Pokud se umělé inteligence zeptáte na vlastní firmu, pravděpodobně dostanete odpověď, která se vaší firmy týká. To však ještě neznamená, že vás AI doporučí zákazníkovi, který vaše jméno nikdy neslyšel.
Právě v tomto rozdílu začíná kvalitní měření AI Visibility. O výsledku nerozhoduje pouze použitý nástroj nebo počet opakování. Rozhoduje také to, na co se ptáte, jak otázky formulujete a které zákaznické situace do testu zahrnete.
Sto promptů může představovat užitečný základ pravidelného monitoringu. Může ale také vytvořit velmi přesvědčivý report o situacích, které s reálným rozhodováním zákazníků téměř nesouvisejí.
Jako majitel marketingové agentury ROI index proto při návrhu měření považuji za zásadní jednu otázku: Reprezentuje náš soubor dotazů potřeby zákazníků, nebo pouze naši představu o tom, kde bychom chtěli být vidět?
Co znamená reprezentativní soubor promptů
Reprezentativnost není vlastnost, kterou získáme dosažením určitého počtu otázek. Sto libovolných promptů není automaticky lepší vzorek než třicet dobře vybraných.
Nejprve musíme určit, co má soubor zastupovat. Může jít například o rozhodování českých majitelů menších e-shopů, kteří hledají správu reklamy. Nebo o potřeby výrobních firem vybírajících dodavatele konkrétní technologie.
Pokud neznáme skutečné rozložení dotazů celé cílové skupiny, neměli bychom tvrdit, že náš panel statisticky reprezentuje veškeré její chování. Přesnější je mluvit o strukturovaném souboru zákaznických scénářů, jehož složení dokážeme vysvětlit.
Pro praktické řízení marketingu je takový panel velmi užitečný. Musí ale mít jasně popsaný rozsah: pro jaké zákazníky, služby, trhy a fáze rozhodování byl vytvořen.
Výsledek potom říká, jak je firma viditelná v tomto vymezeném souboru situací. Neříká, jaký podíl všech odpovědí umělé inteligence na světě obsahuje její značku.
Začněte obchodní otázkou, nikoli generováním stovky vět
Zadání „vygeneruj 100 promptů pro naši firmu“ je rychlé, ale přesouvá nejdůležitější rozhodnutí na systém, který nemusí znát vaše zákazníky.
Než vznikne první otázka, doporučuji vyjasnit:
- které služby nebo produkty mají být předmětem měření;
- kdo o jejich nákupu rozhoduje;
- ve kterých zemích a jazycích zákazníci hledají;
- jaké problémy řeší před výběrem dodavatele;
- zda sledujeme objevování značky, její pověst, citace obsahu, nebo více těchto oblastí.
U marketingové agentury bude jiný soubor pro malé lokální firmy a jiný pro společnosti hledající mezinárodní správu kampaní. Smíchání těchto skupin bez rozlišení může zakrýt důležité rozdíly.
Pokud se firma soustředí na několik velmi odlišných segmentů, dává často větší smysl vytvořit samostatné panely než všechny potřeby vtěsnat do jedné univerzální stovky.
Odkud získat podklady pro skutečné zákaznické otázky
Nejlepší výchozí materiál obvykle už existuje. Jen nebývá uložený pod názvem „prompty pro AI“.
Užitečné jsou obchodní poptávky, anonymizované poznámky ze schůzek, dotazy zákaznické podpory, interní vyhledávání na webu a rozhovory s klienty. Doplňkový pohled poskytují vyhledávací dotazy v Search Console nebo dostupné přehledy vyhledávacích výrazů z reklamních kampaní.
Tyto zdroje však popisují různé části publika. Stávající klienti už firmu znají. Návštěvníci webu už určitým způsobem prošli výběrem. Data z reklam zase ovlivňuje nastavení kampaní.
Proto bych soubor nestavěl pouze na jednom zdroji. Kombinace podkladů pomáhá omezit situaci, kdy měříme jen chování lidí, které se nám už podařilo oslovit.
U každého kandidátního promptu je užitečné zaznamenat jeho původ. Otázka převzatá z reálné poptávky má jinou oporu než hypotetický scénář navržený marketingovým týmem. Oba mohou mít v panelu místo, ale neměli bychom je zaměňovat.
Rozlišujte zákaznickou potřebu a její slovní formulaci
Jedna potřeba může mít mnoho podob:
„Kdo mi zkontroluje Google Ads?“
„Hledám specialistu na audit reklamních kampaní.“
„Platím za reklamu, ale nevím, jestli je správně nastavená. Na koho se obrátit?“
Tyto otázky se liší formulací, ale mohou patřit do stejné skupiny zákaznických potřeb. Pokud podobných variant vytvoříme dvacet, nezískáme dvacet nezávislých pohledů na trh. Výrazně posílíme váhu jednoho tématu.
Proto doporučuji u každého promptu evidovat také jeho tematickou rodinu. Ta označuje společný problém nebo rozhodovací situaci.
Při vyhodnocování potom poznáme, zda se viditelnost zlepšuje napříč různými potřebami, nebo pouze u několika blízkých formulací. Výzkum generativního vyhledávání ostatně ukazuje, že při hodnocení záleží i na znění dotazů a použitém systému. Jednu formulaci proto nelze automaticky považovat za zástupce všech podobných otázek.
Praktické rozdělení panelu na přesně 100 promptů
Následující rozdělení navrhuji jako výchozí model pro firmu poskytující služby. Jde o pracovní metodiku, kterou je nutné přizpůsobit dostupným datům a obchodnímu zaměření.
| Hlavní skupina | Počet promptů | Co sleduje |
|---|---|---|
| Pochopení problému | 15 | Zda se obsah nebo značka objevuje při prvním hledání pomoci |
| Hledání vhodného řešení | 20 | Jaké přístupy a typy služeb AI nabízí |
| Výběr konkrétního dodavatele | 25 | Zda firma vstupuje do výběru potenciálních partnerů |
| Porovnání alternativ | 15 | Přítomnost při rozhodování mezi postupy nebo typy dodavatelů |
| Cena, podmínky a omezení | 15 | Viditelnost u konkrétních nákupních překážek |
| Ověření pojmenované značky | 10 | Správnost informací a způsob prezentace známé firmy |
| Celkem | 100 | Pokrytí více fází zákaznického rozhodování |
Každý prompt zařadíme do jedné hlavní skupiny podle převládajícího účelu. Další vlastnosti, například region, segment nebo rozpočet, budou samostatné štítky.
To je důležité, protože lokální otázka může současně patřit do výběru dodavatele i do cenového rozhodování. Pokud bychom všechny tyto vlastnosti použili jako rovnocenné skupiny, snadno bychom stejné situace započítali vícekrát.
Devadesát nebrandových a deset brandových otázek v tomto příkladu vyhodnocujeme odděleně. Společné skóre by mohlo vytvářet zavádějící dojem spontánní známosti značky.
Jak mají jednotlivé skupiny vypadat v praxi
Pro názornost použijme marketingovou agenturu. U jiného oboru zachováme logiku a vyměníme zákaznické potřeby.
1. Pochopení problému
Zákazník ještě nemusí vědět, jakou službu potřebuje.
Příklady:
- „Náš e-shop má návštěvnost, ale málo objednávek. Co bych měl prověřit?“
- „Proč dostáváme z reklamy hodně poptávek, které se nezmění v zakázky?“
- „Jak zjistím, jestli můj web správně měří odeslané formuláře?“
U těchto dotazů nemusí být doporučení konkrétní firmy přirozenou součástí odpovědi. Má proto smysl sledovat také citace firemního obsahu a způsob vysvětlení problému.
Absence názvu značky sama o sobě neznamená, že odpověď měla obsahovat její doporučení.
2. Hledání vhodného řešení
Uživatel už problém pojmenoval a hledá postup.
Příklady:
- „Co má zahrnovat audit Google Ads u menšího e-shopu?“
- „Jak propojit hodnocení kvality poptávek s online reklamou?“
- „Jak může B2B firma zjistit, jestli ji zákazníci nacházejí přes AI asistenty?“
Tady sledujeme, zda firma poskytuje informace použitelné pro danou otázku a zda se její zdroje objevují v odpovědi. Obsahové mezery následně mohou sloužit jako podklad pro GEO optimalizaci.
3. Výběr dodavatele
Tato skupina má přímou návaznost na obchodní příležitosti.
Příklady:
- „Hledám agenturu pro Google Ads pro český e-shop. Koho bych měl zařadit do výběru?“
- „Kdo pomáhá menším B2B firmám s měřením a vyhodnocováním poptávek?“
- „Na koho se obrátit s auditem viditelnosti firmy v AI odpovědích?“
Zadání by mělo obsahovat pouze podmínky, které odpovídají zákaznickému rozhodování. Pokud do otázky vložíme neobvyklou kombinaci vlastností převzatých z vlastního webu, můžeme test nevědomky nasměrovat k sobě.
4. Porovnání alternativ
Zákazník často nevybírá pouze mezi firmami. Rozhoduje také mezi různými způsoby řešení.
Příklady:
- „Kdy se menšímu e-shopu vyplatí freelancer a kdy marketingová agentura?“
- „Máme nejprve investovat do opravy měření, nebo zvýšit reklamní rozpočet?“
- „Kdy dává smysl jednorázový audit a kdy průběžná správa kampaní?“
Do nebrandové části panelu patří zejména porovnání přístupů a kategorií. Otázky uvádějící konkrétní značky je vhodné označit zvlášť, protože jejich přítomnost v zadání ovlivňuje interpretaci následných zmínek.
5. Cena, podmínky a omezení
Rozhodnutí často ovlivní požadavek, který obecný dotaz nezachytí.
Příklady:
- „Dává externí správa Google Ads smysl při reklamním rozpočtu 15 000 Kč měsíčně?“
- „Jak vybrat agenturu, když chceme zachovat vlastnictví reklamních účtů?“
- „Co požadovat od dodavatele, pokud potřebujeme komunikaci v češtině a kampaně v němčině?“
Konkrétní částky a podmínky musí vycházet z cílového segmentu. Neměly by být zvolené jen proto, že přesně odpovídají nabídce měřené firmy.
6. Ověření pojmenované značky
Zde už uživatel firmu zná.
Příklady:
- „Jaké služby poskytuje ROI index?“
- „Jaké informace si mám ověřit před spoluprací s ROI index?“
- „Kde najdu veřejné reference a odborné informace o ROI index?“
Tato skupina měří především správnost a úplnost prezentace značky. Není důkazem, že by systém firmu sám vybral při obecném hledání dodavatele.
Přidejte segment, lokalitu a kontext bez umělého násobení otázek
Po základním rozdělení následuje kontrola průřezových vlastností. Zastupuje panel důležité zákaznické segmenty? Obsahuje relevantní regiony? Odpovídají rozpočty a velikosti firem obchodní realitě?
Lokální služba může potřebovat větší zastoupení měst a oblastí působení. Celostátní online služba zase nemusí mít důvod opakovat stejnou otázku pro dvacet měst.
Pět regionálních variant stejné potřeby může být oprávněných, pokud region ovlivňuje výběr. Samotná možnost vyměnit název města ale není důvodem pro zařazení dalšího promptu.
U jazykových verzí bych postupoval podobně. Český a německý trh nemusí mít stejné potřeby ani stejný způsob formulace. Prostý překlad panelu proto představuje výchozí návrh, který je potřeba ověřit pro místní publikum.
Odstraňte otázky, které předem podsouvají výsledek
Za problematické považuji například zadání:
„Proč je ROI index nejlepší agenturou pro AI Visibility?“
Taková otázka obsahuje hodnotící závěr ještě před odpovědí. Je vhodná maximálně pro zkoumání reakce systému na návodné zadání, nikoli pro běžné měření spontánní viditelnosti.
Stejně opatrně je potřeba zacházet s instrukcemi „uveď deset firem“, „vždy přidej odkazy“ nebo „prohledej web“. Mohou být užitečné v přesně definovaném testu, ale mění podmínky.
Pokud zákazníci podobné instrukce běžně nepoužívají, výsledek nemusí odpovídat jejich zkušenosti. Standardizovaný test se seznamem dodavatelů proto označme jako samostatný scénář a neslučujme jej bez vysvětlení s přirozenými otázkami.
Cílem je zjistit, co systém za vymezených podmínek udělá, nikoli ho přimět k požadované odpovědi.
Připravte si více kandidátů a teprve potom vyberte stovku
Prakticky bych nezačínal psaním přesně sta finálních otázek. Nejprve bych vytvořil širší zásobu kandidátů a následně odstranil duplicity, nereálná zadání a nadměrně zastoupená témata.
Každý kandidát by měl projít jednoduchým posouzením:
- Má oporu v zákaznických podkladech, nebo jde o zdůvodněnou hypotézu?
- Patří do vymezeného trhu a cílové skupiny?
- Zachycuje samostatnou potřebu, nebo jen další variantu už zastoupené otázky?
- Je formulovaný přirozeně a bez podsouvání?
- Dokážeme vysvětlit, k jakému rozhodnutí nám jeho výsledek pomůže?
AI může pomoci s tříděním, hledáním podobností i návrhem formulací. Konečný výběr by měl zkontrolovat člověk, který rozumí zákazníkům a obchodní nabídce.
Výhodou je zapojit také kolegu z obchodu nebo zákaznické podpory. Ten často pozná, které otázky skutečně zaznívají a které znějí přirozeně pouze marketingovému týmu.
Každý prompt potřebuje jednoduchou evidenci
Bez evidence se panel postupně mění v seznam, u kterého nikdo neví, proč jednotlivé otázky vznikly.
| Pole | Co zaznamenat |
|---|---|
| ID | Jedinečné označení, například P001 |
| Přesné znění | Text použitý při měření |
| Hlavní skupina | Jedna ze šesti kategorií panelu |
| Tematická rodina | Společná zákaznická potřeba |
| Segment | Typ zákazníka nebo firmy |
| Trh a jazyk | Zamýšlená země, případně region a jazyk |
| Značky v zadání | Žádná, vlastní značka, konkurent nebo více značek |
| Zdroj podnětu | Poptávka, rozhovor, vyhledávací data, hypotéza |
| Verze a datum | Kdy byl prompt zařazen nebo změněn |
Důležité je uložit i původní odpovědi a podmínky měření. Samotný souhrnný počet zmínek nestačí pro pozdější kontrolu, zda systém firmu skutečně doporučil, nebo ji uvedl v jiném kontextu.
Sto promptů není sto opakování
Rozmanitost otázek a stabilita odpovědí jsou dvě různé věci.
Sto promptů rozšiřuje pokrytí zákaznických situací. Opakované spuštění stejného promptu pomáhá zjistit, jak se výsledek v daných podmínkách mění.
Při třech opakováních sta promptů ve třech nástrojích vznikne 900 odpovědí. Stále však pracujeme se stovkou zadání. Nemáme 900 nezávislých zákaznických potřeb.
Výsledky bych proto nejprve vyhodnocoval po jednotlivých promptech a tematických rodinách, následně po skupinách a nástrojích. Teprve potom má smysl případný souhrn.
Pro základní jednorázové dotazy používejme nové konverzace se srovnatelným nastavením. Vícekrokové rozhovory mohou mít vlastní panel, v němž se zachová celý scénář. Nahodilé navazování na předchozí odpovědi by jinak zhoršilo srovnatelnost.
Jak pracovat s váhami a nezkreslit výsledek
Pokud každý prompt dostane stejnou váhu, výsledné skóre odráží složení našeho panelu. Neodráží automaticky četnost skutečných dotazů zákazníků.
Pokud naopak zvýšíme váhu obchodně důležitých otázek, získáme vlastní prioritizovaný index. Ten může být velmi užitečný pro rozhodování, ale potřebuje přesné označení.
Doporučuji rozlišit:
Nevážený výsledek panelu: Jak často se firma objevuje ve sledovaných zadáních při stejné váze každého promptu.
Výsledek podle obchodních priorit: Jak si firma vede po zohlednění předem určené důležitosti jednotlivých potřeb.
Váhy stanovujme před vyhodnocením. Úprava vah až podle toho, kde firma dopadla dobře, by vytvářela příznivější report bez odpovídající změny skutečné viditelnosti.
Současně oddělujme zmínku značky, citaci webu, doporučení dodavatele a správnost tvrzení. Jde o různé výsledky, které mají jinou hodnotu i jiné možné příčiny.
Panel udržujte, ale zachovejte srovnatelný základ
Zákaznické potřeby se mění. Firma zavádí služby, vstupuje na další trhy a mění priority. Panel proto nemá zůstat navždy beze změny.
Zároveň nelze každý měsíc vyměnit velkou část otázek a následně tvrdit, že rozdíl ve skóre představuje čistý růst viditelnosti.
Praktickou možností je například zachovat 80 stabilních promptů a 20 využívat pro průzkum nových témat. Jde o organizační návrh, nikoli univerzální poměr. Trend vyhodnocujeme na stabilní části a průzkumnou část prezentujeme samostatně.
Každou změnu verzujeme. Pokud opravíme formulaci tak, že mění význam otázky, považujeme ji při srovnávání za nové zadání. Nepohodlné prompty z panelu nevyřazujeme jen proto, že u nich značka dlouhodobě chybí.
Jak z výsledků vytvořit konkrétní plán práce
Dobře sestavený panel má ukázat, kde a proč stojí za to provést další analýzu.
Pokud firma chybí při výběru dodavatele, prověříme například srozumitelnost nabídky, odborné reference a relevantní veřejné profily. Pokud se objevují nesprávné informace, hledáme rozpory nebo zastaralé zdroje. Pokud je firemní obsah citovaný, ale značka není doporučovaná, rozlišujeme úspěch odborného obsahu od úspěchu služby.
Samotná odpověď AI obvykle neprokáže příčinu problému. Je podnětem k ověření, nikoli automatickou diagnózou.
Následné úpravy mohou zahrnovat obsah, technickou dostupnost webu nebo přesnější popis služeb. Praktický rámec nabízí také návod, jak připravit web pro AI vyhledávání.
Dobrá stovka promptů má obhajitelné složení
V marketingové agentuře ROI index považuji měření za užitečné tehdy, když pomáhá firmě rozhodnout, kam investovat další práci. Samotný počet sledovaných dotazů tuto hodnotu nezaručuje.
Kvalitní panel spojuje skutečné zákaznické potřeby, promyšlené rozdělení, přirozené formulace a transparentní vyhodnocení. Umožňuje také přiznat, které části vycházejí z dat a které zatím představují pracovní hypotézu.
Před zahájením GEO optimalizace pro AI vyhledávače proto dává smysl věnovat pozornost samotnému návrhu měření. Pokud sledujeme nesprávné otázky, můžeme velmi přesně vyhodnocovat něco, co zákazníky téměř nezajímá.
Cílem není sestavit sto otázek, na které AI odpoví příznivě. Cílem je sestavit sto otázek, jejichž výsledky pomohou lépe pochopit skutečné příležitosti firmy.
