Akademický výzkum o GEO: Klíčové studie a zjištění

Vznik GEO jako akademické disciplíny

Nástup generativních AI vyhledávačů zásadně narušil prostředí digitálního marketingu a přiměl akademické výzkumníky k vytváření nových rámců pro pochopení a optimalizaci viditelnosti obsahu v tomto novém paradigmatu. Generative Engine Optimization (GEO) se jako formální akademická disciplína etablovala v roce 2024 díky zveřejnění průlomové studie „GEO: Generative Engine Optimization“ Pranjala Aggarwala, Vishvaka Murahariho a kolegů z Princeton University a Indian Institute of Technology Delhi, prezentované na prestižní konferenci KDD (Knowledge Discovery and Data Mining). Tento základní výzkum formálně definoval GEO jako black-box optimalizační rámec, který má pomoci tvůrcům obsahu zlepšit jejich viditelnost v AI-generovaných odpovědích, a řeší tak zásadní mezeru, kterou tradiční SEO metodiky ponechaly. Na rozdíl od tradičního Search Engine Optimization, které se soustředí na pozice a míry prokliků na stránkách s výsledky vyhledávání (SERP), GEO uznává, že generativní enginy syntetizují informace z více zdrojů do koherentních, citacemi podložených odpovědí, což zásadně mění způsob dosažení i měření viditelnosti. Akademická obec si uvědomila, že tradiční SEO techniky – optimalizace klíčových slov, budování odkazů a technické SEO – i když zůstávají základem, nestačí k úspěchu v prostředí vyhledávání řízeného AI, kde obsah musí být dohledatelný, citovatelný a dostatečně důvěryhodný, aby byl zahrnut do syntetických odpovědí.

Klíčová zjištění ze studie Aggarwala a kol.

Výzkum Aggarwala a kol. představil komplexní sadu metrik viditelnosti navržených speciálně pro generativní enginy a posunul měření nad rámec tradičních hodnotících metrik, aby zachytil nuancovanou povahu AI-generovaných odpovědí. Studie identifikovala dva hlavní metriky zobrazení: Position-Adjusted Word Count, která měří normalizovaný počet slov vět citujících zdroj s ohledem na pozici citace v odpovědi, a Subjective Impression, která hodnotí sedm dimenzí včetně relevance, vlivu, jedinečnosti a pravděpodobnosti zapojení uživatele. Pomocí rigorózního testování na nově vytvořeném benchmarku GEO-bench autoři testovali devět různých optimalizačních metod a prokázali, že nejefektivnější strategie mohou zvýšit viditelnost zdrojů až o 40 % dle Position-Adjusted Word Count a 28 % dle Subjective Impression. Výzkum ukázal, že metody zdůrazňující důvěryhodnost a důkazy – zejména přidání citací (zlepšení o 41 %), přidání statistik (zlepšení o 38 %) a uvádění zdrojů (zlepšení o 35 %) – výrazně překonávají tradiční SEO taktiky jako je přeplňování klíčovými slovy, které naopak viditelnost snižuje. Důležitým zjištěním je, že účinnost GEO se výrazně liší dle domény, přičemž některé metody jsou účinnější pro specifické typy dotazů a obsahové kategorie, což podtrhuje potřebu doménově specifických optimalizačních strategií místo univerzálního přístupu.

Benchmark GEO-bench: Standardizace hodnocení

Aby bylo možné rigorózně hodnotit GEO metody, výzkumný tým představil GEO-bench, první rozsáhlý benchmark speciálně navržený pro generativní enginy, který zahrnuje 10 000 rozmanitých dotazů pečlivě vybraných z devíti různých datových zdrojů a označených v sedmi specifických kategoriích. Tento komplexní benchmark řeší zásadní mezeru ve výzkumu – do té doby totiž neexistoval žádný standardizovaný rámec pro testování optimalizačních strategií vůči generativním engineům. Benchmark zahrnuje dotazy z různých domén a reprezentuje rozličné uživatelské záměry – 80 % informačních, 10 % transakčních a 10 % navigačních dotazů – což odráží reálné vzorce chování při vyhledávání. Každý dotaz GEO-bench je doplněn vyčištěným textem z pěti nejlepších výsledků Googlu, což poskytuje relevantní zdroje pro generování odpovědí a zajišťuje realistické scénáře vyhledávání.

Devět datových sad zahrnutých v GEO-bench zahrnuje:

• MS Macro, ORCAS-I a Natural Questions – Skutečné anonymizované dotazy uživatelů z Bing a Google
• AllSouls – Esejistické otázky z Oxford University vyžadující práci s více zdroji
• LIMA – Náročné otázky vyžadující syntézu a argumentaci
• Davinci-Debate – Debatní otázky určené pro testování generativních enginů
• Perplexity.ai Discover – Trendující dotazy z nasazené platformy generativního enginu
• ELI5 – Složitější otázky určené pro jednoduché, laicky pojaté odpovědi
• GPT-4 Generated Queries – Synteticky generované dotazy napříč doménami a úrovněmi obtížnosti

Srovnávací analýza: AI vyhledávání vs. tradiční vyhledávání

Nad rámec samotné optimalizace GEO akademický výzkum odhalil zásadní rozdíly v tom, jak AI vyhledávače získávají informace oproti tradičním vyhledávačům jako Google. Obsáhlá srovnávací studie Chena a kol., která analyzovala ChatGPT, Perplexity, Gemini a Claude vůči Googlu napříč různými vertikálami, odhalila systematickou a výraznou preferenci získaných médií v AI enginech, kde získané zdroje tvoří 60–95 % citací v závislosti na enginu a typu dotazu. To ostře kontrastuje s vyváženějším přístupem Googlu, který udržuje významný podíl značkového (25–40 %) a sociálního obsahu (10–20 %) vedle získaných zdrojů. Výzkum ukázal, že překryv domén mezi AI enginy a Googlem je mimořádně nízký, pohybuje se jen mezi 15–50 % podle vertikály, což naznačuje, že AI systémy syntetizují odpovědi z odlišných informačních ekosystémů než tradiční vyhledávače. Významné je, že AI enginy téměř zcela vylučují sociální platformy jako Reddit a Quora, zatímco Google často začleňuje uživatelsky generovaný obsah a diskuse z komunit. Toto zjištění má zásadní dopady na obsahovou strategii, protože znamená, že dosažení viditelnosti v Googlu automaticky neznamená viditelnost v AI-generovaných odpovědích, a vyžaduje proto odlišné optimalizační přístupy pro každý typ vyhledávání.

Doménově specifické GEO optimalizační strategie

Akademický výzkum jednoznačně prokázal, že účinnost GEO není napříč doménami stejná, což vyžaduje, aby tvůrci obsahu přizpůsobili své optimalizační strategie specifikům svého oboru a typům dotazů. Studie Aggarwala a kol. identifikovala jasné vzorce, které metody jsou nejúčinnější pro různé obsahové kategorie: přidání citací je nejefektivnější pro oblast Lidé & společnost, vysvětlující a historická témata, kde narativ a přímé citace přidávají autenticitu; přidání statistik dominuje v právu, vládě, debatách a názorech, kde datově podložené důkazy posilují argumenty; uvádění zdrojů vyniká v dotazech na fakta, prohlášení a právo, kde je ověření důvěryhodnosti zásadní. Výzkum rovněž dokládá, že informační dotazy (průzkumné, poznávací) reagují na optimalizaci odlišně než transakční dotazy (s nákupním záměrem), přičemž informační obsah těží více z komplexního pokrytí a autoritativních signálů, zatímco transakční obsah vyžaduje jasné produktové informace, ceny a srovnávací data. Účinnost různých metod se také liší podle toho, zda je obsah určen pro známé značky, nebo menší subjekty, přičemž menší značky potřebují agresivnější strategie získávání médií a budování autority, aby překonaly inherentní „bias velkých značek“ pozorovaný v AI enginech. Tato doménová variabilita potvrzuje, že úspěšné GEO vyžaduje hluboké porozumění ekosystému informací a uživatelským záměrům ve vašem oboru, nikoliv aplikaci obecných optimalizačních postupů na všechny typy obsahu.

Jazyková citlivost a vícejazyčné GEO

Akademický výzkum jazykové citlivosti ukazuje, že různé AI enginy zpracovávají vícejazyčné dotazy zásadně odlišným způsobem, což nutí značky usilující o globální viditelnost vyvíjet jazykově specifické strategie namísto pouhého překladu obsahu. Studie Chena a kol. zjistila, že Claude zachovává mimořádně vysokou stabilitu domén napříč jazyky a znovu používá stejné autoritativní anglické zdroje v čínských, japonských, německých, francouzských i španělských dotazech, což naznačuje, že budování autority v předních anglických médiích může přenést viditelnost napříč jazyky v systémech postavených na Claude. Naproti tomu GPT vykazuje téměř nulový překryv domén napříč jazyky, efektivně mění celý ekosystém zdrojů při zpracování dotazů v různých jazycích – viditelnost v anglických dotazech tak neposkytuje výhodu pro dotazy v jiných jazycích a vyžaduje budování samostatné autority v lokálních médiích. Perplexity a Gemini zaujímají střední pozici, vykazují střední stabilitu napříč jazyky s určitým opakováním autoritativních domén, ale i výraznou lokalizací na cílový jazyk. Výzkum také ukazuje, že výběr jazykové verze webu závisí na enginu – GPT a Perplexity silně preferují obsah v cílovém jazyce, zatímco Claude i u cizojazyčných dotazů stále používá převážně anglické zdroje. Tato zjištění jsou zásadní pro nadnárodní značky: úspěch na neanglických trzích vyžaduje nejen překlad obsahu, ale i aktivní budování pokrytí v získaných médiích a autoritativních signálů v každém cílovém jazyce, přičemž konkrétní strategie závisí na tom, které AI enginy jsou pro váš byznys nejdůležitější.

Autorita a faktor E-E-A-T v GEO

Akademický výzkum GEO důsledně zdůrazňuje, že autorita a E-E-A-T (Zkušenost, Odbornost, Autoritativnost, Důvěryhodnost) jsou základem viditelnosti v AI vyhledávání, přičemž AI enginy vykazují systematickou preferenci zdrojů vnímaných jako autoritativní a důvěryhodné. Výrazná preference získaných médií doložená napříč studiemi odráží závislost AI enginů na ověření třetí stranou jako náhradě autority – obsah, který byl nezávisle zrecenzován, citován a schválen důvěryhodnými médii, signalizuje AI systémům, že zdroj je důvěryhodný a vhodný pro zahrnutí do syntetických odpovědí. Výzkum prokazuje, že zpětné odkazy z autoritativních domén fungují jako klíčový signál autority pro AI enginy, podobně jako v tradičním SEO, ale s ještě větším významem, protože AI systémy využívají profil odkazů k posouzení, zda je zdroj vhodný k citaci v odpovědích. Studie dále ukazují, že kvalifikace autora, institucionální příslušnost a doložená odbornost významně ovlivňují ochotu AI enginů citovat daný zdroj, což činí pro tvůrce obsahu zásadním jasně dokládat své znalosti a kvalifikaci v daném oboru. Důležité je, že výzkum ukazuje, že E-E-A-T signály musí být získány, nikoli pouze prohlašovány – pouze tvrdit odbornost na vlastním webu má minimální vliv oproti ověření této odbornosti prostřednictvím pokrytí třetími stranami, expertních doporučení a citací z autoritativních zdrojů. Toto zjištění zásadně posouvá těžiště optimalizace z on-page signálů na budování autority mimo vlastní web, což činí media relations a strategická partnerství klíčovými prvky každé GEO strategie.

Praktické aplikace: Od výzkumu k implementaci

Akademický výzkum GEO lze přetavit do řady praktických strategií pro tvůrce obsahu, kteří chtějí zvýšit svou viditelnost v AI-generovaných odpovědích. Za prvé, obsah musí být strukturován pro strojovou čitelnost s využitím schémat (schema.org) a jasné hierarchické organizace, protože AI enginy potřebují snadno extrahovat informace – znamená to implementovat detailní schémata pro produkty, články, recenze a další entity, používat jasné nadpisy a organizovat informace do přehledných tabulek či odrážek. Za druhé, obsah musí být navržen pro zdůvodnění – musí explicitně odpovídat na srovnávací otázky a jasně uvádět, proč je daný zdroj nejlepší; to vyžaduje tvorbu detailních srovnávacích tabulek s konkurenty, seznamů pro a proti a odvážných prohlášení o unikátních hodnotách, které mohou AI systémy snadno vyextrahovat jako atributy zdůvodnění. Za třetí, budování získaných médií musí být klíčovou strategickou prioritou, což znamená přesun zdrojů od tvorby vlastního obsahu směrem k public relations, mediální komunikaci a spolupráci s experty, jejichž cílem je získat zmínky a citace v autoritativních médiích, která AI enginy preferují. Za čtvrté, metriky viditelnosti se musí posunout za tradiční KPI, značky by měly sledovat nové ukazatele jako AI citace, zmínky v AI-generovaných odpovědích a viditelnost v různých generativních enginech, nikoliv jen míry prokliků a pozice ve vyhledávání. Nakonec doménově specifické optimalizační strategie by měly nahradit univerzální přístupy, tvůrci obsahu by měli zkoumat, které GEO metody nejlépe fungují v jejich oboru a přizpůsobit optimalizaci na základě akademických zjištění o účinnosti v dané doméně.

Omezení a budoucí směry výzkumu

Ačkoliv akademický výzkum GEO přináší cenné poznatky, vědci si uvědomují důležitá omezení, která by měla být zohledněna při aplikaci těchto zjištění. Časová omezenost výzkumu znamená, že výsledky odrážejí chování AI enginů v konkrétním čase; jak se tyto systémy vyvíjejí, algoritmy mění a konkurenční prostředí posouvá, konkrétní kvantitativní výsledky mohou zastarat, což vyžaduje pravidelné přehodnocování a průběžné sledování účinnosti GEO. Black-box charakter AI enginů představuje základní výzvu pro výzkum, protože akademici nemají přístup k interním hodnotícím modelům, trénovacím datům ani algoritmickým detailům – výzkum tak může přesně popsat, co se děje (které zdroje jsou citovány), ale definitivní mechanismy těchto volby zůstávají spíše odhadované než jednoznačně prokázané. Klasifikační systémy použité ve výzkumu (Brand, Earned, Social) jsou sice logické, ale zahrnují subjektivní posouzení při kategorizaci domén, což může vést k odlišným výsledkům při alternativním dělení. Dále výzkum byl primárně zaměřen na anglické dotazy a západní trhy, s omezeným zkoumáním, jak GEO principy fungují v jiných jazycích či na rozvíjejících se trzích s odlišnými informačními ekosystémy. Budoucí výzkum plánuje rozvíjet sofistikovanější metriky viditelnosti postihující nuance AI citací, zkoumat, jak GEO strategie interagují s novými schopnostmi AI jako multimodální vyhledávání a konverzační agenti, a provádět longitudinální studie sledující vývoj účinnosti GEO s tím, jak se AI enginy vyvíjejí a uživatelské chování mění.

Budoucnost GEO výzkumu a vývoj AI vyhledávání

Jak generativní AI stále více proměňuje způsoby objevování informací, akademický výzkum GEO se rozšiřuje a řeší nové výzvy a příležitosti v rychle se měnícím prostředí. Multimodální vyhledávání – kde AI enginy syntetizují informace z textu, obrázků, videí a dalších médií – představuje novou hranici GEO výzkumu a vyžaduje nové optimalizační strategie nad rámec textového obsahu. Konverzační a agentní AI systémy, které mohou za uživatele provádět akce (nákupy, rezervace, transakce), si vyžádají nové GEO přístupy zaměřené na to, aby byl obsah nejen citovatelný, ale i strojově akceschopný. Akademická obec si stále více uvědomuje potřebu systematických GEO metodik a spravovaných služeb, které půjdou nad rámec izolovaných taktik a nabídnou komplexní, kontinuální optimalizaci napříč více AI enginy zároveň. Výzkum také zkoumá, jak by se GEO strategie měly přizpůsobovat s tím, jak AI enginy dozrávají a konsolidují se, přičemž první zjištění naznačují, že s ustálením trhu kolem několika dominantních platforem se optimalizační strategie stanou více standardizované, ale stále odlišné od tradičního SEO. Nakonec se akademici zabývají širšími dopady GEO na tvůrčí ekonomiku a digitální publikování, zkoumají, jak přesun k AI-syntetizovaným odpovědím ovlivní rozdělení návštěvnosti, obchodní modely a životaschopnost menších vydavatelů i tvůrců obsahu v éře AI vyhledávání. Tyto nové směry výzkumu naznačují, že GEO bude nadále rozvíjené jako obor, přičemž akademický výzkum bude klíčový pro to, aby tvůrci obsahu, značky i vydavatelé zvládli zásadní transformaci způsobu objevování a konzumace informací v éře generativní AI.