Agentní RAG selhává na citacích

Agentní RAG mění GEO i měření: obsah musí projít plánováním, routingem, iterací a reflexí. Nestačí být citován — musí obstát v několika neviditelných branách AI vyhledávání.

---

Článek vychází z textu, který napsal Michael King: Beyond RAG: Why Every AI Search Platform Is Now Agentic and What That Means for Your Content (Search Engine Land)

Vy ladíte obsah podle citací a rankingů, ale v AI odpovědi vás systém klidně vyhodí už v plánování. Tento text vychází z analýzy Michaela Kinga na Search Engine Land / iPullRank a převádí jeho agentní RAG do dopadů na obsah i měření. Jednorázový RAG už nestačí.

Od lineárního RAG k agentní architektuře

Ještě nedávno jsme u AI vyhledávání přemýšleli skoro mechanicky: dotaz, vyhledání, pár úryvků, odpověď. Jenže tenhle obraz už na současné systémy nesedí.

Michael King v Search Engine Land, navázaný na práci iPullRank, popisuje posun mnohem dál. Dnešní hlavní platformy nejedou jedním průchodem. Plánují, přepínají mezi nástroji, vyhledávají opakovaně, čtou průběžné výsledky a podle nich znovu hledají.

To je podstatná změna i pro GEO. Když pořád optimalizujeme obsah pro jednorázové načtení, ladíme ho pro systém, který už nereprezentuje realitu. Lineární RAG dával smysl ve chvíli, kdy model dostal omezený balík podkladů a z nich složil odpověď. Agentní architektura dělá víc kroků a v každém z nich může obsah znovu projít sítem.

Michael King / Search Engine Land / iPullRank ten posun shrnují přesněji: „To, co definovalo první vlnu, byl vzor vyhledávání jednou a pak generování, a ten je zastaralý.“ A právě to je důvod, proč už nestačí řešit jen citaci na výstupu. Musíme přežít několik interních bran předtím, než se vůbec dostaneme do finální odpovědi.

Rozdíl mezi starým a novým modelem tedy není kosmetický. Lineární RAG spoléhá na jeden pokus. Agentní architektura pracuje jako řetězec rozhodnutí, kde se kvalita obsahu ověřuje opakovaně. Pro marketingovou praxi z toho plyne jednoduchý závěr: neoptimalizujeme pro vyhledání jednou, ale pro průchod řadou podmínek, které řídí samotný agent.

Pokud tedy dnes GEO pořád stavíme jen na klasickém „najít a být citován“, míjíme jádro změny. V novém prostředí nerozhoduje jen to, zda se obsah najde. Rozhoduje, zda obstojí v plánování, směrování, opakovaném hledání a průběžném vyhodnocování.

Proč klasický RAG selhával a co definuje agentní RAG

Michael King v Search Engine Land a iPullRank to pojmenovává přímo: klasický, jednopásmový RAG je stavěný na jednu rychlou průchodovou smyčku. Pro jednoduché dotazy to často stačilo. U složitějších úloh ale narážíme na stejný problém pořád dokola: systém se zeptá jednou, vytáhne pár úryvků a bez další kontroly z nich složí odpověď.

V praxi to znamená, že klasický RAG nezvládal složené otázky, nedokázal se vzpamatovat ze špatného prvního vyhledání, neuměl směrovat mezi různými vyhledávacími nástroji a neuměl vlastní výstup zhodnotit. Nejde o akademickou drobnost. Jde o čtyři místa, kde se běžná marketingová praxe ráda utěšuje tím, že „hlavně ať něco citujeme“. Ve skutečnosti musí model projít víc než jednou branou, než se vůbec dostane k citaci, která stojí za něco.

Právě tady se mění definice. Agentní RAG není jen „chytřejší RAG“. Musí umět plánovat, používat nástroje, iterovat a reflektovat. Michael King to v Search Engine Land a iPullRank staví jako čtyři podmínky, které musí fungovat současně. Když chybí jedna, nejde o agentní RAG, ale jen o lepší variantu starého pipeline modelu.

Plánování znamená, že systém nerozběhne vyhledávání naslepo. Nejprve si rozseká zadání na výzkumný plán, poddotazy a pořadí kroků. Tady už nerozhoduje jeden velký dotaz, ale schopnost rozložit problém na menší části, které se dají zvládnout samostatně.

Použití nástrojů znamená výběr podle úkolu, ne podle pohodlí. Agent musí poznat, kdy sáhnout po vektorovém indexu, kdy po BM25, kdy po API pro strukturovaná data, kdy po kódu, webové stránce, MCP serveru nebo jiném agentovi. To je přesně bod, který klasický RAG neměl. Ten jen poslal dotaz do jednoho retrieval kanálu a čekal.

Iterace mění celý způsob práce. Agent po prvním získání dat výsledek čte, vyhodnotí a podle zjištění znovu vyhledá. Nepředstírá, že první sada úryvků byla dostatečná. V silných systémech právě tahle druhá nebo třetí smyčka často rozhoduje o kvalitě odpovědi.

Reflexe je poslední krok, který odděluje skutečný agentní systém od obyčejného chainingu. Model si zkontroluje vlastní odpověď, pozná slabé místo a vrátí se pro další informace. Anthropic definuje agenty podobně: jde o systémy, kde LLM dynamicky řídí vlastní procesy i používání nástrojů a drží kontrolu nad plněním úkolu. Jinými slovy, nečeká na jeden průchod. Řídí si práci průběžně.

Tomu odpovídá i referenční architektura, kterou Michael King v Search Engine Land a iPullRank popisuje přes plánovač, router, retrieval tools, paměť, kritik a syntetizátor. Plánovač rozpadá zadání na výzkumné kroky. Router vybírá, kam má který subdotaz jít. Retrieval tools pak sahají do správných zdrojů. Paměť drží stav a průběžný kontext. Kritik funguje jako brána, která vyhazuje nejvíc slabých výstupů ještě před finální odpovědí. Syntetizátor nakonec skládá výsledný text s citacemi.

Právě router a kritik rozhodují o viditelnosti obsahu. Router určí, jestli se k vašemu materiálu agent vůbec dostane. Kritik rozhodne, jestli přežije do finální odpovědi. V běžném marketingovém výkladu se mluví hlavně o tom, že obsah byl „nalezen“. Jenže skutečný test zní jinak: musíme přežít několik interních bran před citací.

To potvrzuje i to, že Google podobné chování už komercializuje. Michael King v Search Engine Land a iPullRank odkazuje i na patentovou stopu, která ukazuje, že Google nepracuje s RAG jako s jednorázovým fetch modelem. Naopak rozvíjí plánování, směřování, paměť, reflexi i syntézu jako samostatné funkce. Patenty nejsou doplněk k příběhu. Jsou důkazem, že podobná architektura se přesouvá z výzkumu do produktu.

Rozdíl mezi platformami je pak hlavně v tom, co ukazují a co schovávají. Deep Research rozhraní jsou důležitá právě proto, že odhalují plán, poddotazy i průběh smyčky. V běžném vyhledávacím UI vidíme jen výsledek. U Deep Research rozhraní můžeme diagnostikovat, kde se systém rozhodl jinak, kde přidal další subdotaz a kde obsah naopak spadl z výběru. Michael King v Search Engine Land a iPullRank na tom staví klíčovou výhodu: bez viditelných mezikroků jen hádáme.

Pro inženýrství relevance z toho plyne ostrý závěr. Musíme vyhrávat v mnoha subretrievals, ne jen v jednom hlavním dotazu. Musíme psát atomické pasáže, které obstojí samostatně. Musíme pracovat s bridge entities, protože ty propojují jednotlivé části výzkumného plánu. Musíme řešit protiargumenty a edge cases, protože kritik právě na nich často obsah vyřadí. Musíme přidávat tool-callable content, aby agent měl důvod sáhnout po našem materiálu jako po vstupu do nástroje. A musíme dávat explicitní freshness signály, protože reflexní vrstva hodnotí i to, zda je obsah dostatečně aktuální.

Stejně se mění i měření. Samotné sledování citací nestačí, protože říká jen to, co přežilo na konci. Michael King v Search Engine Land a iPullRank upozorňuje, že citace můžou vypadat slušně, zatímco pokrytí poddotazů selhává. Nová metrická vrstva proto sleduje pokrytí poddotazů, poměr získání k citaci, míru přežití reflexe, centrálnost bridge entity, zahrnutí volání nástroje a míru selhání jednotlivých fází. Tady už nejde o počet citací, ale o diagnostiku celé cesty.

Audit se proto dělí na dvě úrovně. Jednodušší, pozorovatelný audit sleduje viditelný výzkumný plán, poddotazy a citace v rozhraní. Technicky náročnější destilace jde níž a snaží se napodobit skrytý rozhodovací proces lokálním agentem. První krok dá rychlý obraz o tom, kde obsah padá. Druhý krok ukáže, proč padá. A přesně ten rozdíl dnes rozhoduje o tom, jestli obsah optimalizujeme pro starý RAG, nebo pro agentní systém, který už pracuje úplně jinak.

Referenční smyčka agentního RAG a skryté rozhodovací brány

Na první pohled to vypadá jednoduše: systém si něco najde, zpracuje to a vrátí odpověď s citacemi. V praxi ale rozhoduje až několik mezikroků, které obsah průběžně přepočítávají, odmítají a znovu skládají. Právě tady se láme rozdíl mezi běžným lineárním RAG a agentním RAG. Lineární pipeline udělá jedno vyhledání a jedno shrnutí. Agentní smyčka naproti tomu plánuje, vybírá nástroje, iteruje a kontroluje vlastní výstup.

Michael King v Search Engine Land a iPullRank popisuje referenční architekturu jako řetězec několika uzlů, ne jako jeden průchod. Nejprve vstupuje plánovač, který rozpadne zadání na výzkumný plán a subdotazy. Pak nastupuje router, jenž pro každý subdotaz volí vhodný nástroj nebo cestu. Následují retrieval tools, tedy vyhledávací a datové nástroje, které sbírají podklady z různých zdrojů. Paměť drží kontext napříč kroky. Kritik pak obsah znovu posoudí a často vyřadí většinu kandidátů. Syntetizátor nakonec sestaví odpověď a přidá inline citace.

Pro obsah je nejdůležitější právě to, že router a kritik fungují jako skryté brány viditelnosti. Router rozhodne, zda se k určitému zdroji systém vůbec dostane. Když doména nenabízí nástrojový povrch, může ji přeskočit, i když má obsah dobrou indexaci. Kritik zase neřeší, co se našlo, ale co přežije do finální odpovědi. Obsah tedy nemusí jen „být citovatelný“. Musí projít výběrem, porovnáním a obhajobou proti alternativám.

To je důvod, proč běžná představa o „dobrém pillar article“ už nestačí. V agentním RAG nevyhrává jediný velký text, ale mnoho menších pasáží, které vydrží v různých subretrievals. Obsah musí být atomický, snadno párovatelný a znovu použitelný v různých krocích smyčky. Když pasáž neumí obstát sama, kritik ji vyřadí, i kdyby patřila do silného souhrnného článku.

Michael King zároveň upozorňuje, že většina produkčních systémů nejsou doslovné multi-agentní konstelace. Často jde o jediné LLM, které běží v těsných smyčkách s různými výzvami a voláním nástrojů. Z redakčního pohledu je ale důležitý výsledek, ne názvosloví: obsah musí přežít plánování, routování, opakované dohledávání i reflexi. Až pak má šanci dostat se do odpovědi, kterou uživatel skutečně uvidí.

Architekturní funkce doložené na patentech

Když se podíváme na patenty, nečteme z nich seznam triků. Čteme z nich, co se už začalo prodávat jako architektura. A právě to je důležité: Google tu nepopisuje laboratorní hříčky, ale funkce, které už směřují do produkčního provozu.

V praxi to znamená, že agentní RAG už nestojí na jednorázovém dotazu a jedné odpovědi. Patentové přihlášky ukazují rozpad do funkčních vrstev, kde každý krok řeší vlastní problém. My tu vidíme pět opakujících se mechanik: plánování, směrování, paměť, reflexi a syntézu.

U plánování jde hlavně o to, že systém nevychází z jednoho dotazu doslova. US11663201B2 popisuje generování několika variant dotazu pomocí trénovaného generativního modelu. Nejde jen o kosmetické přepsání zadání. Patent rozepisuje i různé typy variant, takže systém záměrně rozšiřuje prostor hledání. Podobný směr nese i WO2024064249A1, kde se dotazy tvoří podle výzev pro různorodé vyhledávání. V praxi to potvrzuje jednoduchou věc: dobrý agent nezačne tím, že se ptá jednou. Začne tím, že si otázku rozloží.

Na plánování navazuje směrování. Tady se rozhoduje, kam který poddotaz pošleme. US20240362093A1 ukazuje, že agent nemusí zůstávat jen u vyhledávače. Může generovat i API volání pro externí aplikace a pracovat s vlastním korpusem. To je přesně ten rozdíl mezi starým „vezmi top výsledky“ a novým „vyber správný nástroj pro správnou část problému“. Směrování už není doplněk. Je to filtr, který určuje, zda se obsah vůbec dostane do hry.

Právě tady bývá běžná marketingová praxe nejvíc mimo realitu. Často se pořád mluví o jednom silném článku, jednom pilíři a jednom velkém tématu. Jenže agentní architektura odměňuje spíš rozdělení na menší, přesněji použitelné části. Obsah musí projít více branami, než se vůbec dostane k citaci. Nestačí „být dobrý na téma“. Musíme obstát v několika dílčích vyhledáváních a ještě ve správném směrování mezi nástroji.

Paměť ukazuje US20240289407A1. Tam už nejde jen o okamžitou odpověď, ale o stavový chat a udržení kontextu napříč více koly. To je pro agentní systém zásadní, protože bez paměti se každé další rozhodnutí tváří jako nová situace. V realitě však agent skládá výsledek z předchozích kroků a z toho, co si už ověřil. Bez uchované paměti se rozpadá návaznost i relevance.

Reflexi dobře vystihuje US20250124067A1. Patent popisuje párové hodnocení pasáží a následné seřazení výsledků podle těchto porovnání. To je důležitější, než vypadá. Systém tu už neřeší jen, co našel. Řeší, co obstojí v porovnání s alternativou. A právě párové posuzování je pro viditelnost obsahu tvrdší než prosté zařazení do indexu. Pasáž musí přežít srovnání s jinou pasáží, ne jen splnit obecné téma.

Na konci přichází syntéza. US11769017B1 popisuje generativní shrnutí výsledků vyhledávání a další zpracování obsahu, které má zmírnit nepřesnosti. To je poslední vrstva, kde se rozptýlené nálezy skládají do odpovědi, která působí souvisle. Jenže syntéza nevytvoří kvalitu sama od sebe. Když předchozí kroky selžou, shrnutí jen elegantně zakryje slabý podklad.

Když tyto patenty čteme dohromady, vychází z nich stejný obraz: Google nekomercializuje jednu funkci, ale celý řetězec rozhodování. Plánování rozšiřuje otázku. Směrování vybírá správný nástroj. Paměť drží návaznost. Reflexe třídí kandidáty. Syntéza dává odpovědi tvar.

Pro nás je podstatné hlavně to, že architektura už není teorie o budoucnosti. Patentové doklady ukazují, že se jednotlivé mechaniky zpevňují do samostatných produktových vrstev. A jakmile se to stane, přestává fungovat staré uvažování o obsahu jako o jednom velkém článku. V agentním prostředí rozhodují atomické pasáže, bridge entities, přesné odpovědi na protiargumenty i schopnost projít více interními branami najednou.

Jinými slovy: patenty nám neříkají, že Google zkouší „něco s AI“. Říkají, že agentní vyhledávání už se staví jako obchodní systém se zvláštními funkcemi pro plánování, směrování, paměť, reflexi a syntézu. A to je pro content i SEO změna, kterou už nejde přehlížet.

Jak různé platformy odhalují plánování, iteraci a reflexi

Na první pohled se může zdát, že všechny AI vyhledávací systémy dělají totéž: položíme otázku, dostaneme odpověď a vedle pár citací. V praxi ale rozhoduje něco jiného. My dnes neporovnáváme jen kvalitu odpovědi, ale to, kolik z agentní smyčky platforma vůbec pustí na světlo.

Michael King v Search Engine Land a iPullRank popisuje posun od jednorázového vyhledání k architektuře, která plánuje, znovu hledá, přehodnocuje a teprve potom skládá výsledek. Právě tady se platformy začínají lišit. Jedna skryje skoro celý postup, jiná ukáže plán, další nechá vidět i subdotazy a průběžné přehodnocování. Pro diagnostiku obsahu je to zásadní rozdíl.

Google AI Mód podle Michaela Kinga a Search Engine Land působí jako nejdál dotažená produkční agentní implementace. Nepracuje jako klasické „zadání a odpověď“, ale jako řízené rozšíření dotazu, víceprůchodové vyhledávání, párové přeřazení a reflexní kontrola výsledku. V praxi to znamená, že obsah neprochází jednou branou, ale několika interními filtry za sebou. Pro nás je důležité, že úspěch nevzniká z jedné silné pasáže, ale z řetězce menších úspěchů napříč poddotazy.

Google AI Přehledy podle stejného zdroje fungují podobně, ale lehčeji. Smyčka je kratší, iterací je méně a platforma méně otevřeně ukazuje, co se mezi dotazem a výstupem děje. Diagnosticky je to užitečné hlavně pro srovnání s AI Módem: vidíme, jak stejný ekosystém pracuje buď s úspornější, nebo s výrazně agresivnější agentní logikou.

ChatGPT Vyhledávání a Hluboký Výzkum podle Michaela Kinga a iPullRank odhalují plánování, rozpad na subdotazy i reflexi mnohem čitelněji. Hluboký Výzkum je cenný právě tím, že tyto kroky často ukazuje přímo v rozhraní. Pro nás je to diagnostická výhoda: nečteme jen finální výsledek, ale i to, jak model rozmýšlel postup. V běžné marketingové praxi se pořád příliš slepě sleduje výstup. Tady ale musí content projít plánem, subretrievaly a následnou kontrolou, jinak vypadne dřív, než se dostane k citaci.

Perplexity Pro Vyhledávání a Hluboký Výzkum podle Michaela Kinga a iPullRank kladou důraz na víceúrovňové vyhledávání, diverzifikaci zdrojů a kritiku návrhu. To je důležité, protože platforma neodměňuje jen nalezení jedné dobré stránky. Nutí systém, aby se opíral o širší sadu podkladů a zpochybňoval vlastní první návrh. Právě tady se dobře ukazuje rozdíl mezi běžným odkazováním a skutečnou reflexí.

Claude podle Michaela Kinga a iPullRank staví použití nástrojů jako prvotřídní prvek práce. S počítačem, Projekty a Dovednostmi je vidět, že model neřeší jen text, ale konkrétní akce nad nástroji. Pro sledování agentního chování je to cenné hlavně tehdy, když chceme rozumět, kdy model sáhne po nástroji a kdy zůstane u vnitřního uvažování.

Gemini Hluboký Výzkum podle Michaela Kinga a iPullRank ukazuje explicitní smyčku plánování a provedení. To je pro nás praktické, protože rozhraní dává šanci číst agentní chování téměř krok za krokem. Když platforma plán ukáže, máme větší šanci pochopit, proč obsah uspěl nebo proč narazil na filtr.

Grok Hluboké Vyhledávání podle Michaela Kinga a iPullRank představuje vznikající real-time agentní vzor založený na X datech. Diagnosticky jde o zajímavý případ hlavně proto, že se opírá o živé prostředí a jiné zdrojové tempo než klasické vyhledávání. Neřešíme tu jen archiv a index, ale i to, jak se agent chová v rychle se měnícím kontextu.

Microsoft Copilot Výzkumník a Analytik podle Michaela Kinga a iPullRank působí jako podnikový agentní RAG nad SharePointem, Microsoft Graph a otevřeným webem. Má blíž ke skutečnému multi-agentnímu nastavení než mnoho veřejných rozhraní. Pro nás je to důležité hlavně proto, že v podnicích často nevyhrává nejviditelnější obsah, ale obsah, který přežije několik interních bran včetně firemních zdrojů a konečného výběru.

V tom je klíčová diagnostická hodnota hlubokých výzkumných ploch napříč ChatGPT, Gemini a Perplexity Pro. Právě tam nejlépe vidíme, co platforma odhaluje a co naopak skrývá mimo rozhraní. Běžná praxe se dívá jen na to, zda jsme byli citováni. Skutečnost je tvrdší: musíme přežít plánování, subretrievaly, přeuspořádání i reflexi, a teprve potom má citace šanci vzniknout.

Michael King, Search Engine Land a iPullRank tím posouvají i naše čtení trhu. Nehodnotíme platformy podle marketingového popisu. Hodnotíme je podle toho, jak hluboko nechají nahlédnout do vlastní smyčky. A právě to dnes rozhoduje, jestli obsah optimalizujeme pro starý lineární model, nebo pro systém, který už dávno hledá, přepisuje a soudí sám sebe.

Co se mění pro content engineering

V agentním RAG nám už nestačí napsat dobrý pillar článek a doufat, že si z něj systém vezme, co potřebuje. Michael King v Search Engine Land a iPullRank popisují prostředí, kde obsah prochází několika interními branami, než se vůbec dostane do citace. My tedy neoptimalizujeme pro jeden výstřel, ale pro sérii drobných vítězství.

To mění samotnou logiku psaní. Obsah musí uspět v mnoha subretrievals, ne jen v jednom hlavním dotazu. Atomické pasáže získávají převahu nad monolitickými texty, protože agent potřebuje umět vytáhnout přesně jednu odpověď, jednu definici nebo jeden dílčí vztah. Rozhoduje párová obhajitelnost: pasáž musí obstát sama o sobě a zároveň zapadnout do dalšího kroku smyčky.

Stejně důležité jsou bridge entities, tedy spojovací entity, které propojí dílčí témata napříč poddotazy. V běžné praxi se podobné vazby často schovají hluboko v textu. Tady mají přímý vliv na to, zda obsah projde dál. Když mezi pojmy nevznikne jasný most, systém pasáž snadno přeskočí.

Agentní smyčka navíc zvýhodňuje obsah, který počítá s nesouladem. Reflexní fáze neodměňuje uhlazené, ale křehké tvrzení. Odměňuje rozmanitost zdrojů, práci s protiargumenty a zvládání edge cases. Jinými slovy: obsah nesmí jen tvrdit, musí předem snést kontrolu a návrat s dalším dotazem.

Do hry vstupuje i tool-callable content. To znamená obsah napsaný tak, aby na něj šlo navázat volání nástrojů a další ověření. Už nejde jen o čitelnost pro člověka. Text musí být použitelný pro stroj, který si z něj bere podnět k dalšímu kroku.

Stejně tak se mění práce s časem. Freshness signály už nejsou dekorace pro SEO, ale vstupenka do reflexní fáze. Agent potřebuje poznat, co je aktuální, co je stabilní a co vyžaduje opatrnost. Kdo to v obsahu neoznačí, ztrácí šanci projít dalšími filtry.

Celé to znamená, že content engineering musí vyhrát v pěti okamžicích pro každou poddotazovou větev: u plánovače, směrovače, vyhledávání, párování i kritika. Běžná představa, že stačí dobře napsat jeden silný text, tady přestává fungovat. Vyhrává struktura, která se dá znovu a znovu bezpečně použít v agentní smyčce.

Neprůhlednost upstream kroků a posun od korelace ke kauzální diagnostice

V agentním RAG už nám nestačí sledovat poslední výstup. Mezi dotazem a odpovědí stojí několik rozhodovacích bran, které obsah buď pustí dál, nebo ho vyřadí bez viditelné stopy. Michael King v článku pro Search Engine Land na iPullRank to popisuje jako prostředí, kde je každý mezikrok neprůhledný. Pro naši praxi to znamená jednoduchou věc: nezkoumáme jen to, zda se obsah objevil v odpovědi, ale proč prošel nebo neprošel jednotlivými filtry.

Tradiční měření si často vystačí s počtem citací. To fungovalo ve světě, kde jsme řešili hlavně korelaci mezi viditelností a výsledkem. V agentním prostředí to ale zkresluje obraz. Citace mohou vypadat slušně, zatímco skutečné pokrytí poddotazů se rozpadá. Podle Michaela Kinga může rozdíl mezi citacemi a skutečným dopadem dosahovat poměru 3 až 10, takže samotné citation tracking přestává být spolehlivý signál.

Proto autor navrhuje jiný postup: modelovou destilaci. Jde o práci s menším, pozorovatelným modelem, který napodobuje chování většího a neprůhledného systému. My tím získáme referenčního agenta, který můžeme kontrolovat, měnit a porovnávat s produkčním chováním. V návrhu Michaela Kinga jde o lokálního agenta postaveného na Google Gemma 4, napojeného na LangGraph nebo LlamaIndex, embedding model a malý vlastní index nad otevřeným webem. Když se jeho chování shoduje s tím, co dělá produkce viditelně, máme kalibrovaný proxy.

To je důležitý posun. Místo korelačního počítání citací dostáváme kauzální diagnostiku. Vidíme, kde obsah padá: v plánování, v retrieval, v syntéze nebo v reflexi. Destilace nám tedy neříká jen, že něco selhalo. Říká, proč selhalo v konkrétní fázi. A právě to je pro další práci s obsahem a měřením zásadní rozdíl.

Zdroj: Michael King, Search Engine Land / iPullRank, How AI Mode Works.

Nová metrická vrstva a praktický audit

V běžné praxi pořád často sledujeme hlavně citace. Jenže v agentním RAG už to nestačí. Michael King v materiálech pro Search Engine Land a iPullRank ukazuje, že musíme měřit i to, co se děje mezi dotazem a citací. Právě tam se rozhoduje, jestli obsah projde, nebo vypadne.

Nová metrická vrstva proto nestojí jen na jednom čísle. Sledujeme pokrytí poddotazů, poměr získání k citaci, míru přežití reflexe, centrálnost mostní entity, zahrnutí volání nástroje a míru selhání fáze destilace. Každá z těchto metrik zachycuje jinou bránu v agentní smyčce. Pokrytí poddotazů ukazuje, jestli jsme vůbec odpověděli na rozpadlý úkol. Poměr získání k citaci odhalí, kolik obsahu systém našel, ale nakonec nepustil ven. Míra přežití reflexe řekne, co přežilo kritiku. Centrálnost mostní entity ukáže, zda pasáž drží spojení mezi subdotazy. Zahrnutí volání nástroje měří, jestli je obsah vůbec připravený pro použití agentem. A selhání destilace ukazuje, kde se ztrácí diagnostický signál při lokálním auditu.

To je zásadní posun oproti starému zvyku počítat jen výstupy. Michael King podle Search Engine Land a iPullRank zdůrazňuje, že další generace infrastruktury pro GEO bude sledovat samotný filtr. Část měření poběží přes viditelné rozhraní, část přes destilovaného lokálního agenta. Právě kombinace obou pohledů nám dá odpověď, kde obsah v procesu skutečně padá.

Praktický audit dělíme na dvě vrstvy. Část A sleduje pozorovatelné chování agentního RAG. Vybereme pět vysoce hodnotných dotazů a pro každý spustíme ChatGPT Deep Research, Gemini Deep Research a Perplexity Pro ve výzkumném režimu. Zaznamenáme viditelný výzkumný plán, všechny poddotazy i samostatná vyhledání. Pak ověříme, jestli se sledovaný obsah objevil v horním souboru výsledků. Nakonec porovnáme pokrytí poddotazů s konečnou mírou citací a úplně propadlé poddotazy roztřídíme podle důvodu.

Část B řeší destilaci. Michael King zde podle iPullRank staví místní postroj agentic-RAG smyčky na Google Gemma 4 přes Ollama. Postroj drží stejný pětiuzlový tvar: plánovač, směrovač, vyhledávač, syntetizátor s párovým přeřazovačem a kritik s reflexí. Do běhu patří SerpAPI, Scrapling, Trafilatura a volitelný chunker LangExtract. Potřebujeme Python 3.10+, Ollama na GPU stanici, klíč SerpAPI a doménu značky. Nastavíme OLLAMA_CONTEXT_LENGTH=8192 a přes ollama ps ověříme, že model běží na 100 % GPU. Každý běh má dodat osm diagnostických sekcí a k nim trace JSON i logovací soubor. Pak přečteme cestu značky, shrneme metriky napříč sadou dotazů a výsledek kalibrujeme podle části A. Michael King přitom upozorňuje, že místní agent není produkční systém a malé modely dávají jen směrové, ne autoritativní párové verdikty.

Smysl celého auditu je prostý: přestat si lichotit počtem citací a začít sledovat, kde obsah přežije jednotlivé brány agentní smyčky. Bez toho jen přepočítáváme důsledek, ne příčinu.

Nejde o citaci na konci, ale o průchod celou smyčkou

Když dnes měříme jen finální citace, nejspíš už sledujeme až poslední vrstvu problému. V agentním prostředí se totiž nerozhoduje až ve chvíli, kdy se objeví odkaz na zdroj, ale mnohem dřív: při plánování, směrování, opakovaném dohledávání a průběžném filtrování. Obsah, který je „dobrý“ v klasickém SEO smyslu, může na některé z těchto bran skončit dřív, než se vůbec dostane do hry.

To je nepříjemná, ale praktická zpráva. Nestačí mít jeden silný text, jednu landing page nebo jeden dobře napsaný článek. Musíme mít obsah rozložený do menších, přesně použitelných částí, které obstojí samostatně, propojí se přes bridge entities a unesou i protiargument nebo doplňující dotaz. Jinými slovy: optimalizace už není o tom být „vidět“, ale být vybrán a udržen v několika neviditelných krocích systému.

Pro praxi z toho plyne jasné rozhodnutí. Buď budeme tvořit a měřit pro agentní smyčku, nebo budeme dál ladit starý model, který už nemusí být dominantní. A právě v tom je dnešní rozdíl mezi úspěšným GEO a jen hezky vypadajícími reporty.

Zdroj: Beyond RAG: Why Every AI Search Platform Is Now Agentic and What That Means for Your Content (Search Engine Land)

---