Základy

Co přesně je Query Fanout?

Ventilátor dotazů je mechanismus, pomocí kterého umělá inteligence (např. Google AI Mode, ChatGPT, chatboti pro e-commerce) chápe a zpracovává dotazy uživatelů. Systém automaticky rozděluje jednu otázku na několik souvisejících podotázek a vyhledává v různých zdrojích, aby pak shrnout výsledky do jedné celkové odpovědi.

Slovo "fanout" znamená rozprostírat, šířit - zde: distribuce dotazu do více vyhledávacích kanálů, např. Google, Bing nebo agregátorů dat, jako je Semly.

Při tradičním vyhledávání by systém hledal stránky obsahující přesné klíčové slovo. V případě vějířovitého vyhledávání dotazů systém dělá právě toto:

Rozpoznání záměrů:

• Žadatelé: rodina s dětmi
• Účel: dovolená u moře
• Omezení: rozpočet 5 000 liber týdně
• Poloha: Baltské moře (polská námořní strana)
• Čas: neurčeno, ale předpokládá se, že o letních prázdninách

Rozdělení na dílčí otázky:

• "Nejlevnější ubytování pro rodiny v Baltském moři"
• "Rekreační chaty na Baltu 5000 zł za týden"
• "Kam v červenci levně k moři s dětmi"
• "Atrakce pro děti u moře"
• "Které město na Baltu je oblíbené 2025"
• "Jak se s rodinou levně dostat k Baltskému moři"
• "Dovolená v Pobaltí bez jídla - cenově výhodné varianty"
• "Nejlepší pláže pro děti v Baltském moři"
• "Kde se ubytovat s dítětem u moře - fórum"
• Červenec nebo srpen u Baltského moře - kde je levnější"

Současné vyhledávání:

Simultánní vyhledávání: Každá z těchto otázek je odeslána současně na různé zdroje - rezervační portály, cestovní blogy, fóra, webové stránky letovisek, YouTube, recenze na Mapách Google.

Syntéza:

Syntéza: systém shromáždí výňatky ze všech zdrojů, uspořádá je (např. nejoblíbenější/nejvíce doporučované se zobrazí výše) a předloží je uživateli ve formě: "Na Baltském moři je nejlepší v Darlowě, zde jsou oblíbená letoviska s cenami, zde je dětská pláž a zde jsou možnosti přístupu".

Proč společnost Google zavedla službu Query Fanout?

Historie změn ve vyhledávání

Společnost Google již mnoho let funguje následujícím způsobem:

1. Uživatel zadá klíčová slova
2. Algoritmus hledá stránky obsahující tato slova
3. Třídí je podle popularity a relevance
4. Zobrazí seznam odkazů

To se osvědčilo u jednoduchých otázek ("Kolik váží slon?"). Když se však otázky staly složitějšími ("Jaké auto si mám vzít do města, když hodně jezdím po městě, mám dvě děti, chci ušetřit palivo, ale zároveň chci spolehlivost a pohodlí?"), začal tradiční model selhávat

Praktické výhody pro uživatele

1. Rychlá odpověď - bez nutnosti proklikávání mnoha stránek
2. Úplnost - jsou řešeny všechny aspekty otázky
3. Srovnání - systém automaticky porovná možnosti
4. Názory - systém vyhledá zkušenosti ostatních uživatelů
5. Aktualizace - odpověď obsahuje nejnovější informace

Jak Query Fanout technicky funguje?

Krok 1: Rozpoznání záměru

Když uživatel zadá otázku, systém umělé inteligence se nejprve podívá nikoli na slova, ale na záměr, který se za otázkou skrývá.

Příklad pro obchod s elektronikou:

Otázka: "Která videokamera pro začínajícího vlogera"

Uznávaný záměr:

• Kategorie produktu: fotoaparáty
• Úroveň uživatele: začátečník
• Použití: vlogování (video na YouTube/sociálních médiích)
• Stávající dovednosti: minimálně
• Priorita: snadnost použití, ne profesionální schopnosti

Systém chápe, že tento uživatel si nekoupí fotoaparát za 5 000 liber, ale něco v rozmezí 500-2 000 liber, s jednoduchým rozhraním, dobrou stabilizací a vestavěným mikrofonem.

Krok 2: Rozklad dotazu

Na základě uznaného záměru systém provede rozklad - rozdělí jednu otázku na více logicky souvisejících dílčích dotazů.

Pro kameru vlogera to mohou být:

• "Nejlepší kamery pro začínající vlogery 2025"
• "Kolik stojí dobrá vlogovací kamera"
• "Fotoaparát nebo smartphone pro vlogování - srovnání""
• "Který fotoaparát má nejlepší stabilizaci obrazu"
• "Recenze - nejlepší videokamery pro YouTube"
• "Kamera pro vlogování - co musí mít (mikrofon, obrazovka)"
• "Kde koupit kameru pro vlogování v Polsku"
• "Vloggeři doporučují - kamera pro začátek"

Každá z těchto dílčích otázek reaguje na jiný aspekt nákupního rozhodování.

Krok 3: Paralelní vyhledávání

Toto je klíčová část. Namísto postupného vyhledávání (nejprve cena, pak recenze, pak specifikace - a to by zabralo čas) se vyhledávají všechny dílčí dotazy současně.

Příklad pseudokódu (Python):

import asyncio

async def query_fanout_search(main_query):
    """
    Souběžné vyhledávání pro všechny poddotazy
    """
    
    # Rozdělíme hlavní dotaz
    sub_queries = decompose_query(main_query)
    # Výsledek: ["vlogovací kamera začátečník", "kamera na YT recenze", ...]
    
    # Vytvoříme úlohy pro každý poddotaz
    tasks = []
    for sub_query in sub_queries:
        tasks.append(search_google(sub_query))
        tasks.append(search_youtube_reviews(sub_query))
        tasks.append(search_forums(sub_query))
        tasks.append(search_prices(sub_query))
    
    # Spustíme vše současně (asyncio)
    all_results = await asyncio.gather(*tasks)

Tradiční vyhledávání by bylo sekvenční. Query fanout je paralelizuje (všechny najednou). Tím se doba odezvy zkrátí z několika sekund na přibližně 1-2 sekundy.

Krok 4: Kombinace výsledků (agregace a řazení)

Nyní musí systém udělat obtížnou věc: kombinovat výsledky z desítek různých zdrojů způsobem, který dává smysl. Použitý algoritmus je Reciproční fúze pořadí (RRF). Vysvětlím to na jednoduchém příkladu:

Řekněme, že hledáme "nejlepší bezdrátová sluchátka":

Výsledky z dílčí otázky 1 ("sluchátka pro kancelářskou práci"):

1. Sony WH-1000XM5
2. Bose QC45
3. Sennheiser Momentum

Výsledky dílčí otázky 2 ("sluchátka - test pohodlí"):

1. Bose QC45
2. Apple AirPods Max
3. Sony WH-1000XM5

Výsledky dílčí otázky 3 ("sluchátka - cena 2025"):

1. JBL Live Pro 2
2. Sony WH-1000XM5
3. Anker Soundcore

RRF funguje takto:

• Sony WH-1000XM5: objevuje se ve výsledcích 1, 3, 2 → získává nejvyšší skóre
• Bose QC45: objevuje se v hodnocení 2, 1 → průměrné hodnocení
• Ostatní mají nižší skóre

Konečný seznam:

1. Sony WH-1000XM5 (v mnoha ohledech nejdoporučovanější)
2. Bose QC45
3. JBL Live Pro 2

Krok 5: Syntéza a prezentace

Systém nyní získává z každého zdroje nejdůležitější pasáže:

• Z recenze: "Pohodlí 8 hodin práce"
• Z testu: "ANC snižuje hluk o 95 %"
• Z fóra: "Super pro práci na dálku"
• Z cenovky: "349 liber v akci"

Nakonec tyto výsledky předkládá uživateli v podobě jednoho souvislého textu s citacemi z pramenů.

Praktické důsledky pro internetové obchody

Znamená to konec tradičního SEO?

Ne. Tradiční vyhledávání stále existuje a bude existovat i nadále. Vedle něj se však objevuje nový kanál - viditelnost v odpovědích umělé inteligence.

Tradiční SEO (hodnocení na konkrétní klíčová slova):

Uživatel hledá: „notebook na programování“
→ Vaše stránka se zobrazí na 3. pozici
→ Uživatel klikne na odkaz
→ Dostane se k Vám

Query Fanout (zobrazuje se jako součást odpovědi AI):

Uživatel hledá: „notebook na programování“
→ AI Mode generuje odpověď s větou:
  „Populární volby jsou: [citace ze stránky A], [citace ze stránky B],
   [citace z vaší stránky]“
→ Uživatel někdy klikne na odkazy, někdy ne – ale vaše značka
  se v odpovědi objeví

Oba kanály nyní běží paralelně.

Co se pro obchod mění?

1. Struktura obsahu na webových stránkách se musí změnit

Starý přístup (optimalizovaný pro tradiční SEO):

Název: Notebook na programování
Nejlepší notebook na programování je něco, co má...
[dvě strany hustého textu]

Pro lidského čtenáře to funguje, ale režim umělé inteligence potřebuje větší strukturu.

Nový přístup (v rámci dotazu fanout):

# Notebook na programování – kompletní průvodce 2025

## Co musíte vědět, než koupíte notebook na programování?

### 1. Procesor – Intel nebo AMD?
AMD Ryzen 7 je rychlejší pro kompilaci kódu...
[konkrétní testy]

### 2. RAM – kolik potřebujete?
- Pro Python: 8–16 GB
- Pro Web Dev: 16 GB minimum
- Pro AI/ML: 32 GB

### 3. SSD disk – jakou kapacitu?
Minimum: 512 GB
Doporučení: 1 TB

[Každý bod má jasnou, samostatnou odpověď]

## Srovnání populárních modelů

| Model | Procesor | RAM | SSD | Cena | Hodnocení |
| --- | --- | --- | --- | --- | --- |
| Model A | Ryzen 7 | 16GB | 512GB | 24 000 Kč | 9.2 |
| Model B | i7-13 | 16GB | 1TB | 27 000 Kč | 9.5 |

[Každý řádek je fragment, který může AI vytáhnout]

## FAQ – nejčastější dotazy

O: Je MacBook dobrý na programování?
Odp: Ano, ale...

O: Kolik stojí dobrý notebook na kódování?
Odp: Od 18 000 Kč...

[Každý pár Otázka & Odpověď je potenciální poddotaz]

## Recenze uživatelů

„Koupil jsem tento notebook, programuji v Pythonu a teď vydělávám...“ (15 kladných recenzí)

Vidíte ten rozdíl? Druhá struktura umožňuje AI extrahovat fragmenty pro každý dílčí dotaz.

2. Strukturovaná data (Schema Markup) jsou nyní povinností

Schema.org je způsob, jak umělé inteligenci přesně říct, co čísla a slova na stránce znamenají.

Příklad:

Notebook stojí 24 000 Kč

<script type="application/ld+json">
{
  "@context": "https://schema.org",
  "@type": "Product",
  "name": "Notebook na programování Model X",
  "price": "24000",
  "priceCurrency": "CZK",
  "availability": "https://schema.org/InStock",
  "aggregateRating": {
    "@type": "AggregateRating",
    "ratingValue": "4.8",
    "ratingCount": "125"
  }
}
</script>

Když pak umělá inteligence vyhledá "aptops for programming up to £4,000", zobrazí se ve výsledcích vaše webové stránky.

3. Autority a citace jsou důležitější než kdy jindy

Ventilátor dotazů upřednostňuje zdroje, které jsou v odpovědích UI citovány vícekrát. Pokud se váš web objevuje v odpovědích na více dílčích dotazů, znamená to, že jste autoritou.

Jak si vybudujete autoritu?

• Pište o tom, co umíte nejlépe
• Přidejte konkrétní údaje, testy, čísla
• Citujte ostatní a odkazujte - ukazuje to, že jste znalí
• Budování zpětných odkazů z renomovaných zdrojů
• Pravidelná aktualizace obsahu

Praktické tipy

Průvodce 1: Mapování dotazu Fanout pro váš produkt

Řekněme, že provozujete obchod s powerbankami.

Krok 1: Výběr základního dotazu

"Nejlepší powerbanka do 150 £"

Krok 2: Rozšiřte kontext

Použití:

• Pro telefon
• Pro váš notebook
• Pro cestování
• Pracovat

Funkce:

• Kapacita (mAh)
• Rychlost nabíjení
• Velikost
• Hmotnost

Profil uživatele:

• Student
• Úředník
• Cestovatel
• Gamer

Typ srovnání:

• Soutěž
• Předchozí generace
• Alternativy

Krok 3: Pro každý dílčí dotaz připravte na stránce oddíl

## Kolikrát powerbanka 20 000 mAh nabije můj telefon?

To záleží na kapacitě baterie vašeho telefonu:

- iPhone 14 (3200 mAh): ~6x
- Samsung Galaxy S24 (4000 mAh): ~5x
- OnePlus 12 (5400 mAh): ~3,5x
- iPad Air (8600 mAh): ~2x

**Jak se to počítá?**
20 000 mAh (powerbanka) / 4000 mAh (telefon) = 5 nabití
(v praxi méně kvůli ztrátám energie)

## Nabije powerbanka 20 000 mAh notebook?

Ano, ale...
- Musí mít výstup USB-C Power Delivery
- Musí mít výkon alespoň 65 W
- Starší notebooky (s micro USB) – ne

Náš model: 100 W, USB-C PD, nabije MacBook Air za 2,5 hodiny.

## Powerbanka na dovolenou – vejde se?

- Rozměry: 12 x 7 x 3 cm
- Hmotnost: 420 g
- Vejde se do batohu, kosmetické tašky, kapsy velké kabelky
- Ideální na dovolenou (nezabere místo)

[atd.]

Průvodce 2: Psaní obsahu pro Query Fanout - šablona

Šablona nadpisu (pro každý aspekt)

# [Produkt] – kompletní průvodce [rok]

## Co musíte vědět, než koupíte [produkt]?

### 1. [První klíčový aspekt]
- Definice pro začátečníky
- Proč je to důležité
- Jak to ověřit v praxi

### 2. [Druhý aspekt]
[to samé]

### 3. [Třetí aspekt]
[to samé]

## Srovnání populárních modelů

| Název | Spec1 | Spec2 | Cena | Hodnocení |
| --- | --- | --- | --- | --- |
| Model A | | | | |

## FAQ – nejčastější dotazy

O: [Otázka, která se objevila v Google Trends]
Odp: [Konkrétní odpověď]

## Recenze uživatelů

„Příběh uživatele, proč produkt koupil, jaké má zkušenosti“

Příručka 3: Provádění Schema.org pro produkt

<!DOCTYPE html>
<html>
<head>
<script type="application/ld+json">
{
  "@context": "https://schema.org",
  "@type": "Product",
  "name": "Powerbanka 20000 mAh SuperCharge",
  "image": ["https://...1.jpg"],
  "description": "Powerbanka do 900 Kč s rychlým nabíjením",
  "brand": {
    "@type": "Brand",
    "name": "TechBrand"
  },
  "offers": {
    "@type": "Offer",
    "url": "https://...produkt",
    "priceCurrency": "CZK",
    "price": "799.00",
    "availability": "https://schema.org/InStock"
  },
  "aggregateRating": {
    "@type": "AggregateRating",
    "ratingValue": "4.7",
    "ratingCount": "348",
    "bestRating": "5",
    "worstRating": "1"
  },
  "review": [
    {
      "@type": "Review",
      "author": {
        "@type": "Person",
        "name": "Uživatel Jan"
      },
      "reviewRating": {
        "@type": "Rating",
        "ratingValue": "5"
      },
      "reviewBody": "Super powerbanka, doporučuji"
    }
  ]
}
</script>
</head>
</html>

V důsledku toho AI přesně ví:

• Jaká je cena
• Kolik názorů máte
• Je k dispozici
• Co o něm říkají uživatelé

Dotaz Fanout v reálných scénářích

Scénář 1: Zákazník hledá "srovnání"

Dílčí dotazy, které generuje AI:

• "Šotolinové kolo - co to je, na co"
• "Silniční kolo - parametry, účel"
• "Šotolina vs. silnice - technické rozdíly"
• "Šotolina nebo silnice pro cykloturistiku"
• "Štěrk nebo silnice - cena v Polsku"
• "Názory - které kolo je lepší pro začátečníka"
• "Testy - přilnavost na šotolině a na silnici"

Co by vaše webové stránky měly obsahovat, aby se zobrazily:

• Definice (štěrk + silnice)
• Porovnání tabulek
• Zpětná vazba od skutečných uživatelů
• Ceny (odkazy na obchody)
• Praktické testy
• Pro koho je každý typ

Scénář 2: Zákazník má specifický problém

Dílčí otázky:

• "Proč se bezdrátová sluchátka rychle vybíjejí"
• "Sluchátka Bluetooth - jak prodloužit pracovní dobu"
• "Která sluchátka mají nejdelší výdrž"
• "Výměna baterie ve sluchátkách - je to možné"
• "Problémy s baterií sluchátek - fórum"

Co by měl obsah obsahovat:

• Důvody (proč k tomu dochází)
• Průvodce (jak prodloužit život)
• Srovnání telefonů s nejlepší baterií
• Informace o službě
• Technické poradenství (kalibrace baterie)

Scénář 3: Zákazník porovnává značky

Dílčí otázky:

• "Xiaomi vs. Samsung - srovnání specifikací"
• "Xiaomi nebo Samsung - co doporučují odborníci"
• "Xiaomi - uživatelské recenze 2025"
• "Samsung - hodnocení uživatelů 2025"
• "Xiaomi nebo Samsung - co je lepší pro fotografie"
• "Xiaomi vs Samsung cena"
• "Služba Xiaomi vs. Samsung v Polsku"

Co by měl obsahovat:

• Technické srovnání v tabulce
• Názory redakce
• Snímky z fotoaparátu (porovnání fotografií)
• Ceny v polských obchodech
• Dostupnost služby
• Záruka

Technologie - kód a implementace

Kód 1: Generování dílčích dotazů z GPT-5 (python)

import openai

def generate_sub_queries(main_query, num_queries=10):
    """
    Generuje poddotazy k hlavní otázce
    """
    
    prompt = f"""
    Jste expert na SEO a optimalizaci pro vyhledávání pomocí AI.
    
    Uživatel položil následující otázku:
    "{main_query}"
    
    Vygenerujte {num_queries} souvisejících poddotazů, které mohl mít uživatel 
    na mysli nebo které by mohl vygenerovat režim AI (AI Mode).
    
    Poddotazy by měly pokrývat:
    - Definice a vysvětlení
    - Srovnání a alternativy
    - Ceny a dostupnost
    - Recenze a zkušenosti
    - Řešení problémů
    
    Vraťte pouze seznam poddotazů, jeden na řádek.
    """
    
    response = openai.ChatCompletion.create(
        model="gpt-5",
        messages=[
            {"role": "user", "content": prompt}
        ],
        temperature=0.7,
        max_tokens=1000
    )
    
    sub_queries = response.choices[0].message.content.strip().split('\n')
    return [q.strip() for q in sub_queries if q.strip()]

# Příklad použití:
main_q = "Jakou powerbanku vybrat do 900 Kč"
subs = generate_sub_queries(main_q)

for i, sub in enumerate(subs, 1):
    print(f"{i}. {sub}")

# Výsledek:
# 1. Kolik mAh by měla mít powerbanka pro telefon
# 2. Powerbanka 20 000 mAh nebo 30 000 mAh – která je lepší
# 3. Nejlepší powerbanky do 900 Kč 2025
# atd.

Kód 2: Simulace dotazu Fanout - vícekanálové vyhledávání (python)

import asyncio
from typing import List, Dict

class QueryFanoutSimulator:
    """
    Simuluje fungování query fanout
    """
    
    def __init__(self):
        self.databases = {
            'products': self.search_products,
            'reviews': self.search_reviews,
            'forums': self.search_forums,
            'prices': self.search_prices,
            'youtube': self.search_youtube
        }
    
    async def execute_fanout(self, main_query: str, sub_queries: List[str]) -> Dict:
        """
        Provede query fanout pro hlavní otázku
        """
        
        print(f"Hlavní otázka: {main_query}\n")
        print(f"Vygenerované poddotazy ({len(sub_queries)}):")
        for sq in sub_queries:
            print(f"  - {sq}")
        
        print("\n--- Souběžné vyhledávání ---\n")
        
        # Pro každý poddotaz hledáme ve všech databázích současně
        tasks = []
        for sub_query in sub_queries:
            for db_name, search_func in self.databases.items():
                tasks.append(
                    self._search_with_metadata(db_name, search_func, sub_query)
                )
        
        # Provedení všech současně
        results = await asyncio.gather(*tasks)
        
        # Agregace výsledků
        aggregated = self._aggregate_results(results)
        
        return aggregated
    
    async def _search_with_metadata(self, source: str, search_func, query: str):
        """
        Vyhledávání s metadaty (zdroj, hodnocení)
        """
        results = await search_func(query)
        return {
            'source': source,
            'query': query,
            'results': results,
            'count': len(results)
        }
    
    async def search_products(self, query: str) -> List[Dict]:
        """Simulace hledání produktů"""
        await asyncio.sleep(0.5)  # Simulace zpoždění
        return [
            {'title': f'Produkt A pro "{query}"', 'rank': 1},
            {'title': f'Produkt B pro "{query}"', 'rank': 2}
        ]
    
    async def search_reviews(self, query: str) -> List[Dict]:
        """Simulace hledání recenzí"""
        await asyncio.sleep(0.3)
        return [
            {'title': f'Recenze: {query}', 'rank': 1, 'rating': 4.8}
        ]
    
    async def search_forums(self, query: str) -> List[Dict]:
        """Simulace hledání na fórech"""
        await asyncio.sleep(0.4)
        return [
            {'title': f'Fórum - {query}', 'rank': 1, 'replies': 23}
        ]
    
    async def search_prices(self, query: str) -> List[Dict]:
        """Simulace vyhledávání cen"""
        await asyncio.sleep(0.2)
        return [
            {'title': f'Ceny - {query}', 'price_min': 100, 'price_max': 300}
        ]
    
    async def search_youtube(self, query: str) -> List[Dict]:
        """Simulace hledání na YouTube"""
        await asyncio.sleep(0.6)
        return [
            {'title': f'Video: {query}', 'views': '1M', 'rating': 4.9}
        ]
    
    def _aggregate_results(self, all_results: List[Dict]) -> Dict:
        """
        Agregace a hodnocení výsledků (zjednodušené RRF)
        """
        
        aggregated = {}
        source_count = {}
        
        for result_group in all_results:
            source = result_group['source']
            query = result_group['query']
            
            # Počítání, kolikrát se zdroj objeví
            source_count[source] = source_count.get(source, 0) + 1
            
            for result in result_group['results']:
                title = result['title']
                if title not in aggregated:
                    aggregated[title] = {
                        'title': title,
                        'sources': [],
                        'score': 0
                    }
                
                aggregated[title]['sources'].append(source)
                aggregated[title]['score'] += 1
        
        # Řazení podle skóre (kolik zdrojů potvrzuje výsledek)
        ranked = sorted(
            aggregated.values(),
            key=lambda x: x['score'],
            reverse=True
        )
        
        return {
            'total_results': len(ranked),
            'top_results': ranked[:5],
            'sources_used': source_count
        }

# Použití:
async def main():
    simulator = QueryFanoutSimulator()
    
    main_query = "Nejlepší powerbanka pro kancelářskou práci"
    sub_queries = [
        "powerbanka k notebooku",
        "powerbanka – nejdelší výdrž",
        "powerbanka do kanceláře – recenze",
        "powerbanka rychlé nabíjení"
    ]
    
    results = await simulator.execute_fanout(main_query, sub_queries)
    
    print("\n--- Agregované výsledky ---\n")
    print(f"Nalezeno: {results['total_results']} unikátních výsledků")
    print(f"Zdroje: {results['sources_used']}\n")
    
    print("Top 5 výsledků (seřazeno podle popularity):")
    for i, result in enumerate(results['top_results'], 1):
        print(f"{i}. {result['title']}")
        print(f"    Skóre: {result['score']} | Zdroje: {', '.join(result['sources'])}\n")

# Spuštění
if __name__ == "__main__":
    asyncio.run(main())

Kód 3: Extrakce pasáže (python)

from typing import List

def extract_passages_for_fanout(content: str, query: str) -> List[str]:
    """
    Extrahuje úryvky obsahu, které odpovídají na poddotaz
    """
    
    # Rozdělení na odstavce
    paragraphs = content.split('\n\n')
    
    relevant_passages = []
    
    for para in paragraphs:
        # Hledání důležitých slov z dotazu
        score = calculate_relevance(para, query)
        
        if score > 0.6:  # Práh: 60% relevance
            # Omezení na 2–3 věty (úryvek)
            sentences = para.split('. ')
            passage = '. '.join(sentences[:3]) + '.'
            relevant_passages.append({
                'text': passage,
                'score': score,
                'length': len(passage)
            })
    
    # Řazení podle skóre
    relevant_passages = sorted(
        relevant_passages,
        key=lambda x: x['score'],
        reverse=True
    )
    
    return relevant_passages[:5]  # Top 5 úryvků

def calculate_relevance(text: str, query: str) -> float:
    """
    Vypočítá, jak moc je text relevantní k dotazu (0-1)
    """
    
    query_words = query.lower().split()
    text_lower = text.lower()
    
    matches = sum(1 for word in query_words if word in text_lower)
    relevance = matches / len(query_words) if query_words else 0
    
    return min(relevance, 1.0)  # Max 100 %

# Příklad:
content = """
Powerbanka je zařízení, které uchovává energii a nabíjí váš telefon.
20 000 mAh znamená kapacitu – čím více mAh, tím vícekrát telefon nabije.

Powerbanka pro kancelářskou práci by měla být kompaktní a pohodlná.
Naše powerbanka váží jen 300 gramů a vejde se do kabelky.

Rychlé nabíjení je důležitá vlastnost. Náš model podporuje rychlé nabíjení 65 W.
"""

passages = extract_passages_for_fanout(content, "powerbanka pro kancelářskou práci")

for i, p in enumerate(passages, 1):
    print(f"{i}. (skóre: {p['score']:.2f})")
    print(f"   {p['text']}\n")

# Výsledek:
# 1. (skóre: 0.75)
#    Powerbanka pro kancelářskou práci by měla být kompaktní a pohodlná...
#
# 2. (skóre: 0.25)
#    Naše powerbanka váží jen 300 gramů...

Chyby a nástrahy

Chyba 1: Psaní pouze pro lidi, ne pro umělou inteligenci

Špatná strana:

Nejprodávanější powerbanka roku 2025! Naše produkty jsou zárukou spokojenosti.
Kupte nyní a ušetřete 300 Kč. Doprava zdarma od 600 Kč...

Proč špatně? Režim AI neví:

• Ať už jde o powerbanku pro telefon nebo notebook
• Kolik mAh má
• Kolik to stojí
• Jaké má názory

Dobrá stránka:

## Co je powerbanka 20 000 mAh?

Powerbanka je nabíjecí zařízení s kapacitou 20 000 mAh.

### Kolikrát nabije telefon?

- iPhone 14: 6x
- Samsung S24: 5x

### Cena

799 Kč (sleva z 1 199 Kč)

### Recenze

Hodnocení: 4.8/5 (348 recenzí)

Umělá inteligence z toho může čerpat: kapacita, aplikace, cena, zpětná vazba.

Chyba 2: Nedokončené články

V mnoha obchodech se objevují články jako "Článek se připravuje" nebo "Již brzy". To je pro režim AI neviditelné - článek je ignorován.

Pravidlo: Zveřejněte kompletní články. Pokud nemáte čas, je lepší mnoho krátkých článků než jeden nedokončený dlouhý.

Chyba 3: Chybí strukturální údaje

Bez Schema:
Sluchátka stojí 1 799 Kč

Se Schema:
<span itemscope itemtype="https://schema.org/Offer">
  <span itemprop="price">1799</span>
  <span itemprop="priceCurrency">CZK</span>
</span>

Bez schématu se může AI domnívat, že se jedná o rok nebo číslo modelu. Se schématem ví, že je to cena.

Chyba 4: Kopírování konkurence

Pokud budou všechny obchody psát stejně ("Nejlepší powerbanka je..."), žádný nebude vyčnívat. Dotaz fanout zvýhodňuje jedinečnou perspektivu.

Dobrá praxe:

• Váš příběh (jak jste přišli na nápad)
• Vaše testy (sami jste si je zkontrolovali)
• Vaše názory (co si myslíte)

Tato umělá inteligence se bude používat snadněji.

FAQ - Často kladené otázky

Platí Query Fanout pro všechna odvětví?
Ne. Nejlépe se uplatní v odvětvích, kde jsou rozhodnutí složitá:

• Elektronický obchod (výběr produktů)
• Cestovní ruch (plánování cest)
• Tipy (jak něco udělat)
• Vzdělávání (učení se něčemu)

Menší obavy:

• Faktické dotazy ("Kdo se stane polským prezidentem v roce 2025?")
• Informace v reálném čase (počasí, sazby)

Jak dlouho trvá přizpůsobení obchodu pod Query Fanout?
Pro malý obchod (50-100 produktů): pro střední (1000 produktů): 2-4 týdny: pro velký obchod (10000+ produktů): 2-3 měsíce: 6 měsíců a více
Nejedná se o jednorázovou práci - jde o průběžný proces.

Bude dobře hodnocený produkt tradičně viditelný v režimu AI?
Obvykle ano, ale ne vždy. Režim AI má jiná kritéria než tradiční SEO. Je možné, že se v tradičním vyhledávání umístíte vysoko, ale v režimu AI Mode ne (nebo naopak). Proto jsou důležité obě strategie.

Mění Query Fanout způsob získávání návštěvnosti z reklam Google?
Prozatím ne - Google Ads stále funguje. Ale z dlouhodobého hlediska, pokud bude stále více lidí používat režim umělé inteligence místo tradičního vyhledávání, může se obchodní model změnit. Vyplatí se investovat do dalších kanálů (e-mail, sociální média, partnerství).

Používá ChatGPT také Query Fanout?
ChatGPT používá rozšířenou verzi (žádá uživatele o vysvětlení, sám interně rozkládá dotazy). Nemá však takovou viditelnost jako režim Google AI. Ostatní nástroje: V případě, že se vám podaří získat informace o tom, co se děje, můžete využít tzv:

• Umělá inteligence perplexity - explicitně používá vějířovitost dotazu
• Claude - má vlastní metodu
• Obchodní chatboti - mohou mít zjednodušenou verzi

Musí být můj obsah na stránce doslova?
Ne. Režim AI může citovat i pasáže z jiných zdrojů. Pokud však máte vlastní stránku - výrazně to zvyšuje šance na zviditelnění v odpovědích.

Je pro Query Fanout důležitý AMP nebo mobile-first?
Ano, ale ne stejným způsobem jako v případě tradičního SEO. AI Mode důležité jsou:

• Možnost kontroly obsahu
• Struktura dat
• Úřad
• Aktualizace

Ale ne nutně rychlost webu (i když rychlý web vždy pomůže).

Měl bych si nyní najmout copywritera?
Pokud jste ho ještě neměli - ano. Query Fanout vyžaduje vysoký objem a vysokou kvalitu obsahu. Jeden copywriter by měl psát článek týdně (minimálně).

Slovníček

Režim AI - režim vyhledávání Google, kdy jsou odpovědi generovány umělou inteligencí (namísto seznamu odkazů)

Agregace - kombinování výsledků z více zdrojů do jedné odpovědi

Asyncio - knihovna Pythonu pro souběžné provádění úloh

Úřad - vědomí společnosti Google, že stránka je důvěryhodná v daném oboru

Zpětný odkaz - odkaz z jiné stránky na vaši

Chatbot - program, který hovoří s uživatelem

Chunk - malý kus textu (např. jeden odstavec)

Základní dotaz - hlavní otázka, kterou začínáme

Rozklad - rozdělení jedné otázky na několik menších otázek

Vkládání - převod textu na čísla (vektory), která vyjadřují význam

Fanout - diseminace, šíření (zde: šíření dotazu)

Gemini - model umělé inteligence společnosti Google (ekvivalentní modelu ChatGPT)

Generátor (LLM) - model umělé inteligence, který generuje text

Halucinace - když si umělá inteligence vymýšlí informace, které nejsou pravdivé

Rozpoznání záměru - rozpoznání toho, co uživatel skutečně chce (ne jen to, co napsal)

LLM (Velký jazykový model) - velký jazykový model (ChatGPT, Gemini, Claude)

Extrakce pasáže - extrakce relevantních fragmentů textu

Dotaz - otázka, dotaz

Rozklad dotazu - rozdělení otázky na podotázky

Dotaz Fanout - rozdělení otázek na více dílčích otázek pomocí umělé inteligence

RAG (Retrieval-Augmented Generation) - vyhledávání informací + generování odpovědí

Vzájemné sloučení pořadí (RRF) - algoritmus pro kombinaci výsledků z více zdrojů

Relevance - zda je výsledek relevantní pro dotaz

Vyhledávání - vyhledávání, hledání informací

Schema.org - standard pro označování údajů na stránkách

Sémantika - význam slov a textů

SEO - optimalizace pro vyhledávače

Dílčí dotazy - dílčí otázka, menší otázka

Syntéza - kombinování informací z více zdrojů

Databáze vektorů - databáze ukládající text jako vektory

Podobnost vektorů - jak jsou si oba texty podobné

Kontrolní seznam - co dělat ve vašem obchodě?

• Analýza - Podívejte se, jak funguje funkce Query Fanout pro vaše hlavní produkty (hledejte v Google AI Mode)
• Mapování - Vytvoření seznamu dílčích dotazů pro 10 nejlepších produktů
• Audit obsahu - Zkontrolujte, které stránky již obsahují fragmenty adresující dílčí dotazy
• Struktura - Reorganizujte stránky produktů: přidejte nejčastější dotazy, přidejte srovnání v tabulkách, přidejte uživatelské recenze, přidejte sekce "Co potřebujete vědět"
• Schéma - Implementace Schema.org na všech produktových stránkách
• Obsah - Psaní článků "průvodce nákupem" pro hlavní kategorie
• Zpětné odkazy - Začněte budovat autoritu (články na externích webech)
• Monitorování - Viditelnost trati v režimu AI (umožňují to nové nástroje)
• Iterace - Analýza dílčích dotazů a měsíční aktualizace obsahu

Souhrn

Query Fanout není budoucnost - je to současnost. Od května 2025 je režim Google AI Mode ve výrobě a konkurence s ním drží krok (ChatGPT, Claude, Perplexity).

Klíčové body k zapamatování:

1. Dotaz Fanout je rozdělení dotazu na dílčí dotazy - AI je hledá paralelně
2. Tradiční SEO stále existuje - ale vedle něj se objeví nový kanál (viditelnost v režimu AI)
3. Struktura obsahu se mění - místo jednoho textu pro jedno klíčové slovo napíšete kompletní příručku, která se bude zabývat více aspekty
4. Schema.org je nyní nutností - Umělá inteligence musí chápat, co čísla a slova na stránce znamenají
5. Autorita důležitější než kdy jindy - UI upřednostňuje zdroje, které se v odpovědích objevují opakovaně
6. Tohle je maraton, ne sprint - implementovat pomalu, testovat, opakovat

Dotaz Fanout vám dává nové možnosti pro váš obchod. Nemusíte být programátorem - můžete začít analýzou fungování Query Fanout pro vaše produkty, mapováním dílčích dotazů a přípravou lepšího obsahu.

Ostatní přijde samo.

Zdroje

• Google I/O 2025 - Elizabeth Reidová, vedoucí oddělení vyhledávání Google - "Režim AI a technika větrání dotazů"
• fillrank.co.uk, Senuto.com, seo-www.pl, digital.rp.pl, 4media.com
• Oficiální režim Google AI
• Dokumenty Microsoft Azure AI
• Haystack.deepset.ai - Pokročilé vzory RAG
• Dokumentace API OpenAI - LLM Prompting

Sdílet:

Kopírovat odkaz