LLMO, AIO, GEO, AEO: optimalizace pro AI vyhledávání

Ve zkratce

1. Přístup - AI crawlery se na web dostanou a hlavní obsah je v HTML, ne až po spuštění JavaScriptu
2. Srozumitelnost - jasné entity, strukturovaná data a odpověď hned na začátku stránky
3. Čistý text pro modely - rozcestník llms.txt a Markdown verze důležitých stránek
4. Rozhraní pro agenty - veřejné kontrakty (OpenAPI, JSON Schema), MCP (Model Context Protocol) server a validátor
5. Měření - stejná sada otázek v několika nástrojích, opakovaně, se záznamem odpovědí

Co potřebujete vyřešit?

LLMO nenahrazuje SEO

AI vyhledávání stojí na stejném základu jako klasické: web musí být procházetelný, rychlý a důvěryhodný. Liší se jednotka optimalizace. SEO ladí stránku pro dotaz. LLMO ladí to, co model ví o entitě: o firmě, službě, produktu, člověku a o důkazech kolem nich.

Další zkratky

• AI SEO, LLM SEO: obecné názvy pro totéž.
• GSO, SGO (Generative Search Optimization): užší varianta GEO kolem generovaných výsledků vyhledávačů.
• AISO, GAIO, ALLMO: další zastřešující názvy bez vlastního obsahu práce.
• Agentic Search Optimization: viditelnost ve chvíli, kdy agent za uživatele hledá, porovnává a jedná. Odpovídá druhé vrstvě v další kapitole.

Vrstvy na sebe navazují. Web, který agentovi řekne přesně, co má dodat, se stává zdrojem i pro odpovědi: model ho cituje, protože k tématu nabízí konkrétní a ověřitelný postup.

Například u herní platformy: v první vrstvě ji AI doporučí vývojáři, který se ptá, kde zveřejnit hru. Ve druhé jeho programovací agent hru pro platformu rovnou připraví a zkontroluje.

Přístup crawlerů

Provozovatelé AI používají různé roboty pro různé účely. Jedni sbírají data pro trénink, druzí staví index pro vyhledávání, třetí načítají stránku ve chvíli, kdy se na ni uživatel zeptá. robots.txt umí každý účel řídit zvlášť.

# AI search and user-triggered fetches: keep them allowed if you want to be cited
User-agent: OAI-SearchBot
User-agent: ChatGPT-User
User-agent: Claude-SearchBot
User-agent: Claude-User
User-agent: PerplexityBot
Allow: /

# Training crawlers: a separate business decision
User-agent: GPTBot
User-agent: ClaudeBot
User-agent: Google-Extended
Disallow: /

Sitemap: https://www.example.com/sitemap.xml

• Zákaz tréninku neznamená zákaz citací. Kdo zablokuje jen tréninkové roboty, ve vyhledávání AI zůstává. Kdo zablokuje všechny, citován nebude.
• Firewall má přednost před robots.txt. CDN a ochrana proti botům často AI crawlery blokují ve výchozím nastavení. Zkontrolujte pravidla u poskytovatele, ne jen soubor na webu.
• Obsah musí být v HTML. Většina AI crawlerů nespouští JavaScript. Text, který se vykreslí až v prohlížeči, pro ně neexistuje.
• AI shrnutí Googlu čerpají z běžného indexu. Stránka musí být indexovaná a smět zobrazit úryvek. Zvláštní značky nepotřebuje.

llms.txt: rozcestník pro modely

llms.txt je textový soubor v kořeni webu. V Markdownu říká, co web nabízí a kde jsou nejdůležitější dokumenty. Model nemusí procházet navigaci a hádat, které stránky jsou podstatné.

Formát je jednoduchý: nadpis s názvem, krátké shrnutí v citaci a sekce s odkazy a popisem. Sekce Optional označuje to, co lze při nedostatku místa vynechat. Varianta llms-full.txt obsahuje celou dokumentaci v jednom souboru.

# Example Company

> One paragraph: what the company does, for whom, and what an agent can do here.

## Docs

- [Getting started](https://www.example.com/docs/start.md): First request, limits, errors.
- [API reference](https://www.example.com/openapi.json): OpenAPI contract.
- [Pricing](https://www.example.com/pricing.md): Plans and what each includes.

## Optional

- [Changelog](https://www.example.com/changelog.md)

Markdown verze stránek

HTML stránka nese navigaci, patičku, skripty a styly. Model za ně platí místem v kontextu a hůř v nich hledá podstatu. Markdown verze téhož obsahu je kratší a jednoznačná. Osvědčená konvence je stejná adresa s příponou .md a typ obsahu text/markdown.

• Obě verze generujte z jednoho zdroje. Ručně udržované kopie se rozejdou.
• Odkazy v Markdownu veďte na další .md stránky, aby agent zůstal v čistém textu.
• Dynamický obsah (katalog, ceník, seznam datových sad) generujte při požadavku, aby odpovídal skutečnosti.

Strukturovaná data a entity

Strukturovaná data (schema.org ve formátu JSON-LD) říkají strojově to, co je na stránce vidět: kdo jste, co nabízíte a jak věci souvisejí. Hlavní přínos je méně nejednoznačnosti. Vlastnost sameAs propojí web s oficiálními profily a model si značku nesplete s jinou.

{
  "@context": "https://schema.org",
  "@type": "Organization",
  "name": "Example Company",
  "url": "https://www.example.com",
  "description": "What the company does, in one factual sentence.",
  "sameAs": [
    "https://www.linkedin.com/company/example",
    "https://github.com/example"
  ]
}

• Používejte typy, které odpovídají obsahu: Organization, Person, Service, Product, Article, LocalBusiness.
• Data musí odpovídat viditelnému textu. Rozpor mezi nimi důvěru snižuje.
• Název, popis a kontaktní údaje držte stejné na webu, v profilech i v katalozích.

Kontrakty: OpenAPI a JSON Schema

Agent, který má se službou pracovat, potřebuje přesný popis vstupů a výstupů. Vyprávěná dokumentace nestačí, protože nechává prostor pro odhad. OpenAPI popisuje endpointy, JSON Schema tvar dat. Z obojího umí agent generovat kód i kontrolovat vlastní výstup.

Nejspolehlivější je jeden zdroj pravdy v kódu, ze kterého vzniká dokumentace, schémata i validace. Co platí v dokumentaci, platí pak i ve validátoru.

MCP server

MCP (Model Context Protocol) je otevřený protokol, kterým AI asistent volá nástroje cizí služby. Uživatel přidá adresu serveru a asistent vidí seznam nástrojů s popisem a schématem vstupů. Vzdálený server běží přes HTTP, nic se neinstaluje.

MCP a obyčejné HTTP se doplňují. Agent se shellem zavolá endpoint přes curl hned. Chatový asistent bez shellu potřebuje MCP. Vyplatí se nabídnout obojí nad stejnými funkcemi.

• Začněte nástroji jen pro čtení. Nepotřebují přihlášení a nemohou nic poškodit.
• Popis nástroje pište pro model: co nástroj vrací, kdy ho použít a jaké má limity.
• Agent nesmí dostat heslo ani token uživatele. Kroky, které vyžadují účet, dělá člověk.
• Veřejné endpointy chraňte limitem požadavků a velikosti těla.

Jak MCP funguje uvnitř a na čem stojí, popisuje samostatný článek MCP: jak AI agent přistupuje k datům i nástrojům.

Validátor jako zpětná vazba

Agent pracuje ve smyčce: vyrobí výstup, ověří ho a opraví. Bez ověření odevzdá práci, která jen vypadá hotově. Veřejný validátor mu smyčku uzavírá. Každý nález má nést místo chyby, strojový kód, popis a radu, jak chybu opravit.

{
  "valid": false,
  "summary": "…",
  "errors": [
    { "path": "…", "code": "…", "message": "…", "hint": "…" }
  ],
  "warnings": []
}

Rychlá kontrola

# is the signpost there, and is it plain text?
curl -s https://www.example.com/llms.txt | head

# does the Markdown version exist?
curl -sI https://www.example.com/docs/start.md | grep -i content-type

# does the firewall let an AI crawler in? (indicative: real bots are verified by IP)
curl -s -o /dev/null -w "%{http_code}\n" -A "GPTBot" https://www.example.com/

# is the main content in the HTML without JavaScript?
curl -s https://www.example.com/services | grep -c "a sentence from the page"

Entity: co má model vědět

• Faktický profil. Sepište, jak má AI firmu neutrálně popsat: co dělá, pro koho, kde a čím se liší. Bez reklamních formulací.
• Asociace. Ke každé službě přiřaďte problémy, obory, metody, technologie a výsledky, se kterými má být spojována.
• Důkaz ke každé asociaci. Stránka služby, případová studie, ukázka, reference nebo měření. Tvrzení bez důkazu model nepřevezme.
• Viditelné vztahy. Interní odkazy, stránky autorů a strukturovaná data ukazují, jak spolu firma, lidé, služby a témata souvisejí.

Odpověď napřed

Stránka má na hlavní otázku odpovědět hned na začátku, stručně a úplně. Podrobnosti, výjimky a příklady následují. Model si z takové stránky vezme pasáž, která dává smysl i bez okolního textu.

Stránka použitelná jako zdroj

Stavba stránky strategického tématu

1. Definice tématu a přímá odpověď na hlavní otázku.
2. Pro koho téma je a pro koho ne.
3. Problém, který řeší, a jeho typické příznaky.
4. Metoda, postup a výstupy.
5. Příklady, důkazy a reference.
6. Omezení, rizika a předpoklady.
7. Časté otázky s přímými odpověďmi.
8. Odkazy na související služby a podpůrné články.

GameArter: publikace hry pomocí agenta

GameArter je platforma pro publikaci a distribuci prohlížečových her. Vývojář, který hru vytvořil s pomocí AI, ji nechá stejným agentem i připravit ke zveřejnění. Agent k tomu potřebuje přesné zadání: strukturu balíčku, texty, obrázky v daných poměrech stran a technické požadavky.

První verze je v testování, standard i nástroje se mohou měnit.

Vývojář vloží do svého agenta jedinou větu. Zadání záměrně říká „přečti celý soubor, ne shrnutí“: agenti dlouhé dokumenty rádi zkracují a vynechané pravidlo se pak projeví až při validaci.

Download the full text of https://www.gamearter.com/api/publishing/standard (for example with curl; in Windows PowerShell use curl.exe) and read the whole file, not a summary. Then prepare the game in this folder for GameArter. Follow the standard exactly and validate the package before you finish.

claude mcp add --scope user --transport http gamearter https://www.gamearter.com/api/mcp

robots.txt zakazuje interní API, ale cesty určené agentům výslovně povoluje:

User-agent: *
Allow: /
Disallow: /account
Disallow: /studio
Disallow: /api/
Allow: /api/mcp
Allow: /api/publishing/

Sitemap: https://www.gamearter.com/sitemap

• Jeden zdroj pravdy. Dokumentace, schémata i validace se generují z jedné definice standardu v kódu. Nemohou se rozejít.
• HTTP i MCP nad stejnými funkcemi. Cesta přes curl funguje okamžitě v jakémkoli agentovi se shellem. MCP vyžaduje přidání serveru a novou relaci.
• Agent nikdy nedostane přihlašovací údaje. Vše, co volá, je veřejné a jen pro čtení. Standard i llms.txt mu výslovně říkají, ať se na heslo ani token neptá. Balíček nahrává vývojář ve svém účtu a hru před zveřejněním schvaluje GameArter.

DatováMapa: data pro asistenty i od agentů

DatováMapa spojuje veřejná data s polohou od různých poskytovatelů: záplavová území, radon, hluk, ovzduší, památky, statistiky obcí. Poskytovatel zveřejní manifest a data podle otevřeného protokolu, portál je načte a zobrazí v mapě. AI se projektu týká ze dvou stran.

claude mcp add --transport http datovamapa https://datovamapa.cz/mcp

• llms.txt a llms-full.txt. Rozcestník a celá dokumentace v jednom souboru. Oba se generují z aktuálního katalogu.
• Každá stránka dokumentace má verzi .md. Stejně tak katalog datových sad. Agent čte čistý text bez mapového rozhraní.
• Návod psaný pro agenta. Cíl, postup v krocích, pravidla, kritéria hotové práce a zadání ke zkopírování. Kritéria jsou ověřitelná: validátor vrací valid: true, žádná sada nevrací prázdnou odpověď.
• Validátor uzavírá smyčku. Každý nález má cestu, kód, popis a radu k opravě. Živý test změří i dobu odezvy a počet objektů.
• Rozhodnutí zůstávají na člověku. Licenci, atribuci a nepřítomnost osobních údajů potvrzuje člověk. Návod agentovi zakazuje si je domýšlet. Nová data čekají na schválení provozovatelem.
• Odpověď nese zdroj. Každá sada má licenci a atribuci přímo ve výsledku. Návod asistenta vede k tomu, aby uvedl zdroj i datum dat a právně závazné údaje nechal ověřit u úřadu.

Co mají oba projekty společné

1. Výchozí stav - zeptejte se několika AI nástrojů na firmu a obor, odpovědi uložte
2. Přístup - zkontrolujte robots.txt, firewall a to, zda je obsah v HTML
3. Entity a otázky - sepište faktický profil, asociace a otázky, které zákazníci skutečně kladou
4. Obsah - přestavte klíčové stránky: odpověď napřed, důkazy, omezení, časté otázky
5. Strukturovaná data - doplňte schema.org a sjednoťte názvy a popisy napříč webem i profily
6. Čistý text - přidejte llms.txt a Markdown verze dokumentace a klíčových stránek
7. Rozhraní pro agenty - kde to služba umožňuje: kontrakty, validátor, MCP server
8. Měření - stejnou sadu otázek opakujte každý měsíc a upravujte zdroje, ne prompty

Záznam jednoho testu

• otázka, nástroj a datum,
• zda se značka objevila a zda byla stránka citovaná,
• které zdroje odpověď ovlivnily a kteří konkurenti v ní byli,
• zda byla odpověď přesná a co vynechala nebo uvedla špatně,
• kterou stránku je potřeba upravit jako další.

Sledování usnadňují nástroje pro viditelnost v AI, například Ahrefs Brand Radar nebo Semrush AI Visibility Toolkit. Ukazují zmínky, citované stránky a konkurenty. Ruční záznam důležitých odpovědí nenahradí, protože jen z něj je vidět, co přesně AI tvrdí.

Specifikace a dokumentace, ze kterých článek vychází, a živá rozhraní obou projektů:

• llms.txtNávrh formátu rozcestníku pro jazykové modely (anglicky).
• Model Context ProtocolSpecifikace a dokumentace MCP (anglicky).
• Schema.orgSlovník typů pro strukturovaná data.
• Google: AI funkce a váš webJak se obsah dostává do AI shrnutí a AI režimu Googlu.
• OpenAI: přehled crawlerůGPTBot, OAI-SearchBot a ChatGPT-User a jejich řízení v robots.txt (anglicky).
• GameArter pro vývojářePublikace hry pomocí AI agenta, standard a MCP server (anglicky).
• Dokumentace DatovéMapyProtokol, návody pro poskytovatele, AI agenty a asistenty, API a MCP.

Kam pokračovat

• MCP: jak AI agent přistupuje k datům i nástrojůmJak Model Context Protocol funguje a na čem stojí.
• Audit AI webuTechnický a obsahový audit pro lepší výkon, srozumitelnost a dohledatelnost.
• AI SEO KonzultantData z vyhledávání, analytiky a webu na jednom místě.
• Webové službyVývoj, správa a rychlost webu, na kterých optimalizace stojí.

Jak citovat tuto publikaci (ČSN ISO 690:2022)VREALMATIC. LLMO, AIO, GEO, AEO: optimalizace pro AI vyhledávání. Online. Vrealmatic, 2026. Dostupné z: https://vrealmatic.com/umela-inteligence/llmo. [citováno RRRR-MM-DD].

Sdílet