Posledních 20 let se obchodníci učí, jak přimět Google, aby si oblíbil jejich značku. V roce 2025 se objevila nová otázka, která je mnohem méně pohodlná:

Proč se ChatGPT, Claude nebo Perplexity nelíbí vaše značka, když investujete tolik do obsahu a SEO?

Donedávna jsme se mohli jen dohadovat. Dnes máme něco nového: jazykové modely, které jsou schopny v omezené míře pozorovat své vlastní vnitřní stavy a informovat o tom, co se v nich děje. Výzkum společnosti Anthropic v oblasti takzvané introspekce ukázal, že špičkové modely Claude Opus 4 a 4.1 jsou schopny odhalit a pojmenovat uměle vnesené "myšlenky" přibližně ve 20 procentech případů a ani jednou se v kontrolních testech nespletly.

Není to úplné sebeuvědomění, ale pro vás jako marketéra to znamená jediné:

se dnes můžete umělé inteligence zeptat, proč vaši značku přehlíží, a někdy dostanete odpověď, která skutečně vychází z toho, co má "v hlavě", a ne z hezky znějící konfabulace.

Co Anthropic zjistil a co z toho vyplývá

V kostce řečeno, tým Anthropic zkoumal, zda jsou velké jazykové modely schopny zaznamenat a popsat změny ve svých nervových aktivacích, pokud jsou uměle upraveny.

Jak to bylo provedeno:

1. Vstřikování konceptu

Výzkumníci nejprve vytvořili "vektor" představující určitý pojem, například "zrada" nebo "spravedlnost". Poté tento aktivační vzorec zavedli během zcela jiného úkolu, například řešení matematické úlohy.

2. Otázka modelu, jaký je to pocit

V průběhu úkolu byl model víceméně požádán: "Všímáte si něčeho neobvyklého na svém vnitřním stavu? Pokud ano, pokuste se to popsat".

3. Výsledek, který všechny překvapil

• Claude Opus 4 a 4.1 dokázaly odhalit a správně pojmenovat takový vnesený pojem přibližně ve 20 % pokusů.
• V kontrolní sérii, kde nebylo nic aplikováno, nedošlo ke zmatení modelu

Klíčové je, že model nemá možnost ze vstupního textu "odhadnout", co bylo vloženo. Reaguje pouze na základě svého vnitřního stavu. Jedná se o první pádný, kauzální důkaz toho, že modely jsou schopny v omezené míře informovat o tom, co se děje "uvnitř" nich, a ne jen hezky zdůvodňovat.

Anthropic zároveň velmi jasně zdůrazňuje:

• introspekce je nestabilní a často selhává
• modely mohou stále konfabulovat
• společnosti by neměly "slepě" věřit každému vysvětlení, které model o sobě podá

Pro vás je důležité něco jiného: někdy model skutečně odhaluje skutečné vnitřní fungování systému. A to se přímo promítá do toho, jak vnímají vaši značku.

Proč byste se měli obtěžovat?

To, co je pro vědce vědeckým průlomem, je pro vás novým nástrojem:

Souběžně se děje něco jiného:

• Přehledy umělé inteligence a podobné moduly Google se již objevují v několika procentech dotazů a měsíc od měsíce jich přibývá
• Konverzační vyhledávače (ChatGPT, Perplexity, Claude, Gemini) se začínají stávat místem, kde se zákazník poprvé dozví o vaší kategorii a značce
• Zprávy ukazují, že návštěvnost z citací AI konvertuje mnohonásobně lépe než klasické SEO, protože uživatel přichází již "zahřátý" a blíže k rozhodnutí

Introspekce modelů vám dává další nástroj, s jehož pomocí již nemůžete pouze měřit, zda o vás model mluví, ale také se ho ptát, proč o vás mluví tak a ne jinak a proč vás vůbec nebere v úvahu.

Co mohou modely introspekovat a co naopak introspekovat nemohou?

Výzkum vstřikování konceptů ukazuje zajímavý vzorec.

Nejlépe zjištěné jsou:

• abstraktní pojmy
  jako "spravedlnost", "mír", "zrada", "drahé" "levný", "bezpečnost"
• polohovací osy vysoké úrovně
  například "podnik" vs. "malý podnik", "inovativní" vs. "zastaralý"

Mnohem horší je to s:

• specifická vlastní jména
• jednotlivé vlastnosti produktu
• podrobnosti o provádění

Jinými slovy, model se lépe zamýšlí na úrovni "jakou roli tato značka hraje" než "jaké jsou přesně její funkce a ceny".

To skvěle koresponduje s perspektivou brandingu. Právě tyto abstraktní osy jsou pro positioning klíčové:

• prémie vs. rozpočet
• vysoká úroveň zabezpečení oproti "běžnému SaaS"
• specializace na určitý segment vs. univerzální nástroj

Pokud má umělá inteligence vaši značku v paměti jako "levnou náhradu" nebo "starou technologii", dokáže vám to alespoň někdy říct na rovinu.

Jak se prakticky zeptat ChatGPT, proč nedoporučuje vaši značku?

Krok 1 Vytvořte scénář, ve kterém by vás měli objektivně doporučit

Napište například několik realistických podnětů, které kopírují nákupní situace vašich zákazníků:

Proveďte tyto scénáře pomocí různých modelů: ChatGPT, Claude, Perplexity, Gemini. Zaznamenejte výsledky.

Krok 2. Označte si okamžiky, kdy vás vynechají

Zajímají vás tři případy:

1. Model doporučuje pouze konkurenci, vaše značka tam vůbec není
2. Model vás zmiňuje, ale popis je neúplný nebo nepříznivý
3. Model doporučuje nižší než mnohem slabší alternativa

To jsou místa, kde má introspekce smysl.

Krok 3 Položte introspektivní otázku

Místo klasického "proč?" použijte formu, která se přímo vztahuje k vnitřnímu stavu modelu.

Nebo pokud je značka zmíněna, ale špatně:

Nečekejte pokaždé zázrak. Jednoduše řečeno:

• v některých případech dostanete odpověď, která vypadá povrchně nebo obecně - je pravděpodobně konfabulací,
• čas od času se vám dostane odpovědi, která se trefí do černého
  například: "Nemám dostatek spolehlivých informací o vašich bezpečnostních funkcích" nebo "Značku si spojuji hlavně s podporou malých obchodů, takže v podnikovém scénáři dávám přednost jiným řešením".

S 20% úspěšností a bez falešně pozitivních výsledků v kontrolních podmínkách mají takové reakce cenu zlata, i když se vyskytují zřídka.

Krok 4: Ověřte si to, neberte nás za slovo

Jakýkoli vhled z introspekce považujte za hypotézu, nikoli za zjevenou pravdu:

• zkuste to potvrdit sledováním chování modelu při více výzvách
• porovnat výsledky různých modelů
• zkontrolujte, zda odpovídá tomu, co vidíte v analýze mezer v obsahu, odkazů, zmínek v médiích

Tři chybějící prvky, které omezují vaši viditelnost v oblasti umělé inteligence

V praxi se odpovědi z introspekce obvykle dělí do tří segmentů.

1. Nedostatek obchodních souvislostí

Model "neví":

• co přesně prodáváte
• v čem vyhráváte
• pro koho jste nejlepší

To se projevuje ve větách jako:

• "Nemám silné představy o cílovém zákazníkovi značky."
• "Vidím, že nabízíte řešení tohoto typu, ale mám málo informací o tom, kde se používá."

To signalizuje, že váš obsah nevytváří jasnou, abstraktní identitu značky.

2. Žádný kontext kanálu

Model nerozumí tomu, jak vaše odvětví funguje v konkrétním kanálu nebo případě použití.

Příklady:

• nedostatek obsahu, který by vysvětloval vaši roli v ekosystému umělé inteligence
• špatné srovnání s alternativami
• nedostatek materiálů ve formátu, který AI ráda cituje u konkrétních otázek (srovnání, průvodci, FAQ)

3. Nedostatek zákaznického pohledu

Model vidí vaše webové stránky, ale nevidí vaše zákazníky:

• žádné skutečné případové studie
• žádná reakce na skutečné námitky
• nedostatečné vyjádření obav zákazníků, které se objevuje v recenzích a komunitách

Při introspekci to vypadá takto:

• "Nemám jasnou představu o typických problémech zákazníků této značky."
• "Vidím velmi málo recenzí a důkazů z implementací"

E-E-A-T v AI aneb na čem AI buduje důvěru ve vaši značku?

Modely umělé inteligence do značné míry "dědí" předsudky (tendence, kognitivní zkreslení modelů) a signály známé ze společnosti Google. Základem viditelnosti v odpovědích AI se stává také klasický princip E-E-A-T (Experience, Expertise, Authoritativeness, Trustworthiness).

Co to znamená v praxi:

• Zkušenosti
  Obsah založený na skutečných implementacích, konkrétních výsledcích, případových studiích, citacích klientů.

• Odbornost
  Autoři s odbornými znalostmi, podrobný technický materiál v případech, kdy je téma kritické, odkazy na výzkum a průmyslové normy.

• Autoritativnost
  Citace v důvěryhodných médiích, odkazy z renomovaných domén, vystoupení na konferencích, integrace s partnery.
• Důvěryhodnost
  Přehledné informace o společnosti, jasné kontaktní údaje, zásady, aktuální obsah, správné údaje, žádný clickbait.

Průzkum a analýza trhu SEO ukazují, že silné signály E-E-A-T korelují s vyšší viditelností a stabilitou při aktualizacích algoritmů. Vše nasvědčuje tomu, že totéž platí i pro systémy umělé inteligence, které při generování odpovědí preferují "odborné, dobře zdokumentované" zdroje.

GEO, AEO a strukturovaná data jako technické "palivo" pro AI

Klasické SEO optimalizuje pro umístění v SERP. GEO (Generative Engine Optimisation) a AEO (Answer Engine Optimisation) optimalizují váš obsah tak, aby byl snadno citován modely jako ChatGPT, Claude, Perplexity, AI Overviews v Google.

Klíčové prvky

1. Strukturovaná data a značení schémat
Článek, ČASTO KLADENÉ DOTAZY, Jak na to, Produkt, LocalBusiness, Recenze

• umožňují modelům rychle pochopit typ stránky
• uspořádat odpovědi do formátu, který je pro LLM snadno shrnutelný
• zvýšit šanci, že právě vaše úryvky budou "vloženy" do odpovědi

2. Formát "odpověď jako první"
Krátké a přesné odpovědi v horní části stránky, teprve poté je rozveďte.

Přesně takto strukturují obsah nejlepší průvodci optimalizací pro vyhledávání AEO a AI.

3. Řízení přístupu pro roboty s umělou inteligencí

• správný soubor robots.txt
• zvažte soubory, jako je llms.txt, kde chcete přesněji kontrolovat procházení obsahu
• žádný kritický obsah skrytý za paywallem, kde není otevřená verze.

Pokud jsou data nestrukturovaná a web je pomalý a obtížně procházený, je třeba Umělá inteligence nevytvoří solidní reprezentaci vaší značky, bez ohledu na to, jak kvalitní je obsah.

Jak měřit viditelnost značky v AI

Pouhé pocity už nestačí. Potřebujete sadu měřítek.

Na základě zpráv od společností Semly, Semrush, Searchable a dalších poskytovatelů nástrojů pro viditelnost umělé inteligence můžete sestavit následující sadu ukazatelů.

1. Skóre viditelnosti značky AI
Procento odpovědí AI ve vaší kategorii, ve kterých se značka objevuje.

2. Míra citovanosti
Jak často jste citováni nebo odkazováni jako zdroj.

Např. v ChatGPT, Perplexity, AI Overviews.

3. Podíl AI na hlasu
Podíl vašich citací ve srovnání s vašimi konkurenty v dané kategorii.

4. Skóre sentimentu AI
Jednoduchý index, který ukazuje, jak AI vnímá vaši značku.

5. Rychlé pokrytí
U kolika klíčových nákupních scénářů se vůbec objevíte.

Stále více nástrojů umožňuje průběžné monitorování, například řešení pro optimalizaci vyhledávání pomocí umělé inteligence - Semly.ai nebo Profound.

90denní plán

Jak spojit introspekci umělé inteligence s marketingovou praxí:

Dny 1-14: Audit "jak o nás AI přemýšlí"

• Sestavte si seznam klíčových podnětů k nákupu
• Podívejte se, kdo se objevuje v odpovědích na 3 nejlepší doporučení
• Pokud tomu tak není, požádejte modely o introspekci: "Jak mě vnímáte ve srovnání s konkurencí?", "Jaké reprezentace vám zabránily v doporučení této značky?"

Všimněte si opakujících se témat.

Dny 15-30: Mapování mezer v zastoupení na obsahové mezery

• Proveďte analýzu nedostatků obsahu ve srovnání se značkami, které AI doporučuje nejčastěji
• Podívejte se na formáty, které AI ráda cituje: průvodce, srovnání, nejčastější dotazy, případové studie
• Srovnejte to s introspektivními signály, jako je "žádné silné známky bezpečnosti" nebo "málo důkazů z nasazení"

Dny 31-60: Vytváření "introspektivně přátelského" obsahu

• Připravte obsah, který jasně zakóduje abstraktní prémiovou pozici značky, podnikání, bezpečnost, jednoduchost, specializaci na odvětví
• Postarejte se o E-E-A-T: autoři, zdroje, případové studie, citace
• Přidejte strukturovaná data a zajistěte, aby formát byl "odpověď nahoře, rozbalit dole"

Dny 61-90: Validace a iterace

Opakujte testy AI ze stejných výzev.

Zkontrolujte to:

• se objevujete častěji
• se změnil kontext, ve kterém jste doporučováni
• introspekce modelů dává různé odpovědi.

Na tomto základě opakujte: obsah, umístění, strukturu stránky.

Slovníček

AEO (optimalizace pro motory odpovědí)
Optimalizace obsahu pro odpovědi generované AI a moduly pro vyhledávání odpovědí, jako jsou AI Overviews, ChatGPT, Perplexity, Bing Copilot nebo hlasoví asistenti.

Zviditelnění značky AI
Míra, do jaké je vaše značka viditelná, citovaná a doporučovaná systémy umělé inteligence v klíčových okamžicích rozhodování.

Vstřikování konceptu
Výzkumná technika, při níž výzkumníci vnášejí do modelu specifické aktivační vzorce reprezentující určitý koncept a poté testují, zda model dokáže rozpoznat, že v jeho vnitřním stavu došlo k něčemu "nepřirozenému".

E-E-A-T
Zkušenosti, odbornost, autorita, důvěryhodnost. Rámec společnosti Google pro hodnocení kvality obsahu, který je stále důležitější i ve vyhledávání s umělou inteligencí.

GEO (generativní optimalizace motorů)
Strategie optimalizace obsahu pro generativní vyhledávače, která se zaměřuje spíše na četnost a kvalitu citací v odpovědích AI než jen na pozice v klasických výsledcích vyhledávání.

Introspekce umělé inteligence
Schopnost modelu zjišťovat a popisovat vybrané aspekty vlastních vnitřních stavů. V antropickém výzkumu měřeno reakcí na uměle vpravené "myšlenky" a hodnocením, zda si jich model dokáže všimnout a pojmenovat je.

LLM (Velký jazykový model)
Velký jazykový model, systém umělé inteligence vycvičený na obrovském množství textových dat, který je schopen generovat a chápat přirozený jazyk.

Označení Schema
Sada strukturovaných dat ve formátu JSON-LD nebo mikrodat, která se přidávají na stránku, aby pomohla vyhledávačům a modelům umělé inteligence pochopit typ a strukturu obsahu.

Analýza obsahových nedostatků
Jedná se o metodu, která vám umožní zjistit, jaký obsah na vašich webových stránkách nebo v obsahovém ekosystému chybí, abyste mohli: lépe reagovat na potřeby vašich zákazníků, konkurovat špičkovým značkám ve vašem oboru, zlepšit svou viditelnost ve vyhledávačích a reakce umělé inteligence.

Předsudky
Ve světě umělé inteligence se tak označuje tendence modelu upřednostňovat určité zdroje, zavedené vzorce odvozené z tréninkových dat, opakující se "předsudky", které nepocházejí z úmyslů uživatele, ale z toho, co model viděl dříve.

ČASTO KLADENÉ DOTAZY

Není 20 procent efektivní introspekce málo na to, abychom se o ni starali?
To není mnoho, pokud introspekci považujete za "věštírnu". V praxi jde o něco jiného:

• v kontrolních testech modely ani jednou nenahlásily problém, i když se ve skutečnosti nic neobvyklého nedělo
• tj. když model hlásí "vidím v sobě takový a takový koncept", je to silný signál, že v jeho vnitřních reprezentacích taková věc skutečně je

Pro obchodníka to znamená, že ne vždy dostanete odpověď, ale pokud ji dostanete a zní uceleně, stojí za to ji brát vážně a ověřit ji dalšími metodami.

Jaké nástroje mi mohou pomoci měřit viditelnost značky v AI?
Trh se rychle rozvíjí. Stále více platforem pro SEO a obsah přidává moduly pro sledování citací v AI.

Věnujte pozornost nástrojům, které:

• sledovat, na kterých výzvách se vaše značka objevuje
• ukázat podíl na hlase ve srovnání s konkurencí
• měřit sentiment odpovědí
• podporovat analýzu nedostatků v obsahu z hlediska vyhledávání pomocí umělé inteligence

Jak se GEO prakticky liší od tradičního SEO?
SEO se zaměřuje na pozice ve výsledcích vyhledávání a kliknutí. GEO se zaměřuje na počet citací a kvalitu kontextu v odpovědích AI.

Když optimalizuji pro umělou inteligenci, mohu přestat investovat do SEO?
Ne. Všechny hlavní analýzy ukazují, že umělá inteligence ve velké míře využívá signály známé z klasického ekosystému vyhledávání, jako je autorita domény a odkazy. Rozumný přístup je "optimalizace pro vyhledávání všude" - vybudujete základ SEO a na něj se přidají vrstvy GEO a AEO.

Jak často bych měl testovat viditelnost v UI?
Minimálně jednou týdně a nejlépe jednou denně. Modely se aktualizují, takže to, že jste viditelní dnes, neznamená, že budete i za tři měsíce.

Souhrn

Antropův výzkum introspekce jazykových modelů není filosofickou kuriozitou. Pro značky to znamená, že:

• poprvé můžete zeptat se modelů přímo, proč vás ignorují a občas se jim dostane odpovědi, která vychází z jejich skutečných, vnitřních reprezentací
• tyto odpovědi můžete využít k lepšímu návrhu obsahu, umístění a strukturovaných dat
• můžete začít brát modely AI jako nové médium s vlastní metodikou výzkumu a optimalizace, ne jen jako černou skříňku

Značky, které se v roce 2025 naučí nahlížet na umělou inteligenci nikoli jako na kouzelnou krabičku, ale jako na publikum, které je třeba naučit přemýšlet o naší nabídce správným způsobem, budou mít za několik let výhodu, kterou nebude možné snadno dohnat.

Introspekce umělé inteligence je stále nedokonalá. Pro pochopení jedné klíčové skutečnosti je však již dostačující:

Zdroje

1. Anthropic, "Vznikající introspektivní vědomí ve velkých jazykových modelech".
2. MarkTechPost, "Nový výzkum společnosti Anthropic ukazuje, že Claude může detekovat vstřikované koncepty, ale pouze v kontrolovaných vrstvách", 2025.
3. Search Engine Land, "Jak měřit viditelnost značky ve vyhledávání pomocí umělé inteligence a prokázat její dopad?", 2025.
4. Semrush, "Jak optimalizovat výsledky vyhledávání s umělou inteligencí v roce 2025", 2025.
5. SurferSEO, "Optimalizace vyhledávání pomocí umělé inteligence: 8 kroků k získání pozic ve výsledcích vyhledávání pomocí umělé inteligence", 2025.
6. CXL, "Optimalizace pro vyhledávače odpovědí (AEO): Komplexní průvodce pro rok 2025", 2025.
7. Google Search Central, "Vytváření užitečného, spolehlivého a pro lidi důležitého obsahu"
8. Semrush, "Google E-E-A-T: Co to je a jak to ovlivňuje SEO', 2024 a aktualizace 2025.

Sdílet:

Kopírovat odkaz