---
title: "AI nástroje pro SEO: moje sada, testy a pasti - Łukasz Rogala"
description: "Jaké AI nástroje používám v SEO: jazykové modely, data o výsledcích, skenování webu a vlastní skripty. Ukazuji testy s čísly a pasti, na které narážím."
url: "https://rogala.pro/cs/blog/ai-nastroje-pro-seo/"
language: "cs"
author: "Łukasz Rogala"
published: "2026-10-18T12:15:00+02:00"
modified: "2026-10-18T12:16:57+02:00"
---

[Blog](https://rogala.pro/cs/blog/)

# AI nástroje pro SEO: moje sada a testy, které ji utvářely

[Łukasz Rogala](https://rogala.pro/cs/#about) · 18. října 2026 · 14 min čtení

**Mou sadu AI nástrojů pro SEO tvoří jazykové modely, placená data o výsledcích Google, program na skenování webů a vlastní skripty.** Model dobře třídí data, popisuje je a píše kód. Výsledek z jednoho stažení výsledků nebo z jedné odpovědi modelu ale bývá náhodný. Proto ukazuji testy, které změnily způsob, jakým tyto nástroje používám. Neskládám žebříček od 1 do 10, protože jsem tyto nástroje neporovnával vedle sebe na týchž datech.

**Testy v tomto textu jsem dělal od července do října 2026 na vlastních datech a na datech projektů, jejichž názvy neuvádím.** Za placené nástroje z tohoto textu platím a jejich názvy uvádím bez odkazů. Spoluvedu Linko, linkbuildingovou platformu, a ve VerticalSEO, mé agentuře, budujeme vlastní SEO nástroje. Píšu o nich s tímto upozorněním. Názvy modelů uvádím ve verzích ze dne testu všude, kde jsem je zapsal, protože verze se mění každých několik týdnů. Výsledky z malých vzorků popisuji jako předběžné.

## Co AI v SEO dělá dobře a co ne?

**Jazykový model dobře čte, třídí a píše, ale špatně počítá z paměti a nevidí data, která mu nedáte.** 26. a 27. září 2026 jsem otestoval jazykové modely na 17 typech úkolů SEO, každý na lehké a těžké úrovni. Část typů jsem postavil na základě 103 pracovních inzerátů na specialisty SEO. Inzeráty nejčastěji uváděly technický audit, reporting a analýzu dat. Z nástrojů nejčastěji uváděly Search Console, Google Analytics 4 (GA4), Ahrefs, Semrush a Screaming Frog.

**Nejsilnější modely měly téměř 100 % ve skoro každém typu úkolu, takže rozdíly ukázaly teprve slabší modely.** Ke špičce patřily mimo jiné Claude Opus 5.5, Fable 5.1, Codex a Gemini 3.1 Pro. U počítání ze souboru na těžké úrovni dostal Claude Haiku 4.5 2 z 10 bodů. Gemini 3.8 Flash s nízkou úrovní uvažování dostal 1 z 10 a lokální Gemma 4 12B 0 z 10. V úkolech, kde model mohl data spočítat skriptem v Pythonu, dostaly všechny testované cloudové modely plný počet bodů. I ty nejslabší z nich. Data v těchto úkolech tvořily exporty ze Screaming Frog, 45 tis. událostí GA4 a serverový log se 160 tis. řádky. Proto čísla v mé práci počítá skript, který model napíše a spustí.

**Text v polštině hodnotily naslepo dva modely a tady byly rozdíly velké.** Hodnotitelé nevěděli, který model text napsal. Škála měla 5 stupňů a 5 znamenalo text připravený k odeslání klientovi bez oprav. Jen Claude Opus 5.5 a Claude Sonnet 5 dostaly 5 u těžkého psacího úkolu. Gemini 3.1 Pro dostal 2, protože si vymyslel „včerejší rozhovor“ s adresátem. Hodnotitel Claude Opus byl přísnější než hodnotitel Gemini, jak u odpovědi Claude, tak u ostatních modelů.

**Týž model může při dalším spuštění téhož testu dát jiný výsledek.** Claude Haiku 4.5 dostal ve dvou bězích testu 62 a 39 bodů ze 102. V textu o [SEO auditu](https://rogala.pro/cs/blog/seo-audit-krok-za-krokem/) jsem popsal, proč model AI neudělá úplný audit webu sám.

## Moje sada: který nástroj používám k čemu?

**Nástroje rozděluji podle šesti oblastí využití v práci, ne podle výrobců.** Tentýž model využívám ve více oblastech, protože ho jinak používám ke čtení dat a jinak ke kontrole. U každé oblasti využití uvádím test, po kterém jsem změnil způsob práce.

**Pro každé využití nástrojů mám test, který změnil způsob práce**

Matice šest krát dva. Řádky: jazykové modely, lokální modely, data o výsledcích, skenování webu, obsah a sémantika, kontrola. Sloupce: nástroje a úkoly; test, který změnil způsob práce.

*Testy ze září a října 2026 na vlastních datech a na datech projektů, jejichž názvy neuvádím. Výsledky z malých vzorků považuji za předběžné.*

## Které jazykové modely používám a k čemu?

**Hlavní práci dělám v Claude Code, tedy v Claude běžícím v terminálu s přístupem k souborům, skriptům a datům.** Claude píše a spouští skripty, čte exporty a připravuje koncepty reportů. Codex (OpenAI) a Gemini (Google) dostávají tytéž materiály k druhé kontrole.

**Texty a reporty kontroluji druhým modelem jiného výrobce, ve dvou kolech.** První kolo hledá chyby ve faktech a mezery. Druhé kolo kontroluje jen opravy, protože při opravování vznikají nové chyby. V říjnu 2026 našlo druhé kolo v jednom projektu v průvodci špatný počet všech odkazů, z něhož se počítal podíl: 79 místo 76. Tato chyba vznikla teprve při opravách. Můj kontrolní skript ji nenašel.

**Model jako soudce kvality může měřit něco jiného než člověk, proto ho ověřuji na textech, které jsem už posoudil.** 7. října 2026 jsem dal dvěma modelům k posouzení 87 popisů patentů Google. Mezi nimi bylo 8 popisů, které jsem dříve sám označil za hotové, a soudci o tom nevěděli. Fable, model firmy Anthropic, uznal za hotových 5 z těchto 8. Codex s vysokou úrovní uvažování uznal 1 z 8.

**Tyto dva výsledky vypovídají jen o textech, které jsem sám označil za hotové.** Zbývajících 79 popisů jsem neposoudil, takže nevím, kolik zamítnutí bylo oprávněných. Codex zamítl celkem 51 z 87 popisů, protože každou větu popisu porovnával s patentovými nároky, tedy s právním rozsahem patentu. Shoda soudců mezi sebou byla blízká náhodné. Cohenovo kappa vyšlo 0,06, kde 0 znamená náhodnou shodu a 1 úplnou.

**Lokální modely na vlastním počítači s grafickou kartou používám k hromadnému štítkování, protože neplatím za každý zpracovaný záznam.** 1. října 2026 jsem otestoval lokální modely na čtyřech jednoduchých činnostech. Daty byly stránky tří polských e-shopů. Gemma 4 31B určila typ stránky správně v 98,5 % ze 403 stránek. Typy stránek jsou produkt, výpis produktů, článek nebo jiná. Skript s pravidly trefil 84 % těchto stránek.

**Gemma téměř bez chyb přečetla ceny a posoudila shodu čísel, ale část vzorových hodnot v tomto testu pocházela z modelu, ne od člověka.** Vzorem pro typ stránky byly štítky ze skriptu opravené modelem Claude Opus. Gemma správně přečetla cenu ze všech 177 karet produktu. Vzorem byla cena ze strukturovaných dat, shodná s textem stránky. Ve 99,3 % ze 134 případů Gemma správně posoudila, zda číslo ve větě odpovídá datům. Polovina těchto vět měla číslo záměrně změněné. Gemma určila také typ poptávky u fráze (nabídka, mimo nabídku nebo rada) v 97,7 % z 218 frází. Vzorem byly zde štítky modelu Claude Opus.

**Táž rodina modelů selhala při porovnání čísel mezi dvěma soubory ve skutečné nabídce.** 12. října 2026 dvě verze Gemma 4, 26B a 31B, porovnaly 63 řádků a nahlásily jen falešné rozpory. Usoudily například, že „-34 %“ a „jedna třetina“ jsou protichůdné hodnoty. Jediný skutečný problém v tomto textu se netýkal čísel, ale přehnaného slova u výsledku z tabulky. Nepatřil tedy k úkolu Gemma. Nyní skript kontroluje, zda se každé číslo z jednoho souboru vyskytuje ve druhém. Je to kontrola přítomnosti čísel a jejich význam kontroluje člověk nebo druhý model.

## Které nástroje používám k datům o pozicích a poptávce?

**Data o výsledcích Google beru z DataForSEO, Search Console a Ahrefs a každý z těchto zdrojů má jinou past.** DataForSEO poskytuje výsledky Google a data o poptávce a účtuje si každý dotaz. Od 17. září do 14. října 2026 jsem tam zadal 17 076 úloh za 99,89 USD. Mezi nimi bylo 13 085 stažení výsledků Google.

**Jedno stažení výsledků nestačí k měření pozice, protože další stažení téže fráze vypadají jinak.** 7. října 2026 jsem stáhl výsledky pro 94 frází třikrát v odstupu hodiny a dvakrát ve stejné minutě, za 1,57 USD. Potom jsem porovnal domény z první desítky ve dvou staženích téže fráze. Společné domény tvořily v mediánu asi 15 % všech různých domén z obou stažení. U stažení ze stejné minuty to bylo asi 8 %. Jedna fráze měla v mediánu 4 varianty výsledků. Proto místo pozice počítám podíl stažení, v nichž je doména v první desítce. Požadavků na stažení je asi 10 a posílám je najednou.

**Toto měření zneplatnilo můj dřívější test, v němž jsem porovnal pozici z jednoho stažení s citacemi z pěti stažení.** Výsledek testu „splněno“ se ukázal jako falešný, proto jsem test pozastavil. AI Overview, tedy odpověď AI nad výsledky Google, byl v tomto měření stabilní: objevil se v 97-99 % stažení a seznam citovaných stránek se neměnil.

**Search Console ukazuje kliknutí změřená samotným Google, ale export z panelu ořezává tabulku na 1 000 řádků.** Tisíc dotazů seřazených podle kliknutí je nejklikanější část dat. 20. září 2026 ukázal export z panelu u jednoho webu CTR 4,28 % pro pozice 1-3 v USA. CTR je podíl zobrazení zakončených kliknutím. Data za 16 měsíců stažená bez limitu 1 000 řádků, tedy 123 498 dotazů, dala 1,40 %. Taková data stahuji přes API Search Console, tedy rozhraní pro programy. Druhý způsob je přehled v Looker Studio, bezplatném nástroji Google pro reporty, s konektorem Search Console.

**Ahrefs používám pro odkazy, fráze a konkurenci, ale jeho odhady návštěvnosti ověřuji v Search Console.** Sloupec návštěvnosti v Rank Trackeru Ahrefs je odhad: odhadovaná poptávka vynásobená předpokládaným podílem kliknutí. U jednoho webu byl tento odhad 10-50krát vyšší než kliknutí v Search Console a u jiného asi 3krát nižší. Rank Tracker počítá jako pozice také bloky na stránce výsledků. V jednom případě znamenal pokles z 1. na 13. místo jen to, že se nad výsledky objevil AI Overview.

## Které nástroje používám k technickému auditu?

**K auditu používám Screaming Frog a prohlížeč Chrome bez okna a model AI čte výsledky, ale skenování webu nenahrazuje.** Screaming Frog prochází web jako robot vyhledávače. Chrome spuštěný bez okna ukazuje stránku po vykonání JavaScriptu, takže porovnávám obě verze stránky. V jednom auditu dala skenování s JavaScriptem a bez něj spuštěná souběžně falešný signál o renderování. Od té doby je spouštím postupně.

**Když firewall auditovaného webu blokuje můj program na skenování, jednotlivé adresy stahuji přes službu Apify Web Fetch.** V testu z 12. října 2026 služba přečetla 8 z 8 stránek, které jsem nemohl stáhnout z mé IP adresy. Dvě z nich patřily webům klientů a šest veřejným webům s recenzemi, srovnávačům a e-shopům. Stálo to 0,00155 USD za adresu. Služba ale někdy hlásila úspěšné stažení s kódem 200, přestože stáhla jen ověřovací stránku. Velmi krátký text nebo text o ověření proto považuji za blokaci a stažení opakuji.

**Tato služba neukazuje, co vidí skutečný robot Google nebo robot AI.** Připojuje se z jiné IP adresy a i když uvedu název robota, ostatní hlavičky prozradí běžný prohlížeč Chrome. Blokace robotů proto kontroluji v Search Console a vlastním skriptem, který porovnává odpovědi serveru pro různé roboty. V textu o [souboru llms.txt](https://rogala.pro/cs/blog/llms-txt-co-to-je/) jsem popsal, jak podle IP adresy ověřuji, zda požadavek poslal skutečný robot.

**Asistenta technických auditů jsem postavil na auditech mé agentury z let 2020-2026 a měřím ho na auditech, které dříve udělal člověk.** Asistent je agent AI, který shromažďuje data o webu a kontroluje je podle katalogu pravidel sepsaných z těchto auditů. Rozsah auditu a priority schvaluji sám, na začátku práce a před odesláním auditu. Výsledek měření sem doplním po druhém měření na novém webu.

## Které nástroje používám k obsahu a sémantice?

**Frázi ke stránce přiřazuji hybridním vyhledáváním, protože předchozí verze mého nástroje trefila jen třetinu frází.** 14. října 2026 jsem vzal fráze ze Search Console dvou webů, bez frází s názvem značky. U každé fráze byla vzorem stránka, která dostala alespoň 60 % kliknutí z této fráze a byla mezi naskenovanými stránkami webu. Předchozí verze nástroje používala model MiniLM pro embeddingy, tedy převod textu na vektor čísel. Vzorovou stránku určila jako první u 34 % frází.

**Hybridní vyhledávání spojuje tři seznamy stránek a vzorovou stránku trefilo v 80,5 % a 77,1 % frází.** První seznam pochází z modelu e5-large. Druhý je vyhledávání podle slov v obsahu a třetí podle slov v titulku, nadpisu H1 a adrese. Seznamy spojuji metodou RRF, která odměňuje stránky vysoko na několika seznamech současně. Nejlepší jednotlivý model pro embeddingy byl na každém z webů jiný a hybrid vyhrál na obou.

**Hybridní vyhledávání určilo stránku s většinou kliknutí více než dvakrát častěji než předchozí verze mého nástroje**

Vodorovné sloupce pro čtyři metody. U každé dva sloupce: podíl frází, u nichž metoda určila jako první stránku s většinou kliknutí, zvlášť pro dva weby. MiniLM 33,9 % a 34 %, e5-large 70,8 % a 54,9 %, vyhledávání podle slov v obsahu 67,1 % a 63,2 %, hybridní vyhledávání 80,5 % a 77,1 %.

*Test ze 14. října 2026. Vzorová stránka je stránka s alespoň 60 % kliknutí z dané fráze v Search Console, bez frází s názvem značky. Výsledek MiniLM se týká předchozí verze nástroje s chybou při dělení textu. Hybridní vyhledávání spojuje e5-large s vyhledáváním podle slov v obsahu a také v titulku, nadpisu H1 a adrese stránky. Výsledek měří shodu s kliknutími v Google, ne to, která stránka nejlépe odpovídá na dotaz.*

**Při tomto testu jsem ve vlastním nástroji našel chybu: model neviděl konec většiny úryvků textu.** Skript dělil text na úryvky po 80 slovech, ale model přijímá 128 tokenů, tedy kousků slov. Polská slova se dělí na víc tokenů než anglická, takže 89-98 % úryvků bylo ořezáváno. Výsledek 34 % se tedy týká předchozí verze nástroje včetně této chyby, ne samotného modelu MiniLM. Test měří shodu s kliknutími v Google, ne to, která stránka nejlépe odpovídá na dotaz.

**Entity, tedy názvy firem, produktů, osob a pojmů, vytahuji z textů lokálním modelem GLiNER2.** V mém testu z července 2026 měl model na polských textech F1 0,94, stejně jako na anglických. F1 spojuje přesnost a úplnost a 1 znamená ideální výsledek. Tento výsledek platí pro štítky, které se nepřekrývají. Když byly v jednom dotazu současně štítky „firma“ a „značka“, F1 kleslo na 0,85. Model běží na běžném procesoru, asi 20 odstavců za sekundu, bez poplatku za stránku.

**GLiNER2 nepoužívám k rozpoznávání záměru frází, protože v mém testu trefil jen 33-42 % případů.** Často se mýlil s jistotou 0,99, tedy s téměř nejvyšší jistotou, jakou sám uvádí.

**Mapu témat této série textů jsem udělal z entit na 71 stránkách konkurence z Polska a USA.** Skript vytáhl 110 entit a 1 764 trojic, tedy zápisů ve tvaru entita, vlastnost a hodnota. Data stála 0,072 USD. Mapa ukázala role textů, dvojice textů k propojení odkazy a témata, která na tomto webu chybějí.

## Které nástroje používám k link buildingu?

**K analýze odkazů používám Ahrefs, ale odkazy označené jako ztracené ověřuji naživo, než se dostanou do závěrů.** V říjnu 2026 ukazoval Ahrefs v jednom projektu 360 polských domén jako ztracených. 140 z nich na tutéž adresu stále odkazovalo. Asi 70 adres odpovídalo na stažení běžným programem chybou 403, proto jsem je ověřil v prohlížeči řízeném skriptem (Playwright).

**Spoluvedu Linko, linkbuildingovou platformu, takže ji tu nepopisuji jako nástroj jiné firmy.** V textu o [link buildingu](https://rogala.pro/cs/blog/link-building/) jsem popsal, jak hodnotím portály před koupí publikací. V textu o [link buildingu v éře AI](https://rogala.pro/cs/blog/linkbuilding-ai/) jsem popsal, jak AI pomáhá připravit publikace a kontakt s vydavateli.

## Které nástroje používám k měření viditelnosti v AI?

**Nástroje k měření viditelnosti značky v AI jsem popsal v samostatném textu, takže tu uvádím jen zásadu.** Zmínku o značce v odpovědi a citaci jejího webu počítám zvlášť. Každou otázku zadávám několikrát, protože odpovědi asistentů se mění. V textu o [viditelnosti značky v AI](https://rogala.pro/cs/blog/viditelnost-znacky-v-ai/) jsem popsal měření, počet opakování a pasti nástrojů. V textu o [GEO a AI SEO](https://rogala.pro/cs/blog/ai-seo-geo-co-funguje/) jsem popsal, co dělám na webu, aby ho asistenti AI mohli citovat.

## Jaké SEO nástroje jsme si postavili sami?

**Když žádný nástroj neodpovídá na mou otázku, napíšu s pomocí AI vlastní skript.** Většina těchto skriptů slouží k interní práci: skenování, stahování dat, entity, kontrola textů a čísel. Než skript začnu používat v práci, ověřím ho na datech se správnou odpovědí.

**Ve VerticalSEO připravujeme 16 SEO nástrojů, které budou dostupné přes web a přes API, také pro agenty AI.** Nástroje zatím nejsou zveřejněné. Testy z 8. října 2026 ověřovaly, zda nástroje fungují podle specifikace. Prošlo 610 z 610 testů API a 325 z 325 testů nástrojů pro agenty v prohlížeči. Tyto nástroje fungují ve standardu WebMCP, který zpřístupňuje funkce webu agentům AI. Testy zatím neměří, zda nástroje dávají přesné závěry pro SEO.

**Test nástroje na kontrolu entit ukázal, že samotný název nestačí k určení entity.** Hledal jsem polskou obchodní platformu Allegro, ale nástroj vybral z grafu znalostí Google, tedy z jeho databáze entit, skladbu Vivaldiho. Pod mým jménem a příjmením vybral herce. Nyní nástroj potvrdí entitu teprve tehdy, když Google uvádí pro tuto entitu ověřovanou stránku. Potvrzením je také identifikátor uvedený ve Wikidatech nebo ve strukturovaných datech stránky.

**LemmeGSC, můj panel pro data ze Search Console, připravuji k vydání jako open source.** Panel stahuje data ze Search Console bez limitu 1 000 řádků. Ukazuje mimo jiné kanibalizaci frází, tedy několik stránek jednoho webu na tutéž frázi.

## Které bezplatné SEO nástroje stačí na začátek?

**Na začátek stačí Search Console, Looker Studio, bezplatná verze asistenta AI a bezplatná verze Screaming Frog.** Každý z těchto nástrojů má jinou roli:

- Search Console ukazuje kliknutí, zobrazení a dotazy z Google;
- Looker Studio s konektorem Search Console stahuje tato data bez limitu 1 000 řádků;
- bezplatná verze asistenta AI seskupuje fráze, píše koncepty a skripty, pokud jí dáte data;
- bezplatná verze Screaming Frog skenuje až 500 adres, což pro malý web stačí.

**Placené nástroje na fráze a odkazy stojí za to přidat teprve tehdy, když víte, na jakou otázku mají odpovědět.** Bezplatný asistent AI nezná vaše data ze Search Console. Nejvíc pomůže, když od vás dostane export a žádost o skript, který spočítá výsledek.

## Jak testuji nástroj AI, než mu uvěřím?

**Nástroj ověřuji na datech, u nichž znám správnou odpověď.** Ne každý test z tohoto textu měl všechny prvky ze seznamu níže. V testu lokálních modelů vzor typu stránky opravil model, ne člověk. Dnes má test tyto prvky:

- referenční sada z rozhodnutí člověka nebo z dat Google, například stránka s většinou kliknutí z dané fráze;
- předpokládaný výsledek zapsaný před spuštěním testu;
- opakování téhož běhu testu, protože výsledek jednoho spuštění modelu nebo jednoho stažení výsledků bývá náhodný;
- případy se záměrnou chybou, aby se ověřilo, zda ji kontrola odhalí;
- náklady a čas na jeden kus;
- čísla ověřená skriptem, ne modelem.

**Data k testům mě stála málo a nejvíc práce vyžaduje referenční sada.** Test stažení výsledků stál 1,57 USD a data k mapě témat série 0,072 USD. Referenční sada vyžaduje předchozí posouzení člověkem. Uvedené náklady tuto práci nezahrnují.

**Výsledek testu zapisuji spolu s tím, co test neověřil.** U přiřazení fráze ke stránce znám shodu s kliknutími v Google, ale nevím, zda vybraná stránka nejlépe odpovídá na dotaz. U lokálních modelů jsem otestoval čtyři jednoduché činnosti, ne úplné úkoly. Bez takového zápisu lze výsledek testu snadno zobecnit nad rámec toho, co test ověřil.

**Ověřím, které úkoly ve vašem SEO lze urychlit nástroji AI a kde je potřeba skript nebo člověk.** Napište, jaké úkoly opakujete každý týden a z jakých dat vycházíte. Odpovím, čím bych začal.

[Napište mi](https://rogala.pro/cs/#contact) · [LinkedIn](https://www.linkedin.com/in/lukaszrogala/?locale=cs_CZ) · [WhatsApp](https://wa.me/48570081225)

## Nejčastější otázky o AI nástrojích pro SEO

### Hodí se ChatGPT pro SEO?

**Ano, pro práci s daty, která mu dáte, ale ne jako zdroj dat o pozicích a poptávce.** V mých testech jsem zkoušel hlavně Claude, Codex a Gemini, ne samotný ChatGPT. Asistent tohoto typu umí shrnovat, seskupovat fráze, psát koncepty textů a kód, ale výsledek je třeba ověřit. Bez dat ze Search Console nebo z nástroje na fráze nezná pozice vašeho webu ani počet vyhledávání. Čísla uvedená z paměti bývají vymyšlená.

### Nahradí AI specialistu SEO?

**Moje testy to neověřovaly, protože se týkaly jednotlivých činností, ne celé práce specialisty.** V těchto činnostech měly nejsilnější modely často plný počet bodů. Chybné závěry vycházely z neúplných dat a ze slabé kontroly: z jednoho stažení výsledků, z oříznutého exportu ze Search Console a z modelu, který sám porovnával čísla. Tyto chyby našel člověk nebo skript, který navrhl člověk.

### Trestá Google obsah napsaný AI?

**Ne za samotné použití AI: Google píše, že vhodné použití AI neporušuje jeho pokyny.** Zásady Google o zneužívání obsahu ve velkém zahrnují vytváření mnoha stránek především za účelem manipulace s pořadím, ne kvůli pomoci uživatelům. Tyto zásady se týkají stránek vzniklých jakýmkoli způsobem, i s pomocí AI. Google také doporučuje ruční kontrolu faktů v obsahu z AI před zveřejněním, také v titulcích, popisech a strukturovaných datech.

## Čím začít?

**Začněte jedním úkolem, který děláte každý týden, a daty, která už máte v Search Console.** Dejte modelu úplná data a požádejte o skript, který spočítá to, co dnes počítáte ručně. Výsledek porovnejte s jedenácti až devatenácti případy, které ověříte sami. Teprve když se výsledky shodují, spusťte skript na všech datech. V textu o [SEO strategii](https://rogala.pro/cs/blog/seo-strategie-krok-za-krokem/) jsem popsal, která data ze Search Console kontroluji na začátku práce.

Externí zdroje (ověřeno 18. října 2026):

- Google Search Central: Google Search's guidance on using generative AI content on your website (developers.google.com)
- Google Search Central Blog: Google Search's guidance about AI-generated content (8. 2. 2023) (developers.google.com)
- Google Search Central: Spam policies for Google web search (developers.google.com)

ceník Screaming Frog SEO Spider na stránce výrobce (limit bezplatné verze: 500 adres). Vlastní data: test modelu GLiNER2 (červenec 2026), test 17 typů úkolů na jazykových modelech (26.-27. září 2026), test lokálních modelů na čtyřech činnostech (1. října 2026), test soudců kvality (7. října 2026), test proměnlivosti stažení výsledků DataForSEO (7. října 2026), test Apify Web Fetch a porovnání čísel v nabídce (12. října 2026), test přiřazení fráze ke stránce (14. října 2026), spotřeba DataForSEO (17. září - 14. října 2026), mapa témat série (18. října 2026).

[Łukasz Rogala](https://rogala.pro/cs/#about)

SEO stratég a konzultant

Łukasz Rogala je SEO stratég a konzultant, CEO VerticalSEO a spoluzakladatel společnosti Linko.

[O mně](https://rogala.pro/cs/#about) · [Přednášky a média](https://rogala.pro/cs/#featured)

Přečtěte si také

- [Viditelnost značky v AI: jak ji měřím a jakými nástroji](https://rogala.pro/cs/blog/viditelnost-znacky-v-ai/)
- [SEO audit: jak dělám audit webu krok za krokem](https://rogala.pro/cs/blog/seo-audit-krok-za-krokem/)