# Practical AI. Hogyan legyünk felfedezhetők az AI-keresésben **Epizód:** How to get discovered in AI search **Dátum:** 2026-09-17 **Hossz:** 55:14 **Házigazdák:** Daniel Whitenack (CEO, Prediction Guard) és Chris Benson (Principal AI/Autonomy Research Engineer) **Vendégek:** Liam Dunne és Ben Moore, társalapítók, Discovered Labs **Forrás:** https://share.transistor.fm/s/66185604 ## Bevezetés és a terminológia A Practical AI Podcast epizódja a 2026-os AI-keresés (AI search) tájképét járja körbe Liam Dunne és Ben Moore (Discovered Labs) segítségével, akik organic search ügynökséget vezetnek. A beszélgetés egy konkrét állítással indít: az AI-keresés "broad category", és ezen belül helyezkedik el az **AEO (Answer Engine Optimization)** és a **GEO (Generative Engine Optimization)**, ez a két terminus "ugyanaz a dolog", csak különböző venture-funded cégek más-más nevet preferálnak. Liam az AEO-t választja, mert "sok venture-funded cég sok pénzt költött erre a terminusra". A **SEO nem halt meg**, ugyanaz a három feladat maradt (on-page: weboldal karbantartása; off-page: brand authority építése; technical: agent-ek és Google rendszerek hozzáférésének biztosítása), csak a "tactical priorities" változtak. ## A buyer behavior fordulata: az LLM az új weboldal-látogató A legszembetűnőbb változás: "az emberek információt LL-eken belül kutatnak és fogyasztanak", ez megváltoztatja a buyer behavior-t. A tünet: "hol van az összes organikus traffic-em?", a válasz az, hogy az organikus traffic egy "nagy része" az volt, hogy az emberek az ember weboldalán fogyasztottak információt. **Most az LLM az új weboldal-látogató: "bechewelik és visszaköpik" a felhasználónak az LLM-en belül.** "Elvesztettük a kattintásokat", ez a "zero click researchers" jelenség, ami a social platformokon már létezett, most az organikus search-re is kiterjedt. A másik fordulat: **kétféle látogató van most a weboldalon.** Az ember (UX, conversion rate optimization, navigáció) és az **agent** (akinek hozzá kell férnie + meg kell értenie az információt). Liam megjegyzi: "nem tudom, hol végződik ez. Sok cég épít afelé, hogy legyen egy weboldal-verzió az embereknek és egy az agent-eknek", ez a "két weboldal" megközelítés. ## A measurement probléma: a SEO ipar statisztikai analfabétizmusa Ben a technikai oldalról közelít: "ez megrázta a SEO ipart", a korábbi "paint by numbers" megközelítés (kulcsszó → rangsor → kész) determinisztikus volt, most "stochastic elemek" jöttek a képbe, és "a SEO ipar egészében nincsenek nagy statisztikusok vagy data science literacy". A kritika: ha komolyan vesszük a mérést, "5%-os margin of error"-t kell elérni a citation rate, mention rate, share of voice metrikákon, és "senki az iparban nem csinálja ezt, vagy nem is gondolkodik rajta". Az eszközök (pl. Profound) "nem érdekeltek, csak eladni akarnak valamit", a SEO ipar pedig "csodálatos képességgel mutogat a számokra, amik felfelé mennek, és állítja, hogy ők csinálták, és csodálatos képességgel mutogat a számra, ami lefelé megy, és állítja, hogy Google core update volt". Ben egy CNN-példával illusztrálja: ha a Dow Jones 5%-ot esik, mindenki pánikol, de "ha megnézed az adatot, a standard deviation alapján az elmúlt évben, ez nem statisztikailag szignifikáns". "Sok marketing-óra és mérnöki idő megy el olyan dolgokra, amik nem statisztikailag szignifikánsak." ## Hogyan gondolkodik egy LLM: a mechanizmus Ben lépésről lépésre leírja, mi történik egy prompt után: 1. **Tokenizálás**, a prompt tokenizálódik és a transformer "embedded"-eli 2. **Reasoning szakasz**, a forward pass során a training weights-ek alapján reasoninget generál. **Két forrása van a randomness-nek:** (a) **kernel function**, floating point error a GPU-kon, (b) **deliberate temperature**, a következő token generálásánál 3. **LLM fingerprinting**, a modellek "hashing functions"-t futtatnak a háttérben, hogy tudják, honnan jött a tartalom 4. **Tool-ok**, a modell eszközökhöz fér hozzá, ezek egyike a retrieval engine 5. **Query fan-out**, a modell "set of query fan outs"-t készít, és behúzza a kezdeti jelölteket a context window-ba 6. **AGRai algoritmus** (DeepMind), hasonló az Anthropic, Gemini és ChatGPT modellekben, Claude-ban a Fable/Fable 5.1 óta. **Célja: konszenzus és majority voting a hallucináció elkerülésére.** A modell ezen a ponton "distilled set of context"-et állít elő 7. **Final response**, a megtisztított kontextusból generálódik a végső válasz Ez a mechanizmus magyarázza, hogy a **citation ≠ retrieval**: a Reddit gyakran "groundolja" a modellt, de nem lesz cite-elve, helyette egy másik forrást (pl. TechCrunch) cite-el a modell, mert az megerősíti a Reddit-konszenzust. ## A négy pillér: weights + reasoning + response + retrieval Ben négy "pillérre" bontja az AI láthatóságot: 1. **Weights**, a modell súlyaiban hogyan jelensz meg. Co-occurrence (milyen entitásokkal vagy együtt a training adatban), sentiment, factual accuracy 2. **Reasoning**, a modell belső logikája, hogyan gondolkolik a domain-ről 3. **Retrieval**, query fan-out és retrieval engine által behúzott források 4. **Response**, a végső válaszban megjelenő citation-ök és mention-ök "**Mind a négy pillért meg kell nézned, hogy dominánsd a domain-ed.**" Akit csak citation-öket néz, az a jéghegy csúcsát látja. ## A Reddit-stratégia: grounding ≠ citation Ben saját kutatásukra hivatkozik: a ChatGPT retrieval engine egy időben "majdnem a harmadát" (kb. 30%) allokálta Reddit-thread-eknek. A flow: - Retrieval során ~60 forrást húz be - Ebből ~20% (kb. 12 slot) Reddit - A retrieval slotok 20%-ából a **többséget citation-time-ban elutasítja**, a Reddit-thread-eket felhasználja a modell gondolkodásának "groundolására", de a végső válaszban nem cite-eli őket A hosszú formátumú Reddit (AMA-k, etc.) a training data része is, "golden training data" az RLHF szakaszban. "Láttuk, hogy ez nyomokat hagy a weights-ekben, különösen a ChatGPT-nél és a Gemini-nél. Az open source modelleknél kevésbé, de ott is van." Tehát a Reddit **kettős hatású**: (1) grounding a retrieval során, (2) imprinting a weights-ekben a training data révén. Daniel egyértelműsíti: ha 20 forrást húzol be, és 10 Reddit ugyanazt mondja + 1 TechCrunch megerősíti, a modell a TechCrunch-ot cite-eli, mert "domain authority"-ja van, de a 10 Reddit segített a konszenzusban. Ben megerősíti: "igen, pontosan ez történik". **A Reddit upvote-ok nem korrelálnak a citation-nel.** A citation a **content overlap-től** függ, nem az upvote-októl: "a passage 50%-kal lejjebb a Reddit-oldalon, 1-2 upvote-tal, idézve lett, mert releváns volt." Liam szerint ez változhat, a Google commercial agreementje a Reddit-tel, az account-history figyelembevétele mind bejönnek a jövőben. De a jelenlegi állapot: **relevancia > upvote**. ## A konszenzus mint a citation-motor: retrieval ≠ citation, de consensus igen Ben rávilágít a legnagyobb paradigmaváltásra: **a retrieval és a citation NEM ugyanaz.** Ami retrieve-álódik, az a "ground", nem a "válasz". A citation **konszenzus-alapú**: ha 10 forrás ugyanazt mondja + 1 megerősíti → az 1-et cite-eli. Ha van **anti-konszenzus** (negatív review-k, etc.), az rontja a citation esélyeit. Ben egy konkrét trükköt is megoszt: **"blank space exploitation"**, ha van egy topic, amiről senki nem ír (pl. pricing bizonyos iparágakban), az LLM "szinte bármit cite-el, ami directionálisan helyes", mert "az LLM nem akar hallucinálni". Ha a competitorod nem beszél egy dologról, te beszélhetsz róla, és az LLM a te szövegedet használja. A **brand sentiment a weights-ekben** szintén számít. Példa: "Profound"-nak nagyon negatív sentimentje van a modellekben, ez rontja a citation esélyeit. A márkanév is számít: ha a brand "egy dictionary word" (pl. "Openly" egy security platformhoz), negatív konnotációkat hordozhat. A **co-occurrence** a training data-ban: ha a "gardeningtools.com" gyakran fordul elő bizonyos entitásokkal együtt, a retrieval során ezek az entitások "vonzanak", "ez egy embedded form of a knowledge graph". ## A 3 stratégiai szóra: Relevance, Consensus, Consistency Liam a saját ügyfél-munkájukat 3 szóba sűríti: 1. **Relevance**, "a modellek a releváns tartalmat találják meg a query fan-out során". A ICP (Ideal Customer Profile) meghatározása, a tiszta messaging, a service pages és a blog content itt kulcsfontosságú 2. **Consensus**, "a tartalmam a kalapom bedobása a ringbe", "itt vannak a releváns dolgok". A szavazatok, amik megerősítik, hogy bízni kell a cégben. Reddit, YouTube, G2, social channels, digital PR 3. **Consistency**, "az LLM ugyanazt a márkát ugyanazokkal a szavakkal akarja látni". Ha a weboldaladon "X iparágban Y megoldás Z tulajdonsággal", akkor a Redditen, YouTube-on, LinkedIn-en, céges LinkedIn-profilon, blogon, **mindenhol ugyanaz a message** Liam konkrét ajánlása, ha "gun to head"-et nyomnának: **YouTube**. "Native search channel, a Google tulajdona, szerintem egy darabig itt lesz." A LinkedIn-ra "nem vagyok bullish" mint search channel, de social channel-nek "abszolút". B2B SaaS-nél G2 is fontos. ## A brand mint végső moat Liam szerint "az off-site, harmadik féltől származó earned sources" lesz a legnagyobb változás. "A brand a végső moat." "Plakátolva van mindenhol." A budget/time constraint a kérdés: hogyan növeljük a "bet" várható értékét. ## A "read-only → read-write" fordulat: az agent-ek a következő frontier Liam és Ben egyetértenek: **az agent-ek a "read-only"-ból a "read-write"-ba mennek.** "Már van rá evidencia: egy ügyfelünk jelentette, hogy egy AI agent demót foglalt a múlt héten." Más ügyfeleknél "tízezrek conversion-nyi hetente", és "sok felhasználó command line interface-en keresztül jön". Az agent "privát procurement team"-ként működik: "azt mondja, 'felépítettem ezeket az eszközöket neked, készen állnak'". A Google Web OCP program említése: ez a weboldalak agent-kompatibilissé tételéről szól. "Lassú lesz, és egyik napról a másikra boom", "ez az emberi viselkedés, mindig a legkisebb súrlódású utat választjuk". A weboldalaknak "agent-first"-t kell lenniük: ha lassan tölt be vagy zavaros a form, az ember kitölti, de az agent nem vár. ## A training ciklusok gyorsulása és a weights-imprinting értéke Ben megjegyzi: "korábban a ChatGPT új verziója 9-12 havonta jött ki, most a top layereket hetente/kéthetente retrainelik, a backbone-okat 3 havonta." **Az imprint a weights-ekben "orders of magnitude" értékesebb, mint a context window-ban.** Ha be tudsz kerülni a training adatba, az hosszú távú hatás. "A piac egyre kifinomultabb, az emberek kezdik érteni, hogyan működnek ezek a rendszerek." ## Dead Internet Theory elkerülése és a human-signal értéke Ben egy fontos iparági trendet azonosít: a Google és a modellek "fingerprinting"-et használnak, hogy észleljék az AI-generált tartalmat. "Ha posztolsz egy AI-generált commentet a Redditen, lookupolják a hashing function-t, és megmondják, hogy 'ennek a valószínűsége, hogy AI-generált a mi modelünkből, nagyon magas'." Az OpenAI partnershipje a Trustpilot-tal (harmadik fél általi text-verifikáció) említve. "A human-signal nagyon értékessé válik, de az emulálása is fontos." A SEO-nak ezért "folyamatosan mászni kell az edge-eken". ## A saját rendszerünkre vonatkozó tanulságok Ez az epizód három konkrét tanulságot ad a saját rendszerünkre (a Discovered Labs analógiája a wiki/szuverenitás-portfólióra): 1. **A "statisztikai analfabétizmus" kritika.** Ben legfontosabb üzenete: "senki az iparban nem csinálja" a statisztikai megalapozottságot, "5%-os margin of error"-t célozva, és "sok marketing-óra és mérnöki idő megy el statisztikailag nem szignifikáns dolgokra". A wiki/szuverenitás-portfólióra alkalmazva: a önletétkezelés SOP-nak tartalmaznia kell **"statisztikai megalapozottságú indikátor-triggerlistet"**, a pozíció-méret, a multisig konfiguráció, a seed-tárolás nem narratíva-alapon, hanem **valódi, mért indikátorokon** alapuljon (NUPL, MVRV, RSI, liquidity, on-chain flows). Ahogy Ben mondta: "ha megnézed az adatot, a standard deviation alapján, ez nem statisztikailag szignifikáns", a magyar bitcoin-tér is tele van olyan "fundamentum-claim"-ekkel, amik statisztikailag nem állnak meg. 2. **A "négy pillér" modell alkalmazása a brand láthatóságra.** Ben négy pillére (weights + reasoning + retrieval + response) analóg módon alkalmazható a wiki/szuverenitás-brand láthatóságára: - **Weights**: a magyar bitcoin-térben a brand (pl. egy adott bitcoin projekt) hogyan van jelen a "kollektív tudásban", milyen entitásokkal co-occur, milyen sentiment - **Reasoning**: hogyan gondolkodnak róla a magyar AI-alapú keresők - **Retrieval**: a magyar források (cikkek, twitter thread-ek, podcast-epizódok) megjelennek-e a query fan-out során - **Response**: a végső válaszban cite-elve van-e a magyar forrás A saját wiki-re alkalmazva: ha egy magyar bitcoin-témájú cikket írunk, a négy pillért egyszerre kell "célba venni", nem csak a citation-t. A `summaries/tanulmanyok/` cikkek canonical elnevezése, a belső linkelés, a kulcsszavak konzisztenciája (Consistency), a Releváns források (Relevance), és a Consensus (más források megerősítése) mind a négy pillért támogatják. 3. **A "read-only → read-write" agent fordulat, a self-custogy jövője.** Liam és Ben egyetértenek: az agent-ek a "read-only"-ból a "read-write"-ba mennek. "Már van rá evidencia: egy AI agent demót foglalt." A bitcoin önletétkezelés kontextusban ez a **"AI agent pénzügyi akció"** víziót jelenti: nem csak olvasni a blockchain-et, hanem tranzakciókat indítani. A **saját rendszerünk** számára ez két dolgot jelent: (a) a önletétkezelés SOP-nak fel kell készülnie **AI-agent kompatibilis tárolási formátumokra** (PSBT-k, BIP-322 signed messages, stb.), (b) a **"minimum-viable human-control"** SOP-nak kell maradnia, az agent-ek erősödésével a privát kulcsok kezelésének egyre kritikusabb, hogy "agent-first" de "human-final-decision" típusú architektúrákban működjenek. A "ledger backdoor" és a "policy engine" koncepciók (ahogy a Statoshi's wristband-ben is megjelennek) itt egyenesen következnek. ## Forrás - Practical AI podcast (Transistor.fm): https://share.transistor.fm/s/66185604 - Canonical transcript: https://share.transistor.fm/s/66185604/transcript (10,007 szó, gépi-generált Transistor transcript) - Audio: https://pscrb.fm/rss/p/dts.podtrac.com/redirect.mp3/media.transistor.fm/66185604/d94b5158.mp3 - Daniel Whitenack: Prediction Guard (https://www.predictionguard.com) - Chris Benson: Practical AI Podcast + AI/autonomy research engineer - Liam Dunne és Ben Moore: Discovered Labs (https://discoveredlabs.com) - Sponsors: Midwest AI Summit (https://midwestaisummit.com, Oct 15 Indianapolis, kód: PracticalAI20), Framer (https://framer.com/practicalai) - Transcript: Transistor.fm built-in (2026-09-17, 10,007 szó) ## Kapcsolódó külső - **Discovered Labs**. Liam Dunne és Ben Moore organic search ügynöksége, specializálva AI search + SEO. - **AGRai (DeepMind algoritmus)**, majority voting konszenzus-mechanizmus, hasonló az Anthropic, Gemini és ChatGPT modellekben. - **Claude Fable 5.1**, a konszenzus-alapú citation mechanizmus legújabb megvalósítása. - **OpenAI / Reddit commercial agreement**, a Reddit-thread-ek privilégiuma a retrieval során. - **Google Web OCP**, agent-kompatibilis weboldal-program. - **Profound**. AI visibility tracking tool (Ben szerint nem csinál statisztikai megalapozottságot). - **G2**. B2B SaaS review platform (Liam szerint fontos a consensus-építésben). - **Prediction Guard**. Daniel Whitenack cége, operational support a podcast számára. ## Kapcsolódó belső - computer-use agent-ek, Demetrios Brinkmann-nel. - architektúra vs modellek, Chetan Gupta. - agentic AI era, Angie Jones. - multi-agent rendszerek. - topic. AI visibility, retrieval-augmented generation. - magyar nyelvű AI visibility / GEO kutatások. ## Hogyan kapcsolódik a saját rendszerünkhöz (részletes) Ez az epizód a saját rendszerünkre három konkrét, alkalmazható tanulságot ad: 1. **A "statisztikai megalapozottság" SOP mint a önletétkezelés alapelve.** Ben legfontosabb kritikája: "senki az iparban nem csinálja" a statisztikai megalapozottságot. A magyar bitcoin önletétkezelés SOP jelenleg elsősorban narratíva-alapú ("HODL forever", "always önletétkezelés", "always use hardware wallet"), és kevésbé statisztikai-alapú. A SOP-nak tartalmaznia kell: (a) **konkrét indikátor-triggerlistet** (NUPL > 0.75 → take-profit részleges, MVRV-Z-score > 7 → rebalance cold storage-ba), (b) **5%-os margin of error-t** a pozíció-méret meghatározásánál (ne egész BTC-t tarts egyetlen seed-frázisban, ha a teljes portfólió egy százaléka az), (c) **anti-konszenzus audit**, milyen negatív review-k vannak a tárolási módszerről, milyen edge-case-ek vannak (lásd SeedSigner sötét capture-ök analógiáját). Ez a "statisztikai analfabétizmus" kritikája pontosan alkalmazható a önletétkezelés-ra is. 2. **A "négy pillér" brand-stratégia alkalmazása a wiki láthatóságra.** A Discovered Labs négy pillére (weights + reasoning + retrieval + response) analóg módon alkalmazható a magyar nyelvű wiki/szuverenitás-brand láthatóságára. Ha a magyar bitcoin-tér egy adott szereplője (projekt, cég, személy) "látható" akar lenni, mind a négy pillért egyszerre kell kezelnie: - **Weights**: a magyar nyelvű forrásokban (cikkek, podcast-epizódok, twitter thread-ek) hogyan van jelen a brand. Milyen entitásokkal co-occur, milyen sentiment - **Reasoning**: hogyan gondolkodnak róla a magyar AI-alapú keresők (a magyar nyelvű modellek még kevéssé kiforrottak, de a globális modellek magyar forrásait is figyelembe veszik) - **Retrieval**: a magyar források megjelennek-e a query fan-out során, ehhez a magyar források canonical elnevezése és belső linkelése szükséges a wiki-ben - **Response**: a végső válaszban cite-elve van-e a magyar forrás A saját rendszerünkben a `summaries/` mappastruktúra, a canonical fájlnév-konvenciók (lásd `podcast-canonical-names.md`), a FOOTER struktúra (Forrás + Kapcsolódó külső + Kapcsolódó belső + Hogyan kapcsolódik), mind a négy pillért egyszerre támogatják. A Consistency (Liam 3. stratégiai szava) a magyar nyelvű brand-építés alapelve: a magyar forrásoknak ugyanazokat a kulcsszavakat, neveket, fogalmakat kell használniuk a canonical struktúrában. 3. **A "read-only → read-write" agent fordulat, a önletétkezelés jövője.** Liam és Ben előrejelzése: az agent-ek a "read-only"-ból (retrieve info) a "read-write"-ba (take actions, book demos, install tools) mennek. "Már van rá evidencia: egy AI agent demót foglalt." A bitcoin önletétkezelés kontextusban ez a **"AI agent pénzügyi akció"** víziót jelenti: nem csak a blockchain olvasása, hanem **tranzakciók indítása AI agent által**. A saját rendszerünkben ez három konkrét lépést jelent: - **Agent-kompatibilis tárolási formátumok**: PSBT (Partially Signed Bitcoin Transactions) használata, hogy az agent-ek aláírhassanak tranzakciókat a hardware wallet megerősítésével (lásd Sparrow Wallet, Nunchuk, stb.PSBT-alapú munkafolyamatai). - **"Human-final-decision" policy engine**: az agent javasolhat tranzakciókat, de a **végső aláírás mindig az ember**, hasonlóan a Statoshi wristband koncepciójához (lásd a "no go" policy-k a kritikus műveleteknél). - **"Multi-agent" önletétkezelés SOP**: a jövőben több AI agent együttműködhet (pl. egy elemző agent + egy végrehajtó agent + egy audit agent), és a SOP-nak kezelnie kell ezt a komplexitet, hasonlóan a "multi-vendor multi-SIG" elvhez a Coldcard exploit után. A gyakorlati implikáció a saját rendszerünkre: a self-custogy SOP nem "set and forget", hanem egy **"always-on, fact-based, statistically grounded, agent-compatible"** rendszer. A Discovered Labs három stratégiai szava (Relevance, Consensus, Consistency) a magyar bitcoin self-custogy SOP-nak is alkalmazható: a SOP-nak (Relevance) relevánsnak kell lennie a konkrét fenyegetésekre (Coldcard exploit, SeedSigner sötét capture-ök), (Consensus) konszenzust kell építenie a magyar bitcoin-tér szereplői között (multi-vendor multi-SIG), és (Consistency) konzisztensnek kell lennie a magyar nyelvű terminológiában (a `hungarian-terminology.yaml` a SOP alapja).