„ChatGPT nás odporúča.“
Lenže o päť minút niekto položí presne rovnakú otázku a značka v odpovedi nie je.
Ktorý výsledok je správny?
Oba.
A práve tu vzniká jeden z najväčších problémov merania AI Visibility.
Generatívne systémy nevytvárajú výsledky rovnakým spôsobom ako klasický vyhľadávač s relatívne stabilným poradím URL. Odpoveď môže meniť:
výber zdrojov,
zoznam odporúčaných značiek,
poradie,
formuláciu,
citácie.
Jedno spustenie promptu preto nie je meranie.
Je to iba jedno pozorovanie.
Ak chceme vedieť, či je značka v ChatGPT, Gemini alebo Perplexity skutočne viditeľná, musíme sa pýtať opakovane.
Potom však vzniká logická otázka:
Koľkokrát?
Päťkrát?
Desaťkrát?
Sto?
Ako majiteľ marketingovej agentúry ROI index považujem práve metodiku merania za jednu z najdôležitejších častí AI Visibility. Ak firma nevie odlíšiť stabilný signál od náhodnej odpovede modelu, môže prijímať marketingové rozhodnutia na základe šumu.
Krátka praktická odpoveď znie:
Jedno opakovanie nestačí. Päť je stále veľmi málo. Ako praktický minimálny základ by som pri monitoringu značky používal približne 7 až 10 opakovaní jedného promptu na jeden AI model, ideálne rozložených v čase. Pri dôležitých obchodných rozhodnutiach je rozumnejších 20 a viac pozorovaní.
Ale samotný počet behov nie je celý príbeh.
AI odpoveď nie je klasická SEO pozícia
Pri tradičnom SEO môžeme sledovať:
„marketingová agentúra Bratislava“
a zistiť, že web sa nachádza napríklad na tretej pozícii.
Aj SEO výsledky sa menia.
Ale pri generatívnom vyhľadávaní je variabilita oveľa komplexnejšia.
AI môže pri prvom behu odporučiť:
značku A,
B,
C.
Pri druhom:
A,
D,
E.
Pri treťom:
B,
C,
F.
Preto nemusí dávať veľký zmysel hovoriť:
„Sme druhí v ChatGPT.“
Omnoho presnejšia otázka je:
V akom percente relevantných pozorovaní sa naša značka objavila?
To už je merateľná veličina.
Výskum potvrdzuje, že jedno pozorovanie je slabý dôkaz
Analýza 30 504 odpovedí z AI vyhľadávania z roku 2026 zistila, že stav „značka spomenutá / značka nespomenutá“ sa medzi po sebe idúcimi pozorovaniami zmenil približne v desatine prípadov. Pri jednotkách sledovaných aspoň trikrát zmenila viac než tretina počas 30-dňového obdobia stav aspoň raz. Autori preto odporúčajú pri brand-presence monitoringu začínať minimálne približne siedmimi behmi na kombináciu promptu a AI enginu a rozložiť ich v priebehu dvoch až štyroch týždňov.
To je dôležitý rozdiel.
Sedem behov neznamená:
„Od siedmeho výsledku poznáme pravdu.“
Znamená skôr:
Pod touto úrovňou je veľmi ľahké zameniť náhodnú variáciu za trend.
Rovnaký prompt môže generovať rôzne zoznamy značiek
Ďalšie testovanie opakovaných AI odporúčaní ukázalo, že identické prompty veľmi často nevytvárajú identický zoznam značiek ani rovnaké poradie. Výskum prezentovaný začiatkom roka 2026 skúmal tisíce behov rovnakých promptov cez viaceré AI systémy a ukázal veľmi vysokú variabilitu konkrétnych odporúčacích zoznamov.
To má zásadný dôsledok.
Screenshot:
„Sme číslo 1“
má pri AI Visibility veľmi obmedzenú analytickú hodnotu.
Možno ste boli prví pri tomto konkrétnom behu.
To ešte neznamená, že ste systematicky najviditeľnejšia značka.
Čo teda vlastne meriame?
Najpraktickejšie je oddeliť minimálne tri stavy.
Mention
Značka sa v odpovedi objavila.
Recommendation
AI ju uvádza ako relevantnú možnosť alebo ju aktívnejšie odporúča.
Citation
AI použila web značky alebo iný zdroj spojený so značkou ako citovaný zdroj.
Tieto tri situácie nie sú totožné.
Firma môže byť:
citovaná, ale nie odporúčaná,
spomenutá bez citácie,
odporúčaná na základe externého zdroja.
Preto by kvalitný AI Visibility monitoring nemal zapisovať iba:
áno / nie.
Mal by zachytiť aj typ viditeľnosti.
Prvé praktické pravidlo: nikdy nehodnoťte značku z jedného behu
Predstavme si, že položíme prompt raz.
Značka sa objaví.
Nameraná visibility:
100 %.
Spustíme rovnaký prompt druhýkrát.
Značka tam nie je.
Visibility:
50 %.
Tretí beh ju opäť obsahuje.
66,7 %.
Je vidieť, ako dramaticky malé vzorky reagujú na jedinú odpoveď.
A presne preto môže byť výsledok pri troch či štyroch opakovaniach veľmi zavádzajúci.
Čo znamená 10 opakovaní
Ak prompt spustíme desaťkrát a značka sa objaví sedemkrát, môžeme povedať:
Observed Mention Rate = 70 %.
To už je omnoho hodnotnejšia informácia ako jeden screenshot.
Stále však treba byť opatrný.
Pri desiatich pozorovaniach jedno jediné ďalšie spomenutie mení výsledok o desať percentuálnych bodov.
To je veľa.
Desať behov preto považujem za veľmi použiteľný monitoringový baseline, nie za extrémne presný vedecký odhad.
Štatistika ukazuje, prečo malé vzorky lietajú
Predstavme si najneistejší prípad, keď sa značka objavuje približne v polovici odpovedí.
Pri zjednodušenom binomickom modeli vyzerá približná 95-percentná štatistická neistota okolo 50-percentnej miery viditeľnosti približne takto:
Počet nezávislých pozorovaní | Približná chyba pri 50 % viditeľnosti |
|---|---|
5 | ±44 percentuálnych bodov |
10 | ±31 p. b. |
20 | ±22 p. b. |
50 | ±14 p. b. |
100 | ±10 p. b. |
400 | ±5 p. b. |
Toto je veľmi dôležitá tabuľka.
Ukazuje, prečo neexistuje magické číslo:
„10 behov a výsledok už nie je náhoda.“
Pri desiatich pozorovaniach dostávame užitočný orientačný signál.
Ale nie extrémne presný odhad.
Ak potrebujeme rozlíšiť, či značka dosahuje napríklad 48 % alebo 52 %, potrebujeme úplne inú veľkosť vzorky.
V praxi však nepotrebujeme vždy laboratórnu presnosť
Marketingový manažér zvyčajne nepotrebuje vedieť:
„Naša skutočná pravdepodobnosť mentionu je 43,7 %.“
Potrebuje vedieť:
sme prakticky neviditeľní?
Objavujeme sa občas?
Sme viditeľní pravidelne?
Rastieme?
Klesáme?
Predbieha nás konkurencia?
Na takéto rozhodnutie môže byť dobre nastavených 10 až 20 opakovaní veľmi užitočných.
Moja praktická interpretácia počtu behov
Pri internom AI Visibility monitoringu by som sa na počet opakovaní pozeral približne takto:
1 až 3 behy: orientačná kontrola, nie spoľahlivé meranie.
5 behov: prvý signál, stále veľmi citlivý na náhodu.
7 až 10 behov: rozumný minimálny monitoringový základ.
20 behov: výrazne použiteľnejší obraz pre dôležité prompty.
50 a viac: vhodné tam, kde potrebujeme porovnávať menšie rozdiely alebo metodiku validovať.
100+ behov: skôr výskum, benchmarking alebo metodologická analýza než bežný firemný monitoring.
Najväčšou chybou však je myslieť si, že tieto behy musia byť vykonané za sebou počas piatich minút.
Desať behov počas jednej minúty a desať behov počas mesiaca nie je to isté
AI Visibility sa môže meniť v čase.
Menia sa:
zdroje,
indexy,
retrieval,
modely,
webové stránky,
recenzie,
konkurenti.
Preto má veľkú hodnotu časová distribúcia.
Ak chceme merať dlhodobejšiu viditeľnosť, je často užitočnejšie urobiť:
jeden beh denne desať dní
než
desať behov za sebou o 14:03.
Štúdie stability AI search preto často sledujú identické prompty opakovane počas desiatok dní. Napríklad jedna rozsiahla analýza sledovala 520 promptov naprieč siedmimi AI answer enginmi počas 40 až 91 dní a zozbierala vyše 250-tisíc odpovedí. Zistila pritom, že samotné brand mentions sú spravidla stabilnejšie než konkrétne citované zdroje.
Treba oddeliť dva typy variability
Prvá je:
run-to-run variability.
Položíme rovnakú otázku viackrát a odpoveď sa mení.
Druhá je:
time variability.
Položíme rovnakú otázku dnes, o týždeň a o mesiac.
To sú dva odlišné problémy.
Kvalitný monitoring by mal zachytiť oba.
Existuje ešte tretí problém: prompt variability
Používateľ nemusí napísať presne prompt, ktorý ste si vybrali v Exceli.
Jedna osoba napíše:
„Odporuč realitného makléra v Bratislave.“
Druhá:
„Kto je dobrý maklér na predaj bytu v Bratislave?“
Tretia:
„Potrebujem predať trojizbový byt v Ružinove. Koho by som mal osloviť?“
Intent je podobný.
Formulácia nie.
Výskum promptových variácií z roku 2026 ukázal, že pri zmene formulácie zostáva viditeľnosť relatívne stabilnejšia, kým sa význam promptu príliš nevzdiali, no pri väčšom semantickom odklone už môžu byť rozdiely v spomínaných značkách výrazné.
Preto nestačí opakovať jeden prompt dvadsaťkrát.
Potrebujeme aj viacero promptov reprezentujúcich rovnaký obchodný zámer.
Lepšie je testovať intent cluster než jednu vetu
Predstavme si personálnu agentúru.
Namiesto jedného promptu:
„Odporuč personálnu agentúru na Slovensku.“
vytvoríme cluster:
„Odporuč personálnu agentúru pre výrobnú firmu.“
„Kto robí nábor technických pracovníkov na Slovensku?“
„Hľadám recruitment agentúru pre výrobné pozície.“
„Koho osloviť, ak potrebujeme obsadiť údržbárov a technikov?“
Teraz meriame omnoho realistickejší priestor.
Nie jednu umelo zvolenú formuláciu.
Preto treba rozlišovať opakovanie a variáciu
Dvadsať rôznych promptov nie je rovnaké ako dvadsať opakovaní jedného promptu.
Obe veci odpovedajú na inú otázku.
Opakovanie rovnakého promptu zisťuje:
Ako stabilný je výsledok?
Variácie promptu zisťujú:
Ako robustná je viditeľnosť naprieč rôznymi spôsobmi vyjadrenia rovnakého intentu?
Kvalitný AI Visibility test potrebuje oboje.
Ako by vyzeral jednoduchý test pre jednu tému
Predstavme si zubnú kliniku.
Téma:
implantológia Bratislava.
Vyberieme päť prirodzených promptov.
Každý spustíme desaťkrát.
To znamená:
50 odpovedí na jeden AI model.
Ak testujeme:
ChatGPT,
Gemini,
Perplexity,
dostaneme:
150 pozorovaní.
To už vytvára omnoho použiteľnejší dataset než jeden screenshot z ChatGPT.
Nie je nutné robiť 150 behov pri každom malom klientovi
Rozsah musí zodpovedať významu rozhodnutia.
Ak chceme iba orientačný audit:
5 promptov × 5 behov × 3 modely
môže byť rozumný prvý screening.
Ak chceme vytvoriť stabilný baseline:
10–20 behov na prioritné kombinácie už dáva omnoho väčšiu hodnotu.
Ak ide o výskumný report:
potrebujeme rádovo viac dát.
Metodika sa musí prispôsobiť cieľu.
Najväčšia chyba je merať príliš veľa promptov iba raz
Firma povie:
„Monitorujeme 500 promptov.“
To znie pôsobivo.
Ale každý prompt sa testuje raz.
Vznikne:
500 odpovedí.
Problém je, že pri každej z nich nevieme, či je výsledok stabilný.
V niektorých prípadoch môže byť hodnotnejšie monitorovať:
100 kvalitných promptov opakovane
než
2 000 promptov jednorazovo.
Šírka bez opakovania môže vytvárať falošnú presnosť.
Druhá chyba je opakovať iba jeden prompt
Opačný extrém.
Firma vezme:
„najlepšia marketingová agentúra Slovensko“
a spustí ho 100-krát.
Štatisticky má veľa pozorovaní.
Obchodne však meria veľmi úzky výsek reality.
Skutoční zákazníci sa pýtajú desiatkami spôsobov.
Preto potrebujeme rovnováhu medzi:
počtom promptov
a
počtom opakovaní.
Optimálny dizajn závisí od rozpočtu na meranie
Predstavme si, že máme rozpočet na 1 000 AI odpovedí mesačne.
Môžeme testovať:
1 000 promptov × 1 beh.
Alebo:
100 promptov × 10 behov.
Alebo:
50 promptov × 20 behov.
Pre AI Visibility benchmarking by som vo väčšine prípadov preferoval druhý alebo tretí model.
Pretože vieme lepšie odlíšiť:
signal
od
noise.
Pri monitoringu konkurencie je opakovanie ešte dôležitejšie
Povedzme, že v jednom teste:
značka A = 60 %,
značka B = 50 %.
Je A skutočne silnejšia?
Pri desiatich pozorovaniach to môže byť rozdiel jediného mentionu.
Nemali by sme z toho vytvoriť dramatický záver:
„Predbehli sme konkurenciu.“
Čím menší je rozdiel medzi značkami, tým viac dát potrebujeme.
Veľký rozdiel možno zachytiť menšou vzorkou
Ak:
značka A sa objavuje v 90 % behov
a
značka B v 10 %,
už malá vzorka pravdepodobne ukáže jasný rozdiel.
Ak je výsledok:
52 % vs. 48 %,
potrebujeme obrovské množstvo pozorovaní, aby sme vedeli tvrdiť, že rozdiel nie je iba náhodná variácia.
To je základný štatistický princíp.
Preto by AI Visibility dashboard nemal predstierať presnosť na dve desatinné miesta
Výsledok:
41,37 %
môže pôsobiť vedecky.
Ak vznikol z 15 pozorovaní, presnosť je iluzórna.
Oveľa poctivejšie je ukázať:
mention rate,
počet pozorovaní,
trend,
prípadne interval neistoty.
Tak používateľ vie, akú váhu výsledku pripísať.
Počet behov musí byť vždy súčasťou reportu
Ak report tvrdí:
„AI Visibility = 62 %“
mal by zároveň uviesť:
koľko promptov,
koľko behov,
aké modely,
aké obdobie,
aká lokalita,
aký jazyk.
Bez toho je číslo veľmi ťažko interpretovateľné.
62 % z 10 odpovedí nie je rovnaká kvalita merania ako 62 % z 2 000 odpovedí.
Lokalita môže meniť výsledok
Rovnaký prompt môže byť interpretovaný inak podľa:
krajiny,
jazyka,
lokálneho kontextu.
Pri lokálnych službách je to zásadné.
Napríklad:
„Odporuč zubára.“
Bez lokality je prompt prakticky nepoužiteľný.
Preto musí monitoring držať geografické podmienky čo najkonzistentnejšie.
Jazyk musí byť súčasťou metodiky
Firma pôsobiaca na Slovensku a v Česku nemôže automaticky predpokladať rovnakú AI Visibility.
Slovenský prompt môže vytvoriť iný shortlist než český.
Anglický ešte iný.
Každý jazyk preto môže potrebovať samostatný benchmark.
AI modely sa nemajú miešať do jedného čísla bez vysvetlenia
Predstavme si:
ChatGPT: 70 %
Gemini: 20 %
Perplexity: 50 %.
Priemer:
46,7 %.
Čo nám toto číslo reálne hovorí?
Veľmi málo.
Omnoho hodnotnejšie je vidieť každý model samostatne.
Používatelia jednotlivých systémov nemusia dostať rovnaký obraz značky.
Novší výskum ukazuje aj výrazný vplyv retrievalu
Analýza takmer 35-tisíc unbranded prompt-engine pozorovaní z roku 2026 ukázala silnú súvislosť medzi tým, či sa vlastná doména značky objavila v pozorovateľnej retrieval vrstve, a pravdepodobnosťou následného mentionu značky. Výsledky zároveň ukazovali určitú perzistenciu predchádzajúcej viditeľnosti, no autori výslovne upozorňujú, že ide o observačný prediktívny model, nie dôkaz vnútorného kauzálneho mechanizmu AI systému.
To je ďalší dôvod, prečo sa odpoveď môže meniť.
Nemení sa iba samotné generovanie textu.
Meniť sa môže aj to, aké informácie systém v danom behu nájde alebo použije.
Citácie sú často volatilnejšie než samotná značka
AI môže značku odporučiť dvakrát za sebou.
Ale pri každej odpovedi použiť iné zdroje.
To je dôležité pre GEO.
Ak firma optimalizuje jednu konkrétnu stránku a sleduje iba:
„bola citovaná / nebola citovaná“,
výsledok môže výrazne kolísať.
Preto treba oddeľovať:
Brand Visibility
od
Citation Visibility.
Brand Mention Stability a Citation Stability sú dve rôzne KPI
Firma môže byť v odpovediach relatívne stabilná.
Zdroj, z ktorého AI informáciu čerpá, sa však môže striedať.
To znamená, že značka má silnú širšiu digitálnu stopu.
Naopak môže byť web často citovaný, ale samotná značka nie vždy odporúčaná.
Oba scenáre sú možné.
Ak chcete merať GEO zásah, potrebujete ešte inú metodiku
Predstavme si:
pred GEO úpravou:
mention rate 30 %.
Po troch mesiacoch:
45 %.
Je to úspech?
Možno.
Ale musíme vedieť:
rovnaké prompty?
rovnaké modely?
podobný počet behov?
porovnateľné obdobie?
Ak sa metodika zmenila, výsledky nemožno férovo porovnávať.
Baseline je preto absolútne kritický
Pred akýmkoľvek zásahom treba zmerať súčasný stav.
Nie:
„Myslím, že sme boli málo viditeľní.“
Ale:
30 prioritných promptov.
10 opakovaní.
3 modely.
Konkrétne obdobie.
Potom máme baseline.
O tri mesiace zopakujeme rovnakú metodiku.
Teraz už máme porovnanie.
Nemusíte opakovať presne rovnaký deň a hodinu
Ide skôr o konzistentnosť metodiky.
Ak prvý audit prebehne počas troch týždňov a druhý za päť minút, porovnanie bude slabšie.
Lepšie je zachovať podobné:
časové okno,
frekvenciu,
počet behov.
Tak sa znižuje metodologický šum.
Pravidelný monitoring je hodnotnejší než veľký jednorazový audit
Predstavme si dva modely.
Firma A:
raz ročne 500 behov.
Firma B:
každý týždeň 20–30 dobre definovaných pozorovaní.
Firma B môže oveľa lepšie vidieť:
trend,
moment zmeny,
vplyv nového obsahu,
rast konkurenta.
AI Visibility je dynamická disciplína.
Preto je časová séria veľmi hodnotná.
Týždenné meranie môže byť vhodné pre prioritné témy
Najmä ak firma aktívne robí:
GEO,
PR,
obsah,
reputation management.
Týždenný prehľad môže ukázať:
čo sa zmenilo oproti minulému obdobiu,
pravdepodobné príčiny,
priority na ďalší týždeň.
Nie je potrebné dramatizovať každý malý výkyv.
Dôležitý je trend.
Mesačný monitoring je vhodný pre strategickejší pohľad
Pri menej dynamických segmentoch môže byť mesačné meranie úplne dostatočné.
Najmä ak:
firma nepúšťa nový obsah každý týždeň,
konkurencia sa nemení extrémne rýchlo.
Frekvenciu treba prispôsobiť rýchlosti trhu.
Ako spoznať, že výsledok je stabilnejší
Nie podľa magického počtu behov.
Ale podľa toho, že ďalšie pozorovania už dramaticky nemenia výsledok.
Napríklad:
po 5 behoch: 60 %.
po 10: 70 %.
po 20: 65 %.
po 30: 67 %.
Výsledok sa začína stabilizovať okolo podobného pásma.
To je oveľa dôveryhodnejšie než:
prvý beh = 100 %.
Môžeme používať rolling average
Namiesto jedného mesačného snapshotu možno sledovať:
posledných 10,
20
alebo 30 pozorovaní.
Tak sa krátkodobý výkyv vyhladí.
Dashboard potom ukazuje trend.
Nie chaos každého jednotlivého behu.
Pri AI Visibility je často lepšie hovoriť o pravdepodobnosti než pozícii
Namiesto:
„Sme tretí.“
radšej:
„Naša značka bola za posledných 30 dní spomenutá v 64 % relevantných odpovedí.“
To oveľa lepšie zodpovedá charakteru systému.
A zároveň sa dá sledovať v čase.
Praktický model pre malú firmu
Malá firma nepotrebuje milión odpovedí.
Môže začať napríklad:
10 najdôležitejších obchodných promptov.
10 opakovaní.
3 AI modely.
Výsledok:
300 pozorovaní.
To už môže vytvoriť veľmi použiteľný prvý benchmark.
Následne môže každý mesiac monitorovať rovnaký súbor.
Praktický model pre väčšiu B2B firmu
Môže mať:
5 produktových alebo službových oblastí.
Pre každú:
10 promptov.
Spolu:
50 promptov.
Každý:
10 behov.
Tri modely.
To znamená:
1 500 odpovedí na jedno meracie obdobie.
Tu už možno veľmi dobre porovnávať:
segmenty,
konkurentov,
modely.
Praktický model pre e-shop môže byť ešte väčší
E-shop má:
kategórie,
produkty,
use cases,
comparison queries.
Tam môže prompt universe rýchlo narásť na stovky tém.
V takom prípade treba pracovať so samplingom.
Nie testovať každý produkt tisíckrát.
Metodika musí zostať ekonomicky zmysluplná.
Vzorka promptov musí reprezentovať reálny obchod
Toto je dôležitejšie než extrémne vysoký počet behov.
Ak firma monitoruje 1 000 nezmyselných promptov, dostane presnú odpoveď na nesprávnu otázku.
Prompt set musí vychádzať z:
search queries,
sales rozhovorov,
CRM,
zákazníckych otázok,
supportu.
Tak výsledok reprezentuje skutočný trh.
Prioritné prompty môžu mať vyššiu váhu
Nie všetky otázky majú rovnakú obchodnú hodnotu.
Prompt:
„Čo je PPC?“
môže mať veľký objem.
Prompt:
„Odporuč agentúru na správu Google Ads pre výrobnú firmu na Slovensku“
môže mať nižšiu frekvenciu.
Ale vyššiu obchodnú hodnotu.
Preto môže byť vhodné vytvoriť:
weighted AI Visibility Score.
Weighted score však nesmie skrývať surové dáta
Ak firma vytvorí jedno číslo:
AI Visibility Score = 73,
manažment môže ľahko zabudnúť, čo vlastne znamená.
Preto by pod score mali byť vždy viditeľné:
prompty,
mention rate,
modely,
konkurenti,
počet behov.
Index je užitočný na trend.
Nie ako náhrada dát.
Kedy je výsledok „nie náhoda“?
Presná odpoveď závisí od toho, čo tým myslíme.
Ak chceme iba vedieť:
„Objavujeme sa pravidelne alebo prakticky nikdy?“
7–10 dobre rozložených behov môže byť už veľmi informatívnych.
Ak chceme:
„Je naša visibility približne 40 % alebo 70 %?“
20–30 behov vytvorí omnoho lepší obraz.
Ak chceme dokázať:
„Naša značka má 53 % a konkurent 48 %, teda sme určite lepší,“
môžu byť potrebné desiatky až stovky pozorovaní.
Čím menší rozdiel chceme spoľahlivo odhaliť, tým väčšiu vzorku potrebujeme.
Preto by som nepoužíval jedno univerzálne minimum pre všetko
Marketingový audit.
Interný dashboard.
Výskumná štúdia.
Každý má inú požiadavku na presnosť.
To je normálne.
Dôležité je, aby report otvorene uvádzal metodiku.
Najčastejšie chyby pri opakovanom AI Visibility testovaní
1. Jeden prompt sa spustí iba raz
Výsledok sa prezentuje ako stabilný fakt.
2. Päť behov sa považuje za absolútnu pravdu
Vzorka je stále veľmi malá.
3. Stovky promptov sa testujú bez opakovaní
Šírka nahrádza spoľahlivosť.
4. Jeden prompt sa opakuje stokrát
Chýba variabilita skutočného používateľského intentu.
5. Výsledky rôznych modelov sa spriemerujú
Stratí sa informácia o rozdieloch medzi enginmi.
6. Behy sa vykonajú iba v jednom okamihu
Nezachytí sa časová volatilita.
7. Každý mesiac sa zmení prompt set
Trend prestane byť porovnateľný.
8. Firma neuvádza počet pozorovaní
Percento potom vyzerá presnejšie, než reálne je.
9. Mention sa zamieňa s recommendation
Nie každá zmienka má rovnakú obchodnú hodnotu.
10. Citácia sa zamieňa s brand visibility
Zdroj a odporúčaná značka nie sú to isté.
11. Sleduje sa iba vlastná značka
Chýba benchmark konkurencie.
12. Výsledok nie je prepojený s obchodom
Firma pozná percento mentionov, ale nevie, či z AI prichádzajú leady.
Ako by som metodiku nastavil v praxi
Najskôr by som vytvoril prompt universe.
Nie tisíce náhodných otázok.
Ale tie, ktoré zodpovedajú:
reálnym obchodným situáciám.
Potom by som ich rozdelil do skupín podľa:
služby,
segmentu,
lokality,
intentu.
Vybral by som prioritný benchmarkový súbor.
Pre každý prompt by som používal viac opakovaní.
Pri základnom monitoringu približne:
7 až 10.
Pri strategicky najdôležitejších témach:
20 alebo viac.
Behy by som nerozložil iba do jednej minúty.
Rozdelil by som ich v čase.
Každý AI engine by som reportoval oddelene.
A sledoval by som:
mention,
recommendation,
citáciu,
konkurentov,
kontext odpovede.
Tak vzniká dátový základ, s ktorým sa dá reálne pracovať.
AI Visibility test by mal mať kontrolnú metodiku
Ak meníme web, PR alebo obsah a potom výsledok testujeme iným spôsobom než predtým, nemáme kvalitné porovnanie.
Preto treba udržať:
rovnaký core prompt set,
rovnaké modely,
podobnú frekvenciu,
rovnakú definíciu mentionu.
To je základ experimentálnej disciplíny.
Nové prompty sa môžu pridávať, ale core benchmark musí zostať
Trh sa mení.
Objavia sa nové otázky.
Je správne monitoring rozširovať.
Ale časť promptov by mala zostať stabilná.
Tak vieme vytvárať časovú sériu.
Napríklad:
80 % stable benchmark.
20 % exploratory prompts.
To je veľmi praktický model.
AI Visibility potrebuje dve vrstvy monitoringu
Prvá:
Core Monitoring
Stabilné prompty pre trend.
Druhá:
Discovery Monitoring
Nové otázky, trendy a vznikajúce potreby.
Core poskytuje porovnateľnosť.
Discovery pomáha nezostať uväznený v starej prompt mape.
Nemeriame iba AI. Meriame aj zmenu trhu
Ak firma zrazu začne byť častejšie spomínaná, nemuselo sa zmeniť iba GEO.
Možno získala:
veľa PR,
nové recenzie,
nový produkt,
silnú mediálnu pozornosť.
AI Visibility je výsledok celej digitálnej stopy.
Nie iba jednej optimalizácie.
Preto je potrebné zaznamenávať aj intervencie
V marci:
nová landing page.
V apríli:
PR článok.
V máji:
20 nových recenzií.
Ak AI Visibility následne rastie, máme aspoň časový kontext.
Nedokazuje to automaticky príčinu.
Ale pomáha pri interpretácii.
Korelácia nie je kauzalita
Toto je dôležité aj pri GEO.
Firma publikuje článok.
O týždeň sa objaví v ChatGPT.
Neznamená to automaticky:
článok spôsobil mention.
Mohli sa zmeniť:
zdroje,
retrieval,
konkurencia,
model.
Preto potrebujeme opakované pozorovania.
Čím lepšie dáta, tým menej marketingových mýtov.
AI Visibility by mala byť reportingová disciplína, nie screenshotová disciplína
Screenshot je výborný na prezentáciu konkrétneho príkladu.
Nie je výborný ako dôkaz dlhodobého výkonu.
Kvalitný report potrebuje:
vzorku,
čas,
konkurenciu,
metodiku.
Tak sa AI Visibility môže dostať na rovnakú manažérsku úroveň ako:
SEO,
PPC,
CRM.
Firmy by sa mali pripraviť na to, že AI výsledky nikdy nebudú úplne statické
To nie je chyba merania.
Je to vlastnosť prostredia.
Cieľom preto nemá byť:
„Dosiahli sme pozíciu číslo 1 a teraz ju držíme.“
Lepší cieľ je:
Zvyšujeme pravdepodobnosť, že značka bude pri relevantných otázkach pravidelne súčasťou odpovede.
To je realistickejší model.
V marketingovej analytike sme podobný problém už riešili
Ani človek nereaguje na reklamu zakaždým rovnako.
Ani konverzný pomer nie je absolútna konštanta.
Pracujeme s:
pravdepodobnosťami,
vzorkami,
trendmi.
AI Visibility potrebuje rovnakú analytickú disciplínu.
Len si na ňu ešte marketingový trh zvyká.
Číslo bez metodiky je pri AI Visibility takmer bezcenné
Keď niekto povie:
„Máte AI Visibility 72 %,“
moja prvá otázka by bola:
Z koľkých pozorovaní?
Druhá:
Z koľkých promptov?
Tretia:
V ktorých modeloch?
Štvrtá:
Za aké obdobie?
Piata:
Čo presne znamená 72 %?
Ak tieto odpovede neexistujú, výsledok vyzerá presnejšie, než v skutočnosti je.
Rozumný firemný štandard
Ak by som mal vytvoriť jednoduché pravidlo použiteľné pre bežnú firmu, nastavil by som ho takto:
Pre každý strategický prompt:
minimálne približne 7 až 10 opakovaní na jeden AI engine pre základný benchmark.
Pri kritických témach:
20+ pozorovaní.
Prompty merať:
opakovane v čase, nie iba v jednej sérii.
A zároveň netestovať iba jeden prompt, ale viacero prirodzených variácií rovnakého obchodného intentu.
Tak už dostávame výsledok, ktorý je omnoho menej závislý od jedného náhodného AI outputu.
Prečo by som ako štandard nepoužil presne 5
Päť je lákavé číslo.
Je lacné.
Rýchle.
Ale jeden výsledok znamená:
20 percentuálnych bodov.
Ak sa značka objaví:
3 z 5 behov = 60 %.
Pridáme šiesty beh bez mentionu:
50 %.
Rozdiel desať bodov jedinou odpoveďou.
To je stále veľká volatilita.
Preto je päť podľa mňa vhodné skôr na orientačný screening než reporting, ktorý má ovplyvniť rozhodnutie.
Prečo 10 dáva marketingovo dobrý kompromis
Desať má jednoduchú interpretáciu.
7 z 10 = 70 %.
4 z 10 = 40 %.
Je dostatočne malé, aby sa dalo škálovať na väčší prompt set.
A zároveň výrazne lepšie než jeden až tri behy.
Preto ho považujem za veľmi použiteľný baseline.
Nie za vedecky magické číslo.
Prečo môže byť 20 vhodnejšie pre prioritné prompty
Pri dvadsiatich pozorovaniach jedna odpoveď mení výsledok iba o päť percentuálnych bodov.
To už vytvára stabilnejší trend.
Pre najdôležitejšie commercial-intent otázky môže byť preto 20 veľmi dobrý kompromis.
Napríklad:
„Odporuč realitného makléra na predaj bytu v Bratislave.“
Ak je takýto prompt obchodne extrémne hodnotný, dáva zmysel merať ho dôkladnejšie.
Sto behov nie je automaticky lepší marketing
Štatisticky áno:
viac dát.
Ale ak stojí meranie veľa a firma kvôli tomu monitoruje iba dve otázky, môže stratiť širší obraz.
Optimalizovať treba aj metodiku merania.
Nie maximalizovať počet behov bez limitu.
Najlepšia metodika preto hľadá rovnováhu
Medzi:
šírkou prompt setu,
počtom opakovaní,
počtom AI modelov,
časovým horizontom.
To je skutočný dizajn AI Visibility experimentu.
Nie otázka:
„Aké je jedno magické číslo?“
Záver
Koľkokrát teda treba spustiť AI Visibility test, aby výsledok nebol iba náhodou?
Jedna odpoveď nestačí.
Tri sú veľmi slabé.
Päť môže ukázať prvý signál.
Pre bežný monitoring by som používal minimálne približne 7 až 10 opakovaní jedného strategického promptu na jeden AI model, ideálne rozložených v čase.
Pri dôležitých obchodných témach dáva zmysel ísť na 20 a viac pozorovaní.
Ak chcete odhaľovať veľmi malé rozdiely medzi konkurentmi alebo publikovať seriózny výskum, budete potrebovať podstatne viac dát.
Ale ešte dôležitejší než samotný počet behov je správny dizajn testu.
Viac promptov.
Viac AI modelov.
Opakovanie v čase.
Stabilná metodika.
Konkurenti.
A prepojenie na obchodný výsledok.
Novšie výskumy AI search zároveň potvrdzujú, že brand mentions, odporúčania aj zdroje vykazujú medzi opakovanými pozorovaniami merateľnú volatilitu a že historická viditeľnosť či aktuálny retrieval môžu pravdepodobnosť mentionu výrazne ovplyvňovať.
V marketingovej agentúre ROI index, ktorej šéfuje Miloš Vargic, preto pri AI Visibility nevnímame jeden výstup ChatGPT, Gemini alebo Perplexity ako výsledok. Dôležitý je opakovaný monitoring rovnakých obchodne relevantných promptov, porovnanie modelov, konkurencie a vývoja v čase. Až potom možno hovoriť o tom, či sa viditeľnosť značky skutočne zlepšuje, alebo sme iba zachytili jednu priaznivú odpoveď.
Pri AI Visibility totiž najväčšou chybou nie je, že model raz zmení odpoveď.
Najväčšou chybou je zobrať jeden náhodný výstup a premeniť ho na marketingový fakt.







