SEO és meta-adatok a CTR.hu számára:
SEO Cím: Google AI Overview (SGE) SEO stratégia magyar webáruházaknak: Így mentsd meg az organikus forgalmad 2026-ban
Meta leírás: Hogyan alakítja át a Google AI Overview a magyar e-commerce SEO-t? Konkrét számítások egy 350M HUF árbevételű webshopon, optimalizálási lépések és a Google Merchant Center feed titkai.
***
A hagyományos e-commerce SEO-nak ebben a formájában vége van, és a legtöbb magyar marketingvezető homokba dugja a fejét, miközben a Google csendben átirányítja az információs és kereskedelmi keresések kattintásait a saját AI-asszisztensére. Az AI Overview (korábban SGE) nem egy újabb dizájnfrissítés a találati oldalon: ez egy közvetlen támadás a tranzakciós kulcsszavakra épülő organikus forgalom ellen. Azok a hazai webáruházak, amelyek eddig a kategóriaoldalak száraz optimalizálásából és a másolt termékleírásokból éltek, 2026-ra a SEO-ból származó bevételeik akár 40-60%-át is elveszíthetik. Nem az a kérdés, hogy az AI válaszol-e a felhasználó helyett, hanem az, hogy a te termékedet és márkádat ajánlja-e forrásként, vagy a konkurenciáét.
Miért fontos ez most: A magyar e-commerce helyzete 2026-ban
A magyar e-commerce piac szereplői – az Alza, az Emag és a hazai középvállalkozások (50M és 500M HUF közötti éves árbevételű webshopok) – egyaránt azzal szembesülnek, hogy a Google találati oldalának (SERP) első hajtás feletti részét szinte teljes egészében elfoglalja az AI Overview panel. Míg az amerikai piacon a rollout már lezajlott, a magyar nyelvű szemantikus keresésfejlesztések (a Gemini-alapú magyar nyelvi modell finomhangolása) elérték azt a szintet, ahol az AI már pontosan értelmezi a komplex magyar ragozást, a kontextust és a lokális entitásokat.
Ha ma egy magyar felhasználó beírja, hogy "melyik a legjobb hőszivattyús szárítógép 250 ezer forint alatt kutyaszőr eltávolításhoz", a Google nem egy klasszikus kék linkes listát ad vissza, hanem egy strukturált, 3-4 terméket összehasonlító AI összefoglalót.
```
+----------------------------------------------------> 80% Képernyőarány (Mobil)
| [ Google AI Overview Válasz ] |
| "A kutyaszőr eltávolításához az XYZ modell..." | -> Kattintás-elszívás (Zero-click)
| [Termékkártya 1] [Termékkártya 2] [Forrás 1] |
+---------------------------------------------------->
| [ Fizetett Google Shopping hirdetések (PMax) ] | -> Emelkedő CPC (45 - 180 HUF)
+---------------------------------------------------->
| [ Organikus találatok (Hagyományos SEO #1) ] | -> Hajtás alatt, minimális CTR
+---------------------------------------------------->
```
A hazai e-commerce szektorban a Google Ads átlagos CPC-k (főleg a PMax és Shopping kampányokban) az egekbe szöktek: míg 2021-ben divat kategóriában 35-60 HUF között mozgott egy kattintás, ma már a 90-150 HUF az átlagos, míg a barkács és lakberendezés kategóriákban a 180-320 HUF sem ritka. Ebben a környezetben az ingyenes, konverzióképes organikus forgalom drasztikus csökkenése egy 300-500 millió forintos árbevételű magyar webshopnál azonnali likviditási válságot vagy a marketing ROI összeomlását okozhatja. Az AI Overview nem megszünteti a keresést, hanem átalakítja: a tranzakciós keresésekből "beszélgetős" (conversational) keresések lesznek, ahol a Google a saját felületén belül tartja a fizetőképes vásárlót.
Az e-commerce SEO új dimenziója: Entitások, nem kulcsszavak
A hagyományos, kulcsszósűrűségre és meta-tagekre épülő SEO-nak nincs hatása az AI Overview-ra. A Google Retrieval-Augmented Generation (RAG) rendszere nem kulcsszavakat egyeztet, hanem entitásokat, kapcsolatokat és márkabizalmat értékel.
A Google Tudásgráf (Knowledge Graph) és a Merchant Feed fúziója
Az AI Overview válaszaiban megjelenő termékajánlások és árak nem a klasszikus weboldal-lekaparásból (scraping) származnak, hanem a Google Merchant Center-be feltöltött termékfeed és a weboldal strukturált adatai (Schema.org) közötti valós idejű fúzióból. Ha egy magyar webshop Merchant Center feedje hiányos, vagy az árak eltérnek a Schema jelöléstől, az AI azonnal kizárja a terméket az ajánlások közül.
Az AI modellek az alábbi entitás-kapcsolatokat vizsgálják:
- Márka hitelessége (EEAT): Van-e a márkának saját Wikipedia, Crunchbase vagy hivatalos cégadatbázis-bejegyzése? Említik-e a márkát független magyar tesztoldalak (pl. Telex, HVG, Pixinfo, Prohardver) anélkül, hogy az fizetett PR cikk (szponzorált link) lenne?
- Termékattribútumok mélysége: A feedben szerepelnek-e a specifikus paraméterek (pl. `[color]`, `[material]`, `[size]`, de legfőképp a `[product_detail]` attribútumok)?
- Felhasználói vélemények konszenzusa: Mit mondanak a vásárlók az Árukeresőn, a Google Cégem profilon és a saját oldalon? Az AI képes a szöveges vélemények hangulatelemzésére (sentiment analysis). Ha a magyar véleményekben sokszor szerepel a "lassú szállítás" vagy "rossz ügyfélszolgálat", az AI nem fogja ajánlani a webshopot "megbízható bolt" kontextusban.
Strukturált adatok 2.0: A ProductGroup és MerchantReturnPolicy sémák
Nem elegendő az alap `Product` schema használata. Ahhoz, hogy az AI Overview megértse a termékkínálat struktúráját és a vásárlási feltételeket, kötelező implementálni a haladó strukturált adatokat. Ha egy cipő webáruház nem használja a `ProductGroup` sémát a méret- és színvariációk leírására, az AI Overview csak egyedi, fragmentált termékként látja azokat, és nem fogja tudni aggregált válaszként felajánlani a felhasználónak.
Ugyanez vonatkozik a szállítási és visszaküldési irányelvekre. A `MerchantReturnPolicy` és `ShippingDetails` sémák közvetlen API-szerű adatforrást biztosítanak a Google-nek. Ha az AI ki akarja írni, hogy "Az X webáruházban a visszaküldés ingyenes és 30 napig érvényes", ezt kizárólag a sémákból vagy a Merchant Centerből fogja kiolvasni. Ha ezek nincsenek bekötve, a konkurens Alza vagy eMAG fog megjelenni, mert az ő rendszereik másodpercre pontos adatokat szolgáltatnak.
Tartalomstratégia az AI-válaszok dominálta SERP-ben
Mivel az információs keresések (pl. "hogyan válasszak matracot", "melyik futócipő jó betonra") szinte 100%-át az AI Overview fogja megválaszolni, a hagyományos blogcikkek kattintásszáma drasztikusan visszaesik. A megoldás nem a tartalomgyártás leállítása, hanem a tartalom struktúrájának és fókuszának radikális megváltoztatása.
A "Keresési szándék" lefedése információs klaszterekkel
Az AI nem lineáris cikkeket olvas, hanem konkrét válaszokat keres kérdésekre. A tartalomstratégiát át kell állítani az úgynevezett Hub-and-Spoke modellre, de kifejezetten az AI prompt-logikára optimalizálva.
```
+--------------------------------+
| FŐ TÉMA |
| "Mosógép vásárlási útmutató" |
+--------------------------------+
|
+------------------------+------------------------+
| |
+--------------------------------+ +--------------------------------+
| AL-KÉRDÉS (Spoke) | | AL-KÉRDÉS (Spoke) |
| "Melyik mosógép fér el egy | | "Hogyan tisztítsuk a |
| 2 m²-es panel fürdőszobában?" | | felültöltős mosógép dobját?" |
+--------------------------------+ +--------------------------------+
```
Minden egyes "Spoke" (alkérdés) oldalnak tartalmaznia kell egy direkt, tömör, 250-300 karakteres összefoglalót a lap tetején, amely tökéletesen alkalmas arra, hogy az AI Overview beemelje forrásként (ezt hívjuk AI-optimized fragment-nek).
Saját adatok és iparági kutatások publikálása
Az LLM (Large Language Model) modellek szomjazzák az egyedi adatokat. Ha egy magyar bútorwebáruház készít egy felmérést 1500 magyar vásárló bevonásával arról, hogy "Milyen lakberendezési trendek dominálnak a magyar lakótelepeken 2026-ban", és ezt strukturált táblázatokkal, egyedi grafikákkal publikálja, az AI modellek rendszeresen ezt fogják használni forrásként a releváns kereséseknél. A generikus, AI-val íratott "5 tipp a nappali berendezéséhez" típusú cikkek viszont teljesen láthatatlanná válnak, mert az AI magától is le tudja generálni ezt a szöveget, nincs szüksége a te weboldaladra forrásként.
---
Esettanulmány: Hogyan veszített, majd nyert egy 350M HUF árbevételű magyar kávégép- és kávé webáruház
Nézzük meg egy valós paraméterek alapján modellezett, 350 millió Ft éves árbevételű magyar specialty kávé és kávégép webáruház esetét.
Kiinduló állapot:
- Éves organikus forgalom: 320 000 munkamenet (munkafolyamat)
- Organikus konverziós arány (CR): 1,8%
- Átlagos kosárérték (AOV): 12 500 HUF
- Éves organikus bevétel: 72 000 000 HUF (A teljes bevétel kb. 20%-a, a többi PMax, hírlevél és direkt)
- Fő forgalmi források: "legjobb kávéfőző", "karos kávégép otthonra", "szemes kávé akció" kulcsszavak és ezek blog-kiegészítései.
Az AI Overview krach (2025 vége – 2026 eleje)
A Google teljes szélességben bevezette a magyar nyelvű AI Overview-t. A korábban #1 helyen rangsorolt "Legjobb karos kávégépek otthonra" blogcikkük forgalma 72%-kal esett vissza, mivel az AI Overview generált egy dinamikus összehasonlító táblázatot közvetlenül a SERP tetején, beemelve az Alza termékajánlatait és az Árukereső árait.
Az organikus tranzakciók száma havi 480-ról 290-re esett vissza. Ez havi szinten 2 375 000 HUF közvetlen árbevétel-kiesést jelentett (éves szinten elméletileg 28,5 millió HUF veszteség).
A反-AI SEO Stratégia (Hogyan hoztuk vissza a forgalmat?)
A webáruház nem a hagyományos linképítésbe ölt még több pénzt (ami havonta kb. 250 000 - 450 000 HUF ügynökségi díjat jelentett volna minimális megtérüléssel), hanem egy AI Integration & Schema kampányba fektetett egyszeri 1 800 000 HUF fejlesztési és tartalom-auditálási díjat.
#### 1. lépés: Merchant Center és Schema tökéletesítése II/H szintre
Azonnal javításra kerültek az alábbiak:
- Minden egyes terméknél bevezetésre került a `brand`, `gtin8`/`gtin13` (EAN kód) és az explicit `material` attribútum.
- Konfigurálták a `MerchantReturnPolicy` sémát (a Google Search Console-ban az addigi 23 hiba nullára csökkent).
#### 2. lépés: Programozott QA tartalomgyártás
Létrehoztak egy dinamikus FAQ (Gyakran Ismételt Kérdések) rendszert a termékoldalakon és a kategóriaoldalak alján. Nem általános kérdésekkel, hanem tranzakciós döntést segítő egyedi kérdésekkel, mint például: "Milyen vízkeménység mellett ajánlott az XYZ kávégép szűrőjét cserélni Magyarországon?"
Minden kérdés és válasz megkapta a `FAQPage` sémát. Ennek eredményeképpen az AI Overview elkezdte ezt a webáruházat használni forrásként, amikor a felhasználók specifikus karbantartási vagy használati kérdéseket tettek fel.
#### 3. lépés: "Az AI számára emészthető" összehasonlító táblázatok
A blogbejegyzésekben a szöveges leírásokat átalakították szigorúan strukturált, HTML `<table>` formátumú összehasonlításokká, ahol az első oszlop mindig a pontos termékmegnevezés, a második az EAN kód, a harmadik az ár, a negyedik pedig a "Kinek ajánljuk" tulajdonság volt.
Az eredmények 6 hónap után
Míg az abszolút organikus kattintásszám (munkamenet) nem érte el a korábbi 320 000-es szintet (megállt 275 000-nél), a forgalom minősége és konverziós aránya megugrott.
| Mutató | AI Krach előtt | AI Krach alatt | Optimalizálás után (6. hónap) |
| :--- | :---: | :---: | :---: |
| Havi organikus munkamenet | 26 600 | 16 000 | 22 900 |
| Organikus Konverziós Arány | 1,8% | 1,4% | 2,45% |
| Havi organikus tranzakció | 478 | 224 | 561 |
| Havi organikus bevétel | 5 975 000 HUF | 2 800 000 HUF | 7 012 500 HUF |
Szakmai tanulság: Az AI Overview kiszűrte az értéktelen, csak informálódó, "nézelődő" forgalmat, és az optimalizált struktúrának köszönhetően a webshop szinte kizárólag a magas vásárlási szándékú (high-intent) felhasználókat kapta meg az AI válaszok forrásmegjelöléseiből és a jól strukturált termékmegjelenésekből. A konverziós arány 1,8%-ról 2,45%-ra emelkedett.
---
Mit NE csinálj: A 3 legsúlyosabb hiba az AI Search korszakban
A magyar piacon működő SEO ügynökségek és in-house marketingesek jelentős része még mindig a 2018-as playbookból dolgozik. Ha az alábbi hibákat elköveted, a webáruházad 2026 végére láthatatlanná válik a Google-ben.
1. Generikus AI szövegek tömeges publikálása (Bulk AI Content)
A legnagyobb öngól, amit egy e-commerce oldal elkövethet, hogy ChatGPT-vel vagy Claude-dal ipari mennyiségben gyártat le kategórialeírásokat és blogcikkeket anélkül, hogy azokat szakértő ellenőrizné vagy egyedi adatokkal egészítené ki. A Google spam-algoritmusai (különösen a Helpful Content Update-ek és utódaik) másodpercek alatt felismerik az "üres", információérték nélküli AI-generált szövegeket. Az AI Overview soha nem fog forrásként hivatkozni egy olyan weboldalra, amely ugyanazt a strukturálatlan, általános szöveget performsza, amit az LLM maga is le tud generálni. Ha a szövegedben nincs új információ, saját kutatás vagy egyedi mérés, akkor az a Google szemében szemét.
2. A strukturált adatok (Schema) elhanyagolása vagy hibás implementációja
Sok fejlesztő letölt egy alap WordPress vagy Shopify SEO plugint, és azt hiszi, ezzel a séma-jelölés le van tudva. Ha a sémában szereplő ár (`price`) nem frissül azonnal, amikor akciós időszak van, vagy eltér a Merchant Center feedben szereplő ártól, a Google büntetésből vagy bizalomvesztés miatt azonnal kizárja az oldalt az AI válaszokból.
Szintén kritikus hiba a lokális sémák (ha van fizikai bolt) összekapcsolásának hiánya a terméksémákkal.
3. A márkakeresések (Brand queries) és a PR elhanyagolása
Sokan azt hiszik, a SEO csak technikai beállításokból áll. Az AI modellek azonban az internet egészét scannelik, hogy megértsék, melyik márka megbízható. Ha a márkádról (pl. "Kovács és Fia Szerszámáruház") nincsenek említések független fórumokon (pl. Reddit, magyar szakfórumok, mint a Logout vagy a Gyakori Kérdések releváns topikjai), nincsenek hiteles vásárlói értékelések a Google Cégemben, akkor az AI nem fogja megbízható entitásként azonosítani a cégedet. Az AI-optimalizálás részben PR feladat is: el kell érni, hogy a márkád neve természetes módon, pozitív kontextusban szerepeljen a magyar weben.
---
Akcióterv: 7 lépéses felkészülési protokoll magyar webáruházaknak
Kövesd ezt a konkrét, mérhető lépésekből álló listát, hogy minimalizáld az AI Overview okozta forgalomkiesést, és növeld a webáruházad láthatóságát az AI válaszokban.
- Azonnali Schema.org Audit és Hibajavítás
Feladat: Ellenőrizd a Google Search Console Sémák és Terméktalálatok* jelentését. Javítsd ki az összes figyelmeztetést (sárga) és hibát (piros) a `Product`, `ProductGroup`, `MerchantReturnPolicy` és `ShippingDetails` jelöléseknél.
Mérhető eredmény:* 100%-ban hiba- és figyelmeztetésmentes strukturált adatstruktúra a Merchant Centerben és a Search Console-ban.
- Merchant Center Feed és Weboldal Szinkronizálás (Max. 1 órás késleltetés)
Feladat:* Biztosítsd, hogy a webshop motor (pl. Shoptet, UNAS, Shoprenter vagy egyedi fejlesztésű WooCommerce/Magento) valós időben frissítse a feedet. Kerüld a napi egyszeri generálást, ha az árak vagy a készlet gyakran változik. Használj Content API-t a közvetlen adatszinkronizációhoz.
Mérhető eredmény:* Az AI Overview-ban megjelenő árak megegyeznek a kosárba helyezett árakkal.
- Az információs tartalmak átalakítása "AI-Friss" formátumra
Feladat: Alakítsd át a top 20 legnagyobb forgalmú blogcikket és kategórialeírást. Minden cikk elejére tegyél egy 2-3 mondatos, vastagon szedett összefoglalót (pl. "Röviden: A legjobb szárítógép 2026-ban az XYZ, mert..."*). Használj strukturált listákat (`<ul>`, `<li>`) és HTML táblázatokat.
Mérhető eredmény:* Megjelenés az AI Overview forráslinkjei között (ellenőrizhető manuálisan vagy speciális AI tracking szoftverekkel, mint az Authoritas vagy a SE Ranking SGE tracking modulja).
- Digitális PR és Entitás-építés a magyar weben
Feladat:* Indíts el egy olyan kampányt, amely kifejezetten a márkanév és a fő termékkategóriák együttes említésére fókuszál hiteles magyar oldalakon. Ne vásárolj értéktelen, linkfarmos PBN linkeket (ezekre a Google AI már immunis). Helyette célozd meg a valós szakmai portálokat, ahol a cikkek valódi szerkesztői tartalomként jelennek meg.
Mérhető eredmény:* A Google keresőbe beírva a márkanevedet, a Tudásgráf (Knowledge Panel) megjelenik az oldal jobb szélén.
- A termékértékelési rendszer (Reviews) strukturálása
Feladat:* Implementáld az oldalon a hitelesített vásárlói értékelések rendszerét (pl. Árukereső "Megbízható Bolt" widget vagy Trustpilot, esetleg saját, de sémázott értékelési modul). Az értékelések szövegét tedd olvashatóvá a robotok számára (ne képi vagy dinamikus JS formátumban legyen betöltve, amit a Googlebot nem tud indexelni).
Mérhető eredmény:* A terméklapokon a `review` és `aggregateRating` schema aktív, és megjelennek a csillagok az organikus találati oldalon és az AI válaszokban is.
- "Conversational" (Társalgási) Kulcsszavak Kutatása
Feladat: Elemezd ki a Google Search Console-ban a 3 tagnál hosszabb (long-tail) keresési kifejezéseket. Készíts egy listát azokról a kérdésekről, amelyeket a vásárlók ténylegesen feltesznek (pl. "Melyik kávéfőző nem hangos reggel"*). Hozz létre ezekre dedikált FAQ-blokkokat a releváns kategóriaoldalakon.
Mérhető eredmény:* Az organikus forgalom növekedése a long-tail és kérdés alapú keresésekből.
- Zéró-kattintásos (Zero-click) CTR védelmi vonal kiépítése
Feladat:* Mivel az AI Overview miatt a kattintások száma csökkenni fog, a megmaradt látogatókból kell többet konvertálni. Optimalizáld a webáruház belső keresőjét (használj AI alapú belső keresőt, mint a Doofinder vagy a Luigi’s Box), és javítsd a mobilos betöltési sebességet (LCP < 1.2s). Ha kevesebb látogatód van, de ők gyorsabban és könnyebben vásárolnak, a bevételed nem fog csökkenni.
Mérhető eredmény:* Az organikus csatornáról érkező látogatók konverziós arányának (CR) legalább 20%-os növekedése.
