A generatív keresők egyik nagy ígérete az volt, hogy a klasszikus SEO-zajt forrásokkal alátámasztott, ellenőrizhető válaszokra cserélik. Egy friss, 2026. szeptember 2-án közzétett Trellner Research-jelentés szerint a szoftvervásárlási kérdéseknél új közvetítőréteg épül a weben: sok oldal láthatóan kevésbé embereknek készül, inkább azoknak a rendszereknek, amelyek a modellek mögött forrásokat keresnek. Nagyon sokan gyakorlatilag keresőmotorként használják ezeket a nyelvi modelleket, így fontos, hogy ezek is könnyen rátaláljanak az oldalakra és hivatkozzák azokat, amiből forgalom származhat.
Mit vizsgált a kutatás?
A Trellner 380, vásárlási szándékot tükröző szoftverkategóriára kérdezett rá a Perplexity Sonar és Sonar Pro modelleken az OpenRouteren keresztül. Ezek a modellek a dokumentáció szerint valós időben keresnek a weben, és a felhasznált linkeket is visszaadják. A 760 lekérdezésből 760 értelmezhető eredmény született.
A 7534 hivatkozás 2055 domainre oszlott szét. A fontos megállapítás az, hogy a linkek 59,8 százaléka a Tranco toplista (egy népszerűség szerinti rangsor) első 100 ezer helyén kívüli domainekre mutatott, 23,4 százalékuk pedig még a top 1 millióban sem szerepelt. Magyarul: az AI-ajánlások forrásbázisa erősen támaszkodik kevéssé ismert oldalakra.
A lista tetején nincs szélsőséges koncentráció: a tíz legtöbbet idézett domain együtt is csak a hivatkozások 17,3 százalékát adta. A lényeg így az, hogy mi tölti ki a fennmaradó, jóval nagyobb részt. Az eredmények között olyan oldalak is szerepeltek, amik nagyon széles spektrumú szoftverpalettát soroltak fel, ami gyanús lehet. A kutatás arra jutott, hogy ezek a visszakereső rendszerek könnyen felértékelik a jól strukturált, tömeges listacikkeket akkor is, ha mögöttük piaci szereplő tartalommarketingje áll. Az eredmények között szerepeltek olyan "sablon" oldalak is, amiknél csak az oldal neve és domain címe volt más a meta leírásban, minden más azonos volt.
A Trellner a modellek által megadott 1502 gyártói fődomaint is ellenőrizte. 17 domain elérhetetlennek bizonyult, 92 pedig más bejegyezhető domainre irányított át. Két példa különösen látványos: a Dryad kutatási adattár egyik modellválaszban a valódi oldal helyett egy olyan domént kapott, amely indonéz online szerencsejátékos portálra vitt, míg a Monte Carlo adatminőségi eszköz helyett az egyik válasz a monacói kaszinócsoport oldalára mutatott.
A jelentés ettől még nem bizonyítja, hogy a Perplexity ajánlásai rosszak lennének. A kutatás azt mérte, miből áll össze az ajánlás bizonyítékbázisa, nem azt, megváltozna-e a toplista e források nélkül. Az viszont már látszik, hogy az AI-válaszok átláthatóságához nem elég, hogy van alattuk link: az is számít, milyen web termeli ezeket a linkeket és az mennyire megbízható.
Fontos korlátok és a tét
A mérés csak a Perplexityre terjedt ki, nem a ChatGPT-re, a Gemini-re, a Copilotra vagy a Google AI Mode-ra. A két vizsgált Perplexity-előfizetés sem tűnik független mintavételnek: a jelentés szerint 380 kategóriából 289-ben byte-ra azonos hivatkozáslistát adtak vissza, ami közös visszakeresési rétegre utal. A kategórialista a kutatók saját összeállítása volt, az egész vizsgálat pedig egyetlen nap pillanatfelvétele.
A fő kérdés ettől csak élesebb. Ha az AI lesz a szoftverpiac új kapuőre, akkor a következő verseny nemcsak a modellek intelligenciájáról szól, hanem a forrásréteg védelméről is. A klasszikus SEO után megjelenhet az AI-forrásoptimalizálás piaca: sokat számíthat, ki tud a modellek számára könnyen feldolgozható, listás, strukturált oldalakat nagy mennyiségben előállítani. A Trellner érdeme, hogy ezt a réteget számszerűen mutatta meg, és a nyilvános adatcsomagot és a szkripteket is közzétette.