Citují vaše grafy a infografiky AI? Jak jsme optimalizovali náš vizuální obsah

Optimalizace vizuálního obsahu pro AI je stále důležitější, jak se systémy stávají multimodálními. Toto funguje:

Nejlepší postupy pro alt text:

Nepopisujte, CO obrázek je. Popište, jaký POZNATEK poskytuje.

Špatný alt text: “Sloupcový graf zobrazující tržby podle čtvrtletí”

Dobrý alt text: “Sloupcový graf ukazující růst tržeb ve 4. čtvrtletí o 25 % meziročně, což překonává průměry Q1–Q3 o 12 procentních bodů”

Druhá verze dává AI extrahovatelné informace, které může citovat.

Optimální délka: 80–125 znaků. Dostatečně dlouhý pro sdělení poznatku, ale stále užitečně stručný.

Zpracovatelský řetězec:

AI systémy využívají více signálů:

1. Alt text (primární pro nemultimodální dotazy)
2. Popisek (caption)
3. Okolní text odstavce
4. Název souboru
5. Schéma ImageObject
6. Vizuální analýza (pro multimodální systémy)

Optimalizujte všechny tyto signály, ne jen jeden.

Schéma určitě pomáhá pro viditelnost v AI.

Implementace ImageObject:

{
  "@type": "ImageObject",
  "contentUrl": "/images/revenue-chart.png",
  "caption": "Růst tržeb ve 4. čtvrtletí 2025 o 25 % meziročně",
  "description": "Sloupcový graf porovnávající čtvrtletní tržby s 25% růstem ve 4. čtvrtletí",
  "representativeOfPage": true
}

Proč to funguje:

1. Explicitní signály – Říká AI, co přesně obrázek znázorňuje
2. Odstraňuje nejasnosti – AI nemusí hádat jen z alt textu
3. Indikace priority – representativeOfPage označuje klíčové obrázky

Výsledky testování:

Weby s ImageObject schématem na klíčových vizuálech mají o 35 % vyšší míru citací AI u obsahů s obrázky.

Rychlá implementace:

Většina CMS má pluginy pro schéma. Přidejte ImageObject k hlavním obrázkům a klíčovým vizualizacím dat.

Změnili jsme proces tvorby obsahu a optimalizujeme vizuály pro AI už od začátku.

Nový workflow:

1. Plánování: Definujte hlavní poznatek, který vizuál ukáže
2. Design: Zajistěte, že všechny popisky jsou v obrázku, ne jen domýšlené
3. Alt text: Pište před tvorbou obrázku (zaměřeno na poznatek)
4. Popisek: 40–80 slov vysvětlujících hlavní sdělení
5. Kontext: Okolní odstavec výslovně odkazuje na vizuál

Přístup zaměřený na poznatek:

Před tvorbou každého vizuálu si položíme otázku: “Jaké konkrétní tvrzení chceme, aby AI mohla citovat z tohoto vizuálu?”

Pak navrhujeme a optimalizujeme celý balíček vizuálu kolem tohoto citovatelného tvrzení.

Výsledky:

Vizuály vytvořené tímto procesem jsou citovány 4× častěji než naše starší vizuály.

Na otázku, zda AI dokáže číst vizuály přímo – ano, čím dál více.

Současný stav:

• GPT-4 Vision: Dokáže interpretovat grafy a extrahovat data
• Gemini: Silné multimodální porozumění
• Claude: Dobré schopnosti vizuální analýzy
• Perplexity: Stále hlavně textové vyhledávání

Ale je tu háček:

I přes vizuální porozumění se AI systémy stále silně spoléhají na textové signály. Proč?

1. Text je rychlejší na zpracování ve velkém měřítku
2. Textové signály jsou spolehlivější
3. Vizuální analýza má vyšší chybovost

Praktický důsledek:

Nespoléhejte na vizuální porozumění AI. Optimalizujte textové signály (alt, popisek, kontext), jako by AI vaše obrázky vůbec neviděla. Vizuální porozumění je bonus, ne základ.

Publikujeme vlastní výzkumy s mnoha vizualizacemi dat. Co jsme zjistili:

Co se cituje nejvíc:

1. Srovnávací grafy – vizuály “[A] vs [B]”
2. Trendové grafy – ukazují vývoj v čase
3. Zvýrazněné statistiky – velká čísla s kontextem
4. Tabulky – AI miluje strukturovaná data

Co nefunguje:

1. Komplexní grafy s více proměnnými – příliš složité na zpracování
2. Umělecké infografiky – styl nad obsahem
3. Grafy bez popisek os – neúplná informace
4. Obrázky s textem jako součástí obrázku – AI nespolehlivě čte překryvný text

Zlaté pravidlo:

Každý vizuál by měl být citovatelný jako jedno, konkrétní tvrzení. Pokud to nejde vyjádřit jednou větou, je vizuál pro AI příliš složitý na citaci.

Optimalizace pro přístupnost a AI se výrazně překrývá.

Propojení:

Obojí vyžaduje, aby byl vizuál srozumitelný i bez jeho zhlédnutí:

• Přístupnost: Pro čtečky obrazovky a uživatele, kteří nevidí
• AI: Pro systémy, které nejprve zpracovávají textové signály

Co nás naučila přístupnost:

1. Alt text by měl sdělit ÚČEL, nejen vzhled
2. Složité vizuály potřebují rozšířený popis
3. Data by měla být dostupná i v textové podobě (alternativa v tabulce)
4. Barva by neměla být jediným rozlišovačem

Dvojí přínos:

Správně přístupné vizuály jsou zároveň více AI-friendly. Optimalizujete pro obojí najednou.

Rychlý audit:

Pokud by uživatel čtečky obrazovky pochopil váš vizuál z textových signálů, pravděpodobně ho zvládne i AI.

Pohled z videa: podobné principy platí pro video náhledy i snímky.

Co jsme zjistili:

1. Cituje se popis videa na YouTube, ne samotné video
2. Náhledy s jasným textem získávají více AI zmínek
3. Přepisy videí jsou zlatý důl pro AI citace
4. Kapitoly/časové značky pomáhají AI najít konkrétní momenty

Pro statické vizualizace:

Zvažte tvorbu video vysvětlovačů klíčových dat. Přepis vám dodá další textovou vrstvu a YouTube je AI systémy silně indexován.

Příklad:

Dvouminutové video vysvětlující naše výroční data získá víc AI citací než statická infografika, protože přepis poskytuje bohatý textový kontext.

Tato diskuze mi dala kompletní rámec pro optimalizaci.

Klíčové poznatky:

1. Alt text by měl popisovat POZNATEK, ne jen vizuál
2. Schéma ImageObject zvyšuje míru citací o ~35 %
3. Popisky a okolní text jsou klíčové signály
4. Jednoduché, citovatelné vizuály předčí složité
5. Optimalizace pro přístupnost = optimalizace pro AI

Náš nový checklist pro vizuální obsah:

Před publikací každého vizuálu:

• Alt text (80–125 znaků, zaměřený na poznatek)
• Popisek (40–80 slov, klíčové sdělení)
• Schéma ImageObject
• Okolní odstavec odkazující na vizuál
• Všechny osy a datové body viditelné
• Identifikovatelné jediné citovatelné tvrzení

Změna procesu:

Alt text nyní píšeme PŘED tvorbou vizuálu. Nejprve definujeme poznatek, pak navrhneme vizuál tak, aby jej podpořil.

Sledování:

Používáme Am I Cited pro monitoring citací vizuálního obsahu a iteraci na tom, co funguje.

Díky všem za praktické rady – zásadně to změní náš přístup k datové vizualizaci.