Digitální produkty z obýváku: kdy potřebujete specialistu AI SEO a co vlastně měřit

Jak vlastně zjistíte, jestli vás jazykové modely doporučují častěji než konkurenta, nebo jestli si to jen myslíte? U člověka, který prodává online kurz, šablony nebo členskou sekci z domácího stolu, je tahle otázka praktičtější, než vypadá. Rozpočet je malý, kanálů je pár a špatně vyhodnocená domněnka stojí několik měsíců práce.

Odpověď „podívám se do analytiky" nefunguje, protože podstatná část rozhodnutí padne v odpovědi, na kterou nikdo neklikne. Právě proto se v nabídkách agentur stále častěji objevuje role označovaná jako specialista AI SEO — nikoli kvůli psaní textů, ale kvůli tomu, že měření v tomhle prostředí vyžaduje jiný postup než sledování pozic. Tenhle text ten postup popisuje tak, aby se dal zvládnout svépomocí.

Proč se u digitálních produktů rozhoduje jinde než na e-shopu

Online kurz nebo předplacená šablona nemá parametry, které by šlo porovnat v tabulce. Zákazník nekupuje soubor, kupuje důvěru, že ho to naučí, co potřebuje. Před nákupem si proto zjišťuje věci, které se nedají odečíst z prodejní stránky: jestli je autor skutečný odborník, jestli obsah odpovídá jeho úrovni, jestli se to dá dokončit vedle práce.

Tenhle typ poptávky se do chatu přesouvá rychleji než u fyzického zboží. Dotaz „doporuč mi kurz účetnictví pro začínající živnostníky v češtině" má formu, na kterou je jazykový model stavěný — je konverzační, obsahuje několik podmínek naráz a nemá jednu správnou odpověď. Model vrátí dvě tři jména a krátké zdůvodnění. Kdo v tom výčtu není, nedostane druhou šanci.

Jmenování a citace nejsou totéž

První věc, kterou je potřeba při měření oddělit, je rozdíl mezi tím, že model vysloví jméno značky, a tím, že odkáže na její web. Data Semrush z roku 2026 ukazují, jak velký ten rozdíl je: u Gemini bývá značka jmenována zhruba v 84 % výskytů, ale její vlastní stránka je citovaná jen asi ve 21 %. U ChatGPT je poměr zrcadlově obrácený — citace jsou časté, ale konkrétní značka padne mnohem méně často.

Pro tvůrce kurzu to má konkrétní důsledek. Když se jméno objevuje bez odkazu, pracuje značka, ne web — a měřit se to musí ručně, protože v analytice se to neprojeví nijak. Když se naopak objevuje odkaz na cizí recenzi, která vás zmiňuje, funguje earned media efekt. Obojí je úspěch, ale každý se opravuje jinak. Tohle rozlišení je zároveň důvod, proč se SEO pro Chat GPT nedá vyhodnotit stejnou tabulkou jako pozice ve vyhledávači.

Podíl citací jako jediná použitelná metrika

Metrika, která dává v tomhle prostředí smysl, se anglicky označuje jako citation share a znamená prostou věc: v kolika procentech testovaných dotazů se objevíte vy a v kolika konkurence. Nejde o absolutní číslo, ale o poměr — a právě proto je odolná vůči tomu, že se odpovědi mění.

Sada dotazů se sestavuje ze tří zdrojů. Z otázek, které vám lidé posílají před nákupem. Z vyhledávacích dotazů, které už znáte z reklamy a z vyhledávače. A z formulací, které by použil někdo, kdo vaše jméno vůbec nezná — tedy popis problému, ne produktu. Dvacet až třicet dotazů je rozumné minimum; méně dává příliš hrubý obraz, více se ručně netestuje.

Co zapisovat a jak často

Ukazatel	Jak zjistit	Frekvence	Co znamená pohyb
Jmenování značky	ruční test sady dotazů	1× měsíčně	roste povědomí modelu o entitě
Citace vlastního webu	ruční test, zápis odkazů	1× měsíčně	obsah je vytažitelný a důvěryhodný
Citace cizího zdroje o vás	ruční test	1× měsíčně	funguje earned media, stojí za posílení
Podíl proti konkurenci	počet výskytů vy / oni	1× měsíčně	jediné číslo odolné vůči kolísání
Výkon v AI odpovědích Bingu	Bing Webmaster Tools	průběžně	proxy pro ChatGPT, od 2/2026 dostupné
Návštěvy z domén chatbotů	tagování zdrojů v analytice	průběžně	zachytí jen menšinu efektu

Jedno měření neznamená nic

Než začnete z čísel vyvozovat závěry, je potřeba počítat s tím, jak nestabilní prostředí to je. Napříč měřeními se ukazuje, že zhruba 55 % citovaných zdrojů se mění den ode dne, a při srovnání padesáti nákupních dotazů se tři velké nástroje shodly na stejném zdroji jen asi v pětině případů. Přispívá k tomu i mechanika zvaná conditional grounding — model si nejdřív rozhodne, jestli je vůbec potřeba hledat na webu, a když usoudí, že ne, odpoví z vlastních vah a nevznikne žádná citace.

K tomu se přidávají skokové změny na straně provozovatelů. Lednová aktualizace 2026 podle SE Ranking vyměnila kolem 42 % dříve citovaných domén. Rozumné je proto vyhodnocovat trend ze tří měření po sobě, ne rozdíl mezi dvěma. A testovat vždy stejným způsobem: stejné znění dotazu, stejný účet, ideálně bez historie konverzace, která výsledek posouvá.

Proč se měří i otázky, které nikdo nepoložil

Sada dotazů bývá sestavená příliš úzce, protože autor vychází z toho, co by hledal on sám. Uvnitř Gemini ale probíhá mechanika zvaná query fan-out: z jednoho zadání model vygeneruje typicky dvě až dvanáct podotázek, na každou zvlášť tahá pasáže a do odpovědi pustí jen ty, které projdou přes práh jistoty. Odpověď tedy nevzniká z jedné stránky, ale z odpovědí na otázky, které uživatel nikdy nevyslovil.

U kurzu účetnictví se dotaz rozpadne třeba takhle: jaká je vhodná délka kurzu pro začátečníka; jestli existuje česká varianta; jestli je potřeba předchozí znalost; kolik to stojí; jestli je součástí podpora; jestli kurz řeší paušální daň. Do měření proto patří i tyhle podotázky, ne jen hlavní zadání — a obsah, který na ně odpovídá, se do výsledné odpovědi dostane několika cestami naráz.

Jak testovat, aby čísla něco znamenala

Ruční testování má několik pastí. Přihlášený účet s historií konverzací dostává jiné odpovědi než čistý — model si nese kontext předchozích dotazů, včetně toho, že jste se před chvílí ptali na vlastní značku. Testovat se má vždy v novém vlákně, ideálně bez přihlášení nebo v odděleném profilu.

Druhá past je formulace. Dotaz obsahující jméno vaší značky měří něco úplně jiného než dotaz popisující problém, a míchat obojí v jedné tabulce nedává smysl. Rozumné je vést dvě sady odděleně: značkovou, která ukazuje, co o vás model ví, a neznačkovou, která ukazuje, jestli vás vůbec doporučí někomu, kdo vás nezná. Rozhodující pro růst je ta druhá — první bývá zpravidla mnohem lichotivější a svádí k předčasné spokojenosti.

Dvě fáze uvnitř modelu a proč v nich prodejní stránka propadá

Za nízkou citovaností prodejních stránek stojí mechanika, kterou stojí za to znát, protože vysvětluje většinu překvapivých výsledků měření. Uvnitř ChatGPT probíhají dva oddělené kroky: nejdřív se sestaví pool stránek, které se k dotazu načtou, a teprve pak model vybírá, co se objeví v odpovědi. Podle analýzy AirOps nad více než půl milionem načtených stránek se do citace dostane jen kolem 15 % z nich.

V první fázi rozhoduje index — u ChatGPT se napříč rozbory opakovaně mluví o opoře o Bing, což je místo, kde česká webová prezentace často chybí úplně. Ve druhé fázi rozhoduje jistota: měření SE Ranking z listopadu 2025 ukázalo násobně vyšší šanci na citaci u domén se širokým odkazovým profilem, protože model se chová averzně k riziku a raději jmenuje zdroj, u kterého si je jistý.

Malý tvůrce tuhle nevýhodu nedožene autoritou, ale může ji dohnat formátem. Rozbor Authoritas ukazuje, že strukturované stránky s jasnými odpověďmi a otázkovými nadpisy dostávají řádově víc citací než tentýž obsah v souvislých odstavcích. A platí ještě jedno pravidlo, které jde proti běžnému psaní prodejních textů: zhruba 44 % citovaných pasáží pochází z první třetiny stránky, takže odpověď patří nahoru, ne za tři odstavce budování touhy.

Co s výsledkem, když vyjde špatně

Nejčastější nález u tvůrců digitálních produktů je, že se v odpovědích objevují srovnávací a recenzní články, katalogy kurzů a diskuse — a mezi nimi dvě tři konkurenční jména. Vlastní prodejní stránka se necituje skoro nikdy, což není chyba měření, ale vlastnost formátu. Prodejní stránka je z pohledu modelu reklamní materiál, ne zdroj odpovědi.

Z toho plyne postup opravy. Za prvé vytvořit obsah, který má povahu odpovědi, ne nabídky: osnova kurzu s popisem, co konkrétně se v jednotlivých částech probírá; ukázková lekce volně dostupná jako text; poctivé vymezení, pro koho kurz není vhodný. Za druhé pracovat s tím, co o vás napíše někdo jiný — rozbor University of Toronto z roku 2025 i pozdější měření ukazují, že modely dávají přednost cizím zmínkám před vlastní sebeprezentací. Recenze na oborovém webu nebo rozhovor v podcastu s přepisem posune podíl citací víc než přepis prodejní stránky.

Formáty, které se v téhle kategorii vytahují

Blogové a článkové stránky mají podle rozboru Omnia u Gemini nejvyšší podíl citací ze sledovaných formátů a srovnávací obsah se přidává dalším významným dílem. Pro tvůrce kurzu to znamená, že nejlepší investicí není další modul, ale text, který srovnává přístupy k výuce daného tématu — včetně poctivého uvedení alternativ.

Funguje i práce s vlastními daty. Kdo má za dva roky pět set studentů, sedí na materiálu, který nikdo jiný nemá: jak dlouho lidem trvá kurz dokončit, kde nejčastěji končí, jaké otázky pokládají. Publikovaná vlastní data jsou nejsnáz citovatelný typ obsahu, protože je jinde nelze získat. A na rozdíl od obecného průvodce nepotřebují soupeřit s velkými portály.

Proč se to vyplatí, i když z toho nechodí prokliky

Namítnout se dá, že citace bez prokliku nic nevydělá. Data ukazují opak. Podle měření Seer Interactive napříč více než padesáti značkami mají citované značky výrazně vyšší prokliky z běžných organických výsledků než necitované — řádově kolem dvojnásobku na impresi — a vyšší je i výkon placených kampaní. Citace tedy působí jako důvěryhodnostní signál, který zlepšuje výsledek ostatních kanálů.

Zároveň je dobré znát rozsah dopadu. Výzkum Pew Research z července 2025 na téměř sedmdesáti tisících reálných dotazů ukázal, že s AI odpovědí v horní části stránky klikne uživatel na organický výsledek zhruba v 8 % případů oproti 15 % bez ní. To není důvod k panice, ale je to důvod k přeskládání priorit — objem návštěv už není jediný ukazatel, podle kterého se dá výkon obsahu posuzovat.

Kdy měření nemá smysl zavádět

Pokud produkt teprve vzniká a nemá zákazníky, je zbytečné testovat citace. Model nemá o čem mluvit a měření bude tři měsíce ukazovat nuly, což autora jen otráví. Stejně tak nemá smysl budovat tenhle typ obsahu u produktu, který se prodává výhradně z reklamy do studeného publika a rozhoduje se o něm během jedné návštěvy.

Hranicí je opět délka rozhodování. Kurz za dva tisíce, o kterém si člověk čte tři dny, se v AI odpovědích hraje. Šablona za dvě stě korun koupená z prvního zhlédnutí ne. A pokud jsou peníze jen na jeden kanál, u nového produktu bývá výkonnostní reklama rychlejší cestou k prvním datům než obsah, který se rozjíždí měsíce.

Doporučený postup

Sestavit dvacet dotazů, jednou je otestovat a zapsat výchozí stav. Pak tři měsíce vydávat jeden odpovědní text za dva týdny a jednou měsíčně měření zopakovat. Po čtvrtletí bude vidět trend a hlavně bude jasné, které typy obsahu se dostávají do odpovědí a které ne — což je informace, kterou žádná obecná příručka nenahradí.

Kdo chce mít měření obsahu a placených kanálů pohromadě, aby bylo vidět, jak se navzájem ovlivňují, řeší to obvykle s někým zvenčí; touhle kombinací výkonnostních kanálů a optimalizace pro AI vyhledávání se v praxi zabývá tým PPCprofits.cz. Základní verzi ale zvládne autor sám s tabulkou a hodinou měsíčně — a pro většinu digitálních produktů prodávaných z domova je to přesně ta úroveň, která stačí.