Jak persony pomáhají budovat viditelnost v AI

Hlavní výsledky výzkumu Semly

Viditelnost značky v AI je vhodné zkoumat ve vztahu k potřebám člověka, který se ptá, a k průběhu jeho rozhovoru s modelem. Výskyt značky v odpovědi na obecný dotaz ještě neříká, zda ji systém doporučuje uživateli, pro něhož je nabídka vhodná. V metodě Semly přebírá Leon roli uživatele popsaného personou a vytváří kontext v rozhovoru před položením cílové nákupní otázky.

V Semly rozvíjíme tento přístup s AI agentem Leonem. Šest měsíců jsme prováděli výzkum a experimenty s dotazováním ChatGPT a Gemini. Soubor poskytnutý pro zprávu zahrnuje 1,2 milionu dotazů, 24 agregovaných záznamů a 12 srovnávacích párů. Analýza pokrývá šest kohort a dva přístupy k přípravě obsahu: bez persony a s personou.

Průměrná doba dosažení stejného cíle viditelnosti byla 100 dní bez persony a 70 dní s personou. To znamená zkrácení o 30%, tedy průměrně o 30 dní. Relevance obsahu vzrostla z 61,5% na 77,5% - o 16 procentních bodů. V obou systémech pozorujeme stejný směr rozdílu.

Výsledky podporují využití person při plánování obsahu a analýze viditelnosti. Umožňují konkrétnější zadání: pro koho materiál vzniká, jaká kritéria výběru má vysvětlit a na jaké námitky odpovědět. Opakovatelnost odpovědí a vliv na konverzi vyžadují samostatné ukazatele; tento soubor neumožňuje jejich účinek číselně vyjádřit.

Proč samotná otázka nepopisuje potřeby zákazníka

Dotaz „Kde koupím pohodlné běžecké boty?“ neurčuje povrch, zkušenosti, rozpočet ani způsob využití. Doporučení proto může odpovídat široké kategorii produktů, zatímco značka potřebuje vědět, zda oslovuje rekreačního běžce v lese, začátečníka na asfaltu nebo účastníka závodů.

Informace „Běhám rekreačně hlavně po lesních stezkách a hledám boty na krátké tréninky“ situaci zpřesňuje. V přístupu Semly může Leon tento kontext představit na začátku rozhovoru a po interpretaci odpovědi přejít k cílové otázce. Hlavní nákupní potřeba zůstává stejná, ale podmínky měření zahrnují personu, záměr a předchozí zprávy. To je důležité pro interpretaci růstu či poklesu viditelnosti.

Persona určuje roli a scénář uživatele, které Leon využívá v rozhovoru s modelem. Agent si v něm vytváří vlastní kontext a přibližuje výzkum způsobu, jakým člověk používá chat. Nejde o rekonstrukci historie konkrétního skutečného uživatele. Je vhodné začít potřebami a omezeními souvisejícími s produktem. Věk, pohlaví a další demografické znaky mají být odůvodněny zkoumaným scénářem.

Oficiální doporučení OpenAI a Googlu uvádějí, že relevantní kontext pomáhá vymezit úkol a jeho omezení [1][2]. To tvoří základ pro návrh dotazů.

Jak AI agent Leon propojuje znalost značky s kontextem uživatele

Leon vytváří persony ze znalostí o značce, jejích produktech, službách a existujícím obsahu. Poté ve výzkumu zastává roli uživatele odpovídajícího zvolenému profilu. Zahájí rozhovor, představí se modelu a interpretuje jeho odpověď. Na tomto základě pozná, kdy může položit cílový prompt s kontextem a záměrem. Výsledek odpovídá na praktickou otázku: zahrnuje AI značku do rozhovoru uživatele, jehož potřeby odpovídají nabídce?

Tato role propojuje monitoring s plánováním obsahu. V odpovědích lze hledat kritéria výběru, námitky a informace, kterými model zdůvodňuje doporučení. Pokud na webu značky chybějí údaje pro určitý scénář, analýza může vést k zadání pro doplnění obsahu.

Leon vede rozhovor v roli uživatele

Výzkum vedený Leonem má průběh rozhovoru. Agent se nejprve představí modelu jako zkoumaný uživatel podle zvolené persony. Tím uvede jeho situaci a potřeby. Po získání odpovědi si ji přečte a interpretuje vzhledem k cíli rozhovoru.

Interpretace odpovědi je součástí fungování agenta. Leon posoudí, zda už může přejít k cílové otázce. Její okamžik vyplývá z průběhu rozhovoru a obdržené odpovědi. Cílový prompt obsahuje kontext a záměr uživatele a zaznívá v rozhovoru, kde model už má předchozí informace o něm.

Tento způsob dotazování je bližší lidskému používání chatu. Uživatel popíše situaci, přečte si odpověď a na jejím základě formuluje další otázku. Leon tuto roli plní ve výzkumu, takže lze doporučení značky analyzovat v kontextu rozvíjejícího se rozhovoru.

Záměr určuje rozhodnutí, které chce uživatel učinit. V běžeckém příkladu může být kontextem rekreační běh po lesních stezkách a záměrem výběr a nákup vhodných bot. Leon požádá o doporučení poté, co interpretuje předchozí odpověď a vyhodnotí, že může položit cílovou otázku.

Pro interpretaci výsledku je důležitá celá historie rozhovoru. Stejné znění závěrečné otázky může vést k různým odpovědím, pokud dřívější zprávy uvádějí jiné potřeby. Výzkum proto musí identifikovat cílový prompt i rozhovor, ve kterém zazněl.

Popis procesu vysvětluje Leonovu roli a přiblížení výzkumu interakci v chatu. Poskytnuté agregáty však neoddělují účinek představení, interpretace odpovědi ani volby okamžiku otázky. Výsledky 30% a 16 procentních bodů nepřipisujeme samostatně žádné z těchto fází.

Co znamená zkrácení doby o 30 procent

Soubor předpokládá společnou počáteční viditelnost 20% a společný cíl 40%. Viditelnost je počet odpovědí doporučujících značku dělený počtem dotazů. Jde o nárůst o 20 procentních bodů. Přístupy popisují přípravu obsahu a výsledek se podle předpokladů hodnotí vůči stejnému cíli a panelu otázek.

Průměrná doba do cíle je 100 dní bez persony a 70 dní s personou. Zkrácení počítáme jako (100 - 70) / 100 × 100%, tedy 30%. Rozdíl je 30 dní. Přesná formulace zní „o 30% kratší doba pro dosažení stejného cíle“.

Pro tým budující viditelnost to potenciálně znamená kratší cyklus od poznání potřeb po zamýšlený výsledek. Provozní interpretace je důležitá: lépe zacílený obsah může omezit další úpravy. Soubor však neodděluje pracovní čas redakce ani jednotlivé příčiny rozdílu, proto celý efekt nepřipisujeme výhradně Leonově automatizaci.

Data zahrnují počáteční a konečný stav i dobu do cíle, ale nemají denní časovou řadu viditelnosti. Graf proto ukazuje čas potřebný ke společnému výsledku. Nekreslíme podle něj křivku naznačující rovnoměrné narůstání účinku.

Graf 1. Průměrná doba do společného cíle 40% viditelnosti: 100 a 70 dní. Podklad: 12 srovnávacích párů v datech Semly. Rozdíl: 30 dní, tedy zkrácení o 30%.

Relevance obsahu a přesnost odpovědí jsou různé míry

Relevance znamená podíl hodnocených materiálů považovaných za odpovídající potřebám persony. Každý záznam obsahuje 100 hodnocení. Bez persony jde celkem o 738 relevantních obsahů z 1200, s personou o 930 z 1200. To odpovídá 61,5% a 77,5%.

Rozdíl je 16 procentních bodů. Relativní nárůst vůči počátečním 61,5% je přibližně 26,0%. Jde o dvě vyjádření stejných dat, ale různé jednotky. V textu i grafu zůstává hlavní mírou rozdíl v procentních bodech.

Relevance obsahu není totéž co pravdivost odpovědi modelu. Odpověď může vyhovovat potřebám a zároveň obsahovat chybný parametr produktu. Přesnost je proto vhodné hodnotit zvlášť: zohledňuje model požadavky, je doporučení vhodné a potvrzují informace zdroje?

Výsledek 77,5% ukazuje v přístupu s personou vyšší podíl materiálů odpovídajících potřebám. Umožňuje mluvit o relevantnějším výběru obsahu v tomto souboru. Protože jsou k dispozici pouze agregáty bez jednotlivých hodnocení a podrobné hodnoticí rubriky, zpráva neuvádí statistickou významnost a neztotožňuje relevanci s faktickou správností všech odpovědí AI.

Graf 2. Relevance obsahu: 61,5% a 77,5%, rozdíl 16 procentních bodů. Podklad: 1200 hodnocení na přístup v datech Semly. Ukazatel popisuje soulad s potřebami persony; není mírou konverze.

Výsledky pro ChatGPT a Gemini

V ChatGPT je průměrná doba do cíle 95 dní bez persony a 66,5 dne s personou. V Gemini jde o 105 a 73,5 dne. V obou systémech to znamená zkrácení o 30%. Porovnání ukazuje stejný směr rozdílu v analyzovaných skupinách.

Relevance v záznamech ChatGPT činí 60,5% bez persony a 76,5% s personou. V Gemini je to 62,5% a 78,5%. V každém systému jde o rozdíl 16 procentních bodů. Každá kombinace systému a přístupu zahrnuje 600 hodnocení obsahu.

Rozdělení podle systémů ověřuje, zda společný průměr neskrývá odlišné výsledky. V tomto souboru jsou rozdíly mezi přístupy konzistentní v ChatGPT i Gemini. Nejde však o žebříček kvality modelů: čas a relevance popisují analyzované postupy a obsah.

V praxi je vhodné vést samostatné profily viditelnosti pro každý systém. Stejný obsah a potřeby mohou být prezentovány jinak. Leonova doporučení pak lze hodnotit pro konkrétní systém a scénář, aniž by se celá přítomnost značky redukovala na jediné číslo.

Graf 3. Průměrná doba do společného cíle v ChatGPT a Gemini. Podklad: 6 srovnávacích párů na systém, data Semly. Výsledek popisuje analyzované přístupy, nikoli žebříček kvality modelů.

Výsledky v šesti kohortách

Soubor zahrnuje kohorty M1-M6. Průměrná doba, počítaná v každé kohortě pro oba systémy, je bez persony 75, 85, 95, 105, 115 a 125 dní. S personou jde o 52,5, 59,5, 66,5, 73,5, 80,5 a 87,5 dne.

Rozdíl je patrný při kratších i delších dobách. V M1 činí 22,5 dne, v M6 37,5 dne. Ve všech poskytnutých párech představuje čas s personou 70% času bez persony. Tuto stálou vazbu ukazujeme přímo a nepovažujeme ji za míru opakovatelnosti odpovědí modelů.

M1-M6 označují kohorty, nikoli šest následných odečtů viditelnosti jedné značky. Rostoucí časy nelze číst jako zhoršení účinnosti v dalších měsících. Pro analýzu sezónnosti a změn jsou potřeba kalendářní data a denní či týdenní měření.

Úplné hodnocení by mělo zahrnout i případy, které před koncem pozorování nedosáhly prahu. Soubor takové případy samostatně nevyčleňuje. Tento rozsah je třeba zohlednit při návrhu dalších srovnání.

Graf 4. Doba do cíle v šesti kohortách, průměr dvou systémů, data Semly. Kohorty M1-M6 nejsou měsíční časovou řadou viditelnosti jedné značky.

Stejná otázka pro více person

V rámci práce Semly jsme zkoumali také stejnou základní otázku pro více person. Leon přebírá roli uživatele každého profilu a před cílovou otázkou vede rozhovor. To umožňuje poznat, jak potřeby, záměr a předchozí kontext ovlivňují doporučení a informace užitečné při nákupu. U běžeckých bot lze porovnat začátečníka na asfaltu, rekreačního běžce v lese a člověka s delšími terénními tréninky. Následující matice ilustruje metodu a není přepisem odpovědí z výzkumu.

V každé odpovědi je vhodné zaznamenat doporučené značky, argumenty výběru, technické požadavky, námitky a citované URL. Porovnání ukazuje, které informace se opakují napříč scénáři a které patří ke konkrétní potřebě. Zadání pak může zahrnovat společné jádro a doplňkové sekce pro rozdíly.

Semly využívá tyto poznatky jako základ relevantnějších doporučení pro obsah. Poskytnutý soubor však nemá identifikátory person, úplné prompty ani odpovědi modelů. Zpráva proto nepřipisuje číselný účinek konkrétní personě a neřadí značky, které doporučuje.

Jak z odpovědí více person vzniká zadání pro obsah

Průběh rozhovoru může nabídnout informace pro zadání ještě před konečným doporučením. Dřívější odpověď ukáže kritéria vyžadující vysvětlení a Leonova cílová otázka je spojí se záměrem uživatele. Analýza celého dialogu pomáhá hledat užitečný obsah pro jednotlivé fáze rozhodování.

Nejprve je potřeba oddělit kritéria výběru od názvů značek. Samotný seznam doporučených firem nevysvětluje jejich přítomnost. Redakci více pomůže informace, že uživatel potřebuje srovnání použití, vysvětlení kompatibility nebo jasné podmínky vrácení.

Poté se tyto potřeby porovnají s materiály značky. Chybějící důležitá odpověď může odůvodnit aktualizaci existující stránky. Rozdíly mezi skupinami mohou odůvodnit samostatnou sekci či srovnání. Rozhodnutí má vycházet z užitečnosti pro člověka, nikoli z mechanického množení stránek pro každou personu.

Zadání může obsahovat scénář uživatele, potřebné rozhodnutí, hlavní kritéria, ověřitelné údaje o produktu, námitky a zdroje. Týká-li se analýza lesních tras, má materiál vysvětlit využití produktu i jeho omezení.

Takto připravený obsah může být relevantnější pro člověka přicházejícího z odpovědi AI. To podporuje hypotézu lepší konverze. Její potvrzení však vyžaduje porovnání chování uživatelů a prodejních výsledků po zavedení.

Opakovatelnost vyžaduje opakovaná měření

Stálý popis persony a konzistentní pravidla rozhovoru usnadňují porovnání měření. Protože Leon interpretuje odpověď před cílovou otázkou, je třeba kontrolovat i historii a pravidla tohoto rozhodnutí. Opakovatelnost procesu a shodu konečných odpovědí je vhodné měřit odděleně.

Navržený test má zachovat verzi modelu, režim vyhledávání, jazyk, lokalitu a pravidla zahájení relace. Je vhodné porovnávat úplné rozhovory se stejnou personou a cílem i odpovědi při identicky obnoveném kontextu. První srovnání hodnotí variabilitu celého procesu, druhé finální odpovědi. Základní panel a panel s personami mají běžet paralelně.

Lze měřit stabilitu výskytu značky, shodu množin doporučených značek a shodu citovaných zdrojů. Pro množiny A a B je jednoduchou mírou podíl společných značek v množině všech značek z obou odpovědí. Dvě prázdné množiny potřebují samostatné pravidlo vykazování.

Opakovatelnost uvnitř jedné persony a rozdíly mezi personami odpovídají na jiné otázky. Stabilní doporučení pro jeden profil mohou koexistovat s výraznými rozdíly mezi profily. Leonovy strukturované popisy udržují konzistentnější podmínky dotazování. Soubor ale nemá míry shody následných odpovědí, proto nevyčíslujeme zlepšení opakovatelnosti.

Jak ověřit vliv na konverzi

Obchodní měření má rozlišovat přítomnost značky v odpovědi, citaci webu, návštěvu a provedenou akci. Každá fáze vyžaduje vlastní ukazatel. Počet doporučení není počtem návštěv a počet návštěv není počtem nákupů.

Po zavedení obsahu je vhodné sledovat relace z rozpoznatelných AI zdrojů, zapojení, obchodní poptávky, transakce a tržby. Část provozu nemusí mít jednoznačný zdroj, proto musí být rozsah identifikovaných relací popsán. Konverzní poměr potřebuje jasný jmenovatel, například kvalifikované relace.

Spolehlivější hodnocení umožňuje porovnání podobných stránek či skupin obsahu při jednotné definici konverze a pozorovacím okně. Je třeba zaznamenat další změny, například akce, ceny, dostupnost a kampaně. Jinak může být růst prodeje nesprávně připsán obsahové strategii.

Zpráva tedy předkládá konkrétní hypotézu: obsah spojený se skutečnými potřebami může pomáhat rozhodovat. Velikost vlivu na prodej zbývá změřit. Tabulka neobsahuje relace, leady ani transakce.

Co změna metodiky znamená pro výsledky viditelnosti

Persony a rozhovory vedené Leonem mění podmínky dotazování modelů. Odpověď na cílový prompt zohledňuje i předchozí zprávy. Výsledek může růst, když značka lépe odpovídá potřebám, nebo klesat, když systém vybere jinou nabídku. Srovnání mají proto zahrnovat text otázky i způsob přípravy kontextu.

Nejtransparentnější je ukazovat výsledky základního panelu a panelu s personami vedle sebe. Je-li potřeba společný průměr, váhy person mají vycházet z explicitních předpokladů o publiku. Stejné váhy jsou jednoduchou analytickou možností, ale nedokazují stejný podíl každé skupiny na skutečné poptávce.

Soulad s potřebami je důležitý i při výběru person. Profil vytvořený pouze z pohledu nabídky může opomenout bariéry nákupu nebo situace, kdy produkt nevyhovuje. Je vhodné zařadit náročné scénáře, nikoli stavět panel jen kolem lidí, kterým lze značku snadno doporučit.

Shrnutí zprávy

Výzkum Semly ukazuje, že persony pomáhají lépe přizpůsobit obsah potřebám a zkrátit dobu budování viditelnosti v AI. V analyzovaném souboru byla průměrná doba do společného cíle 100 dní bez persony a 70 dní s personou - o 30% méně. Relevance vzrostla z 61,5% na 77,5%, tedy o 16 procentních bodů. Stejný směr rozdílu byl zjištěn v ChatGPT a Gemini.

Leon dává tomuto přístupu podobu rozhovoru. Agent zastává roli uživatele: představí se podle persony, interpretuje odpověď modelu a pozná okamžik pro cílovou otázku s kontextem a záměrem. Semly tak analyzuje doporučení za podmínek bližších lidskému používání chatu.

Stejná základní otázka pro více person odhaluje odlišná kritéria výběru, námitky a informační potřeby. Z pozorování mohou vznikat konkrétnější zadání, srovnání a materiály pomáhající rozhodovat. Vyšší relevance tento přístup podporuje; vliv na konverzi vyžaduje samostatné měření chování a obchodních výsledků.

Konzistentní persony a pravidla rozhovoru tvoří základ srovnatelného monitoringu. Opakovatelnost odpovědí je přesto nutné hodnotit v dalších měřeních s ohledem na historii a podmínky dotazování. Výsledky nevyčíslují zlepšení opakovatelnosti ani zvýšení konverze.

Praktický závěr pro značky je jasný: zkoumat, komu a v jaké situaci AI doporučuje nabídku, a tyto informace využít pro rozvoj obsahu. Semly tak propojuje monitoring viditelnosti s výzkumem kontextu, záměru a doporučení modelů.

Zdroje

Materiál Semly: „Více než milion dotazů, šest měsíců výzkumu. Proč Semly zavádí persony do monitoringu viditelnosti v AI“ a doplnění o Leonových rozhovorech - zdroje popisu agenta a výzkumné práce.

[1] OpenAI, Prompt engineering. Doporučení k poskytování relevantního kontextu v dotazech. https://developers.openai.com/api/docs/guides/prompt-engineering

[2] Google AI for Developers, Prompt design strategies. Doporučení ke kontextu a omezením úkolu. https://ai.google.dev/gemini-api/docs/prompting-strategies

[3] Franziska Weeber, Vera Neplenbroek, Jan Batzner, Sebastian Padó, One Persona, Many Cues, Different Results: How Sociodemographic Cues Impact LLM Personalization, ACL 2026. https://aclanthology.org/2026.acl-long.2079/

Sdílet:

Kopírovat odkaz