Szeptember elején a magyar felhasználók számára is megjelentek a reklámok a ChatGPT-ben. Ezek nem a válaszszövegben lévő ajánlások – hiszen korábban is előfordult, hogy a generált válaszban márkák szerepeltek –, hanem elkülönített reklámok. Szerinted hogyan változtatja meg ez a hazai reklámpiacot és annak mérhetőségét? 

A mérés oldaláról nézve – elválasztva a reklámpiaci hatásokat és a mérési lehetőségeket – ez a folyamat illeszkedik abba a trendbe, ami az utóbbi években egyre inkább megnehezíti a hozzánk hasonló mérőcégek dolgát. Korábban kizárólagos médiatípusok és csatornák léteztek, így a mérés mai szemmel borzasztóan egyszerű volt. Harminc évvel ezelőtt még egy kezünkön megszámolhattuk a TV csatornákat, amelyeket mérnünk kellett Magyarországon, akár reklámmérésről, akár nézettségmérésről volt szó. Azóta minden évtizedben történt olyan léptékű változás, ami nagyságrendekkel bonyolította a mérést, mostanra pedig már szinte évente jön egy-egy olyan diszruptív innováció, ami felforgatja a status quo-t. Ez a mostani jelenség is pontosan illeszkedik ebbe a sorba. A rövid válaszom az, hogy egyelőre nem látom, hogyan fogjuk tudni ezt jól mérni. 

Ez felvet egy mélyebb kérdést is: a szakmabeliek és a laikusok részéről egyaránt létezik egy olyan elvárás, hogy bár a világ változik, de a mérések kövessék a régi mintákat, és ugyanolyan egyszerűen használhatók és teljeskörűek maradjanak. Azaz, miközben a világ egyre bonyolultabb, mégis szeretnénk nagyon egyszerű(en) képet kapni róla. Ez az igény a felhasználók részéről érthető, de vannak olyan kihívások, amelyekre nem feltétlenül létezik jó válasz. Tele van az internet olyan cikkekkel és videókkal, hogy „10 tuti tipp”, „tanulj meg 3 perc alatt angolul”, vagy „hogyan legyél milliomos 4 egyszerű lépésben”. A reklámméréseknél viszont az történt, hogy a néhány kizárólagos, majd véges számú mainstream lehetőségtől elmozdultunk egy elképesztő platformburjánzás felé, ami olyan helyzetet teremtett, amit nem lehet a megszokott módon, egyszerűen és jól mérni. 

A hagyományos médiumoknál (print, közterület, televízió) belátható műszaki és logisztikai feladat volt a tartalom rögzítése és a hirdetések megszámolása, amiből következtetni lehetett a volumenekre és a költésekre. Ezzel szemben a zárt, erősen targetált digitális platformok esetében minél zártabb a rendszer, annál problematikusabb a mérés. Ezt tekinthetnénk egy céges belügynek is, vagy legfeljebb egy szűk iparági problémának, de mivel így tovább csökken a transzparencia, egyből van a dolognak szélesebb társadalmi vetülete is.

A nagy globális techvállalatok vigyáznak arra, hogy ezek az információk ne álljanak rendelkezésre máshol. Bár az Európai Unió próbálkozik a szabályozással (DSA, DMA), és az ad-library jellegű felületeken egész jól lekövethetők a hirdetések, előállhat az a helyzet, amikor mérési cégként ki kell mondanunk: ezt jelenleg nem tudjuk pontosan mérni.

Az üzleti gyakorlatban egyébként is van egy olyan tendencia, hogy nem azt mérik a cégek, ami valóban releváns – mert azt bonyolult lenne –, hanem azt, amit könnyű, és ezeket a számokat használják a döntéseknél. Mérik, amit könnyű – és közben szem elől tévesztik, ami fontos. A GDP is ilyen mutató: jó volt arra, amire száz éve kitalálták, de tévedés, amikor egy komplex jóléti mutatóként próbáljuk használni. A multinacionális cégeknél a KPI-okat olyan tényezőkre határozzák meg, amelyeket relatíve könnyű mérni, még ha nem is feltétlenül tükrözik a cég hosszú távú sikerét. Eljutottunk oda, hogy egy az egyben, a korábbi alapossággal és precizitással már nem lehet mindent lemérni. 

A korábbi mítosz, miszerint az, ami az interneten történik, teljes egészében mérhető, már akkor megdőlni látszott, amikor kiderült, milyen jelentős forgalmat generálnak azok a megosztások (linkek, képernyőfotók stb.), amelyeket a felhasználók közvetlenül küldenek el egymásnak Messengeren, WhatsAppon, zárt Facebook-csoportban, e-mailben vagy személyes ajánlásként. A „láthatatlan forrásként” emlegetett dark social ráadásul a forgalom számottevő részét adhatja, miközben sokszor kívül maradnak a mérési rendszereken. Mennyire jelent ez problémát a digitális viselkedés és a forgalom mérése szempontjából?

Ez két további kérdést vet fel: mit mérünk a nyers adatokból kieső részekkel, és mit kezdünk vele? A mítoszt úgy érdemes korrigálni, hogy ami az interneten van, arra valamilyen adatot jó eséllyel találhatunk. Ám ahhoz, hogy értelmes döntéstámogató következtetést vonjunk le, az adatnak rezonálnia kell az adott döntési helyzettel. Ha egy betegnél vérnyomást mér az orvos, az a pulzussal együtt mindössze három szám, bizonyos fokig mégis látja belőle a keringés állapotát. De ha ehelyett mondjuk az izzadságmirigyek másodpercenkénti termelését mérné négyzetcentiméterenként – amit tegyük fel, hogy könnyű mérni, és amiből rengeteg adatot kapna –, azzal nem tudna mit kezdeni az egészségi állapot felmérésénél.

Vagyis az értelmezésben és a lényegi összefüggések megtalálásában ez az óriási adatmennyiség már kontraproduktív? Nem segít a mesterséges intelligencia a feldolgozásban?

A válasz kettős. Egyrészt az AI meggyorsítja a számításokat, illetve olyan folyamatokat tesz lehetővé, amelyeket emberi erővel nem érné meg elvégezni. Másrészt viszont az adatgenerálás és a feldolgozandó adatmennyiség is robbanásszerűen megnövekszik. Az elmúlt évtizedekben a menedzsmentiskolákban felépült az az elv, hogy „Bízzunk Istenben, mindenki más hozzon adatot!” Beépült a hiedelemrendszerünkbe, hogy mindent adatokkal kell alátámasztani – akár a jó döntés, akár a felelősségelhárítás miatt. Mostanra viszont elértük azt a pontot, ahol látjuk, hogy a jelenlegi ökoszisztémában ez már nem fenntartható. Pánikszerűen gyártunk millió adatot, de ettől nem kerülünk közelebb a valóság megismeréséhez.

Harminc éve a piackutatás logisztikailag nehéz volt (telefonok, papíralapú kérdőívek, személyes megkeresések). Ma él az az illúzió, hogy egy Google Form kiküldésével ingyen és azonnal adatot kapunk, de ez nem oldja meg a megbízhatóság, a reprezentativitás és a validitás problémáját. A mennyiség nem csap át automatikusan minőségbe. Meg kell tanulnunk egy olyan világban működni, ahol kevésbé vagyunk adatfetisiszták, és ahol az emberi intuíciónak, szakmai tudásnak és felelősségvállalásnak nagyobb szerepe lesz.

A zseniális üzleti döntések és új termékek korábban sem egy az egyben az adatokból adódtak: Steve Jobs sem adatgyűjtésből következtette ki az iPhone formáját és kijelzőméretét, mint ahogy Elon Musk sem az első autóit. Mérőcég vezetőjeként is azt mondom: helyén kell kezelnünk az adatokat. Az AI jelenléte még nagyobb felelősséget tesz az adatfelhasználókra, mert a könnyen generálható statisztikák és grafikonok azt az illúziót keltik, hogy mindent tudunk – pedig a valóságban nem.

A kattintásszámok és elköteleződések mérése technikai és elméleti kérdéseket egyaránt felvet. Tíz éve még a Facebook-követők számát néztük, majd áttértünk az engagement (lájkok, hozzászólások) mérésére. De a lájkok száma és a tényleges cselekvés között nagyon laza az összefüggés – például környezeti problémákra sokan nyomnak lájkot, de kevesen tesznek érte a valóságban.

A felhasználók egyre inkább AI-segédek révén tájékozódnak ahelyett, hogy meglátogatnák a weboldalakat. Hogyan maradhat így releváns a márka, és hogyan tud rezonálni a fogyasztóval?

Az 1.0-ás megközelítés – miszerint még több reklámot nyomunk a felhasználó arcába – biztosan nem fog működni, teljesen új modellekre van szükség. Korábban a márkák kényelmesebb helyzetben voltak, mert javarészt egyirányú kommunikációt folytattak: a kívánt üzenetet, szépet becsomagolták, aztán a médiafogyasztási szokások ismeretében betuszkolták a reklámokat a tartalom közé. A felelős márkák már régóta nem így gondolkodnak, ráadásul egy csomó társadalmi, környezeti határt is feszeget a régi iskola.

A jövőben az jelent kihívást, hogyan építhető ki valódi kapcsolat és elköteleződés a márka és a fogyasztó között egy olyan világban, ahol a felhasználó akár intim, bizalmi viszonyt alakít ki egy chatbottal, kiszervezve ezzel a jelenlegi fogyasztói kompetenciák egy részét. 

Ha az AI optimalizálja a célzást, személyre szabja a kreatívot, algoritmus választja ki a médiát, és esetleg még a kampánystratégiát is az AI állítja össze, akkor felmerül a kérdés: hogyan tudjuk utólag megállapítani, pontosan mi okozta az eredményt? Létrejön egy olyan fekete doboz, amelynél nem ismerjük az ok-okozati összefüggéseket.

Ennél is továbbmennék: nem biztos, hogy az AI ugyanazokat a folyamatokat fogja automatizálni, mint amiket ma csinálunk. Olyan ez, mint amikor a gőzgépet először evezőkre próbálták szerelni, így kitalálták a lapátkereket. A hajócsavar feltalálásához szemléleti paradigmaváltásra volt szükség. Ha a jövőben a felhasználónak lesz egy személyes AI-asszisztense vagy partnere, a márkák nem klasszikus reklámkampányokkal fogják elérni. Az AI-asszisztens egyszerűen azt mondja majd a felhasználónak: „Látom, szomorú vagy, kitaláltam egy jó programot, foglaltam repülőjegyet és taxit, elmegyünk Disneylandbe!” A felhasználó örül a jó ajánlatnak, és fel sem merül a hagyományos reklám jelenléte. Az AI átveszi a fogyasztói döntéseket.

Hozhatnék laptopvásárlási példát is: ma a tudatos fogyasztó fórumokat olvas, árakat és teszteket hasonlít össze. A jövőben csak megkérdezi a „mindentudó” AI-asszisztensétől, hogy az ő használati szokásai alapján – amelyeket az AI nyilvánvalóan nagyon pontosan ismer – melyik a legmegfelelőbb laptop, és melyik boltban a legolcsóbb. Az AI válaszol, hogy már le is vonta a pénzt és meg is rendelte. Ebben a helyzetben a márkáknak az AI-üzemeltetőknél kell próbálkozniuk a válaszok befolyásolásával, ám ez bizalmi kérdés: ha az AI-asszisztens átveri a felhasználót, az elveszíti a bizalmát.

Ha az AI válaszaiban a fizetett tartalmak nem különülnek el az organikus tartalomtól, az véleményed szerint nem ássa alá már önmagában is a hitelességet?

Nem a 20. századi mércével kell tekinteni erre. Az influenszermarketing és a natív tartalom már hozott változást ebben: bár fizetett tartalomról van szó, más a hitelessége. A direkt reklámokban kevéssé bízunk, mégis van megtérülésük.

Ma már egész iparág épül az AI válaszainak befolyásolására (AEO – Answer Engine Optimization), ami az etikai kérdések mellett, mint említettem, mérhetőségi problémákat is felvet.

A hitelesség és a bizalom megingása azonban akár kampánypénzek nélkül is megtörténhet, hiszen maguk a fejlesztők sem tudják mindig pontosan megmondani, hogy egy komplex AI-modell miért hozott ki egy adott eredményt vagy miért hallucinált. Nincs meg az a determinisztikus kapcsolat, mint a régi programkódoknál.

Emiatt az a kérdés is felvetődik, akarnak-e majd a cégek pénzt fektetni egy olyan fekete dobozba, ami a felhasználó, a fejlesztő és a hirdető oldaláról egyaránt ismeretlen? A marketing-előrejelzés már-már a háborús felderítéshez hasonlít: a II. világháborúban a békeidős gyártási adatokból, acélmennyiségből és a kilőtt tankok sorszámaiból is próbáltak matematikai modellekkel következtetni az ellenség kapacitásaira. Nem volt teljes képük, mégis meg kellett hozniuk a stratégiai döntéseket. Ma él az az illúzió, hogy az internet és az AI révén minden adat rendelkezésünkre áll, de a nyers adat és az üzleti döntés közötti áttétel csak még bonyolultabbá válik.

Ha ez így van, és a folyamatot az AI irányítja, hogyan állapítható meg mégis, milyen reklámköltés milyen vásárlási eredményt hozott?

Ezeket a kapcsolatokat eddig is borzasztóan nehéz volt kiszűrni. Minél inkább a szándékolt végeredmény és az odavezető út kapcsolatát akarjuk mérni, annál nagyobb bajban vagyunk. A legtöbb rendelkezésre álló adat elemi jellegű (kattintások, lájkok, tévés levetítések száma). Önmagában egy üdítőmárka sem azért fizet, mert 3,5 millió embernek lehetősége volt látni a reklámot, hanem a fogyasztói percepció és a vásárlási döntés befolyásolásáért. A fogyasztó agyában zajló folyamat maga a nagy fekete doboz, amire jelenleg is csak suta modelleket és heurisztikákat építünk. A komplex 360 fokos kampánymérések ráadásul igen drágák, és mint említettem, messze nem 100 százalékosak.

Ha az AI-optimalizált kampányoknál nem tudjuk kikényszeríteni az AI-szolgáltatótól a transzparenciát, azaz, hogy kitől mennyi pénzt kaptak, akkor ezt nem fogjuk tudni mérni. Társadalmi elvárásként is fontos lenne, hogy felmerüljön a fekete doboz kinyitása és a transzparencia kikényszerítése, védve a kiszolgáltatott egyént az óriási befolyásoló erőktől.

Szerinted az AI világában hogyan alakul a közvetlen eredményeket megcélzó performance marketing és a hosszú távú márkaépítés (branding) egyensúlya?

A márkaépítők dolga annyiban biztosan nehezebb lesz, hogy míg korábban a kampánykitettséget és a stimulust (például egy reklámfilmet) meg lehetett mutatni a válaszadóknak felidézésre, addig az AI által egyénre szabott kreatívok millióinál ez technikailag kivitelezhetetlenné válik.

Más a helyzet egy zárt ökoszisztémán belül. A Meta például kiválóan tudja optimalizálni a saját platformján futó tartalmakat a felhasználói engagement növelésére a végtelen mennyiségű adat alapján. De nem tekinthetünk úgy egyetlen modellre sem, mintha az a teljes valóságot lefedné. Az AI-ökoszisztéma saját modellje nem tudhatja, mi történik a világ többi részén a fogyasztóval vagy a márkával, és a termék minőségére sincs hatása. Ha azt hinnénk, hogy mindent le tud modellezni, akkor már egy Truman Show-ban élnénk.

Van-e olyan specifikus reklámmérési probléma, amiről azt hitted, az AI biztosan megoldja, de ma már látod, hogy egyhamar nem fogja?

Például a reklámok automata besorolása és kategorizálása mintázatazonosítással ilyen. Mi a médiában megjelenő reklámokat figyeljük és soroljuk be hirdető, márka és szegmens szerint. Három éve azt gondoltam, ezt a triviális feladatot perceken belül kiváltja az AI, és csak a speciális esetekhez kell majd emberi munka. A gyakorlatban azt kellett megtanulnunk, hogy a valóság nem ennyire steril: a rendszerek nem működnek annyira stabilan, kiszámíthatóan, olcsón és gyorsan. Ahol nem vagyok szakértő, ott a chatbot zseniálisnak tűnik, de ahol profi vagyok, ott látom a korlátait.

A termelési folyamatba építve az AI hibái nem tolerálhatók. Az vicces, ha a chatbot rosszul tudja egy vers szerzőjét, de egy napi sok ezer reklámot feldolgozó termelési rendszerben a hibák kikeresése több munkát és költséget generál, mintha ember végezte volna el a feladatot.

Emellett létezik egy lokális-globális árazási probléma is. Lehet, hogy az Anthropic vagy az OpenAI dollármilliárdokból és százezer GPU-val meg tud oldani egy komplex feladatot – ahogy a Tesla is rendelkezik elég kapacitással, hogy évtizedek óta küzdhessen a teljesen önvezető autóért –, de kérdés, hogy a helyi piacon (például Magyarországon) kifizetik-e egy összetett mérésnek a költségét. Nem biztos, hogy a modell gazdaságosan skálázható. A kihívás nemcsak az, hogy létezik-e elvi mérési megoldás, hanem hogy előállítható-e olyan áron, amit a megrendelő ki tud fizetni.

Ha egy marketingigazgató tanácsot kérne tőled, hogy 100 millió forintos büdzséjét melyik médiacsatornába tegye – TV-be, rádióba, online médiába, printbe vagy generatív AI platformokba –, mit javasolnál?

A médiaoptimalizáció nem a szakmám, szakemberhez irányítanám. Az intuitív válaszom viszont az, hogy a büdzsé jelentős részét az AI-platformokra tenném. Ezek a rendszerek most bevezetési fázisban vannak, a tulajdonosoknak nem a megtérülés, hanem a referencia-esettanulmányok (showcase-ek) felépítése az elsődleges, így érzésem szerint jelenleg komoly árelőnnyel lehet hozzájuk férni. Ez egy kihasználható arbitrázs a hirdetők számára.

Virágh Miklós

Virágh Miklós, a Fifty5Blue Hungary Kft. (korábban Kantar Media Hungary Kft.) médiakutató és adatelemző vállalat ügyvezetője, a Cleanwashers összefogás tagja, a Pannon Egyetem PhD hallgatója. A Fifty5Blue jogelődje 1991 óta működik Magyarországon, hazai tevékenysége pedig alapvetően ugyanaz, mint nemzetközileg: a médiapiac és reklámipar adatainak mérése, elemzése és értelmezése.

Nyitóképen: Virágh Miklós, a Fifty5Blue Hungary médiakutató és adatelemző vállalat ügyvezetője.

A cikk először a Kreatív 2026 / 7-8. lapszámában jelent meg.