A klasszikus, Excel-táblákban gyártott kulcsszólisták korszaka végérvényesen lezárult, miután a Google Search Generative Experience (SGE) és az LLM-alapú keresési asszisztensek integrációja átírta a felhasználói viselkedést a magyar webtérben is. Az a SEO szakember vagy marketingvezető, aki még mindig a havi keresési volumen (Search Volume) és a kulcsszó-nehézség (Keyword Difficulty) kétdimenziós mátrixában tervezi meg egy 300 millió HUF éves árbevételű webshop vagy egy B2B szolgáltató tartalomstratégiáját, az organikusan szerzett konverziók akár 50-60%-át is elveszítheti. A magyar nyelv agglutináló (ragozó) jellege, a hangrendi egyezések és a rendkívül komplex szemantikai háló korábban is komoly kihívás elé állította a globális SEO szoftvereket, ám 2026-ra a helyzet tarthatatlanná vált: a hagyományos eszközök (Ahrefs, Semrush, Google Keyword Planner) a valós, konverziót hozó hosszú farkú (long-tail) keresési kifejezések akár 70%-át egyszerűen nem jelzik, vagy hibásan nullás keresési volumenűként kategorizálják. Ebben a mélyreható szakmai útmutatóban bemutatjuk azt a modern, AI-asszisztált és szemantikai klaszterezésre épülő magyar nyelvű kulcsszókutatási workflow-t, amellyel a CTR.hu szakértői csapata dolgozik, és amely bizonyíthatóan képes növelni az organikus forgalom profitabilitását.
Miért fontos ez most
A magyarországi e-commerce és szolgáltatási szektor 2026-ban egy rendkívül kompetitív, telített piaccá vált, ahol az ügyfélszerzési költségek (CAC) a PPC csatornákon (Google Ads, Meta Ads) az elmúlt két évben átlagosan 35-48%-kal emelkedtek. Egy tipikus magyar fogyasztói hitelre ("személyi kölcsön") irányuló kattintási díj (CPC) a Google Ads-ben ma már simán átlépi az 1800 - 3500 HUF közötti tartományt, de még a kompetitívebb e-commerce kategóriákban, mint a prémium matracok vagy a kerti bútorok, sem ritka a 250 - 550 HUF közötti CPC. Ebben a környezetben az organikus csatorna szerepe felértékelődött, azonban a keresési felület (SERP) drasztikusan átalakult.
Az AI Overviews (korábbi nevén SGE) magyarországi teljes körű bevezetése óta a keresések mintegy 35%-ánál a Google egy generált, közvetlen választ jelenít meg a találati lista tetején, ami a kattintási arányok (CTR) átrendeződését hozta magával. Az információs jellegű kulcsszavak ("hogyan kell beállítani a hőszivattyút") esetében a klasszikus organikus első hely CTR-je 30%-ról 12-14%-ra esett vissza, míg a tranzakciós és kereskedelmi szándékú (commercial investigation) kereséseknél a "Zero-Click" keresések aránya elérte a 45%-ot.
Ezzel párhuzamosan a hazai piacon az ügynökségi díjak is emelkedtek: egy professzionális, mélyreható kulcsszókutatás és az erre épülő tartalomstratégia elkészítése egy 5000 termékes webáruház számára ma Magyarországon 450 000 HUF és 1 200 000 HUF közötti egyszeri beruházást igényel. Ekkora büdzsé mellett nem engedhető meg az a luxus, hogy a kutatás elavult módszertanra épüljön. A sikeres SEO-stratégia alapja ma már nem a különálló szavak rangsorolása, hanem a témakörök (Topic Authority) lefedése és a szemantikai entitások közötti kapcsolatok kiaknázása.
Az agglutináló nyelv átka: Miért bukik el a hagyományos kulcsszókutatás magyarul?
A magyar nyelv morfológiai sajátosságai miatt a külföldön fejlesztett SEO szoftverek algoritmusa folyamatosan téveszt. Amíg az angol nyelvben a "leather sofa", "leather sofas" és "sofa made of leather" kifejezések lefedésére a szoftverek könnyen találnak szemantikai hidat, addig a magyar ragozási rendszer teljesen összezavarja a keresési volumen becslésére szolgáló adatbázisokat.
A ragozott alakok és a lemmatizáció hiánya
A magyar nyelvben a tőszavakhoz kapcsolódó különféle ragok, jelek és képzők (pl. bőrkanapé, bőrkanapét, bőrkanapéval, bőrkanapék, bőrkanapéban) mind-mind különálló kulcsszóként jelennek meg a nyers adatbázisokban. Ha egy SEO szakember tisztítás nélkül importálja ezeket az adatokat, akkor mesterségesen széttöredezett kulcsszólistát kap.
A legnagyobb probléma a lemmatizáció (szótövesítés) hiánya a hagyományos eszközökben. Az Ahrefs vagy a Google Keyword Planner gyakran külön kulcsszónak érzékeli és eltérő nehézségi mutatóval látja el a "fogorvos Budapest" és a "fogorvos Budapestre" kifejezéseket. A valóságban azonban a Google keresőmotorja (a BERT és a MUM algoritmusok, valamint a legújabb Gemini-alapú keresési modellek óta) pontosan tudja, hogy a felhasználói szándék (Search Intent) a két kifejezés mögött 100%-ban megegyezik. Ha külön aloldalakat optimalizálunk ezekre, belső kulcsszó-kannibalizációt idézünk elő, ami rontja a domain hitelességét és szétforgácsolja a linkértéket (PageRank).
A "Zero-Search-Volume" mítosz megdöntése
A magyar piac méretéből adódóan a long-tail kulcsszavak havi keresési volumene a hivatalos adatok szerint rendkívül alacsony. Az olyan specifikus keresésekre, mint például a "sarokkanapé ágyneműtartóval és vendégágy funkcióval szürke színben", a szoftverek szinte kivétel nélkül "0" vagy "10" havi keresést mutatnak.
A valóságban azonban ezek a mikroszegmensek alkotják a konverziók gerincét. Mivel a magyar vásárlók egyre tudatosabbak és konkrétabb megoldásokat keresnek, a hosszú, kifejtős, problémamegoldó keresések száma növekszik. Ha kizárólag a nagy keresési volumenű szavakra fókuszálunk, akkor a legmagasabb vásárlási hajlandósággal rendelkező (high-intent) látogatókat engedjük át az olyan piaci óriásoknak, mint az Alza vagy az eMAG, amelyek hatalmas katalógusuk révén programozottan fedik le ezeket a réseket.
---
Az új 2026-os kulcsszókutatási workflow
Az alábbiakban bemutatjuk azt a lépésről lépésre követhető folyamatot, amely szakít a lineáris kulcsszógyűjtéssel, és helyette egy háromfázisú, entitás-alapú szemantikai hálót épít fel.
```
[1. Fázis: Koncepcionális térképezés]
│
▼
[2. Fázis: Nyers adatgyűjtés és Lemmatizáció]
│
▼
[3. Fázis: AI-alapú klaszterezés (Python/LLM)]
│
▼
[4. Fázis: SERP Intent és SGE Footprint validáció]
```
1. fázis: AI-alapú koncepcionális térképezés és entitás-azonosítás
A munka nem kezdődhet kulcsszókutató eszközökkel. Első lépésben az adott iparág szemantikai entitásait kell feltérképeznünk. Ehhez nagy nyelvi modelleket (LLM-eket, mint a Claude 3.5 Sonnet vagy GPT-4o) használunk, egyedi fejlesztésű, kifejezetten a magyar nyelvre hangolt rendszerpromtokkal.
Egy jól strukturált prompt segítségével kinyerjük az iparági entitásokat (márkák, terméktípusok, anyagok, tulajdonságok, problémák, földrajzi helyek):
```text
Feladatod, hogy azonosítsd a magyar "lakáshitel" témakörhöz kapcsolódó elsődleges és másodlagos entitásokat (entities), attribútumokat és a felhasználói döntési fában felmerülő problémákat. Különös tekintettel a magyar jogi és pénzügyi környezetre (pl. CSOK Plusz, Babaváró, kamatplafon, THM, OTP, MBH).
Strukturáld a kimenetet JSON formátumban:
{
"fő_entitás": "",
"kapcsolódó_entitások": [],
"felhasználói_problémák": [],
"tranzakciós_attribútumok": []
}
```
Ez a módszer azért kritikus, mert így nem szavakból, hanem a piacot leíró fogalmi hálóból indulunk ki. Ez a megközelítés biztosítja, hogy a későbbi tartalomstruktúra lefedje a teljes "Topic Authority"-t, amit a Google 2026-ban a legmagasabb pontszámmal értékel.
2. fázis: Szemantikai klaszterezés Python és LLM segítségével
Miután összegyűjtöttük a nyers kulcsszó-adatbázist az összes elérhető forrásból (Google Search Console historikus adatai, versenytársak top kulcsszavai, Ahrefs, Keyword Tool.io szuggesztiók), egy tisztítási fázis következik. Nem manuálisan válogatunk, hanem egy Python szkript segítségével elvégezzük a szavak lemmatizációját (a `spaCy` vagy a kifejezetten magyar nyelvre optimalizált `huSpaCy` könyvtár használatával).
A tisztított kulcsszólistát ezután szemantikai klaszterekbe csoportosítjuk. A hagyományos, "szóegyezőség" alapú csoportosítás (ahol a "kanapé" szót tartalmazó kifejezések egy csoportba kerülnek) helyett embedding-alapú (vektoros) hasonlóságot használunk. A `sentence-transformers` könyvtár segítségével a kulcsszavakat többdimenziós térben vektorokká alakítjuk, majd egy `HDBSCAN` vagy `K-Means` klaszterező algoritmussal csoportosítjuk őket.
Ennek eredményeként a következő kifejezések egy klaszterbe kerülnek, annak ellenére, hogy lexikálisan alig van átfedés köztük:
- „milyen kanapét vegyek kis lakásba”
- „helytakarékos ülőgarnitúra ötletek”
- „kihúzható kanapé kisméretű szobába”
Ezeket a Google egyazon keresési szándékként kezeli. Ha egyetlen, tökéletesen optimalizált, átfogó landing oldalt vagy blogcikket készítünk erre a klaszterre, akkor az összes fenti kifejezésre rangsorolni fogunk, ahelyett, hogy három különböző, egymást gyengítő aloldalt hoznánk létre.
3. fázis: Keresési szándék (Intent) hibrid validációja és SGE lábnyom elemzés
A klaszterezés után meg kell határoznunk az egyes csoportok valódi keresési szándékát. 2026-ban már nem elegendő a klasszikus négyes felosztás (Informational, Navigational, Commercial, Transactional). Be kell vezetnünk az SGE Footprint (AI válasz lábnyom) mutatót.
Minden egyes klaszter esetében megvizsgáljuk a SERP-et:
- AI Dominated SERP: A találati oldal tetejét egy hatalmas AI Overview uralja, alatta közvetlenül pedig a Google Shopping és a helyi csomag (Local Pack) található. Az organikus kék linkek csak a hajtás alatt jelennek meg. (Itt a klasszikus SEO megtérülése alacsony, a cél az AI hivatkozások közé való bekerülés - AI Optimization).
- Standard Organic SERP: Az AI jelenléte minimális vagy nincs, a klasszikus organikus találatok dominálnak. (Itt a hagyományos on-page SEO és linképítés a fegyver).
- Hybrid SERP: Erős a Reddit/Gyakori Kérdések jelenléte, valamint a YouTube videók. (Itt a tartalomformátumot kell diverzifikálni).
---

Esettanulmány: Egy 250M HUF árbevételű lakberendezési webshop organikus növekedése
Hogy bemutassuk a fenti elmélet gyakorlati megvalósítását, álljon itt a BútorDizájn (a nevet a titoktartási szerződés miatt megváltoztattuk) magyar nyelvű lakberendezési webáruház esete. A webshop 2025 elején 250 millió HUF éves árbevétellel rendelkezett, stagnáló organikus forgalom mellett.
A korábbi SEO ügynökségük egy klasszikus, 800 kulcsszóból álló listát adott át nekik, amelyben olyan nagy volumenű szavakra fókuszáltak, mint a "kanapé" (33 000 keresés/hó), "sarokkanapé" (18 000 keresés/hó) és "franciaágy" (22 000 keresés/hó). A kategóriaoldalaik a 12-25. helyen ragadtak, a havi organikus forgalom 14 200 látogató volt, a konverziós arány pedig 1,1% (átlagos kosárérték: 115 000 HUF).
A CTR.hu csapata 2025 harmadik negyedévében vette át az accountot, és az alábbi strukturált átalakítást hajtotta végre a kulcsszókutatási és tartalomstratégiai workflow-ban.
A szemantikai átállás és a klaszterezés folyamata
Első lépésben elvetettük a meglévő kulcsszólistát. Lefuttattunk egy teljes adatgyűjtést, amely 12 450 nyers kifejezést eredményezett. Ezt a listát a `huSpaCy` segítségével szótövesítettük, majd egy egyedi Python scripttel szemantikai hasonlóság alapján 42 fő téma-klaszterbe csoportosítottuk.
Az egyik legfontosabb klaszter, amelyet azonosítottunk, a "kisméretű, multifunkciós nappali bútorok" volt. A hagyományos eszközök szerint a "helytakarékos kanapé" keresési volumene mindössze havi 90 volt Magyarországon. Azonban az AI-alapú klaszterezés során láttuk, hogy a kapcsolódó long-tail kifejezések (pl. "kanapé vendégággyal kis szobába", "összecsukható sarokkanapé garzonba", "tárolós kanapé kislakásba") összesített valós keresési volumene meghaladja a havi 4800-at.
A megvalósítás fázisai
- Silo-struktúra kialakítása: Létrehoztunk egy dedikált hub-oldalt (Topic Cluster Pillar Page) a "Helytakarékos bútorok és kanapék kislakásokba" témakörnek.
- Szerkezet és tartalommélység: Nem kulcsszó-halmozással írtunk szöveget, hanem az LLM által azonosított felhasználói problémákra (pl. "hogyan mérjük le a lift ajtót szállítás előtt", "milyen szövet bírja a macskakarmolást kis helyen") adtunk mérnöki pontosságú válaszokat.
- Belső linkelési hálózat: A meglévő termékkategóriákat (pl. "kihúzható kanapék") strukturált horgonyszövegekkel linkeltük be ebből a központi cikkből, szigorúan szemantikai alapon (nem használtunk "kattints ide" típusú linkeket).
Az eredmények számokban (9 hónap távlatában)
A projekt eredményeit az alábbi táblázat foglalja össze:
| Metrika | Az átalakítás előtt (2025. Q2) | Az új workflow után (2026. Q2) | Változás (%) |
| :--- | :---: | :---: | :---: |
| Havi organikus munkamenetek | 14 200 | 38 600 | +171,8% |
| Átlagos kosárérték (AOV) | 115 000 HUF | 132 000 HUF | +14,7% |
| Organikus konverziós arány | 1,10% | 1,65% | +50,0% |
| Havi organikus árbevétel | 1,8 M HUF | 8,4 M HUF | +366,6% |
| Top 3-as helyezések száma | 42 | 318 | +657,1% |
A legmeglepőbb eredmény az volt, hogy bár a fő tranzakciós szóra ("kanapé") a webshop továbbra sem került be a Top 5-be (ott az Alza, IKEA és Jysk dominál), a specifikus, magas vásárlási szándékú klaszterek lefedésével a látogatók sokkal elkötelezettebbek voltak. A konverziós arány 1,1%-ról 1,65%-ra növekedése közvetlenül annak köszönhető, hogy a landing oldalak pontosan azt a problémát oldották meg, amire a felhasználó keresett, növelve az oldalon eltöltött időt (Dwell Time), ami a Google rangsorolási algoritmusának egyik legfontosabb közvetett szignálja.
---
Gyakori hibák: Mit NE csinálj 2026-ban?
A hazai kkv-szektorban és sok esetben a nagyobb ügynökségeknél is mélyen berögzült, elavult reflexek működnek. Ha az alábbi hibákat elköveted, nemcsak a költségvetésedet pazarolod, hanem aktívan rontod a weboldalad organikus esélyeit.
1. Kizárólag a Google Keyword Planner adataira hagyatkozol
A Google Keyword Planner (Hirdetéstervező) egy PPC-eszköz. Az ott látható keresési volumenek sávos becslések, amelyeket a Google a fizetett hirdetések tervezéséhez aggregál, nem pedig az organikus SEO-hoz. Ráadásul a hirdetési rendszerek hajlamosak a közeli egyezéseket egy kalap alá venni. Ha egy pénzügyi szolgáltató csak az itt látható "személyi kölcsön" (havi ~15 000 keresés) kifejezésre optimalizál, teljesen vak marad a "személyi kölcsön kalkulátor jövedelemigazolás nélkül" típusú, alacsonyabb volumenű, de rendkívül értékes long-tail kulcsszavakra.
2. Kulcsszó-kannibalizációt hozol létre ragozott alakokkal
A mai napig látni olyan magyar webáruházakat, ahol külön aloldalt hoznak létre a "férfi cipő", "férfi cipők" és "férfi cipő vásárlás" kifejezéseknek. Ez a 2012-es SEO szintje. A Google ezt ma már duplikált tartalomként értékeli, vagy ami még rosszabb: a keresőmotor folyamatosan váltogatja a találati listán az aloldalakat, aminek következtében egyik oldal sem tud stabilan az első oldalon ragadni.
Szakmai szabály: Egy felhasználói szándék (Search Intent) = Egy darab URL. Ha a szándék megegyezik, az összes ragozott és rokonértelmű alakot ugyanarra az aloldalra kell integrálni, természetes szövegkörnyezetben.
3. Figyelmen kívül hagyod a "Zero-Click" keresések térnyerését
Ha olyan kulcsszavakra építesz tartalomstratégiát, amelyekre a Google közvetlen választ ad a SERP-en (pl. "hány fokos az ideális hálószoba", "EUR HUF árfolyam ma"), akkor rengeteg energiát fektetsz be olyan forgalomba, ami soha nem fog átkattintani a weboldaladra. Ezek az "információs csapdák". A kulcsszókutatás során szűrni kell azokat a kifejezéseket, ahol a SERP feature-ök (például az AI Overview vagy a Direct Answer) teljesen lefedik a felhasználó igényeit, kivéve, ha a célod tisztán a márkaismertség építése.
---
Akcióterv: Kulcsszókutatási workflow implementálása lépésről lépésre
A következő lépések végrehajtásával átállíthatod a vállalkozásod a modern, szemantikai alapú SEO-ra. Ez az akcióterv mérhető, konkrét eredményeket fog produkálni a következő 3-6 hónapban.
- Auditáld a meglévő Search Console adatokat (Időtartam: 3 óra): Exportáld az elmúlt 12 hónap összes olyan kulcsszavát a Google Search Console-ból, ahol az oldalad a 11-20. hely között rangsorol (ezek a "low-hanging fruits"). Ezek a kifejezések már rendelkeznek bizonyos szintű relevanciával, de egy kis szemantikai finomhangolással azonnal a Top 5-be lökhetők.
- Építsd fel az iparági entitás-térképet (Időtartam: 4 óra): Használj egy fejlett LLM-et (pl. Claude 3.5 Sonnet) a fenti prompt sablon alapján. Gyűjtsd össze az összes olyan fogalmat, márkát, attribútumot és felhasználói aggályt, amely az iparágadat jellemzi. Ezt rendezd egy strukturált gondolattérképpé (MindMap).
- Futtasd le a konkurencia-elemzést (Időtartam: 5 óra): Elemezd a közvetlen magyarországi versenytársaid (és a piaci vezetők, pl. Alza, eMAG, nagy hazai webáruházak) organikus lábnyomát. Ne a fő kulcsszavaikat másold le, hanem keresd meg a tartalmi réseket (Content Gap) – azokat a témaköröket, ahol ők csak felületes válaszokat adnak, vagy ahol hiányzik a strukturált GYIK (Gyakran Ismételt Kérdések) szekció.
- Alkalmazz szemantikai klaszterezést (Időtartam: 8 óra): Csoportosítsd a kulcsszavaidat szándék és szemantikai hasonlóság szerint. Ha nem tudsz Pythonban programozni, használj olyan célszoftvereket, mint a Keyword Insights vagy a SEOwind, de minden esetben manuálisan ellenőrizd a magyar nyelvű kimenetet, mert a ragozások miatt előfordulhatnak hibák.
- Határozd meg a SERP típusokat és az SGE jelenlétet (Időtartam: 4 óra): Minden egyes klaszternél nézd meg a Google keresőben (inkognitó módban, tiszta böngészővel), hogy milyen elemek uralják a találati listát. Csak azokra a klaszterekre tervezz mélyreható szöveges tartalmat, ahol a klasszikus organikus találatok valódi kattintási potenciállal (CTR > 15%) rendelkeznek.
- Készíts tartalmi briefeket a klaszterek alapján (Időtartam: folyamatos): A szövegíróknak vagy az AI-asszisztált tartalomgyártó rendszereknek ne egyetlen kulcsszót adj meg feladatként. A brief tartalmazza a teljes klasztert: a fő kifejezést, az összes releváns ragozott és szinonima alakot, valamint azokat a kérdéseket, amelyeket a felhasználók ténylegesen feltesznek a Google-ben és a fórumokon.
- Mérj és optimalizálj (Időtartam: havonta egyszer): Ne a kulcsszavak egyenkénti pozícióját figyeld a SERP-en. Mérd a Topic Share of Voice mutatót (hogy egy adott témakörhöz kapcsolódó klaszter összesített forgalmából mekkora részt hasít ki a weboldalad) és a GSC-ben a Keresési Megjelenések (Impressions) növekedését. Ha az impressziók száma nő, de a kattintásoké nem, az a nem megfelelő meta cím (Title) vagy a rosszul megválasztott keresési szándék (Search Intent) biztos jele.
---
*SEO Cím: Magyar nyelvű kulcsszókutatás 2026: Az új szemantikai workflow*
*Meta leírás: Hogyan alakítja át az SGE és az LLM-alapú keresés a magyar nyelvű kulcsszókutatást? Gyakorlati SEO workflow, hazai CPC adatokkal és egy 250M HUF-os webshop esettanulmányával.*




