AI search neodměňuje objem, ale důvěru

AI search mění pravidla viditelnosti: nevyhrává ten s nejvíc keywordy, ale značka, kterou modely poznají, důvěřují jí a umí z ní snadno vytáhnout odpověď.

---

Máte SEO i obsah v plusu, ale v odpovědích AI se stejně objevuje konkurence nebo cizí doporučující články. Výsledek? Značku model neocituje a zákaznická cesta se zkrátí dřív, než ji stihnete ovlivnit. Text vychází z rámce Beth Nunnington na Mozu a dat Journey Further; my z nich taháme jen přenosné mechanismy pro praxi.

Proměna vyhledávání od tradičního SEO k AI discoverability

Vyhledávání se neposunulo jen v nástrojích. Změnila se samotná cesta, kterou lidé k rozhodnutí docházejí. Dřív jsme viděli známý sled: průzkum, porovnání, ověření a teprve potom konverze. Uživatel mezi tím otevíral několik karet, pročítal recenze, koukal na fóra a skládal si odpověď po částech.

AI tenhle proces nezrušila. Jen ho schovala do backendu. Místo ručního přeskakování mezi zdroji dnes člověk napíše prompt a model za něj sesbírá podklady, vybere relevantní informace a vrátí jednu shrnující odpověď. Neuspořádané prostředí stále existuje, ale uživatel ho nevnímá jako práci. Vnímá jen výsledek.

To je zásadní rozdíl pro marketingovou praxi. Tradiční SEO stálo na krátkých, objemných výrazech a na snaze obsadit co nejširší sadu keywordů. V AI prostředí se poptávka štěpí jinak. Místo obecného „CRM“ přicházejí dotazy typu: firma v USA používá HubSpot, potřebuje přesnější rozpoznávání příjmů a hledá, co s tím. Nebo: terénní obchodní tým chce offline mobilní přístup a mapování leadů podle polohy. Nebo: podnik spravuje složité území napříč regiony a odvětvími.

Právě tady Beth Nunnington z Moz a Journey Further pojmenovávají změnu přesněji než většina běžného SEO diskurzu. Nejde o pár delších dotazů, ale o explozivní variabilitu zadání. Tyto podrobné dotazy vytvářejí nekonečně dlouhý ocas. A jak se dotazy prodlužují a zpřesňují, pevná sada keywordů přestává stačit jako základ viditelnosti.

Journey Further přitom nepracovali s dojmem z pár promptů. Analýza podle jejich zjištění zahrnovala více než 100 webů klientů, 43 miliard zobrazení a 1,5 miliardy kliknutí. Z takového objemu už není těžké vidět, že AI discovery nepřepisuje jen reporting. Přepisuje i to, jak lidé svou potřebu formulujejí.

Pro nás z toho plyne jednoduchý závěr: neoptimalizujeme pro jednu větu, ale pro proměnlivou konverzaci. Viditelnost v AI nevyhrává ten, kdo nejlépe trefí jeden termín. Vyhrává ten, kdo obstojí v mnoha verzích stejné potřeby.

Čtyři signály viditelnosti v AI

Když se podíváme na to, proč jednu značku modely vytáhnou a jinou ne, neřešíme jen kvalitu obsahu. AI pracuje se čtyřmi signály najednou a bez nich se v odpovědi jednoduše neobjeví.

V praxi to znamená, že nestačí mít hezky napsaný web. Potřebujeme mít jasně pojmenovanou značku, doloženou důvěru zvenčí, obsah, ze kterého jde snadno vybrat odpověď, a stopu na místech, kde se o tématu skutečně mluví.

Je to posun proti běžnému marketingovému myšlení. Dřív jsme často optimalizovali stránku pro klíčové slovo. Teď musíme optimalizovat rozpoznání, důvěryhodnost, extrahovatelnost a přítomnost.

1. Jasnost entit

První signál je pro AI úplný základ: musí pochopit, kdo značka je, co dělá a do jaké kategorie patří. Když v tom má zmatek, nezařadí ji správně ani do odpovědi, ani do kontextu.

V běžné praxi se na to často zapomíná. Na webu jedna formulace, v bio na LinkedIn druhá, v článcích třetí. Pro člověka drobnost, pro model problém. AI potřebuje konzistentní obraz.

Redakce má zdůraznit strukturu webu, schema markup a jednotné sdělení napříč kanály. Nejde o kosmetiku. Jde o to, aby značka měla jasné obrysy i bez domýšlení.

Technické SEO tady pořád hraje roli, ale jinak, než jsme si zvykli. Ne jako hon za pozicemi, spíš jako podmínka, aby model značku vůbec správně přečetl.

2. Autorita a důvěryhodnost

Druhý signál stojí mimo vlastní web ještě víc než první. AI se dívá hlavně na to, co o značce říkají ostatní, a teprve z toho skládá obraz důvěry.

Podle dat, která v materiálu uvádí Beth Nunnington, Moz a Journey Further, 93 % citací v ChatGPT pochází od třetích stran. To je tvrdé připomenutí, že vlastní web sám o sobě nestačí.

V praxi to znamená opřít se o recenze, zmínky v publikacích, PR výstupy a obsah, který spojuje značku s tématem, ne jen s reklamním sdělením. Model hledá potvrzení zvenčí, ne sebepopis.

Sem patří i varování před falešnými experty. Pokud odborník nemá ověřitelné zkušenosti, bio, aktuální LinkedIn a dohledatelné credentials, značka si koleduje o reputační problém. Novináři i modely jsou opatrnější než dřív.

3. Úplnost obsahu

Třetí signál bývá nejčastěji špatně pochopený. Mnoho týmů pořád staví obsah jako plnou stránku, která má „pokrýt téma“. Jenže AI stránky nečte jako lidi. Vybírá úryvky, ze kterých umí sestavit odpověď.

To mění logiku práce s obsahem. Nestačí dlouhý text. Potřebujeme jasně pojmenované části, přesné formulace a odpovědi, které jdou snadno vytáhnout bez ztráty smyslu.

Redakce má zdůraznit FAQ, návody a přehledně členěné pasáže pod jednoznačnými nadpisy. Ne kvůli formální šabloně, ale kvůli tomu, aby model nemusel hledat pointu v houštině textu.

Když se informace schovají hluboko, AI je často přeskočí. Obsah tedy nemá být delší jen kvůli délce. Má být lépe uchopitelný.

4. Resonance a přítomnost

Čtvrtý signál vrací značku zpátky do širšího webu. AI nepracuje s jedním zdrojem. Sleduje, kde se o značce mluví, opakuje a potvrzuje v přirozených diskusích.

Rozhodující nejsou jen vlastní kanály, ale i fóra, Reddit, sociální sítě a earned media. Právě tam vzniká konverzační stopa, kterou modely berou jako důkaz, že značka v tématu opravdu žije.

V běžné praxi se často přehlíží. Týmy honí publikace s největším doshem, ale ignorují místa, kde lidé řeší reálný problém a kde se zároveň objevují citace pro AI.

Smysl má sledovat, kde značka rezonuje opakovaně a v jakém kontextu. Viditelnost nevzniká jedním zásahem, ale kumulací správných stop na správných místech.

Co z toho plyne pro práci redakce a performance týmu

Největší chyba je brát AI viditelnost jako nový trik kolem SEO. Ve skutečnosti jde o disciplínu, která spojuje obsah, PR, technickou strukturu a práci s třetími stranami.

Když si ty čtyři signály rozložíme prakticky, dostaneme jasný pracovní rámec: učinit značku čitelnou, dokázat její důvěryhodnost, napsat obsah tak, aby z něj šla vytáhnout odpověď, a budovat přítomnost tam, kde modely hledají potvrzení.

To je méně pohodlné než klasický keyword-first přístup, ale funguje to blíž realitě. AI si značku nevybírá podle jedné fráze. Skládá si ji z více vrstev současně.

Jasnost entit

Pokud má AI značku správně doporučit, musí si nejdřív ujasnit, kdo jsme a co skutečně nabízíme. V praxi se často přeceňuje samotný výkon obsahu nebo počet zmínek. Jenže model potřebuje mít jasno dřív, než začne cokoli spojovat.

Když značka komunikuje rozptýleně, jednou jako produkt, podruhé jako službu a potřetí jako obecné téma, AI ztrácí oporu. Nejde jen o dojmy z textu. Jde o to, jestli web a další kanály dávají dost přesný obraz, aby šlo značku bezpečně zařadit do správného kontextu.

Proto má smysl začít strukturou webu. Ne kvůli formální čistotě, ale kvůli tomu, aby bylo snadné pochopit vztahy mezi značkou, produkty, službami a tématy, se kterými chceme být spojovaní. Když se informace schovají do zbytečně složité navigace nebo roztříštěných stránek, model i člověk ztrácí orientaci.

Stejně důležitý je schema markup. Neřeší všechno, ale pomáhá jednoznačně pojmenovat, co je značka, co je produkt a co je služba. V běžné praxi se na něj stále kouká jako na technický detail pro SEO tým. Ve skutečnosti jde o překladač významu, který AI usnadňuje práci.

Vedle toho musí sedět i sdělení napříč kanály. Pokud web tvrdí jednu věc, LinkedIn druhou a tisková zpráva třetí, vzniká zmatek. Model pak nečte naši identitu jako jeden celek, ale jako sled rozporných stop. A právě tam viditelnost v AI vyhledávání často padá.

Technické SEO v tomhle nehraje roli doplňku, ale základu. Zajišťuje, že značka je dostupná, čitelná a snadno zpracovatelná. Bez toho může být obsah sebelepší, ale pro AI zůstane hůř použitelný. My si z toho bereme jednoduché pravidlo: nejdřív musí být značka srozumitelná stroji, teprve potom ji má smysl tlačit do viditelnosti.

Autorita, důvěryhodnost a třetí strany

U AI vyhledávání se nevyplácí zůstávat u vlastního webu a vlastního výkladu. Modely se dívají hlavně na to, co o značce říká okolní web, a z toho skládají obraz, kterému pak přisuzují váhu.

V praxi to znamená jednoduchou, ale nepříjemnou věc: značka může mít perfektní web a stejně se v odpovědích neprosadí, pokud ji nikdo další věrohodně nepotvrzuje. AI nehledá jen obsah. Hledá potvrzení.

Podle Beth Nunnington z Moz a Journey Further pochází v ChatGPT 93 % citací od třetích stran. To přesně ukazuje, proč vlastní editorial, produktové stránky nebo firemní blog nestačí jako jediný zdroj autority. V AI prostředí rozhoduje i to, jak vás popisují média, recenzní weby, odborné platformy nebo komunity, které už model bere vážně.

Největší chyba v běžné praxi bývá, že se PR vnímá jako doplněk. Jenže právě tady se láme viditelnost. Pokud značka sbírá zmínky v publikacích, kterým publikum důvěřuje, objevuje se v recenzích na platformách, které model sám zmiňuje, a drží konzistentní PR pokrytí kolem konkrétních témat a kategorií, roste šance na citaci i v LLM.

Nejde o množství zásahů za každou cenu. Důležitější je, v jakém kontextu značka zazní. AI si lépe spojí značku s kategorií, problémem nebo tématem, když se tato vazba opakuje napříč důvěryhodnými zdroji. Jedna výrazná zmínka pomůže méně než souvislý vzorec.

Právě proto fungují pozitivní a konzistentní signály. Ne proto, že by model “odměňoval” značky automaticky, ale proto, že mu snižují nejistotu. A čím méně nejistoty, tím větší šance, že se značka dostane do odpovědi jako důvěryhodná volba.

Úplnost obsahu a extrahovatelnost odpovědí

V praxi pořád vídáme stejnou chybu: značka vytvoří dobrý článek, ale zamkne v něm odpověď. Lidé i modely pak musí lovit souvislosti místo hotové formulace. AI si nebere celé stránky, bere úryvky. A pokud obsah nedokážeme rozsekat na jasné, čitelné části, model sáhne po něčem jiném.

To je důležitý posun proti běžnému content marketingu, který často sází na dlouhý text bez pevné opory. Ve vyhledávání AI nevyhrává nejširší článek, ale ten, který umí nabídnout přesnou odpověď bez zbytečného hledání. Když je informace schovaná hluboko v souvětí, ztrácí šanci na citaci i na použití v odpovědi.

Proto dává smysl budovat obsah jako sadu dobře oddělených odpovědí. Fungují často kladené otázky, které míří přímo na konkrétní dotazy publika. Fungují i příručky, pokud jdou do hloubky a drží jedno téma bez rozptylování. A fungují také jasně formátované odpovědi pod správnými nadpisy, protože model z nich snáz vytáhne použitelný úryvek.

Jednoduše řečeno: čím méně práce musí AI udělat s dohledáním významu, tím větší šanci má obsah dostat se do odpovědi. Nehoníme se za délkou. Honíme se za tím, aby šla odpověď vytáhnout rychle, přesně a bez dohady. A právě to dnes rozhoduje víc než další vrstva marketingové omáčky.

Resonance a přítomnost značky na širším webu

V praxi pořád vidíme jednu pohodlnou iluzi: stačí vyladit vlastní web a AI si značku doplní sama. Jenže modely nehledají izolovaný firemní ostrov. Čtou širší web jako síť opakujících se stop.

Právě tady se láme rozdíl mezi klasickým uvažováním o brandu a tím, co funguje v AI prostředí. Rozhoduje konzistence výskytu napříč důvěryhodnými místy, ne jednorázová viditelnost v jednom kanálu. Pokud se značka vrací ve fórech, v komunitních debatách, v sociálních reakcích a v earned media, model získává víc než jen zmínku. Získává potvrzení, že značka v dané kategorii skutečně žije.

Reddit a obecně komunitní diskuse mají v tomhle směru dvojí roli. Přinášejí syrový pohled na to, jak lidé o problému mluví, a současně patří mezi zdroje, ze kterých modely často čerpají při skládání odpovědí. Nejde tedy jen o „monitoring nálady“. Jde o místo, kde vznikají formulace, které se pak vracejí do dalších vrstev vyhledávání.

Stejnou logiku mají i sociální sítě a média, která si značka opravdu vydobyla. Neřešíme počet hezkých zmínek pro reporting do prezentace. Sledujeme, jestli se značka objevuje v kontextech, které dávají smysl její kategorii, a jestli se ten obraz neopírá o jediný zdroj, ale o více nezávislých stop. Čím častěji se značka objevuje ve správném okolí, tím snadněji ji model zařadí mezi relevantní odpovědi.

To je rozdíl oproti běžné praxi, která často honí vlastní obsah a vlastní publikace. V realitě ale rozhoduje širší ekosystém. Kdo chce být v AI vyhledávání opravdu přítomný, musí mít značku rozpoznatelnou i tam, kde ji nevlastní.

Jak učinit svou značku objevitelnou ve vyhledávání AI

V praxi už nestačí mít hezky poskládané keywordy a doufat, že si AI sama doplní zbytek. Viditelnost v AI vyhledávání vzniká z opakovatelného systému, který značku dostane do správných konverzací, zdrojů a citací.

Zdrojový rámec, který připisuje Beth Nunnington z Moz a Journey Further, stojí na čtyřech krocích. My je nečteme jako marketingové cvičení pro prezentaci, ale jako pracovní postup, který má přímý dopad na to, jestli značka v AI odpovědích vůbec zazní.

Krok 1: Zmapování vyhledávacího ekosystému cílové skupiny

Než začneme cokoli tlačit ven, musíme vědět, kde publikum skutečně tráví čas. Nejen na vlastním webu, ale na platformách, u vydavatelů a v komunitách, které formují jeho rozhodování.

Běžná praxe končí u seznamu témat a domněnky, že publikum „někde“ čte. V AI prostředí to nestačí. Modely čerpají z širšího digitálního prostředí, takže potřebujeme mapu celého ekosystému, ne jen seznam našich kanálů.

Právě tady dává smysl uvažovat o nástroji jako SparkToro, který zdroj uvádí jako pomocníka pro zjištění, kde publikum čte, sleduje obsah a zapojuje se. Smysl není v nástroji samotném, ale v tom, že nás donutí přestat odhadovat.

V oborech, jako je CRM, se podle zdroje často objevuje publikum aktivní na ChatGPT i Claude. I to je připomínka, že nehledáme jen média, ale i prostředí, kde se lidé ptají a porovnávají možnosti.

Krok 2: Získání poznatků o publiku

Když už víme, kde se lidé pohybují, potřebujeme pochopit, jak o problému mluví. Tady je Reddit dvojí zdroj: dává nám syrový pohled na publikum a zároveň slouží jako citovaný vstup pro LLM.

To je důležitý posun proti běžné obsahové rutině. Nestačí psát podle interní terminologie značky. Musíme vidět, jak lidé popisují bolest, co je mate před rozhodnutím a jaké srovnání si sami žádají.

Reddit a jeho subreddity přinášejí nejvíc hodnoty právě v téhle fázi. Ukazují konkrétní problémy, jazyk i otázky, které lidé kladou těsně před rozhodnutím. A protože stejné konverzace AI modely používají při učení i citování, nejde o okrajový zdroj.

Právě tady se láme rozdíl mezi obsahem pro značku a obsahem pro objevení. My nechceme jen mluvit správně. Chceme mluvit jazykem, který už používá publikum i modely.

Krok 3: Třetistranná validace jako klíčový nástroj

Většina týmů pořád přeceňuje vlastní web. Jenže AI se neptá jen na to, co o sobě tvrdíme. Hlavní váhu mají signály zvenčí, protože právě ty modelům pomáhají rozlišit značku od prázdného claimu.

Zde zdroj rozlišuje čtyři signály, které mají redakce i PR týmy hlídat přesně, ne přibližně.

1. Jasnost entity

AI musí značku správně rozpoznat, jinak ji nezařadí do správného kontextu. Redakce má zdůraznit webovou strukturu, schema markup a konzistentní messaging. Pokud značka působí nejednotně, model si kontext skládá hůř.

2. Autorita a důvěryhodnost

Podle zdroje pochází v ChatGPT 93 % citací od třetích stran. To je silný argument proti pohodlné představě, že vlastní web stačí. Důraz má proto směřovat na publikace, recenze a PR pokrytí mimo značku.

3. Úplnost obsahu

AI nepracuje s celými stránkami stejným způsobem jako člověk. Vybírá úryvky, které umí rychle citovat a zasadit do odpovědi. Proto má obsah držet jasné odpovědi, dobře oddělené sekce a formáty, ze kterých se dá snadno vytáhnout přesná pasáž.

4. Resonance a presence

AI sleduje širší web, ne jen oficiální kanály. Do hry vstupují fóra, Reddit, sociální sítě a earned media. Čím častěji se značka objevuje na relevantních místech, tím snáz si ji model spojí s tématem a důvěryhodným kontextem.

Do téhle části patří i varování před falešnými experty. Zdroj jasně ukazuje, že ověřitelná expertiza musí být dohledatelná přes bio, LinkedIn a credentials. Falešně působící specialisté mohou značce víc uškodit než pomoci, protože novináři i redakce už zdroje prověřují mnohem pečlivěji.

Pro praxi z toho plyne jednoduché pravidlo: validace třetí stranou není doplněk k PR. Je to hlavní vstupenka do AI odpovědí.

Krok 4: Pracovní postup PR pro výkon

PR už tu nefunguje jako kreativní řemeslo bez měřítka. Zdroj z Journey Further, připisovaný Beth Nunnington z Moz a Journey Further, ho staví jako výkonový proces od insightu po důkaz.

Workflow má jít po sobě: nejdřív pohled na příležitost, pak generování nápadů a kreativní koncept, nakonec outreach. Smysl je prostý. Dřív než vymyslíme kampaň, musíme vědět, kde je díra na trhu a kdo už ji v konverzaci řeší.

V praxi to znamená pracovat s klíčovými slovy, na kterých značka už stojí, ale i s těmi, která jsou na dosah. Současně sledujeme oborové publikace, které se objevují v LLM častěji, a porovnáváme je s místy, kde publikum skutečně tráví čas.

Teprve pak přichází kreativní koncept. Ne jako volná inspirace, ale jako výstup z dat, který má zapadnout do konzistentního příběhu značky a zároveň nabídnout něco, co média chtějí převzít.

Stejně důležité je, aby outreach mířil na publikace z analýzy, ne na náhodný seznam kontaktů. Když značka získá místo v obsahu, který modely často citují, nebo v médiích, se kterými publikum aktivně pracuje, vzniká efekt, který není vidět v jedné kampani, ale v dlouhodobé viditelnosti.

Jak to měřit bez iluze přímé atribuce

AI platformy jsou uzavřené. Nemáme k nim ekvivalent Search Console ani klasický model atribuce. To ale neznamená slepé řízení. Znamená to měřit jinak.

Zdroj doporučuje několik praktických kroků. Nejprve banku promptů z PAA, Redditu a vlastních AI dotazů. Pak měření výskytu značky napříč modely, analýzu citovaných URL a konkurentů a sledování fan-out dotazů.

Právě fan-out dotazy ukazují, jak model rozpadá jeden prompt na více poddotazů. V datech Journey Further tvoří 41 % dotazů devět slov a 71 % obsahuje superlativy. Často se opakuje i relevance času, ceny a recenzí. To je užitečné hlavně proto, že vidíme, jakou podobu mají dotazy, které model skládá sám za sebe.

Poslední vrstva měření stojí na vlastních datech. Bot request dashboard se má porovnávat se Search Console, GA a konverzemi. Když stránka sbírá kliknutí v organiku, ale AI ji téměř nebere, máme signál, že obsah není dobře extrahovatelný. Když se naopak objevuje v bot requestech i odpovídá výkonem, vidíme korelaci, která má pro byznys smysl.

To je konec staré debaty o tom, jestli AI vyhledávání „funguje“ nebo ne. Funguje jinak. A značky, které to pochopí dřív, získají náskok dřív, než se z toho stane standard.

Krok 1: Zmapování vyhledávacího ekosystému cílové skupiny

Než začneme řešit obsah, musíme si ujasnit, kde se publikum vůbec pohybuje. V praxi totiž často míříme rovnou na vlastní web, a pak se divíme, že nás AI ani lidé nevidí. Jenže viditelnost nevzniká ve vakuu. Rodí se v prostoru, kde publikum čte, porovnává, diskutuje a hledá potvrzení.

Proto má první krok mnohem víc společného s mapováním prostředí než s výrobou kampaně. Potřebujeme vědět, které platformy lidé používají, kterým vydavatelům věří a do jakých komunit skutečně vstupují. Teprve z toho vznikne použitelný obraz vyhledávacího ekosystému, se kterým může marketing pracovat.

Běžná praxe se často spokojí s domněnkou, že cílová skupina „někde je“. To je pro rozhodování málo. Užitečnější je pojmenovat konkrétní místa, kde se objevují témata, která publikum řeší, a kde zároveň vznikají signály, z nichž později čerpají i modely AI. Právě tady nám pomáhá i SparkToro, který zdroj uvádí jako nástroj pro zjištění, co lidé čtou, kde tráví čas a kde se zapojují. Nejde o kouzelnou zkratku, spíš o praktičtější start než tradiční odhad od stolu. Odkaz na nástroj najdeme zde: SparkToro.

Smysl tohoto kroku dobře ukazuje i příklad z oblasti CRM. Zdroj zmiňuje publikum, které se často pohybuje na ChatGPT a Claude. To je důležitý detail: neřešíme jen místo, kde se publikum dnes inspiruje, ale i prostředí, kde si informace začínají přebírat modely. Kdo tyto platformy a komunity nezná, bude pak tvořit obsah pro prostor, ve kterém jeho cílovka vůbec nehledá.

Mapování ekosystému proto není úvodní administrativa. Je to první filtr, který rozhodne, kam má vůbec smysl směřovat další práci. Bez něj budeme optimalizovat naslepo a doufat, že se trefíme do správných zdrojů. V AI vyhledávání už tahle strategie neprochází.

Krok 2: Získání poznatků o publiku

Jakmile máme zmapované prostředí, nestačí jen vědět, kde se lidé pohybují. Musíme pochopit, co přesně řeší, jak o tom mluví a podle čeho se rozhodují.

V praxi se tu často chybuje. Týmy sbírají kanály, seznamy a platformy, ale dál pracují s vlastním slovníkem značky. Jenže AI ani publikum nepřebírají interní pojmenování. Obě strany se opírají o konkrétní jazyk, problémy a otázky, které se skutečně objevují v diskusi.

Právě tady má Reddit mimořádnou hodnotu. Nejen jako místo, kde lidé otevřeně popisují své potíže, ale i jako zdroj, ze kterého lze číst způsob uvažování publika. V subredditech se neukazuje jen výsledek rozhodování. Vidíme i okamžik před ním: pochybnosti, porovnávání, hledání jistoty, drobné námitky i to, co lidi opravdu štve.

To je podstatné pro obsah i pro viditelnost v AI. Reddit je zároveň jedním z nejcitovanějších zdrojů v ChatGPT. Co si tam publikum říká, není jen užitečný vstup pro research. Je to stejný typ konverzací, ze kterých se modely učí zachycovat vzorce, formulace a souvislosti.

Proto nemá smysl číst Reddit jen jako další sociální síť. V realitě funguje ve třech rovinách najednou. Dává nám konkrétní problém, který publikum řeší. Ukazuje nám jazyk, kterým ten problém pojmenovává. A zároveň napovídá, jaké dotazy mohou AI modely později zpracovat a citovat.

Jestli chceme, aby značka v AI odpovídala na správné dotazy, musíme mluvit jazykem, který už publikum používá samo. Ne jazykem interního briefu. A ne slovníkem, který vypadá elegantně na slidech, ale v konverzacích neexistuje.

Krok 3: Třetistranná validace jako hlavní nástroj

V praxi pořád vidíme, že značky sází hlavně na vlastní web a vlastní tvrzení. Jenže v AI prostředí to nestačí.

Modely nehledají, co si o sobě myslíme my. Hledají, co o značce potvrzují jiné důvěryhodné zdroje. Beth Nunnington z Journey Further to popisuje přímo: ověření třetí stranou je nejdůležitější páka pro viditelnost v AI.

To mění celé uvažování o PR. Nejde o „udělat viditelný článek“. Jde o to dostat značku do kontextu, kde ji AI umí bezpečně citovat, porovnat nebo přiřadit ke správné kategorii.

Journey Further v tomhle kroku drží čtyři taktiky, které fungují dohromady, ne odděleně. Každá pracuje s jiným typem důvěry a jiným způsobem výskytu ve výsledcích AI.

Seznamy a recenze produktů

Zařazení do „nejlepších“ přehledů patří k nejsilnějším signálům. LLM s podobnými formáty pracují ráda, protože přesně odpovídají tomu, jak lidé kladou dotazy.

V běžné praxi se firmy honí za další recenzí. V realitě ale rozhoduje správný kontext na správné publikaci. Značka nemusí být ústřední téma článku. Stačí, když se objeví jako relevantní volba v kurátorovaném průvodci nebo doporučujícím textu.

Journey Further uvádí i konkrétní příklad: Virgin Experience Gifts se objevilo v článku CNN o dárcích k padesátinám pod 200 dolarů. Právě takové zařazení dává modelu jasný důvod, proč značku zmínit při podobném dotazu.

Prakticky z toho plyne jediné: nepracujeme jen s recenzemi na výkon. Pracujeme s tím, do jakých výběrů a doporučení se značka dostane.

Datový výzkum a spotřebitelské studie

Obsah postavený na datech má v AI prostředí větší váhu než běžné značkové sdělení. Důvod je prostý: model dostane konkrétní oporu, ke které se může vrátit.

Journey Further popisuje klienta, který připravil studii o nejpřátelštějších městech pro psy v Americe. Výzkum převzal Time Out a později se začal objevovat i v AI Overviews pro související dotazy.

To není náhoda. Novináři i editori dávají přednost materiálům, které mají čísla, srovnání a jasný závěr. Stejně tak AI snáz pracuje s obsahem, který umí rozdělit na citovatelný úryvek.

V praxi proto neprodáváme „další report“. Prodáváme užitečný důkaz, který někdo další rád převezme, ocituje nebo zasadí do vlastního přehledu.

Thought leadership a odborné komentáře

Tohle je oblast, kterou většina týmů pořád podceňuje. Často ji vnímáme jako hezký doplněk, ne jako výkonnostní páku.

Jenže data z Journey Further mluví jinak. Analýza nástroje Salient zahrnující 4 000 kusů pokrytí s DA40+ ukázala, že téměř polovina obsahovala odborné komentáře nebo datové studie, ne produktový obsah.

Jinými slovy: pokud chceme citace, musíme přinést interpretaci, ne jen další popis nabídky. AI i novináři sahají po zdrojích, které pomáhají vysvětlit téma, ne po materiálech, které pouze prodávají.

Do téhle části ale patří i varování. Některé agentury si odborníky vymýšlejí. Některé publikace ve Velké Británii dokonce převzaly příběh o uklízečce královské rodiny, než vyšlo najevo, že citovaný expert neexistoval.

Tohle poškozuje nejen médium, ale i značku, která takový příběh dodala. Proto dnes potřebujeme ověřitelnou expertizu. Bio na webu, aktuální LinkedIn, důvěryhodná praxe a dohledatelné credentials nejsou dekorace. Jsou to ochranné známky důvěry.

Falešní AI-generovaní experti už prostě neprojdou tak snadno jako dřív. Novináři prověřují zdroje pečlivěji a podobný risk si hlídají i modely, které s citacemi pracují.

Digitální PR jako distribuční motor

Digitální PR pořád mnoho týmů chápe hlavně jako linkbuildingový servis. Jenže to je zbytečně úzký pohled.

V lepším pojetí jde o mechanismus, který rozhýbe všechno ostatní. Pomáhá získat citace, posiluje důvěru a vytváří signály pro tradiční vyhledávání, AI přehledy i odpovědi LLM.

Právě tady se ukazuje rozdíl mezi kreativní kampaní a výkonnostním PR. Nestačí vymyslet hezký nápad. Musíme ho dostat mezi publikace, které modely opravdu používají.

Buď se značka stane zdrojem, který LLM citují. Nebo se aspoň dostane mezi zdroje, na které se modely spoléhají při skládání odpovědi. V obou případech rozhoduje třetí strana.

A i v klasickém SEO má tohle pořád dopad. E-E-A-T nezmizelo. Jen se rozšířilo o další vrstvu, kde rozhoduje, jestli značka působí jako důvěryhodný vstup do odpovědi.

Proto digitální PR nečteme jako oddělenou disciplínu. Čteme ho jako distribuční infrastrukturu pro důvěru, kterou pak umí využít vyhledávání, AI i samotný trh.

Krok 4: Pracovní postup PR pro výkon

U výkonnostního PR už dávno nestačí dobrý nápad a šikovný text. V praxi funguje jiný pořádek práce: nejdřív hledáme, kde má značka reálnou šanci prorazit, teprve potom vymýšlíme kreativní formu a nakonec cílíme outreach tam, kde má šanci přinést citace, zásahy i další signály pro AI vyhledávání.

Journey Further, jak uvádí Beth Nunnington pro Moz, popisuje tenhle proces dost střízlivě: každá PR kampaň má začít poznáním a skončit důkazem. To je důležitý posun proti běžné agenturní rutině, kde se často začne konceptem a až pak se zpětně hledá, komu a proč by měl vadit nebo pomoci. Tady se postup obrací. Nejprve si musíme vyjasnit, kde vzniká příležitost, co publikum skutečně řeší a kde se pohybuje.

První fáze stojí na insightu a organické příležitosti. Neřešíme jen vlastní pozice nebo seznam hezkých keywordů. Sledujeme, na jakých tématech už značka něco drží, co je ještě na dosah a kde leží mezera proti konkurenci. Současně mapujeme, které oborové publikace modely citují častěji, kde publikum tráví čas a s čím se zapojuje. Teprve tenhle přehled ukáže, kde má smysl investovat energii i rozpočet. Bez něj se kreativita snadno rozpadne do kampaní, které vypadají dobře interně, ale nikde venku nezanechají stopu.

Ve druhé fázi přichází idea generation a kreativní koncept. Tady ale nejde o volnou kreativní jízdu bez mantinelů. Máme vycházet z poznatků, které jsme už nasbírali, a přetavit je do značkových, ale zároveň publiku srozumitelných konceptů. Jinými slovy: obsah nemá jen „sedět k brandu“, má také zapadnout do způsobu, jak o tématu mluví lidi, média i LLM. AI si navíc neskládá obraz značky z jedné stránky nebo jedné kampaně. Porovnává vzory napříč tím, co o značce vychází. Čím konzistentněji tedy držíme konkrétní témata a interpretaci, tím snáz nás model pochopí i doporučí.

Právě tady dává smysl pracovat s publikem, ne s interním pocitem originality. Když víme, co řeší, můžeme vyrobit výstup, který se dá citovat, sdílet i převzít. A to je v AI prostředí důležitější než jednorázový „wow moment“. Ten totiž často skončí u interní pochvaly a venku nezanechá měřitelný efekt.

Poslední fáze je outreach. A i tady platí, že nejde o rozesílání do co nejširšího seznamu kontaktů. Mluvíme o cílení na publikace, které vyšly z analýzy: na média, jež LLM citují častěji, i na weby, se kterými publikum skutečně interaguje. Smysl má zaměřit se na platformy, které ovlivňují výstupy AI i rozhodnutí publika. To je rozdíl proti běžné mediální distribuci, kde se často měří hlavně počet oslovených kontaktů nebo zásah v tabulce. Tady nás zajímá, jestli výstup prošel do prostředí, které AI i lidé opravdu používají.

Celý rámec se tak vrací k výkonu. Neprodáváme kreativní nápady jako izolované artefakty. Překlápíme poznání do témat, která mají šanci získat citaci, zmínku a další důkaz relevance. A právě ten důkaz je v AI vyhledávání podstatný. Nejen pro report, ale hlavně pro další rozhodování o tom, kam se pustit příště.

Měření výkonu vyhledávání AI

V AI vyhledávání si nemůžeme pomoci klasickým reportingem, na který jsme zvyklí ze SEO nebo PPC. ChatGPT ani jiné modely nám nedají Search Console ani přehled přidělování výsledků. Právě proto má měření jinou logiku.

V praxi neřešíme pořadí v žebříčku, ale to, jak často se značka objevuje, v jakých prompty se vrací a odkud model cituje. Uzavřené prostředí AI platforem sice komplikuje přímou atribuci, ale neznamená to, že bychom byli odkázaní na dojem.

Smysluplné měření stojí na viditelnosti, na zachycených dotazech a na citovaných zdrojích. Teprve z nich čteme, zda značka v odpovědích AI opravdu žije, nebo jen prochází naším vlastním webem bez širší stopy. Nejde o měření naslepo, ale o měření podle signálů, které AI skutečně zanechává.

V následujících blocích proto pracujeme s bankou promptů, výskytem značky napříč modely, citovanými URL i korelací s vlastními výkonnostními daty. Bez toho se z AI visibility snadno stane jen hezky pojmenovaný pocit.

Banka promptů podle přání a potřeb publika

V praxi nám nestačí sbírat dotazy podle objemu hledání. Pokud chceme být vidět v AI odpovědích, potřebujeme reprezentativní banku promptů, která kopíruje skutečný způsob uvažování publika.

Jinými slovy: neřešíme, kolikrát lidé zadali jednu zkratku. Řešíme, jak se ptají, když váhají, porovnávají a hledají konkrétní řešení. Právě v tom se liší starý keyword-first pohled od dnešní reality.

Zdrojová banka má stát na třech vstupech. Prvním je Google Lidé se také ptají, protože ukazuje, jak lidé rozvíjejí původní dotaz do dalších otázek. Druhým je Reddit, kde vidíme surový jazyk publika, jeho pochybnosti i formulace, které se pak snadno přelévají do AI dotazů. Třetím zdrojem jsou AI vyhledávací dotazy odvozené z PAA, fór a vlastního výzkumu.

Tohle není akademické cvičení. Journey Further podle zdroje pracovala s databází o 2 000 otázkách a dotazech. Smysl takového souboru není v počtu, ale v tom, že pokrývá klíčové záměry napříč celým trychtýřem. Dotazy vycházejí z PAA, FAQ, recenzních zdrojů i diskuzí na fórech, takže zachytí cestu od prvního váhání až po rozhodnutí.

Právě tady bývá běžná praxe slabá. Týmy často pracují s úzkým seznamem slov, která „dávají smysl značce“. Jenže AI se neřídí pohodlným seznamem, ale konverzační variabilitou. Banka promptů proto slouží jako základ pro měření viditelnosti značky, hledání mezer v citacích i vyhodnocení dopadu PR a obsahových aktivit.

Když máme takovou banku správně postavenou, neporovnáváme jen to, co jsme publikovali. Vidíme, na jaké otázky vůbec máme šanci být odpovědí, kde nás modely citují a kde necháváme prostor konkurenci. A právě to je měřítko, které v AI vyhledávání dává větší smysl než klasický seznam keywordů.

Měření výskytu značky a citovaných URL napříč modely

V AI prostředí si už nevystačíme s jedním číslem, které nám řekne, jestli jsme „nahoře“. Žebříček tu nefunguje stejným způsobem jako v klasickém SEO, takže musíme sledovat něco praktičtějšího: jestli se značka vůbec objevuje v odpovědích, v jakém kontextu a vedle jakých zdrojů.

To je v praxi větší posun, než se na první pohled zdá. Místo honby za pozicí sledujeme výskyt značky napříč modely, které publikum skutečně používá. A protože ne každý model má stejnou váhu, začínáme daty o publiku, ne vlastním pocitem, co „asi bude důležité“.

Smysl má vzít databázi promptů a projít ji systematicky. Nejen jednou, ale opakovaně. Zajímá nás, v kolika odpovědích se značka objeví, jak často ji model vynechá a kdy ji nahradí konkurencí. Právě tady vidíme, jestli máme ve viditelnosti rezervu, nebo jestli nás modely už berou jako standardní součást kategorie.

Stejně důležité jsou citované URL a zdroje. U AI odpovědí často nejde jen o to, kdo je zmíněn, ale odkud model informace bere. Pokud se v citacích opakují stejné domény, dostáváme mapu důvěry, ne jen seznam odkazů. A když se místo naší značky opakovaně objevuje konkurence, není to kosmetický detail, ale signál, kde máme slabé PR, slabý obsah nebo slabou třetí stranu.

Právě z citovaných zdrojů pak umíme vyčíst, kam má směřovat další práce. Někde chybí autorita, jinde model sahá po jiném vysvětlení problému, než jaké nabízíme my. To je mnohem užitečnější než report, který jen konstatuje, že „AI zmínila konkurenta“. My potřebujeme vědět proč a kde.

Na tenhle blok navazuje i praktická otázka priority. Nemá smysl měřit všechno ve všech modelech stejně. Nejdřív sledujeme platformy, kde je naše publikum opravdu aktivní, a teprve potom rozšiřujeme záběr. Jinými slovy: viditelnost v AI se neměří podle technické elegance dashboardu, ale podle toho, jestli odpovídá realitě publika a jeho rozhodování.

Fan-out dotazy a preference LLM

Na první pohled vypadá prompt jako jeden dotaz. V praxi se ale často rozpadne na několik dílčích hledání, ze kterých si model skládá odpověď.

To je důležitý posun proti běžné marketingové představě, že stačí trefit jedno hlavní heslo. LLM pracují s rozvětveným záměrem a hledají víc úhlů, než by udělal klasický uživatel v jednom vyhledávacím poli.

Dobře to ukazuje příklad dotazu na „nejlepší CRM pro podnik“. Model si z něj neodnese jen obecné srovnání. Rozloží ho na varianty kolem ceny, funkcí, typu firmy, času, recenzí nebo konkrétního použití.

Jinými slovy, neřešíme už jen jedno zadání, ale celý soubor podotázek, které z něj model dovede vyrobit. A právě v tom vzniká strategický signál pro obsah i PR.

V analýze Journey Further, na kterou navazuje i Beth Nunnington z Moz, se při větším objemu ukázaly opakující se vzory. 41 % fan-out dotazů má devět slov a 71 % obsahuje superlativy jako nejlepší, nejrychlejší nebo nejlevnější.

Vedle toho se konzistentně vrací i časová relevantnost, cena a recenze. Nejde tedy o náhodné doplňky, ale o témata, která model při skládání odpovědi zjevně preferuje.

Pro praxi z toho plyne jednoduchá věc: když připravujeme obsah nebo získáváme citace, nestačí myslet na jedno klíčové slovo. Musíme pokrýt i otázky, které se z něj mohou odvíjet v konverzačním prostředí.

Právě tady se ukazuje rozdíl mezi starým keyword-first uvažováním a reálným chováním LLM. Model nehledá jednu frázi. Hledá množinu odpovědí, které spolu dávají smysl.

Sledování bot requests a korelace s výkonem

V praxi se pořád držíme jednoho nepohodlného pravidla: nejspolehlivější data nám dávají vlastní požadavky botů. Ne reporty z uzavřených AI platforem, ne dojmy z několika citací, ale vlastní stopa, kterou si umíme chytit a spojit s výkonem.

Proto má smysl postavit jednoduchý panel pro žádosti o bota. Ne jako technickou vitrínu pro dev tým, ale jako pracovní nástroj pro marketing. Když vedle sebe vidíme bot requests, kliknutí v Search Console, relace v GA a konverze, dostáváme mnohem lepší obrázek než z izolovaných čísel.

Journey Further podle Beth Nunnington z Moz právě na téhle úrovni našli silnou korelaci mezi kliknutími v Search Console a požadavky na ChatGPT na jednotlivých stránkách. V praxi to potvrzuje něco, co často přehlížíme: obsah, který funguje v klasickém vyhledávání, má velkou šanci objevit se i v odpovědích AI.

Rozhodující není jen soulad, ale hlavně nesoulad. Když stránka sbírá kliknutí v Search Console, ale boty o ni téměř nezavadí, máme před sebou užitečný signál. Ne nutně problém výkonu, spíš mezeru v extrahovatelnosti obsahu. Něco v textu, struktuře nebo formátu brání tomu, aby si z něj AI vzala použitelný úryvek.

Právě tady se ukazuje praktická hodnota korelace. Nepotřebujeme z bot requests dělat nový KPI pro prezentace. Potřebujeme z nich číst, kde obsah žije v organiku, ale neprosazuje se v AI vrstvě. A protože uzavřené AI platformy nenabízejí čistou atribuci, spojení vlastních dat s Search Console, GA a konverzemi nám pomáhá doplnit chybějící souvislosti.

Jinými slovy: nečekáme na dokonalé měření od poskytovatelů AI. Měříme to, co máme pod kontrolou, a hledáme vzory mezi bot aktivitou a reálným obchodním dopadem. To je v prostředí, kde se viditelnost neodvíjí jen od prokliku, často nejpraktičtější cesta k rozhodnutí, co upravit jako první.

Shrnutí důrazu na důvěryhodnost a dlouhodobý základ

V praxi se pořád lákáme na rychlé triky, jenže u AI viditelnosti rozhoduje hlavně něco mnohem méně efektního: značka, které se vyplatí věřit a odkazovat na ni.

Jestli má model naši značku citovat, nemůže stát na náhodných výstupech z kampaně. Musí ji dlouhodobě vnímat jako zdroj, který má jasné argumenty, ověřitelné zkušenosti a stopu i mimo vlastní web.

Právě proto dává smysl stavět na odborných komentářích, datových studiích a PR, které nehoní zásah pro zásah, ale buduje důvěru v čase. Zmínky a citace pak nepřicházejí jako jednorázová výhra, spíš jako důsledek konzistentní práce.

Jak říká Beth Nunnington z Journey Further, „neexistují žádné zkratky k dosažení viditelnosti v AI“. A to je přesně pointa celé téhle změny: kdo chce být dohledatelný v AI odpovědích, musí si nejdřív zasloužit pozici, na kterou se ostatní budou chtít spoléhat.

AI search neodměňuje objem, ale opakovaně potvrzenou důvěru

Největší chyba v přístupu k AI vyhledávání je pořád stejná: bereme ho jako další kanál, ve kterém stačí víc publikovat, víc optimalizovat a víc tlačit značku ven. Jenže modely nepracují s objemem jako s důkazem. Pracují s tím, jestli web a okolní prostředí značku opakovaně potvrzují v konkrétním tématu, v jasném kontextu a z důvěryhodných zdrojů.

To je důvod, proč se vyplatí přehodnotit, jak dnes oddělujeme SEO, content a PR. Pokud je bereme jako tři samostatné disciplíny, snadno skončíme u hezkého webu bez vnější validity, u obsahu bez snadno citovatelných odpovědí a u PR, které sbírá zásahy, ale nebuduje dlouhodobou důvěru. AI search ale neodměňuje izolované výkony. Odměňuje značky, které mají jasno v tom, kdo jsou, dokážou to zvenčí prokázat a drží konzistentní stopu napříč webem.

Citace a zmínky proto nejsou samostatná taktika. Jsou výsledek toho, že značka má pevný základ a umí ho distribuovat tam, kde se dnes skládá důvěra. Pokud web neumí značku přesně pojmenovat, pokud obsah nedává modelu snadno uchopitelnou odpověď a pokud PR nevede k opakovaným signálům relevance, AI si najde někoho jiného. A to je možná nejdůležitější kontrolní otázka pro každý tým: nepracujeme už moc dlouho jen na tom, aby nás bylo vidět, místo toho, aby nás bylo možné považovat za spolehlivý zdroj?

Zdroj: moz.com

---