügyfélhez sem kötve, ugyanolyan használhatatlan, mint egy soha ki nem töltött CRM-mező.

A teljes augusztusi lista

A négy termék csoport összes tétele, dátummal. A „kinek számít” oszlop a mi szűrésünk, nem a HubSpoté.

A HubSpot felülete és a terméklevél angolul nevezi meg ezeket, ezért a kifejtett tételeknél a szövegben az eredeti nevet is megadjuk, hogy a saját portálodon rá tudj keresni.

Mit tegyél most: öt lépés

1. Nézd meg a hívás-triggeres workflow-idat. Ami rögzített meetingre épült, az augusztus 31. óta nem indul el. Építsd újra meeting-triggerre.
2. Állítsd át a Call-ra szűrő riportjaidat Meeting objektumra, és írd oda a dashboardra, mikortól tört meg az idősor. Egy magyarázat a riport mellett olcsóbb, mint három megbeszélés a „visszaesésről”.
3. Nézd meg, milyen AI-konnektor van most engedélyezve a portálodon, és ki telepíthet újat. Ha eddig senki nem szabályozta, most van rá felület.
4. Ha külső rendszer olvassa a HubSpot rekord-ID-kat, döntsd el, belépsz-e a Primary ID Preservation betába, mielőtt a következő nagy duplikátum-tisztítás elindul.
5. Mielőtt bármelyik agentre rábízol egy ügyfél felé menő lépést, írd le két mondatban, mit szabad neki és mit nem, és hol látod utólag, mit csinált. Ha ezt nem tudod leírni, akkor még nem a bekapcsolásnál tartasz.

Az ötödik ponthoz tartozik egy sorrend-szabály, ami a gyakorlatban többet ér, mint bármelyik funkció-leírás. Az önállóan cselekvő rendszereket ott érdemes először bevezetni, ahol egy hiba olcsó: belső feladatnál, visszavonható lépésnél, olyan folyamatnál, ahol van, aki ránéz, mielőtt bárki meglátja kívülről. Utána jöhet az, ami drágábban téved.

A HubSpot augusztusi sorrendje pont fordítva haladt: a hónap elején egy belső kvalifikációs döntésnél tartottunk, a végén egy kifelé menő fizetési kérésnél. Ez a HubSpot fejlesztési sorrendje, nem a te bevezetési sorrended, és nem kötelező átvenni. Nyugodtan kapcsold be azt, ami belül téved olcsón, és hagyd a végére azt, amit az ügyfél lát meg először. Az AI üzleti lehetőségéről külön is írtunk, és ott is ugyanez a sorrend jött ki.

Ez az öt lépés összesen néhány óra. Ha nem tudod, honnan indulj, ott érdemes kezdeni, hogy megnézed, mit mér ma a rendszered, mert a fenti pontokból négy mérési kérdés.

Gyakori kérdések

Miért esett a hívásszámom a HubSpotban szeptembertől?

Mert 2026. augusztus 31-től a rögzített megbeszélésekből már nem jön létre külön Call-rekord, csak Meeting. Eddig duplán számolódtak. A csökkenés a duplikáció megszűnése, nem aktivitás-visszaesés.

Törlődnek a régi hívás-rekordjaim?

Nem. A meglévő Call-rekordok megmaradnak. A HubSpot a kulcs-property-ket átmásolja a kapcsolódó Meeting-rekordokra, de ez nem visszamenőleges rendezés: az új property-k 2026. július 1-től töltődnek.

Mit kell tennem a hívás-alapú workflow-immal?

Újra kell építeni őket meeting-triggerre. A hívás-alapú workflow-k augusztus 31. után nem indulnak el rögzített meetingre, és ez nem ad hibaüzenetet.

Hogyan korlátozhatom, melyik AI fér a HubSpot-adataimhoz?

Super Adminként az App Install Governance felületén jóváhagyod vagy elutasítod az alkalmazásokat és AI-konnektorokat, beállítod, milyen adat-jogosultságot kapnak, és ki telepítheti őket. A jóváhagyás visszavonható, és a visszavonás minden felhasználónál eltávolítja az alkalmazást.

Megéri bekapcsolni a Buying Groupsot?

Akkor, ha a kontaktjaidnál rendben van a beosztás és a céghez kötés, mert az ábra ebből épül. Sales Hub vagy Service Hub Enterprise szükséges hozzá, és a cégrekord-elrendezésbe fel kell venni a Buying Groups kártyát.

Mi változik a rekord-ID-vel, ha összevonok két rekordot?

Ma új, egyedi Record ID keletkezik, ezért minden külső hivatkozás elszakad. A rekord-ID megőrzése (Primary ID Preservation for Merged Records) public betaként ezt fordítja meg: az elsődleges rekord megtartja az ID-ját.

Melyik augusztusi tétel a legfontosabb?

Gyakorlati szempontból a rögzített meetingek Call-duplikációjának megszűnése, mert dátumra pontosan mindenkinél életbe lépett. Stratégiai szempontból az, hogy a HubSpot AI-ja négy lépésben jutott el a javaslattól a kifelé menő pénzügyi dokumentum előállításáig.

Ez a HubSpot-figyelő rovat első adása. Havonta összeszedjük, mi változott a HubSpotban, mi érint téged a gyakorlatban, és mivel nem kell foglalkoznod. A cikket a hónap lezárása után frissítjük, ha egy tétel dátuma vagy státusza változik.

Források

Elsődleges források, mind a HubSpot saját felülete:

• Rögzített meetingek és Call-rekordok: https://knowledge.hubspot.com/meetings-tool/recorded-meetings-will-no-longer-create-duplicate-call-records
• AI-konnektorok hozzáférés-kezelése: https://knowledge.hubspot.com/integrations/manage-access-to-ai-connectors
• Rekordok összevonása és a Record ID: https://knowledge.hubspot.com/records/merge-records
• Buying Groups: https://knowledge.hubspot.com/prospecting/review-stakeholders-with-buying-groups
• Mobil Notetaker: https://knowledge.hubspot.com/meetings-tool/use-mobile-notetaker-in-the-hubspot-mobile-app
• Customer Agent termékoldal: https://www.hubspot.com/products/artificial-intelligence/ai-customer-service-agent
• 2026 augusztusi fejlesztői összefoglaló: https://developers.hubspot.com/changelog/august-2026-rollup

A Time.com elkezdte kiszolgálni a cikkei gépeknek szánt változatát, és ebbe a változatba hirdetéseket illesztett, kifejezetten AI-ügynökök számára, „Sponsored” jelöléssel. A Perplexity válaszul megtévesztő reklámnak minősítette a gyakorlatot, és letiltotta ezeket a hirdetéseket. A vita első ránézésre két amerikai cég ügye. Valójában arról szól, hogy egy AI modell szemében hol él egy állítás a márkádról: a saját oldaladon lévő állítás cégállítás, egy külső, szerkesztői környezetben megjelenő állítás viszont nagyobb hitelességet kaphat. Aki az AI-láthatóságát kizárólag a saját weboldalára építi, az a játék felét játssza.

Mi az az AI-natív hirdetés?

AI-natív hirdetés: olyan fizetett tartalom, amelyet nem emberi olvasónak, hanem a weboldalt feldolgozó AI rendszernek szánnak. A Time.com megoldásában az oldal két változatban létezik: egy HTML-változat az embereknek, és egy egyszerűsített, markdown-formátumú változat a gépeknek. A hirdetési technológiát adó Mobian a hirdető brief-jéből kérdés-válasz formátumú szöveget készít, és ezt illeszti a gépi változatba. Amikor egy AI-ügynök beolvas egy Time-cikket mondjuk a nyugdíj-megtakarításról, a cikk mellett a hirdető jóváhagyott üzeneteit is beolvassa. A rendszer méri, hogy az AI-keresők milyen gyakran és milyen összefüggésben jelenítik meg ezt a tartalmat.

Pontosan min vitatkozik a két cég?

A Time átlátható volt a saját olvasatában: a gépi változatba illesztett tartalmat hirdetésként jelölte. A Perplexity kommunikációs vezetője, Jesse Dwyer ennek ellenére megtévesztő reklámnak nevezte a gyakorlatot, és a Digiday 2026. augusztus 11-i cikke szerint közölte: az ilyen hirdetéseket alkalmazó kiadók a Perplexity keresőindexében hitelesség-leminősítést kockáztatnak, beleértve a bizalmi pontszámuk romlását. Az első tesztelő hirdetők között volt az Ally Bank és a Project Management Institute.

Két dolgot érdemes ehhez tudni a Perplexityről. Egy: a cég 2024-ben saját hirdetési programot indított szponzorált követő kérdésekkel, ami a The Information adatai szerint összesen nagyjából 20 ezer dollár hirdetési bevételt hozott, miközben a cég éves árbevétele kb. 34 millió dollár volt. 2025 októberében leállt az új hirdetők felvétele, 2026 februárjában a cég hivatalosan is kiszállt a hirdetési üzletből, arra hivatkozva, hogy a jelölt hirdetés is rombolja a válaszokba vetett bizalmat. Kettő: a cég 2025 novembere óta perben áll az Amazonnal, amiért a Comet böngészője automatizáltan vásárol az Amazon oldalán; az elsőfokú ideiglenes tiltást a fellebbviteli bíróság 2026-ban feloldotta, a per folyik. A Perplexity nyilvános álláspontja szerint az Amazon valódi motivációja a hirdetési bevételeinek védelme.

Amikor tehát egy AI-cég bizalomvédelemre hivatkozva tilt le egy hirdetési formát, érdemes megnézni, hogy az elvi álláspont és az üzleti érdek merre mutat. Ettől a Perplexity felvetése még nem alaptalan, de nem is semleges.

Miért számít, hogy hol él egy állítás a márkádról?

Ez a vita legértékesebb tanulsága, és független attól, kinek van igaza. A jelek szerint az AI modellek másképp súlyozzák ugyanazt az állítást attól függően, hogy hol találkoznak vele:

Egy hazai példával: ha egy magyar szoftvercég a saját oldalán azt írja magáról, hogy iparágvezető integrációkat kínál, az a modell számára egy cég önjellemzése. Ha ugyanez az állítás egy szakmai portál összehasonlító cikkében jelenik meg, az már külső kontextusból jövő megerősítés, még akkor is, ha a megjelenés fizetett volt, de jelölten és tartalmilag pontosan. A Time és a Mobian modellje pontosan erre a különbségre épített üzletet, és a Perplexity pontosan ezt a határvonalat vitatja.

Fontos kimondani: hogy a modellek pontosan hogyan súlyoznak, azt kívülről senki nem látja, maguk az AI-cégek is csak részben. A gyakorlati következtetés ettől még áll, mert nem a súlyozás részletein múlik, hanem az irányán.

Mit jelent ez egy magyar cégnek?

Négy következtetést látunk megalapozottnak:

1. A külső megjelenés nem linképítési kérdés többé, hanem hitelesség-forrás az AI-válaszokban. A szakmai sajtómegjelenések, független tesztek, összehasonlító cikkek és iparági listák eddig a klasszikus keresőhelyezést támogatták. Mostantól egy második funkciójuk is van: ezekből tudja egy AI modell ellenőrizni, hogy amit magadról állítasz, azt más is alátámasztja-e. Aki csak a saját domainjével foglalkozik, annak az állításai a modell szemében megerősítés nélkül maradnak.

2. Nincs egységes szabálykönyv, és ami ma megengedett, holnap tiltott lehet. Ugyanazt a hirdetési formát a Time legitim, jelölt szponzorációként kezeli, a Perplexity megtévesztésként. Más AI-keresők megint máshogy dönthetnek, és a döntéseiket előzetes bejelentés nélkül változtathatják. Ebből az következik, hogy AI-láthatóságot egyetlen platform aktuális szabályaira építeni ugyanolyan kockázat, mint egyetlen közösségi platform organikus elérésére építeni volt.

3. A jelölési kötelezettség nem az AI-cégek döntésén múlik. A fizetett tartalom felismerhetőségére vonatkozó hazai és uniós reklámszabályok a megjelenési felülettől függetlenül érvényesek. Az, hogy egy AI-kereső mit fogad el, üzleti döntés; az, hogy a fizetett tartalmat jelölni kell, jogi kötelezettség. A kettő nem váltja ki egymást.

4. Mérés nélkül az egész csak vélemény. Azt, hogy a te márkádról melyik AI-felület mit mond és milyen forrásra hivatkozva, nem lehet megérzésből tudni, mérni kell. Arról, hogy a Google AI-megjelenéseit hogyan lehet riportból olvasni, külön cikkben írunk. A mérési oldal szolgáltatásként is elérhető: digitális analitika szolgáltatásunk.

Mit tegyél most? Öt lépés

1. Térképezd fel, mire hivatkoznak rólad a modellek. Kérdezd meg a vevőid által használt AI-felületeket (ChatGPT, Gemini, Perplexity) a saját kategóriád valós vásárlói kérdéseivel, és rögzítsd, megjelensz-e, és milyen forrást idéznek. Ha mindig csak a saját oldaladat, az jelzés: nincs független megerősítésed.
2. Építs külső hitelesség-portfóliót. Szakmai megjelenések, vendégcikkek, független tesztek, iparági összehasonlítások. Nem a mennyiség számít, hanem hogy a kulcsállításaid külső forrásból is visszaigazolhatók legyenek.
3. Jelölj egyértelműen, minden felületen. A fizetett megjelenés jelölése akkor is kötelező, ha az adott AI-platform ma épp nem bünteti a jelöletlen tartalmat. A szabályozói kockázat a tiéd, nem a platformé.
4. Ne tegyél nagy, egyplatformos fogadást. Az AI-keresők hirdetési és hitelességi szabályai mozgásban vannak. Kis kísérletek, több felület, mérhető eredmény: ugyanaz a logika, amit a megfelelő KPI kiválasztásáról írtunk, itt is érvényes.
5. Tartsd karban a klasszikus alapokat. Az AI-válaszok jelentős részben a klasszikus keresési indexekből és a strukturált tartalomból dolgoznak, ezért a keresőoptimalizálás nem vált feleslegessé, hanem az AI-láthatóság egyik bemenete lett.

Gyakran ismételt kérdések

Betilthatja a Perplexity a Time hirdetéseit?

A saját válaszaiban igen: azt, hogy a saját keresője mit jelenít meg és hogyan rangsorol, minden AI-cég maga dönti el. Azt viszont nem tudja megakadályozni, hogy a Time és a hirdetői más AI-felületeken folytassák a gyakorlatot.

Akkor most érdemes AI-natív hirdetést venni?

Magyar piacon ma ez korai kísérleti terep: a felület kevés, a szabályok instabilak, a mérés éretlen. Kis téttel kísérletezni lehet, stratégiát építeni rá még nem érdemes.

A saját oldalam tartalma akkor nem is számít?

Számít, csak nem elég. A saját oldal adja az alapot, amit a modell megért; a külső források adják a megerősítést, amitől idézhetőnek tekint. A kettő együtt működik.

Mitől lesz egy külső megjelenés a modell számára is értékes?

Attól, hogy tartalmilag pontos, ellenőrizhető állításokat tartalmaz, és olyan felületen jelenik meg, amelyet a modellek forrásként kezelnek. Egy jelöletlen PR-cikk üres szuperlatívuszokkal ezt nem teljesíti.

Honnan tudom, hogy egy AI-felület idéz-e engem?

Rendszeres, dokumentált teszteléssel: valós vásárlói kérdések, rögzített válaszok, hivatkozott források listája, havonta ismételve. Ez kézzel is elvégezhető; a lényeg a rendszeresség, nem az eszköz.

Nem fog ez az egész vita elmúlni magától?

A konkrét vita el fog dőlni valahogy. A mögötte lévő kérdés, tehát hogy a fizetett és az organikus tartalom hogyan különüljön el a gépi olvasásban, hosszú távon velünk marad, mert minden AI-kereső üzleti modellje függ tőle.

Nem platformhír-összefoglaló. Az a kérdés érdekel minket, hogy hol van még
tényleges beleszólásod, ha a célközönség kiválasztását már nem te végzed.

Kulcstanulságok

• A Meta kétlépcsős rendszert használ: az egyik rész előre, a háttérben feldolgozza a felhasználó hosszú előzményét, a másik rész hirdetéskiszolgálás közben párosítja ezt az adott hirdetéssel.
• A rendszer a felhasználó korábbi viselkedését mindig a konkrét hirdetéshez méri. A párosítás tehát modellfeladat lett, nem beállítási feladat.
• A Meta négy tengelyen mérte, mitől lesz jobb a rendszer, és azt találta, hogy csak az együttes növelés hoz eredményt. Egyetlen tengely erőltetése szűk keresztmetszetet csinál.
• A Meta saját mérése szerint az átalakítás 6 százalékkal több konverziót hozott Instagramon, 3 százalékkal többet Facebookon, és 3,5 százalékkal több hirdetéskattintást Facebookon.
• Ami nálad maradt: kit akarsz megszerezni, mit ígérsz neki, milyen anyagot adsz a rendszernek, és milyen konverziós jelzést kap vissza tőled.
• Ezek a számok a Meta saját méretén, a Meta saját mérésével készültek. Nem ígéret arra, mi történik a te fiókodban.

Mit tett közzé a Meta, és miért érdekes ez neked?

A Meta a mérnöki blogján leírta a hirdetésrangsorolás felépítését, és mellé egy kutatási anyagot is kiadott. A lényeg egy szerkezeti döntés: a rendszer szétválasztja a felhasználó megértését és a hirdetés kiválasztását.

Az első lépcső a háttérben fut. Feldolgozza a felhasználó hosszú viselkedéstörténetét, és ebből egy sűrített reprezentációt készít, amit eltárol. Ez nem hirdetéskérésre történik, hanem előre.

A második lépcső akkor fut, amikor tényleg meg kell jeleníteni valamit. Ez összeteszi az eltárolt felhasználói reprezentációt az adott hirdetés friss jelzéseivel, és ebből dönt.

Neked ebből az a fontos, hogy miért választották ezt a felépítést. Azért, mert így lehetett erősebb rendszert építeni anélkül, hogy minden egyes hirdetésmegjelenítés arányosan drágább legyen. A hosszú előzmény feldolgozása egyszer történik meg, nem minden kérésnél újra.

Miért nem az érdeklődés alapú célzás a lényeg többé?

Mert a rendszer a felhasználó korábbi viselkedését az adott hirdetéshez méri, nem általánosságban. A Meta leírásában ezt egy olyan figyelmi mechanizmus végzi, amely a felhasználó előzményének azokat a részeit súlyozza fel, amelyek a most pontozott hirdetés szempontjából számítanak.

Egy példa. Ugyanannak a felhasználónak az előzményéből egy szerszámhirdetésnél más elemek relevánsak, mint egy nyelvtanfolyamnál. Régebben ezt a szűkítést a hirdető végezte el előre, érdeklődési körökkel és hasonmás közönségekkel. Most a modell végzi el, hirdetésenként, futás közben.

Ebből következik a gyakorlati eltolódás. Ha a párosítás bemenete a hirdetés maga, akkor a hirdetés tartalma nem csak kreatív kérdés, hanem célzási bemenet is. Amit a hirdetésben mondasz és mutatsz, az része lett annak, hogy kihez jut el.

Ezt a hirdetéskezeléssel foglalkozó szakemberek egy ideje mondják, a saját fiókjaikban látott mintázatok alapján. Az új anyagban az az érdekes, hogy most maga a platform írja le a mechanizmust, nem a piac következtet rá.

A négy tengely, amit a Meta mért

A Meta négy irányban vizsgálta, mitől lesz jobb a rendszer, és mind a négyen hasonló, log-lineáris összefüggést talált a ráfordított számítás és a teljesítmény között. A fontos megállapítás viszont nem ez, hanem hogy a négyet együtt kell növelni.

Ha csak az egyiket növeled, a többi lesz a szűk keresztmetszet, és a befektetett erőforrás nem térül meg. Ez a rész az, ami a saját hirdetési munkádra is átfordítható.

Egy magyar cég hirdetési fiókjában ugyanez a hiba a leggyakoribb, csak más tengelyekkel. Több költés ugyanarra a két kreatívra. Több kreatív ugyanarra az egy ajánlatra. Több ajánlat mérés nélkül. Mindhárom egytengelyű erőltetés, és mindhárom ugyanoda vezet.

Mit jelent ez a te hirdetési költésedben?

Azt jelenti, hogy a beállítási munka értéke csökkent, a bemeneti munka értéke nőtt. Nem az a kérdés többé, hogy milyen közönséget állítasz be, hanem hogy milyen anyagot és milyen visszajelzést adsz a rendszernek.

Három bemenet van, amit tényleg te adsz:

1. A hirdetés tartalma. A szöveg és a kép együtt írja le, kinek szól. Ha minden hirdetésed ugyanazt az egy dolgot mondja ugyanúgy, a rendszer kevés fogódzót kap ahhoz, hogy elváló embercsoportokhoz vigye őket. Emiatt lesz fontos a valódi tartalmi különbség a hirdetések között, és emiatt fárad el gyorsan az, ami csak felszínesen változik. A hirdetési fáradás kezelésének ma ez az első fele.

2. A céloldal. Ahova a hirdetés visz, az szintén leírja, miről van szó. Ha a hirdetés egy szűk problémáról beszél, a céloldal pedig a teljes szolgáltatáslistát mutatja, akkor a két jelzés nem ugyanazt mondja.

3. A konverziós adat. A rendszer abból tanul, amit visszajelzésként kap. Ha nálad minden űrlapkitöltés ugyanolyan konverzió, akkor azt tanulja meg, hogy hozzon űrlapkitöltést, nem azt, hogy hozzon vevőt. Itt a mérési és adatrendszer állapota közvetlenül a hirdetési eredményben jelenik meg, ezért érdemes a martech rendszer építési hibáit még a költés növelése előtt átnézni.

Ez a három együtt működik, pont úgy, ahogy a Meta négy tengelye. Ha kettő rendben van, a harmadik viszi le az egészet.

Amit a gép nem tud megcsinálni helyetted

Négy döntés maradt teljesen nálad, és ezek egyike sem technikai. A rendszer arra tud ráhajtani, amit célként megadsz neki. Azt nem tudja eldönteni, hogy jó célt adtál-e meg.

Kit akarsz megszerezni. A modell megtalálja azokat, akik valószínűleg reagálnak. Azt nem tudja, hogy közülük melyik lesz jó ügyfél nálad. Ez üzleti döntés, és ha nincs meghozva, akkor a hirdetés a könnyen megszerezhető, de gyengén megtérülő érdeklődőket fogja hozni. Erről szól az ügyfél tudatos kiválasztása.

Mit ígérsz neki. Az ajánlat nem beállítási kérdés. Ha a piac nem akarja, amit adsz, a jobb célzás csak gyorsabban mutatja meg ezt.

Mit jelent nálad a siker. A rendszer azt hozza, amit konverzióként visszajelzel. A definíció a te felelősséged, és ez a leggyakrabban kihagyott lépés. A digitális analitika itt nem riportgyártás, hanem az a munka, ami eldönti, mire tanítod a rendszert.

Mikor kell leállni. A modell nem tudja, hogy nálad mennyi az elfogadható megszerzési költség. Ezt a saját számaidból kell tudni, mielőtt a költést növeled. A gyakori performance marketing hibák nagy része ide
vezethető vissza.

Öt kérdés a hirdetési fiókodhoz

Ezt a listát végig lehet menni egy ülésben, adathozzáférés nélkül is. Ha bármelyikre nem tudod a választ, ott van most a legnagyobb tartalék.

1. A most futó hirdetéseid tényleg különböző dolgot mondanak, vagy ugyanazt mondják más képpel?
2. A hirdetés és a céloldal ugyanarról a problémáról beszél?
3. Mit jelentesz vissza konverzióként, és az tényleg összefügg a bevétellel?
4. Tudod a saját megtérülési határodat, vagy csak azt figyelitek, hogy „megy-e”?
5. Ha most kétszerezni kellene a költést, mi lenne előbb a szűk keresztmetszet: kreatív, ajánlat vagy mérés?

Amit ne olvass ki ebből

Ez a rész azért van itt, mert a platformhírekből rendszeresen túl sokat következtet a piac. Három konkrét dolog, amit ez az anyag nem mond ki.

A Meta számai a Meta méretén készültek, a Meta saját mérésével. Egy sok százmilliós felhasználói bázison mért 3 vagy 6 százalékos javulás nem kereskedelmi ígéret, és nem is a te fiókodra vonatkozó előrejelzés.

A leírás nem mondja azt, hogy a célzási beállítások mostantól értelmetlenek. Azt mondja el, hogyan súlyoz a rendszer. Hogy ehhez a te fiókodban milyen kampányszerkezet illik, az mérés kérdése, nem levezetés kérdése.

A szakmai közösségben kering néhány konkrét számarány arról, hány százalékban teljesít jobban a szűkítés nélküli célzás. Ezek gyakorlati megfigyelések egyes ügynökségek saját fiókportfólióján, nem független mérések. Érdemes tudni róluk, de nem érdemes rájuk tervezni.

Gyakori kérdések

Mi változott a Meta hirdetések célzásában?

A párosítás átkerült a hirdetőtől a modellhez. A rendszer a felhasználó előzményét minden egyes hirdetéshez külön súlyozza, ezért a hirdetés tartalma és a céloldal maga is bemenet lett abba, hogy kihez jut el a hirdetés.

Akkor most ne állítsak be semmilyen célzást?

Ebből az anyagból ez nem következik. Azt írja le, hogy a rendszer a hirdetésből és a felhasználói előzményből dolgozik, nem azt, hogy minden fiókban a szűkítés nélküli célzás a helyes. Hogy nálad mi működik, azt a saját méréseddel kell eldönteni.

Mennyivel lesz jobb az eredményem ettől?

Erre nincs felelős válasz. A Meta a saját rendszerének javulását mérte a saját méretén, nem azt, hogy egy hirdető mennyit profitál belőle. A te eredményed a kreatívtól, az ajánlattól, a céloldaltól és a mérésedtől függ.

Mit jelent az, hogy a kreatív egyben célzás is?

Azt, hogy a hirdetés szövegéből és képéből a rendszer következtetéseket von le arról, kinek érdemes megmutatni. Ezért nem elég a formai változtatás. Ha két hirdetés ugyanazt mondja, a rendszer számára közel ugyanaz a két hirdetés.

Mi a leggyakoribb hiba ebben az új helyzetben?

Egyetlen dimenzió erőltetése. Több költés ugyanarra a két kreatívra, vagy több kreatív ugyanarra az egy ajánlatra, vagy mindkettő rendes konverziómérés nélkül. A Meta saját eredménye is azt mutatja, hogy a párhuzamos növelés hoz eredményt, nem az egytengelyű.

Honnan tudom, hogy a mérésem elég jó ehhez?

Onnan, hogy össze tudod kötni a hirdetésből érkező érdeklődőt a tényleges bevétellel, legalább nagyságrendben. Ha csak az űrlapkitöltésig látsz, akkor a rendszer is csak addig tanul.

Következő lépés

Ha most azt látod, hogy a hirdetési költés nő, az eredmény viszont nem követi, a kérdés általában nem a célzási beállítás. Legtöbbször a kreatív változatosság, az ajánlat vagy a konverziómérés valamelyike a szűk keresztmetszet, és érdemes tudni, melyik, mielőtt több pénzt teszel bele.

Ha ebben kellene egy külső szem, írj nekünk.

Források

• Meta Engineering: From user sequences to scaling laws, a multi-stage architecture for Meta’s ads ranking (2026-08-05).
• LLaTTE: Scaling Laws for Multi-Stage Sequence Modeling in Large-Scale Ads Recommendation.

Ez a cikk nem a technológiáról szól. Arról szól, hogy ha a platform ilyen tempóban változik, mit érdemes felépíteni, és mit nem érdemes a platform mostani viselkedésére alapozni.

Kulcstanulságok

• A GEM a Meta hirdetési alapmodellje, ami Facebookon és Instagramon is a hirdetésajánlás alatt fut. Több ezermilliárd ritka és több milliárd sűrű paraméterrel dolgozik.
• A Meta 12 hónap alatt négyszerezte a tanításra fordított számítást, és megduplázta a tanítás hatékonyságát 20-25 százalékos kihasználtságra.
• A bejelentés egyetlen hirdetői eredményt sem közöl. Nincs benne konverzió, bevétel vagy megtérülés. Ez mérnöki hatékonysági anyag.
• A Meta maga négy korlátot is felsorol, köztük azt, hogy az eredmények általánosíthatósága más rendszerekre nem tisztázott.
• Neked ebből a tempó a hasznos információ: a platform viselkedésére épített tudás gyorsan romlik, a saját eszközeid nem.
• Négy dolog marad a tiéd platformváltozás után is: az ajánlat, a saját mérésed, a kreatív könyvtárad és a közvetlen kapcsolatod a vevőddel.

Mit tett közzé a Meta, és mi az a GEM?

A GEM a Meta hirdetési alapmodellje, ami a Facebook és az Instagram hirdetésajánlása alatt fut. Hibrid felépítésű: több ezermilliárd ritka beágyazási paramétert és több milliárd sűrű paramétert kombinál, és mind felhasználói viselkedésen, mind hirdetéstartalmon tanul.

A bejelentés arról szól, hogyan tanítják ezt a modellt. Nem arról, mit tud a hirdető megnyerni vele.

Egy dolgot érdemes tudni a szerkezetéről, mert a cikk többi része erre épül. A modell kétféle bemenetet használ: sorozatjellegűt, vagyis a felhasználó tevékenységi előzményét, és nem sorozatjellegűt, vagyis például helyet vagy a kreatív reprezentációját. A kreatív tehát nem külön ügy, hanem a modell bemenete.

Miért nem elég ehhez a nyelvi modellek infrastruktúrája?

Mert a nyelvi modellekre kihegyezett tanítási infrastruktúra nem vihető át közvetlenül az ajánlórendszerekre. A Meta négy konkrét eltérést nevez meg, és ezek magyarázzák, miért kellett külön mérnöki munka.

• Egyenetlen hosszú bemenetek. A felhasználói előzmények hossza eltér, a kitöltés pedig pazarlás. A Meta szerint az erre kifejlesztett megoldásuk a kitöltésből származó számításveszteség felét megszünteti.
• Sokféle figyelmi mintázat. Nem egyetlen figyelmi séma van, hanem több, és ezek nem szimmetrikusak.
• Memóriakötött műveletek. Nem a számítás a szűk keresztmetszet, hanem az adatmozgatás.
• Numerikus érzékenység. A kattintási és konverziós valószínűség előrejelzése érzékeny, ezért a szokásos alacsony pontosságú tanítás önmagában nem elég.

Ezt azért érdemes tudni, mert hitelesíti a tempót. Nem marketinganyagról van szó, hanem konkrét mérnöki problémákról és a rájuk adott válaszokról.

A szám, ami neked számít

A Meta 12 hónap alatt négyszeresére növelte a tanításra fordított számításkapacitást, és a végponttól végpontig mért tanítási hatékonyságot megduplázta 20-25 százalékos kihasználtságra. A kettő együtt azt jelenti, hogy nem csak több gépet tettek a feladat alá, hanem a meglévőt is jobban használják.

Egy hirdetőnek ebből nem az abszolút szám érdekes, hanem az ütem. Ha egy platform a hirdetésajánló modelljének tanítását egy éven belül négyszerezi, akkor a rendszer viselkedése is ilyen ütemben mozdul.

Ennek egy kellemetlen következménye van. Az a tudás, ami arról szól, hogy a platform most éppen hogyan viselkedik, romlandó. Nem hibás, csak rövid ideig érvényes. Aki erre épít folyamatot, annak újra és újra át kell építenie.

Mit jelent ez a te kampányaidban?

Azt jelenti, hogy érdemes szétválasztani a platformra épített és a saját eszközökre épített munkát. Az első romlandó, a második nem.

Platformra épített, tehát romlandó: a mostani kampányszerkezet, a mostani célzási beállítások, a mostani ajánlattételi trükkök, és minden olyan folyamat, ami egy adott felület logikájára van szabva. Ezek nem értéktelenek, csak tervezz azzal, hogy módosítani kell őket. A platformváltozások hatását a piac egyszer már végigélte, és akkor is a felkészültség döntött, nem a felkészülés hiányának a mértéke.

Saját eszköz, tehát tartós: az ajánlat, a mérési és adatrendszered, a kreatív anyagaid, és a közvetlen elérésed a vevőidhez. Ezek platformfüggetlenek.

Ez nem azt jelenti, hogy ne foglalkozz a platformmal. Azt jelenti, hogy ha választani kell, hova tedd a következő tíz munkaórát, akkor a tartós oldal általában többet hoz.

Négy dolog, ami platformváltozás után is a tiéd

Ez a négy tétel akkor is megmarad, ha a hirdetési rendszer holnap átalakul. Egyik sem technikai kérdés, és egyik sem oldható meg beállítással.

Az ajánlat. Ha a piac akarja, amit adsz, azt minden rendszer könnyebben találja meg. Ha nem akarja, semmilyen modell nem javítja meg. Az ajánlat a legdrágább és a legtartósabb eszközöd.

A saját mérésed. Ha csak a hirdetési felület számait látod, akkor a platformmal együtt változik a valóságérzeted is. Ha a saját rendszeredben tudod, melyik érdeklődőből lett bevétel, akkor van egy fix pontod. A martech rendszer építési hibái itt közvetlenül visszaütnek, és a digitális analitika ebben nem riportgyártás, hanem a fix pont megteremtése.

A kreatív könyvtárad. A hirdetés tartalma a modell bemenete, tehát a felhasználható anyagok készlete valódi eszköz. Egy rendezett, visszakereshető kreatív készlet platformváltozás után is használható, egy egyszer felhasznált fájl nem.

A közvetlen kapcsolat. Lista, előfizető, visszatérő vevő, ismert kapcsolattartó. Ez az egyetlen csatorna, aminek a szabályait nem más írja. Az automatizálás itt segít, de csak akkor, ha van kit elérni.

Amit a Meta maga is korlátnak nevez

Ez a szakasz azért van itt, mert a bejelentés végén a Meta felsorol néhány megoldatlan pontot, és ez a piaci kommunikációból általában kimarad. Négy tételt nevez meg.

Az ultraalacsony pontosságú számítás numerikus stabilitása külön kezelést kíván, tehát nem megoldott, hanem kordában tartott probléma. A terhelés kiegyensúlyozása a javítások után is elmarad az ideálistól, a Meta szerint iterációnként körülbelül 15 százalékos réssel. A memóriaigény továbbra is korlát a nagy ritka tábláknál. És a negyedik a legfontosabb: a Meta kifejezetten kimondja, hogy az eredmények az ő hibrid ajánlórendszeri felépítésére vonatkoznak, és az általánosíthatóságuk nem tisztázott.

Ez a negyedik pont az, amit érdemes megjegyezni. Ha maga a szerző sem állítja, hogy az eredmény átvihető, akkor a piacon terjedő általánosítások sem támaszkodhatnak rá.

Amit ne olvass ki ebből

Három dolog, amit ez az anyag nem mond ki, és amit rendszeresen mégis kiolvasnak a platformbejelentésekből.

Nem mond hirdetői eredményt. A bejelentésben nincs konverziószám, bevételhatás, megtérülés vagy kampányteljesítmény. Aki ebből azt vezeti le, hogy a hirdetéseid ennyivel jobbak lesznek, az olyat állít, ami nincs a szövegben.

Nem mond arányt a te fiókodra. A négyszeres tanítási kapacitás a Meta belső mérnöki mutatója. Nem konvertálható át semmilyen hirdetői mérőszámra.

Nem mondja, hogy a beállítási munka fölösleges. Azt mondja el, milyen tempóban javul a rendszer. Hogy ez nálad milyen kampányszerkezettel jár együtt, az mérés kérdése.

Gyakori kérdések

Mi az a GEM a Meta hirdetéseiben?

A GEM a Meta hirdetési alapmodellje, ami a Facebook és az Instagram hirdetésajánlása alatt fut. Hibrid felépítésű: több ezermilliárd ritka beágyazási paramétert és több milliárd sűrű paramétert kombinál, és felhasználói viselkedésen és hirdetéstartalmon egyaránt tanul.

Mennyivel lesznek jobbak a hirdetéseim ettől?

Erre a bejelentés nem ad választ, mert nem közöl hirdetői eredményt. A benne szereplő számok a modell tanításának hatékonyságáról szólnak, nem kampányteljesítményről. Bármilyen konkrét hirdetői ígéret ebből nem vezethető le.

Mit jelent az, hogy négyszeresére növelték a tanítást?

Azt, hogy 12 hónap alatt négyszer annyi számítási munkát fordítanak a modell tanítására, és közben a tanítás hatékonyságát is megduplázták. Ez a platform fejlődési ütemének mutatója, nem a te eredményed mutatója.

Akkor ne foglalkozzam a kampánybeállításokkal?

Ebből az anyagból ez nem következik. A beállítási munka továbbra is szükséges, csak rövidebb ideig érvényes. Ezért érdemes mellé olyan eszközöket építeni, amiket egy platformváltozás nem ír át.

Mi az, ami platformváltozás után is megmarad?

Négy dolog: az ajánlat, a saját mérési és adatrendszered, a kreatív anyagaid készlete, és a közvetlen elérésed a vevőidhez. Ezek egyike sem a platform tulajdona.

Honnan tudom, hogy túl sokat építettem a platformra?

Onnan, hogy egy felületi változás után nem tudod, mennyit érnek a marketingszámaid. Ha csak a hirdetéskezelő adataiból tudod megítélni a teljesítményt, akkor a saját mérésed hiányzik.

Következő lépés

Ha most azt látod, hogy minden platformváltozás után újra kell tervezni a marketinget, akkor általában nem a platformmal van a gond, hanem azzal, hogy kevés a platformfüggetlen eszköz mellette. Ezt egy ülésben fel lehet mérni: mit tudsz a saját rendszeredből a vevőidről, és mit csak a hirdetési felületről.

Ha ehhez kellene egy külső szem, írj nekünk.

Források

• Meta Engineering: Training GEM at LLM scale, Meta’s ads recommendation foundation model (2026-08-03). https://engineering.fb.com/2026/08/03/ml-applications/training-gem-at-llm-scale-meta-ads-recommendation-foundation-model/

Miért ez a lényeg, nem a gyorsaság

A kérdés, amit ez felvet, nem az, hogy gyorsabb-e a beszedés. Nyilván gyorsabb. A kérdés az, mi alapján dönt a rendszer arról, mi számít „rendes” esetnek és mi „kivételnek”.

Ha az alapadat rendben van, ez pontosan azt csinálja, amit ígér: a csapatod nem tölt időt olyan follow-upokkal, amik amúgy is lezajlanának, és a figyelmet arra fordíthatja, ami valóban probléma.

Ha az alapadat NEM rendben van – mondjuk egy befizetés rossz számlára lett rávezetve a könyvelésben -, a rendszer ezt nem fogja kivételnek látni. Nem azért, mert rossz a rendszer, hanem azért, mert a rendszer nem tudja, hogy hiba történt. Egy hibás párosítás neki pontosan úgy néz ki, mint egy valódi lejárt számla. Kiküldi a felszólítást, és a lejárt-számla-emlékeztető egy olyan ügyfélhez megy, aki már fizetett.

Ez nem hipotetikus eset. Ez a leggyakoribb hiba minden automatizált beszedési vagy emlékeztető-folyamatban, amit auditkor látok: a rendszer nem rosszul dönt, hanem jó döntést hoz rossz adaton, és a sebesség miatt a hiba gyorsabban ér el az ügyfélhez, mint eddig egy ember hibája érne. Korábban már írtam arról, hogy az automatizálás attól jó, ami mögötte áll – ott a folyamat érettsége volt a tétel, itt ugyanez igaz az adatminőségre.

Mit érdemes ellenőrizni, mielőtt bekapcsolod az automatikus számlabeszedést

Mielőtt egy csapat rábízza a beszedést egy autonóm agentre, három dolgot érdemes tudni:

1. Hogyan párosítja a rendszer a befizetést a számlával, és van-e ismert hibaforrás a folyamatban, ami már most is okoz téves párosítást.
2. Mit ismer fel kivételnek a rendszer, és ez lefedi-e azokat a hibatípusokat, amik a te adatodban tényleg előfordulnak – nem csak azokat, amikre a HubSpot alapból gondolt.
3. Hol látod utólag, mit küldött ki az agent, és mennyi idő alatt tudsz reagálni, ha valami rosszul ment. A gyorsaság előny, amíg te is gyorsan tudsz korrigálni – hátrány, ha csak az ügyfél jelzése után derül ki.

Ez pontosan az a kérdés, amit egy adat- és rendszeraudit tisztáz, mielőtt bármilyen automatizálást bekapcsolsz.

A tétel

A gyorsaság nem hozadék, ha rossz alapon gyors. Egy autonóm beszedési agent attól lesz jó döntés, hogy előtte megnézed, mit tud a „kivétel”-ről – nem attól, hogy bekapcsolod és bízol benne.

Gyakori kérdések

Mit csinál pontosan a HubSpot Revenue Agent?

Automatikusan felkeresi a lejárt számlájú ügyfeleket, kockázat, fiók-életkor és érték alapján rangsorolva. A HubSpot 2026 júniusában jelentette be, a Revenue Hub része, ma private beta.

Kell-e emberi jóváhagyás minden számla-emlékeztető előtt?

A HubSpot saját megfogalmazása szerint nem: „a csapatok a kivételeket kezelik, nem minden follow-upot.” A rendes eseteket a rendszer önállóan viszi végig, ember csak azt látja, amit a rendszer kivételnek ismer fel.

Mi a legnagyobb kockázata, ha rendezetlen adaton kapcsolod be?

A rendszer nem rosszul dönt, hanem jó döntést hoz rossz adaton – egy hibás számla-befizetés párosítás neki pontosan úgy néz ki, mint egy valódi lejárt számla, és kiküldi rá a felszólítást egy ügyfélnek, aki már fizetett.

Ez a cikk arról szól, hogy ugyanez a probléma a te hirdetési fiókodban is ott van, csak más méretben, és hogy mit lehet vele tenni.

Kulcstanulságok

• A mélytölcsér a tölcsér alja: vásárlás, ajánlatkérés, regisztráció. Nem kattintás és nem megtekintés.
• A Meta három okot nevez meg, amiért erre nehéz optimalizálni: jelzéshiány, méret, és a távoli összefüggések követése.
• A Meta megoldása strukturális: több szintű érdeklődés-térképet épít, ahol a durvább szintek stabilak, a finomabb szintek pedig a ritka vásárlási szándékot fogják meg.
• A módszer lényege, hogy a struktúra pótolja azt, amit az adat nem ad. A tanítást kiterjesztik azokra is, akik nem vásároltak.
• Ugyanez a te fiókodban azt jelenti: ha kevés a konverziód, a rendszer nem tudja megtanulni, hogy nálad hogy néz ki egy vevő. Ekkor nem a célzáson kell állítani, hanem a jelzésen.
• Ez a kutatási anyag semmilyen teljesítményszámot nem közöl. Nincs benne A/B teszt, konverziónövekedés vagy rangsorolási mutató. Kutatási irány, nem bizonyított hirdetői előny.

Mi az a mélytölcsér, és miért nehéz rá optimalizálni?

A mélytölcsér a vásárlási folyamat vége: a tényleges vásárlás, ajánlatkérés vagy regisztráció. Nem a kattintás és nem a videómegtekintés. A nehézség egyszerű: ezekből az eseményekből sokkal kevesebb van, mint a tölcsér felső részén lévő jelzésekből.

A Meta három akadályt nevez meg.

1. Jelzéshiány. A mélytölcsér-visszajelzés ritka a felső tölcsér elköteleződési jelzéseihez képest. Egy modellnek nehéz olyan mintázatot megtanulnia, amiből kevés példa van.
2. Méret. Több millió hirdető, több millió hirdetés és több milliárd felhasználó ad egy hatalmas kapcsolati hálót, miközben a megjelenítési lehetőségek száma véges. A háló nagy, a benne lévő megerősített kapcsolat kevés.
3. Távoli összefüggések. A nagy hálóban egymástól távoli pontok között is van összefüggés, és ezek követése számításigényes anélkül, hogy a pontosság csorbulna.

A második és harmadik akadály a Meta méretéből jön. Az első viszont pont ugyanaz a probléma, ami egy magyar webshop vagy B2B cég fiókjában is ott van, csak nem milliárdos, hanem heti öt konverziós léptékben.

Mit épít erre a Meta?

Egy több szintű érdeklődés-térképet, ami a rangsoroló modell előtti rétegként működik. A lényeg, hogy nem egyetlen felbontáson dolgozik, hanem többön egyszerre, és a szintek különböző célt szolgálnak.

A durvább szintek sűrűbbek és stabilabbak. Ott sok megerősített kapcsolat van, tehát megbízható kapaszkodót adnak. A finomabb szintek ritkábbak, viszont ezek fogják meg a konkrét vásárlási szándékot. A rendszer a kettőt együtt használja: a stabil szint tartja a helyén azt, amit a ritka szint önmagában nem tudna
eldönteni.

Négy tervezési elvet nevez meg a Meta ehhez. Az első a sűrítés: a ritka felhasználó és hirdetés közti kapcsolatokat tanult érdeklődési csomópontokra képezik le, és így sűrűbb lesz a háló. A második a tudásbővítés: a hirdetők szöveges, képi és videós anyagait nyelvi modellekkel dolgozzák fel, és ezzel pótolják a hiányzó viselkedési jelzést. A harmadik egy egységes tér, amiben a felhasználó és a különböző entitások viszonya összemérhető. A negyedik pedig maga a több szint.

A kulcsgondolat: a struktúra pótolja azt, amit az adat nem ad

A módszer legérdekesebb része az, hogyan tanítják. A Meta önfelügyelt tanítást használ, amiben egy szélesebb képet látó rész tanítja azt a részt, amelyik szűkebb képet lát. Ezzel a tanítás kiterjed azokra a felhasználókra is, akik nem produkáltak mélytölcsér-konverziót.

Ez a lényeg egy mondatban: nem több vásárlási adatot szereznek, hanem a meglévő kevés adatot több helyen használják fel, a szerkezet mentén.

Ugyanez a gondolat a te fiókodban is működik, csak sokkal egyszerűbb eszközökkel. Ha kevés a vásárlásod, akkor nem attól lesz jobb a hirdetésed, hogy jobban célzod, hanem attól, hogy a rendszer több érvényes jelzést kap arról, mi vezet vásárláshoz.

Ugyanez a te fiókodban: három tipikus jelzéshiba

Ez a három a gyakorlatban szinte minden kis és közepes fiókban előjön. Egyik sem célzási probléma, mind a három jelzési probléma.

A konverziós esemény rossz helyen aktiválódik. Ha a vásárlási vagy ajánlatkérési esemény az oldal betöltésekor aktiválódik, nem a tényleges művelet után, akkor a rendszer azt tanulja meg, hogy mindenki konvertál. Ilyenkor pontosan azt a forgalmat fogja hozni, ami a legkönnyebben tölti be az oldalt, és ez nem vevő. Ez a hirdetéskezelők között az egyik leggyakrabban jelzett hiba, és a hirdetési felület esemény-diagnosztikájával ellenőrizhető.

Sekély eseményt jelentesz vissza. Ha az űrlapkitöltést jelented konverziónak, a rendszer űrlapkitöltést fog hozni. Nem azért, mert téved, hanem mert pontosan azt teszi, amit kértél. Ha nálad az űrlapkitöltés és a szerződés között nagy a szakadék, akkor a leadek típusai közti különbséget a mérésben is meg kell jeleníteni, nem csak a fejedben.

Felső tölcsérre optimalizálsz, hogy „bemelegítsd” a rendszert. Ez logikusan hangzik, de a hirdetéskezelői gyakorlat szerint általában rosszabb, mint rögtön a valódi üzleti eseményre optimalizálni. A forgalomra optimalizált tanulás nem készíti fel a rendszert a vásárlásra, mert nem ugyanazt a mintázatot tanulja.

Mit tegyél, ha kevés a konverziód?

Az első lépés annak elfogadása, hogy ez mennyiségi korlát, nem beállítási hiba. Ha heti néhány konverzió van, a rendszernek kevés a tanulnivalója, és ezen a célzás finomítása nem segít.

Öt dolog, ami tényleg mozdít, körülbelül ebben a sorrendben:

1. Ellenőrizd, hogy a jelzés valós. Mielőtt bármit optimalizálsz, nézd meg, hogy a konverziós esemény a tényleges művelet után tüzel-e. Ez ingyenes, és ez a leggyakoribb néma hiba.
2. Vidd feljebb egy szinttel az optimalizálási eseményt, de csak egyet. Ha a vásárlásból túl kevés van, egy közeli, sűrűbb esemény jobb tanítóanyag, mint egy nagyon ritka. Cél viszont továbbra is a vásárlás, nem a kattintás.
3. Töltsd be azt is, ami a weboldalon kívül történik. Ha nálad a szerződés telefonon vagy személyesen zárul, a rendszer erről semmit nem tud, hacsak nem juttatod vissza hozzá. Ez a legtöbb szolgáltató cégnél a legnagyobb kihagyott lehetőség.
4. Vidd be az értéket, ne csak a darabszámot. Ha minden konverzió ugyanannyit ér a rendszer szemében, akkor a kis és a nagy vevőt egyformán keresi.
5. Vizsgáld meg, hogy nem a mennyiség a valódi korlát. Ha nagyon kicsi a forgalom vagy nagyon szűk az ajánlat, akkor a mérési finomítás nem hoz áttörést. Ilyenkor a gyakori performance marketing hibák átnézése többet ér, mint egy újabb kampányszerkezet.

A negyedik és ötödik ponthoz kell egy fix pont a saját rendszeredben, hogy tudd, melyik érdeklődőből lett tényleg bevétel. Erről szól a digitális analitika, és a martech rendszer építési hibái itt is közvetlenül visszaütnek. A saját mérés azért is megkerülhetetlen, mert a platform maga is gyors ütemben változik: arról, hogy ebből mi romlandó és mi tartós a hirdetési munkában, a Meta hirdetési algoritmusáról szóló cikkünk szól.

Négy kérdés, amivel kiderül, hol a jelzéshiba

Ezeket egy ülésben végig lehet menni. A válaszok általában megmutatják, melyik rétegben van a gond, és ez sokkal hasznosabb, mint véletlenszerűen állítgatni.

1. Egyáltalán van konverzió? Ha nincs, az általában az ajánlattal van összefüggésben, nem a hirdetéssel.
2. Sokan kattintanak, de kevesen konvertálnak? Ez a céloldalra irányítja a figyelmet.
3. Kevesen kattintanak? Ez a kreatívra irányítja a figyelmet.
4. Van konverzió, de nem éri meg? Ez az árazásra és arra a kérdésre irányít, hogy mennyit ér nálad egy vevő.

Ez a négy kérdés a hirdetéskezelői gyakorlatból jön, nem mérésből, tehát kiindulópont és nem bizonyíték. Arra viszont jó, hogy ne a legkönnyebben állítható dolgot módosítsd először.

Amit ne olvass ki ebből

Ez a szakasz ennél a cikknél a legfontosabb, mert a forrás kutatási anyag.

A Meta nem közöl teljesítményszámot. Nincs A/B teszt, nincs konverziónövekedés, nincs rangsorolási mutató. Az egyetlen szám egy tanítási gyorsítás, ami infrastrukturális mutató, nem hirdetői eredmény. Aki ebből konkrét hirdetői hasznot ígér, olyat állít, ami nincs a szövegben.

Ez kutatási irány, nem bejelentett funkció. Az anyag azt írja le, min dolgoznak, nem azt, hogy ez ma mit tesz a hirdetési fiókodban. A hirdetőnek nincs ehhez beállítási felülete.

A cikkben szereplő gyakorlati hibák nem ebből a kutatásból jönnek. Azok hirdetéskezelői megfigyelések, és megfigyelésként szerepelnek. A kettőt nem érdemes összemosni: a Meta anyaga a saját rendszerükről szól, a jelzéshibák a te fiókodról.

Gyakori kérdések

Mi az a mélytölcsér-optimalizálás?

A tölcsér alján lévő eseményekre, tehát vásárlásra, ajánlatkérésre vagy regisztrációra való optimalizálás, szemben a kattintással vagy a megtekintéssel. Azért nehezebb, mert ezekből az eseményekből nagyságrendekkel kevesebb keletkezik.

Miért nem tud a rendszer vásárlásra optimalizálni, ha kevés a konverzióm?

Mert kevés példából nehéz mintázatot tanulni. Ha heti néhány vásárlás van, a rendszernek nincs miből megtanulnia, hogy nálad hogy néz ki egy vevő. Ez mennyiségi korlát, nem beállítási hiba, ezért a célzás finomítása nem oldja meg.

Mit tegyek, ha nagyon kevés a konverzióm?

Először ellenőrizd, hogy a konverziós esemény a tényleges művelet után tüzel-e. Utána érdemes egy szinttel sűrűbb, de még mindig üzleti eseményre optimalizálni, és visszajuttatni a weboldalon kívül záruló üzleteket is. Ha a forgalom vagy az ajánlat a szűk keresztmetszet, a mérési finomítás nem hoz áttörést.

Jó ötlet forgalomra optimalizálni, hogy bemelegítsem a rendszert?

A hirdetéskezelői gyakorlat szerint általában nem. A forgalomra optimalizált tanulás nem ugyanazt a mintázatot tanulja, mint amire végül szükséged van. Ez megfigyelés, nem mérés, tehát a saját fiókodban érdemes ellenőrizni.

Mit jelent az, hogy sekély eseményt jelentek vissza?

Azt, hogy nem a bevételhez közeli eseményt jelöltél meg konverziónak. Ha az űrlapkitöltés a konverzió, a rendszer űrlapkitöltést fog hozni, mert pontosan azt teszi, amit kértél. Ha nálad az űrlapkitöltés és a szerződés között nagy a
szakadék, ezt a mérésnek is tükröznie kell.

Hoz ez nekem több vásárlást?

A forrásból ez nem állítható, mert nem közöl teljesítményszámot. Amit a cikk gyakorlati része ajánl, az a saját jelzéseid javítása, és ennek a hatása a te adataidon mérhető, nem a Meta kutatásából vezethető le.

Következő lépés

Ha most azt látod, hogy a hirdetés hoz érdeklődőt, de vevőt nem, akkor a kérdés általában nem a célzás, hanem az, hogy mit tanítasz a rendszernek. Ez néhány óra alatt átvizsgálható: mi tüzel, mikor tüzel, és összefügg-e a bevétellel.

Ha ehhez kellene egy külső szem, írj nekünk.

Közép-Európából nézve könnyű legyinteni rá: ez egy amerikai, vállalati mérettartományú világ. Csakhogy ami ott a színpadon témává válik, az nálunk 12-18 hónappal később megjelenik a középvállalati kereskedők és az őket kiszolgáló szoftvercégek napi döntéseiben. Ezért érdemes elolvasni, mit mutatott a 2026-os program, és lefordítani a saját piacunkra.

Négy témát emelünk ki, mert ezek nem divatszavak, hanem valós költségvetési és szervezeti mozgások.

1. Az AI átlépett a tanácsadóból a cselekvőbe

A tavalyi és tavalyelőtti konferenciák nyelve még a „generatív AI” és a „prediktív analitika” volt. 2026-ban a hangsúly az „agentic AI”-re tolódott, vagyis olyan rendszerekre, amelyek nem javaslatot adnak, hanem önállóan végrehajtanak. A BCG által vezetett fő előadás kifejezetten az autonóm tervezésről szólt, a Dollar General és a Deloitte közös szekciója pedig arról, hogyan javít meredeken a készlet-előrejelzés az AI segítségével egy alacsony árréses, magas volumenű környezetben.

Mit jelent ez a közép-európai kereskedőnek? Azt, hogy az AI-tól nem az üzenetek megfogalmazását várják majd, hanem a döntést: mikor rendeljen újra, milyen áron, melyik raktárból. Aki ma azzal próbál eladni, hogy „van egy AI-funkciónk”, az le fog maradni attól, aki azt mutatja meg, milyen döntést vesz le a vezető válláról. A gyakorlatban ez már ma is elérhető: egy jól beállított rendszer a szezonális termékeknél automatikusan jelez vagy rendel újra, mielőtt kifogynál, neked pedig csak a kivételekkel kell foglalkoznod.

A retail-tech cégeknek ez pozicionálási kérdés. Nem az AI megléte a különbség, hanem az, hogy a rendszer melyik emberi döntést váltja ki, és azt milyen bizonyítékkal teszi.

2. Automatizálás ott, ahol már áll egy raktár

A robotizáció nem állt le, de a fókusz elmozdult. A konferencia esettanulmányai nem új, zöldmezős megaberuházásokról szóltak, hanem meglévő hálózatok átalakításáról. A Lowe’s és a TGW Logistics közös előadása arról szólt, hogyan vontak össze több telephely szétdarabolt működését egy automatizált központba. Egy másik szekció a rugalmasan skálázódó automatizációt járta körbe, azt, hogy a rendszernek szezonálisan felfelé és lefelé is követnie kell a volument.

A tanulság közép-európai szemmel ismerős: a legtöbb kereskedőnek nem új raktára lesz, hanem a mostanit kell okosabbá tennie. Aki automatizálást ad el, annak a „brownfield” történet a hitelesebb: hogyan illeszthető a technológia a már meglévő folyamatba a működés megállítása nélkül. Konkrétan: kezdd azzal az egy lépéssel, ami a legtöbb kézi munkát viszi el a csúcson (jellemzően a komissiózás vagy a csomagolás), és onnan bővíts tovább.

3. A csatornák feloldódnak: unified commerce

A konferencia egyik legerősebb üzenete, hogy az „e-commerce logisztika” és a „bolti logisztika” különbsége gyakorlatilag megszűnt. A készletnek egységesnek kell lennie, függetlenül attól, honnan érkezik a rendelés. A Subway példája, húszezer helyszín egyetlen vak folt nélkül, azt mutatta, hogy a láthatóság ma nem kényelmi funkció, hanem márka- és élelmiszerbiztonsági kérdés.

Külön szekciót kapott a visszáruzás is. A Gap, a Mattress Firm, a Narvar és a Blue Yonder közös beszélgetése arról szólt, hogy a visszáru nem egyetlen lépés, hanem egy teljes rendszer: fizikai logisztika, ügyfélélmény és készlet-újrahasznosítás egyben. A szezonális online forgalom jelentős része, a ruházatban akár a harmada is visszajöhet januárban, ezért ezt előre tervezni kell, nem a roham közben megoldani.

Közép-Európában ez a rész a legközvetlenebb tanulság. A magyar és régiós webshopok többsége ma még külön kezeli a boltot, a webshopot és a visszaküldést. Aki ezt egy készletbe és egy látható folyamatba tudja húzni, az nemcsak költséget csökkent, hanem vásárlói bizalmat épít. A retail-tech cégek számára pedig a visszáru és a készlet-láthatóság a következő évek egyik legvilágosabb eladható témája. A unified commerce ezért szerepel előkelő helyen az e-commerce trendek 2026-os listáján a magyar webshopok számára is.

4. A rezilienciától az antifragilitásig, és a technológia emberi oldala

A negyedik vonal két dolgot köt össze. Egyrészt a kockázat már nem csak az időjárásról szól: a konferencia külön szekciót szentelt a szervezett árulopásnak és a szállítás közbeni biztonságnak, valamint a vámpolitikai bizonytalanságnak. Másrészt, és ez a meglepőbb, a program feltűnően emberközpontú maradt. A változáskezelés, a bevonás és a munkaerőhiány többet szerepelt, mint sok technológiai téma.

Az üzenet világos: a technológiai bevezetések nem a szoftverhibákon buknak el, hanem a szervezet ellenállásán. Egy legendás edző, Nick Saban főelőadói szereplése sem véletlen: az ellátáslánc végső soron csapat- és tehetségkérdés is.

Közép-Európában ez azért fontos, mert nálunk a technológiai beruházások gyakran ugyanezen a ponton csúsznak el. Nem a rendszer rossz, hanem senki nem vitte végig a csapaton. Aki retail-technológiát ad el, annak a bevezetés és a betanítás történetét is el kell adnia, nem csak a funkciót.

Mit kezdjen ezzel egy közép-európai szereplő

Ha kereskedő vagy, három kérdést érdemes feltenned még az idén:

• Egy készletben látom a boltot, a webshopot és a visszaküldést, vagy három külön szigetem van?
• Melyik ismétlődő döntést tudnám ma az első lépésben adatra bízni: az újrarendelését, az árazását, a készletátcsoportosítást?
• Ha holnap megállna a mostani raktáram, mennyire látnám előre a problémát?

Ha retail-tech vagy e-commerce szolgáltató vagy, a kérdés fordított: a terméked melyik kereskedői gondra válaszol ezek közül, és erről beszélsz-e a marketingedben, vagy csak a funkciólistát sorolod. A RILA program azt mutatja, hogy a piac már témák szerint gondolkodik: agentic AI, unified commerce, visszáru, reziliencia. Aki ezek köré rendezi a mondanivalóját, azt a vevő könnyebben helyezi el a fejében.

Mit tegyél a nagy őszi-téli szezon előtt

Ha ezt augusztusban vagy szeptemberben olvasod, akkor az év legfontosabb kereskedelmi időszaka előtt állsz: a Black Friday, a karácsony és az évvégi roham néhány hét múlva itt van. A fenti négy trend ilyenkor nem elmélet, hanem azon múlik, hogy a csúcsidőszak nyereség lesz vagy káosz. Öt dolgot érdemes még a szezon előtt rendbe tenned.

• Egy készletkép, mielőtt beindul a forgalom. Rakd egy helyre a bolt, a webshop és a visszaküldés készletét. A túlértékesítés és az elmaradt rendelés a csúcson fáj a legjobban, és akkor a legdrágább pótolni.
• A visszatérő döntéseket bízd adatra, ne megérzésre. Az újrarendelés, az árazás és a készletátcsoportosítás a szezonban napi kérdés. Aki ezeket most, előre felállítja, az nem éjszaka fog tűzoltani novemberben.
• Készíts visszáru-tervet, mielőtt megérkezik a hullám. A karácsonyi csúcs januári visszáruhulláma borítékolható. A visszavétel, a visszatérítés és a készletbe való visszavezetés folyamatát most tedd le, ne januárban improvizálj.
• Tervezd meg a kapacitást és a csapatot. A raktározás és az ügyfélszolgálat felfelé és lefelé is skálázódjon a forgalommal. A rohamban betanítani már késő: a csapatnak szeptemberben kell tudnia, mi lesz a dolga.
• Tervezd be a határidőket most, és inkább számolj rájuk bővebben. Rögzítsd előre a szezon fix dátumait: az utolsó rendelési napokat, a szállítási vállalásokat, a kampányok indulását. Ahol futárra vagy külső partnerre támaszkodsz, ott tervezz puffert. A karácsony előtti utolsó házhozszállítási határidőt tedd 1-2 nappal előrébb, mint amit a futárcég ígér: ha náluk csúszás van, az így nem viszi el az egész kampányt, és nem neked kell magyarázkodnod a vásárló felé. Ugyanez igaz a visszáru-ablakra és az akciók zárónapjára is: a szűkre húzott határidő a csúcson mindig ellened dolgozik.

Ha retail-tech cég vagy szolgáltató vagy, ez ugyanúgy a te értékesítési ablakod. Az ügyfeleid most döntik el, mivel vágnak neki a szezonnak. Aki augusztusban és szeptemberben az ő csúcsidőszaki gondjaikra hangolja az üzenetét, az ott van, amikor a döntés megszületik.

Gyakori kérdések a 2026-os retail trendekről

Következő lépés

A 2026-os retail irányok nem maradnak az amerikai nagyvállalatoknál: egy-másfél éven belül a régiós kereskedők és az őket kiszolgáló szoftvercégek napi kérdései lesznek. A legközelebbi próba viszont nem másfél év múlva jön, hanem idén ősszel.

A Kontext abban segít, hogy erre az őszi-téli csúcsra időben, konkrét kampánnyal állj készen: a fenti trendekből és a szezon előtti teendőkből olyan tartalmat és hirdetést építünk, amely a magyar és régiós közönség nyelvén, valódi döntésekre hangolva szólal meg. Ha szeretnéd ezt a termékedre vagy webshopodra szabva, keress minket még augusztusban.

A legtöbb márka ugyanazokat a digitális PR taktikákat használja, mint 2019-ben. Tömeges e-mail kampányok újságírói listáknak. Általános sajtóközlemények abban a reményben, hogy valaki felkapja őket. Linképítő csomagok vásárlása kétes ügynökségektől.

De van egy probléma: a Google, a Claude és a ChatGPT már nem ezt értékeli. Az algoritmus megváltozott, de a taktikáid nem.

Mi halt meg pontosan?

A backlink-megszállottság

A mennyiség helyett a releváns hitelesség számít. Az AI felismeri a privát blog hálózatokat és a linkmanipulációs sémákat. Szereztél 50 linket egy hónap alatt? Remek. De ha egyik sem releváns domain, és egyik sem generál márkaemlítést valódi kontextusban, akkor SEO szempontból értéktelen.

A keresőmotorok most már azt vizsgálják, hogy kik beszélnek rólad, hol említenek téged, milyen gyakran hivatkoznak rád, és hogy tiszteletben álló publikációk valóban elismerik-e a szakértődet. Mindez sokkal jobban számít, mint valaha.

Az általános tartalom áradat

Mindenki AI-t használ tartalom generálására, ami azt jelenti, hogy minden márka ugyanúgy hangzik. Az AI megírta a sajtóközleményt, az AI megírta a felkeresési e-mailt. Eredmény? 1%-os megnyitási arány.

A megkülönböztetés halott, ha nincs emberi kulturális réteg felette.

Egységes megközelítés mindenhol

Egy brit újságíró nem ugyanaz, mint egy német adatújságíró vagy egy francia technológiai blogger. Ugyanaz a szemszög, ugyanaz az e-mail tizenkét országnak? Recept a kudarcra.

A különböző régiók, iparágak és publikációk mind különböző stratégiákat igényelnek. Miért feltételeznéd, hogy egy stratégia mindenhol működik?

Szóval igen, a digitalis PR, ahogy ismerted, halott. De jó hír: ami utána jön, sokkal erősebb.

Az új digitalis PR anatómiája

Első váltás: Linkektől a hitelesség jelzésekig

Régi modell: Szerezz száz linket bármiről, bárhonnan.

Új modell: Szerezz tíz említést megbízható publikációkban, ahol a márkád kontextuálisan releváns.

Miért? Mert a Google értékeli a márkaemlítéseket linkek nélkül is, az entitásfelismerés révén. Az AI modellek (a GPT, a Claude, a Perplexity) idézeteket használnak megbízható forrásokból. A tematikus hitelesség többet ér, mint a linkek mennyisége.

Egy példa: Egy brit fintech márka nyolc adatalapú cikket kapott a Financial Times és a TechCrunch említésével. Nincs közvetlen backlink, de a márka keresési volumene negyven százalékkal nőtt, az organikus forgalom pedig huszonöt százalékkal hat hónap alatt.

Amikor tekintélyes oldalak megemlítik a márkádat, az növeli a hitelességedet. De amit talán nem tudsz: valójában nincs szükség backlinkre, hogy megkapd az előnyeit. A Google igazán jó lett abban, hogy megértse a márkaemlítéseket és a kontextust.

Amikor a márkádat ismételten említik egy konkrét témában az interneten, a keresőmotorok elkezdik felismerni, hogy szakértő vagy abban a térben. Ez azt jelenti, hogy sokkal könnyebb az összes tartalmadat rangsorolni, nem csak azt az oldalt, amelyre linkelnek.

Második váltás: Tömeges felkeresésről intelligens célzásra

Régi modell: Ötszáz újságírói e-mail szőnyegbombázás, két százalékos válaszarány.

Új modell: a Kiborg módszer

Mesterséges intelligencia alapú újságírói térképezés: Ki ír egy adott trendről, milyen szemszögből? Emberi kulturális réteg: anyanyelvi szakértő ellenőrzi, hogy a felkeresés rezonál-e a helyi kontextusban. Automatizált követő szekvenciák, de személyes érintési pontokon (például a tárgysorban vagy a nyitásban).

Munkafolyamat példa:

Első lépés: Egy AI eszköz, például az Exploding Topics azonosít egy felkapott témát, mondjuk a lúdtalp-gyulladás előfordulását az EU-ban.

Második lépés: Az AI húsz felkeresési variációt generál.

Harmadik lépés: A senior stratéga kiválaszt hármat, és finomítja őket kulturális árnyalatokkal.

Negyedik lépés: Automatizált felkeresés a német, francia és brit újságírói adatbázisokhoz, de emberi követés a válasz után.

Ez a hibrid megközelítés egyesíti a gépi hatékonyságot az emberi empátiával. Az AI kezeli a nehéz munkát (adatok, verziók, fordítások), így a senior emberek a stratégiára összpontosíthatnak.

Harmadik váltás: Egyszeri kampányról összetett láthatósági rendszerre

Régi modell: Kampány-alapú. Indítás, reménykedés egy csúcsban, megismétlés három hónap múlva.

Új modell: Örökérvényű adat-eszközök plusz folyamatos újságírói kapcsolatépítés.

Brian Dean, SEO szakértő és az Exploding Topics társalapítója szerint a kulcs az, hogy az újságírók által keresett adatokat azonnal elérhetővé tedd. Amikor újságírók olyasmi után kutatnak, mint „az internetes forgalom hány százaléka mobil”, akkor olyan adatokat keresnek, amelyeket idézhetnek egy cikkben vagy blog bejegyzésben.

Brian biztosította, hogy pontosan azt tartalmazta, amit kerestek, a cikk tetején, ahol azonnal látható. Most azt gondolhatod, hogy ez ellentmondásos. Általában azt akarod, hogy az emberek több időt töltsenek a weboldalon, nem kevesebbet. És ha amit keresnek, az rögtön a tetején van, akkor összesen három másodpercet töltenek az oldaladon.

De azzal, hogy azonnal világosan megadod a választ, szinte garantálható, hogy az újságíró használni és idézni fogja az oldaladat. Ami újabb backlinket, újabb említést jelent.

Gondolj bele: ha egy weboldal folyamatosan eltemeti az adatokat, úgyhogy sok időt kell töltened, mielőtt megtalálod, amit keresel, mekkora az esélye, hogy visszatérsz arra az oldalra adatokért?

Adaptált taktika:

Publikálsz egy eredeti kutatást: például „EU B2B SaaS lemorzsolódási arányok országonként”. Az adat látható az oldal tetején, újságíró-barát formában. Az újságíró idéz, ami backlinket és említést jelent. Hat hónap múlva egy új újságíró megtalálja a Google-ben, ami újabb említést eredményez. Összetett hatás: Egy eszköz több érintési pontot generál az idő múlásával.

A mutatók változása:

Régi kérdés: Hány linket kaptunk?
Új kérdés: Hány márkaemlítés, hány idézet az AI válaszokban, milyen érzelmek változtak a közösségben?

Hogyan építed fel 2026-ban

Alapok: Eredeti adatok plusz egyedi nézőpont

Ne tartalommarketinget csinálj, hanem adat-újságírást márka kontextusban.

Példák:
Lábbeli területen működő e-kereskedelmi márka: „Az EU-s távmunkások ötven százaléka lábfájdalomról számol be”
B2B SaaS: „Átlagos ügyfélszerzési költség iparágak szerint, Egyesült Királyság versus Németország versus Franciaország”

Végrehajtás:

Publikáld az oldalon ( SEO optimalizálva, az adat az oldal tetején). Csomagold újságíró-barát formátumban (infografika, egyoldalas PDF).

Az a cél, hogy olyan értéket adj, amit újságírók azonnal idézhetnek és használhatnak munkájukban. Például ha cipőmárkád van, publikálhatsz a blogodra egy cikket arról, hogy a magyarok hány százaléka küzd lúdtalp-gyulladással. Olyan információt adsz az újságíróknak, amit idézhetnek, és szakértővé teszed magad a területen.

Terjesztés: A hibrid felkeresési motor

Az AI rész: a kezek

Médiaadatbázis feltérképezés: ki ír egy adott témáról. E-mail szekvencia automatizálás. A/B tesztelés tárgysorra, küldési idő optimalizálása.

Az emberi rész: a szív

Kulturális lokalizáció: a brit nézőpont nem ugyanaz, mint a német. Kapcsolat ápolása és a felkeresés finomítása az újságíró korábbi munkája alapján.

Eszközkészlet példa:

• Exploding Topics: trend azonosítás
• Respona, BuzzStream vagy Whitepress: médiaadatbázis plusz felkeresési automatizálás
• Ahrefs vagy SEMrush: linkminőség plusz rangsorolási hatás nyomon követése.

Ezek az eszközök együtt lehetővé teszik, hogy a trendeket azonosítsd, megtaláld a megfelelő újságírói kapcsolatokat, és mérd, hogy a lefedettség valóban javítja-e a rangsorolásodat.

Mérés: Túl a hiúsági mutatókon

Ezeket kövesd inkább:

• Márkaemlítési volumen (linkelt és nem linkelt): Számít a Google entitásfelismerésénél.
• AI idézetek száma: GEO láthatóság (Perplexity, ChatGPT).
• Érzelmek az említésekben: Közösségi bizalom jelzés.
• Tematikus hitelesség pontszám: Rangsorolási emelkedés az összes tartalomhoz a területen.
• Újságírói kapcsolat lojalitás: Hosszú távú összetett láthatóság.

A digitális PR erősíti az SEO-t azáltal, hogy olyan jelzéseket hoz létre, amelyeket a hagyományos SEO egyszerűen nem tud. Tökéletesen optimalizálhatod az oldaladat, de ha senki sem beszél a márkádról, akkor elveszett lehetőségek vannak.

Amit építened kell

Foglaljuk össze a három váltást:

Első: Linkekről hitelesség jelzésekre.
Második: Tömeges felkeresésről intelligens célzásra.
Harmadik: Kampány csúcsokról összetett láthatóságra.

2026-ban a digitális PR nem taktika, hanem rendszer. És mint minden rendszer, skálázható, ha a gépi precizitás és az emberi empátia kombinációját használod.

A digitális PR hosszú távú növekedési stratégia. Tekintélyt, láthatóságot hajt, és versenyelőnyt ad az SEO-ban és az AI keresésben. 2026-ban azok a márkák, amelyek felkarolják a digitális PR tevékenységet, jobban törődnek a bizalommal és a szórakoztatással, mint a backlinkekkel. És így fedeznek fel, idéznek és ajánlanak téged nagy léptékben.

Fontos megérteni, hogy az AI nem az emberi kreativitást és intuíciót váltja fel, hanem kiegészíti azt. A marketingosztályok AI-támogatással képesek optimalizálni folyamataikat, hatékonyabb kampányokat indítani, és valós időben reagálni a piac változásaira. Az AI segítségével a marketing nem csak gyorsabb és pontosabb lesz, de az emberi erőforrásokat is felszabadítja a stratégiai döntéshozatalra és a kreatív munkára, így a marketingosztályok valódi értéket teremthetnek a vállalat számára.

AI hatása a marketing osztályokra: A nagy átalakulás

A mesterséges intelligencia bevezetése alapvetően megváltoztatja, hogyan működnek a marketing osztályok. Az AI nem csupán egy újabb technológiai eszköz, hanem egy valódi átalakulás motorja, amely alapjaiban formálja át a marketing feladatokat és stratégiákat.

Automatizálás és időmegtakarítás

Az AI egyik legnagyobb előnye az automatizálás képessége. A monoton, ismétlődő feladatok, mint például az adatgyűjtés, elemzések, valamint az e-mail marketing kampányok kezelése, mind olyan feladatok, amelyeket az AI könnyedén át tud venni. Az AI által vezérelt rendszerek képesek jelentős mennyiségű adatot feldolgozni és rendezni, így a marketingesek több időt fordíthatnak a stratégiai feladatokra és kreatív ötletek megvalósítására. Az e-mail marketing automatizálásával például az AI nemcsak a kampányok időzítését és célzását teszi egyszerűbbé, hanem folyamatosan optimalizálja azokat a legjobb eredmények elérése érdekében.

Adatvezérelt döntéshozatal

Az AI képességei a precíz és mélyreható adatelemzés terén különösen hasznosak a marketingstratégiák finomhangolásában. A mesterséges intelligencia képes hatalmas mennyiségű adatot elemezni, és abból gyors és pontos következtetéseket levonni. Ez lehetővé teszi, hogy a marketing csapatok pontosabb képet kapjanak a célcsoport viselkedéséről, vásárlási szokásairól és preferenciáiról. Az ilyen adatokra támaszkodva a kampányok finomhangolása, a célzás pontosítása és az üzenetek testreszabása sokkal hatékonyabbá válik. Ezzel a kampányok hatékonysága nő és a befektetett költségek jobban megtérülnek.

Tartalomtervezés és személyre szabás

A tartalomtervezés terén az AI olyan eszközöket biztosít, amelyek segítenek a marketingeseknek gyorsabban és pontosabban előállítani a releváns tartalmakat. Az AI által támogatott tartalomtervezési rendszerek képesek előrejelzéseket készíteni arról, hogy milyen típusú tartalom lesz a legnagyobb hatással a célközönségre, és mikor érdemes azt megosztani. Emellett a személyre szabott tartalmak létrehozásában is kiemelt szerepet játszik. A marketingesek az AI segítségével személyre szabott ajánlatokat és üzeneteket küldhetnek az egyes fogyasztói szegmenseknek, növelve ezzel a kampányok relevanciáját és hatékonyságát.

Kampányok optimalizálása valós időben

Az AI egyik legnagyobb ereje abban rejlik, hogy valós időben képes figyelemmel kísérni és optimalizálni a futó kampányokat. Amíg korábban a kampányok elemzése és módosítása hosszabb időt vett igénybe, a mesterséges intelligenciával ez már a kampányok futása közben elvégezhető. Az algoritmusok képesek folyamatosan monitorozni a kampányok teljesítményét, és valós idejű adatokat biztosítani a felhasználói interakciókról, elköteleződésről és eredményekről. Ezáltal a marketingesek azonnali lépéseket tehetnek, ha egy kampány nem teljesít az elvárásoknak megfelelően, így kevesebb erőforrás és költség felhasználásával érhetnek el jobb eredményeket.

Az AI és az emberi kreativitás együttműködése

A mesterséges intelligencia nem csupán egy technológiai eszköz a monoton feladatok elvégzésére, hanem egy kreatív partner is, amely képes az emberi kreativitást erősíteni és új szintre emelni. Az AI által nyújtott lehetőségek egyértelműen kiegészítik az emberi intuíciót és tapasztalatot, de fontos megérteni, hogy az emberi elemzés és stratégiai gondolkodás továbbra is nélkülözhetetlen marad.

Kreatív partner

Az AI különösen hasznos a kreatív folyamatok során. Képes nagy mennyiségű adatot elemezni, az ügyfél preferenciákat és trendeket felismerni, majd ezek alapján ajánlásokat tenni a tartalom kialakítására. Ez segíti a marketingeseket abban, hogy  optimális időben a legmegfelelőbb üzeneteket juttassák el a célközönséghez. Például az AI-alapú eszközök javaslatokat tehetnek kampányok kreatív elemeire. Képes olyan szöveget, vizuális elemet, vagy akár színkombinációt ajánlani, amely a legnagyobb hatást gyakorolhatja a célcsoportra.

Az AI gyorsítja a kreatív folyamatot azáltal, hogy elemzi a meglévő tartalmakat, az ügyfelek visszajelzéseit és a piac alakulását. Ennek köszönhetően a marketingcsapatok jobban tudnak alkalmazkodni a változó trendekhez, és képesek azonnal reagálni a piaci igényekre. Azonban, bár az AI képes előállítani tartalmi javaslatokat, az igazi kreatív erőt továbbra is az emberek képviselik, akik a mesterséges intelligenciaadta lehetőségeket művészi és érzelmi érzékenységgel formálják meg.

A stratégiai tervezés megőrzése

Míg az AI sok területen segít optimalizálni a folyamatokat, a stratégiai tervezés és az irányvonalak meghatározása továbbra is az emberek feladata. Az emberi elemzők és döntéshozók kulcsszerepet játszanak abban, hogy a kampányok mögötti nagy képet irányítsák, és meghatározzák a vállalat marketingstratégiáját. Az AI által szolgáltatott adatok, előrejelzések és elemzések hasznosak a döntéshozatalban, de az, hogy milyen irányba mozduljon el egy kampány, vagy hogy milyen üzleti célokat szolgáljon, még mindig emberi tapasztalatot és ítélőképességet igényel.

A stratégiai döntések során fontos figyelembe venni a vállalat hosszú távú céljait, az iparági trendeket, valamint a piaci versenyt. Az AI segíthet ezek elemzésében, de a stratégiai döntések összetettsége, az ügyfélkapcsolatok mélysége és a vállalati kultúra ismerete olyan területek, ahol az emberi jelenlét elengedhetetlen.

AI korlátai és az emberi intuíció

Bár az AI képes rendkívül pontos elemzéseket végezni, és kiválóan kezeli az adatokat, még mindig vannak olyan területek, ahol az emberi intuíció és tapasztalat fontosabb. Az AI nem rendelkezik érzelmi intelligenciával, és nem képes az emberi kapcsolatok finomságait teljes mértékben megérteni. Az intuíció és a tapasztalat különösen fontosak akkor, amikor váratlan helyzetekkel vagy bizonytalan piacokkal találkozik a marketingosztály.

Az emberi intuíció abban is kiemelkedő, hogy olyan döntéseket hoz, amelyeket nem lehet kizárólag adatokra alapozni. Az emberek képesek meglátni azokat a lehetőségeket, amelyek az adatokban rejtve maradhatnak, és képesek reagálni a kulturális és társadalmi változásokra, amelyek az AI számára nehezen érthetőek. A marketing kampányok sikeréhez elengedhetetlen az emberi érzékenység és a kreatív látásmód, amely kiegészíti az AI által nyújtott technológiai támogatást.

AI integráció a marketing osztályokon

Az AI bevezetése a marketing osztályokon egy fokozatos és átgondolt folyamat kell, hogy legyen. Ahhoz, hogy az AI megoldások valódi értéket teremtsenek, fontos, hogy a marketing csapatok megértsék, hogyan lehet ezeket a technológiákat hatékonyan integrálni a mindennapi munkafolyamatokba, és a vezetők felkészítsék alkalmazottaikat az új eszközök és folyamatok kezelésére. Íme néhány gyakorlati tipp az AI sikeres integrációjához.

Fokozatos bevezetés

Az AI technológiák bevezetését érdemes fokozatosan megközelíteni, hogy a marketingosztályok megfelelően alkalmazkodhassanak az új munkamódszerekhez. Első lépésként érdemes azokat a területeket feltérképezni, ahol az AI azonnali eredményeket hozhat, például az e-mail marketing automatizálásában vagy az adatgyűjtés hatékonyságának javításában. Ezek az egyszerűbb megoldások segíthetnek a csapatoknak megérteni az AI alapjait, és fokozatosan bevezetni komplexebb AI-eszközöket a stratégiai döntéshozatal és kampány optimalizálás területén.

Az AI megoldások integrálása során érdemes pilot projektekkel kezdeni, amelyek kisebb kockázattal járnak. Ezek lehetnek például automatizált tartalomajánlók vagy a chatbotok használata kisebb marketing kampányokban. Ezen kísérleti projektek eredményeit elemezve a csapatok tanulhatnak, és finomíthatják az AI megoldások alkalmazását, mielőtt nagyobb skálán vezetik be őket.

Szoftverek és eszközök

Az AI eszközök széles választéka áll rendelkezésre, amelyek segíthetnek a marketing csapatoknak a hatékonyság növelésében és a kreativitás támogatásában. Íme néhány olyan AI eszköz, amit érdemes megfontolni:

Chatbotok: Automatizált ügyfélszolgálati megoldások, amelyek képesek a vásárlók kérdéseire válaszolni, termékajánlásokat tenni, és segíteni az ügyfeleknek a döntéshozatalban. Olyan eszközök, mint a Drift vagy az Intercom, rendkívül népszerűek ezen a területen.

Adat-elemző platformok: Az olyan platformok, mint a Google Analytics 4 és a Tableau, képesek AI-t használni az ügyféladatok mélyreható elemzésére és a trendek előrejelzésére. Az AI segítségével ezek az eszközök nemcsak az aktuális adatokat elemzik, hanem képesek előrejelzéseket is adni a jövőbeli piaci változásokról, segítve ezzel a stratégiai tervezést.

Marketingautomatizálási rendszerek: Olyan AI-támogatott eszközök, mint az ActiveCampaign, Apollo.io, HubSpot vagy a Salesforce Marketing Cloud, segítenek automatizálni a marketing kampányokat, például e-mailek küldését, közösségi média bejegyzések ütemezését, és az ügyfelekkel való kapcsolattartást. Ezek a rendszerek valós időben figyelik a kampányokat, és javaslatokat tesznek azok optimalizálására.

Képzési programok és tudásfejlesztés

Az AI sikeres integrációjának kulcsa a marketingosztály munkatársainak megfelelő felkészítése. A csapat tagjainak meg kell tanulniuk, hogyan dolgozzanak együtt ezekkel a technológiákkal, és hogyan használják ki azok előnyeit a mindennapi munkában. Ehhez átfogó képzési programokra van szükség, amelyek során a csapatok megismerkedhetnek az AI alapjaival, a releváns eszközökkel, és azok alkalmazási módjaival.

Érdemes belső tréningeket szervezni, valamint külső szakértőket is bevonni, akik segíthetnek az AI technológiák elmélyült megértésében. Az AI alapú marketing automatizálás például új készségeket igényelhet, mint például az adatok elemzésének és értelmezésének képessége, valamint a megfelelő marketingeszközök hatékony használata. A folyamatos képzés és tudásfejlesztés biztosítja, hogy a csapatok naprakészek maradjanak az AI fejlődésével, és maximálisan kihasználhassák annak lehetőségeit.

A jövő marketing osztálya: AI és emberi vezetés harmóniája

A mesterséges intelligencia egyre nagyobb szerepet kap a marketing osztályok működésében, de a siker kulcsa abban rejlik, hogy az AI és az emberi vezetés harmóniában dolgozzanak együtt. Az AI egy eszköz az optimalizálásra, amely gyorsítja a folyamatokat és lehetőséget teremt a pontosabb döntéshozatalra, de a stratégiai irányítás és a kreatív ötletek továbbra is az emberek kezében maradnak. A jövő marketingosztályai tehát az AI és az emberi képességek kombinációjára épülnek, ahol az AI a hatékonyságot és az eredményességet támogatja, míg az emberek biztosítják az irányítást és az innovációt.

AI az optimalizálásért, ember az irányításért

Az AI lehetővé teszi, hogy a marketingesek hatékonyabban és precízebben végezzék munkájukat, de az emberi vezetés nélkülözhetetlen marad a stratégiai döntések meghozatalában. Az AI a már meglévő adatok elemzése alapján tesz javaslatokat, automatizál folyamatokat és segít gyorsan reagálni a piac változásaira. Ugyanakkor az, hogy milyen irányt vegyen egy kampány, hogyan pozicionálja magát egy márka, és milyen hosszú távú üzleti célokat támogasson a marketing, továbbra is az emberek felelőssége marad.

Az AI tehát az optimalizálás eszköze: segít csökkenteni az emberi hibák esélyét, növeli a hatékonyságot, és gyorsabb eredményeket hoz. Az emberek feladata azonban, hogy az AI által generált adatokat és javaslatokat stratégiai kontextusba helyezzék, és biztosítsák, hogy azok illeszkedjenek a cég általános célkitűzéseihez. Az AI nem veheti át a kreatív és stratégiai irányítást, de jelentősen támogatja azt, különösen a gyorsabb döntéshozatalban és a kampányok valós idejű optimalizálásában.

A marketingosztály új szerepkörei

Az AI bevezetése újfajta szerepköröket hoz létre a marketingosztályokban. Mivel az AI képes automatizálni a korábban kézi adatfeldolgozást igénylő feladatokat, a marketingesek munkája egyre inkább a stratégiai döntéshozatalra és a kreatív folyamatok irányítására fókuszál. Az alábbiakban néhány új szerepkör, amely az AI bevezetésével megjelenik a marketingosztályokon belül:

Adatelemző: Az adatelemzők szerepe egyre fontosabbá válik, hiszen az AI által generált adatokat és elemzéseket értelmezni és stratégiai szempontból alkalmazni kell. Az adatelemzők biztosítják, hogy az AI által szolgáltatott információk megfelelő döntésekhez vezessenek.

AI-ügyintéző: Az AI-t használó rendszerek működtetéséhez és optimalizálásához szükség van olyan szakemberekre, akik értenek az AI alapú eszközök működtetéséhez, és felügyelik azok hatékonyságát. Az AI-ügyintézők feladata, hogy biztosítsák a zökkenőmentes integrációt és az AI-rendszerek folyamatos fejlesztését.

Kreatív vezető: A kreatív vezetők feladata a marketingkampányok kreatív irányítása, de az AI segítségével most már képesek lesznek az adatokra és az AI által generált trendekre alapozni döntéseiket. Ezáltal a kreatív folyamatok személyre szabottabbak és hatékonyabbak lesznek, mivel az AI által szolgáltatott információk segítik a célcsoport pontosabb elérését.

Példák a sikeres AI integrációkra közép- és nagyvállalati környezetben

Az AI integrációja a marketingosztályokon belül már számos közép- és nagyvállalatnál sikeresen megvalósult, és ezek az esetek bizonyítják, hogy a technológia valóban képes javítani a hatékonyságot és az eredményeket. Íme két részletes példa:

1. Coca-Cola – Chatbotok és AI által támogatott tartalomgenerálás

A Coca-Cola egyike azoknak a nagyvállalatoknak, akik korán felismerték az AI jelentőségét a marketingben. A cég AI-t használ chatbotok fejlesztéséhez, amelyek képesek valós időben kommunikálni a fogyasztókkal, termékajánlásokat tenni, és kérdésekre válaszolni. Ezek a chatbotok nemcsak az ügyfélszolgálati költségeket csökkentik, hanem lehetőséget adnak arra is, hogy a Coca-Cola jobban megismerje a vásárlói preferenciákat és szokásokat.

Ezen felül a Coca-Cola AI-t használ a tartalomgenerálásban is. Az AI rendszerek elemzik a közösségi média visszajelzéseit és a fogyasztói trendeket, majd ezek alapján tesznek javaslatokat az új marketingkampányok kreatív elemeire. Az AI segít meghatározni, milyen típusú tartalom rezonál leginkább a fogyasztókkal, melyik platformon érdemes megosztani azt, és milyen időpontban érdemes publikálni a legnagyobb hatás elérése érdekében.

2. Sephora – AI-alapú személyre szabott vásárlói élmény

A Sephora kozmetikai cég az AI-t arra használja, hogy személyre szabott vásárlói élményt nyújtson mind az online, mind az offline környezetben. Az AI-alapú rendszerek képesek a vásárlók korábbi viselkedése alapján termékajánlásokat tenni, és chatbotok segítségével online sminktanácsokat adni. A Sephora a mesterséges intelligencia segítségével képes valós időben alkalmazkodni az egyéni vásárlói igényekhez, ezzel növelve az ügyfél-elégedettséget és az elköteleződést.

Az üzletekben elérhető virtuális sminktükör szintén AI alapú technológiát használ, amely lehetővé teszi a vásárlóknak, hogy valós időben kipróbálják a sminktermékeket anélkül, hogy ténylegesen felvinnék azokat. Ez az innováció javítja a vásárlói élményt, és növeli a termékeladások esélyét.

Konklúzió

Az AI integrációja forradalmasítja a marketingosztályok működését, hatékonyabbá és pontosabbá téve a munkafolyamatokat. A mesterséges intelligencia segíti a monoton, időigényes feladatok automatizálását, az adatvezérelt döntéshozatal finomhangolását, és a tartalmak személyre szabását, miközben a valós idejű kampányoptimalizálás révén javítja az eredményeket. Mindezek mellett azonban az emberi vezetés és a stratégiai döntéshozatal továbbra is elengedhetetlen. Az AI által nyújtott lehetőségek csak akkor hozhatják meg a kívánt eredményeket, ha azokat az emberi kreativitás és intuíció egészíti ki.

A marketing döntéshozóknak érdemes már most elkezdeniük az AI integrálását, hogy előnyt szerezzenek a versenytársaikkal szemben. Az AI nem csak az azonnali hatékonyságot növeli, hanem hosszú távon is fenntartható versenyelőnyt biztosít azáltal, hogy lehetővé teszi a marketing tevékenységek személyre szabását, automatizálását és az adatalapú, precíz döntéshozatalt. Az AI-ra épülő marketingosztályok gyorsabban alkalmazkodnak a változó piaci igényekhez, miközben növelik a vásárlói elégedettséget és a megtérülést.

A marketing jövője optimalizált, mesterséges intelligenciával támogatott és ember által vezetett—itt az ideje elkezdeni az átalakulást.

Ingyenes AI marketing konzultáció

Szeretnéd, hogy marketing osztályod maximálisan kihasználja a mesterséges intelligencia által kínált lehetőségeket? Ne hagyd, hogy a versenytársak előnyre tegyenek szert! Vedd fel a kapcsolatot a Kontext Grouppal, és dolgozzunk együtt egy olyan AI-alapú marketingstratégián, amely növeli a hatékonyságot, javítja a vásárlói élményt és biztosítja a versenyelőnyt a jövőben. Konzultációra van szükséged, vagy többet szeretnél megtudni az AI marketingben rejlő lehetőségeiről? Töltsd ki az űrlapot még ma, és kezdjük el az átalakulást!

Fontos tisztázni, hogy van különbség az MI és a generatív MI között. Az MI-be tartozik minden olyan algoritmus és intelligens megoldás, ami a gépek saját tanulási és feldolgozási képességeit használja ki, a generatív MI pedig ennél is tovább megy: segít valami újat létrehozni, legyen az szöveg, kép vagy videó.

Van ennek persze árnyoldala is: az, hogy a generatív MI ennyire hiteles, hatékony és sokoldalú, megtévesztő információk gyártására is alkalmassá teszi – páratlanul nagy mennyiségben. A deep fake videók és képek terjedése pedig olyan újkeletű probléma, amivel egyelőre sem a közösségi média, sem a hírfogyasztók, de még a kiberbiztonsági szakemberek sem igazán tudnak mit kezdeni.

Csakhogy a generatív MI nem fog megállni. A McKinsey riportja szerint globálisan akár 4,4 billiárd dolláros piaca is lehet a technológiának (a nem generatív MI akár 17,7 billiárdos piaca mellett), ami az Egyesült Királyság éves GPD-jét is jócskán meghaladja. Önmagában a mesterséges intelligencia szerepét pedig további 15-40 százalékkal növelheti a generatív technológiák térnyerése.

Mindenre és mindenkire hatással van

A McKinsey összefoglalójának fő megállapításai közé tartozik az is, hogy a generatív mesterséges intelligencia gyakorlatilag minden szektorra hatással van és kiváltképp négy területen hoz szignifikáns változást. Ezek:

• az ügyfélkezelési feladatok,
• a marketing és az értékesítés,
• a szoftverfejlesztés, valamint
• a kutatás és fejlesztés területei.

Az elemzők arra számítanak az áttekintett 63 esettanulmány alapján, hogy a generatív MI további terjedése és alkalmazása alapjaiban változtathatja meg a munkamenetet: új munkakörök születhetnek, mások pedig megszűnnek majd. Összességében az ismétlődő feladatok akár 60-70 százaléka is automatizálhatónak tűnik a felsorolt területeken, ami értékes időt szabadíthat fel a szakemberek számára.

Érdekesség továbbá, hogy a generatív MI már elsősorban nem az alacsony hozzáadott értékű munkakörökben hoz változást, hanem minél magasabb képzettségi szintet igényel egy munkafolyamat vagy szakma, annál nagyobb hatással lehet rá. Ez lényeges eltérés az MI-hez és általában az automatizáláshoz képest, ugyanakkor nem veszélyt jelent, hanem lehetőséget a szerzők szerint.

Automatizált feladatok, de nem dobozmegoldások

Az előrejelzések a korábbiaknál is gyorsabb munkafolyamat-automatizálással számolnak. Előreláthatóan 2030 és 2060 között automatizálható lesz a ma ismert munkafolyamatok mintegy fele a piac jelenlegi penetrációját és a technológiai fejlesztéseket figyelembe véve. Ez viszont csak akkor járhat valódi hatékonyságnövekedéssel, ha egyrészt megérkeznek a befektetésekhez szükséges források, másrészt a munkavállalókat és a foglalkoztatókat is támogatják a váltásban. 

Ezzel viszont óriási és dinamikus változás érhető el: évente akár 3,3 százalékkal nőhet az automatizáltsági fok 2040-ig. Ehhez persze nem csak a generatív MI fejlesztésére, hanem a mesterséges intelligencia további területeinek kitartó alkalmazására is szükség lesz.

AI a marketingben

Ha így implementálják az új generatív MI megoldásokat, az forradalmi újdonságokat hozhat több területen és szektorban is. Ezek közül a már említett négy területet emeli ki az elemzés. A felhasználói vagy vásárlási élmény már a megismerés pillanatában teljesen átalakulhat. A generatív MI segítségével személyre szabott, egyedi interakciók jöhetnek létre, de akkor is van helye az MI alkalmazásának, ha továbbra is emberekkel találkoznak a vásárlók. Bankokban az ügyintézők keze alá dolgozhatnak az adatbázisokat, jogszabályokat és szerződéseket átlátni képes nyelvi modellek. Olyan csomagot állíthatnak össze a felhasználóról néhány azonosító alapján, ami mentén már a beszélgetés első pár mondata is sokkal meggyőzőbb lehet, mint eddig bármikor.

Az adatgyűjtés és rendszerezés minden eddiginél hatékonyabb módja a leadgenerálást és a teljes marketingfolyamatot is felgyorsítja, illetve megkönnyíti. Eleve a tartalmak előállításában számíthatunk a generatív MI-re, ami jó minőségű és értékes szövegeket, posztokat, szlogeneket és reklámanyagokat állíthat össze, amiknek a targetálásában is hatékony segítséget nyújthat. Így a teljes marketing-gépezet támogatásáról gondoskodik, hiszen a SEO-ban, valamint a személyre szabott vásárlási élmény kialakításában is szerepet vállalhat. A marketing értékteremtése így akár 5-15 százalékkal növekedhet.

Értékesítés és ügyfélkezelés

Ugyancsak hatékonyabbá válhatnak az interakciók, de nem csak a vevők számára. Az értékesítés támogatásán keresztül a generatív MI szerepe megnőhet a folyamatban, ami egyszerre jelent segítséget, viszont veszélyforrást is, ezt pedig fontos mérlegelni. A vevőkről tárolt információcsomagok biztonságos kezelése pedig az adatgazda (ez esetben a cég vagy bank) feladata, aki ezeket az információkat tárolja. A sales és értékesítési terület legkevesebb 3-5 százalékos bevételnövekedéssel számolhat a generatív MI bevezetésével. A leadek követése, a személyre szabott ajánlatok elkészítése, a kapcsolatápolás is könnyebbé válhat, de az MI a priorizálásban, a csoportosításban és az azonosításban is támogathatja a felhasználókat. A generatív mesterséges intelligencia hatásai azonban pont a tényleges konverziók tekintetében mérhetők fel nehezen, ahogy erre a riport is kitér, az algoritmusok akár sokkal több leadet és sokkal gyorsabban deríthetnek fel, mint az eddigi csatornák. Ez pedig többszörösére növelheti a bevételtöbbletet is.

A bankok ugyancsak az ügyfélkezelésen keresztül éves bevételük 3-5 százalékát realizálhatják csak azzal, ha generatív MI megoldásokat vezetnek be. A megoldás mellett szól, hogy igen nagy ügyintézői állománnyal dolgoznak, digitalizációs érettségük pedig viszonylag magas. A generatív MI olyan virtuális asszisztensek alapja lehet, amik az ügyfelekkel való mindennapi munkát egyszerűsítik – átlátják a jogi és pénzügyi feltételeket, az adminisztrációs feladatokat és a már létező vagy szükséges dokumentációt. 

AI és a fejlesztői kapacitások

A bankok esetén ki kell még emelni a szoftverfejlesztési nyomást, amiben a generatív MI szintén segítséget jelenthet. Általában a kódolásban és a szoftvertechnológiai problémák megoldásában is jól alkalmazható megoldások tartoznak ide, a gyorsan változó környezetben viszont a bankok számára hamarosan nélkülözhetetlen lehet a technológia.

Bár úgy tűnik, ezeken a területeken a generatív MI csupa előnnyel bír, valójában számos aspektusát mérlegelni kell, mielőtt bármilyen technológiát bevezetnék – ez a bankoknál sincs másképp, a regulációs környezet és a szenzitív adatok pedig különös körültekintést igényelnek.

Kéz alá dolgozik

Az egyik legjelentősebb alkalmazási terület a kutatás-fejlesztés, a gyógyszeriparban így különösen nagy potenciállal bír a generatív MI. A globális ipari termelés 3-5 százalékát kitevő üzleti értékkell rendelkezik a bevezetés, amivel az automatizáció, a kísérletek, a molekulaválasztás, a formulázás, és a regulációs környezet monitorozása is felgyorsítható. Az ember viszont kihagyhatatlan a folyamatból.

De nem csak automatizál, a generatív MI egyre kreatívabb, egyre jobb a logikája, lassan döntésképesnek nevezhető és az érzelemfelismerése is fejlődik. Ezek már olyan területek, amik messze túlmutatnak azon, hogy az emberiség létrehozott volna egy széles körben használható robotot vagy algoritmust.

Ráadásul olyan gyorsan fejlődik, amire senki nem számított. Míg a McKinsey 2017-es előrejelzése 2053-ra tette az 50 százalékos automatizáltsági szint elérését, addig a friss, 2023-ban kiadott jelentés már 2045-tel számol és ez még hamarabb is bekövetkezhet a fejlődés következtében. A fejlett és a fejlődő országok adaptációs görbéi is meredekebbek, mint 2017-ben voltak, ami ugyancsak arra utal, hogy a terjedés globális. Jól látszik az is, hogy azok a munkakörök és pozíciók várhatnak a legnagyobb átalakulásra, amik eddig kevésbé voltak kitéve az automatizáció hatásainak – így az oktatásban, a tudományos szektorban, a menedzsmentben de még az egészségügyi ellátásban is változásokra számíthatunk.

Összességében pedig mindannyian ki vagyunk téve a generatív MI hatásainak. Mérlegelnie kell az erőforrások elosztását a vállalatvezetőknek, a döntéshozóknak pedig szabályoznia kell a területet, hogy az implementáció ne csak hatékony, hanem biztonságos is legyen. A munkavállalók és a fogyasztók számára pedig egyszerre lehet rémisztő és végtelenül vonzó az a világ, amit a generatív MI kínál. Az új mechanizmusok, amik megkönnyítik a mindennapokat azonban nem elveszik, inkább csak átalakítják a munkát.

A McKinsey elemzői azonban úgy látják, mindez még csak a kezdet és a generatív mesterséges intelligencia előtt hosszú út áll még – rengeteg fejlesztéssel, meghódításra váró területtel és eddig kiaknázatlan lehetőséggel.