Proč vám nástroj na AI viditelnost může měřit špatnou zemi (nám se to stalo)
Dvacet dní jsme českou viditelnost měřili nad dánskými výsledky kvůli jednomu špatnému číslu. Zde je chyba, proč ji běžný dashboard neodhalí a pět otázek na každého dodavatele AI visibility.
Dvacet dní naše české měření posílalo AI enginům otázky o českých značkách a potichu dostávalo odpovědi ukotvené v Dánsku. Nic neselhalo. Reporty vypadaly správně. Špatná byla země — a žádná část pipeline to neuměla sama poznat.
Chybu jsme našli, opravili a stejný den zveřejnili v changelogu. Tady je delší verze: co přesně selhalo, proč tento typ chyby vypadá jako zdravý systém a jak si ověřit, že lokalizované číslo opravdu měří váš trh.
- Přiznání: český grader používal DataForSEO
location_code 2208, tedy Dánsko. Česko je2203. - Mechanismus: chybný location code nevrátí chybu; vrátí věrohodně vypadající odpověď pro nesprávnou zemi.
- Jak jsme to odhalili: ověřili jsme 26 kódů trhu proti autoritativní databázi locations a ISO kódům zemí.
- Pravidlo pro zákazníka: lokalizace znamená ověřený location code, prompty psané pro jazyk trhu a filtrování srovnávačů podle země — ne přeložené UI.
Jedno špatné číslo, dvacet dní dánských dat
Český self-serve grader běžel od 3. července nad reálnými českými nákupními otázkami. Locale se do DataForSEO předávalo parametrem location_code. Nasadili jsme 2208; to je Dánsko. Český kód je 2203.
Od 3. do 23. července proto location-coded volání pro Google AI Mode, ChatGPT scraper, Gemini a AI Overview pracovala s dánskou vyhledávací infrastrukturou. Perplexity ovlivněn nebyl, protože tento parametr nepoužívá. Českým firmám jsme však u dotčených enginů ukazovali jejich viditelnost v trhu, kam většina z nich vůbec neprodává.
Proč to dashboard nepozná
Špatný location code není technická chyba API. API přesně splní požadavek a vrátí dobře formovaný, věrohodný výsledek — pro špatnou zemi. Parser ho zpracuje, scoring ohodnotí a graf vykreslí. Zdravá pipeline tak může produkovat fikci.
Výstup navíc nemusí působit cize: AI odpovídá jazykem promptu. Česká otázka nad dánsky lokalizovaným retrievalem často přinese plynulou češtinu, jen s nesprávným mixem zdrojů. Jediná obrana je porovnání parametru se ground truth a kontrola zdrojů.
Co skutečně znamená lokalizované měření
- Ověřené location codes pro každou zemi. Ne číslo z fóra, ale kód porovnaný s autoritativní databází poskytovatele a ideálně živě ověřený před nasazením.
- Prompty vytvořené v jazyce trhu. Německý kupující se neptá anglickou větou. Phrasing, retrieval, zdroje i doporučené značky se mezi jazyky mění.
- Filtrování marketplace a srovnávačů podle trhu. Heureka, Idealo nebo Leboncoin nejsou automaticky konkurent; globální blocklist naopak může skrýt skutečného rivala.
Pět otázek na každého dodavatele AI visibility
1. Který location code spustil můj poslední scan a jak byl ověřen?
Ne „podporujete mou zemi?“, ale konkrétní kód, postup a datum ověření. Dodavatel s reálným procesem umí ukázat parametr i kontrolu proti zdrojové databázi.
2. V jakém jazyce byly vytvořeny moje prompty?
Požádejte o tři skutečné prompty z posledního scanu. Pokud německá firma dostane anglické otázky, dashboard může být německy, ale měření není lokalizované.
3. Filtrujete konkurenty podle trhu, nebo jedním globálním seznamem?
Srovnávače je nutné posoudit v kontextu trhu a business modelu. Marketplace, který současně prodává vlastním jménem, může být relevantním konkurentem.
4. Co se stane při chybném location parametru?
„API call funguje“ není odpověď; právě to je riziko. Hledejte nezávislou kontrolu, která propojí parametr s ověřenou zemí a zachytí zdravě vypadající pipeline nad chybnými daty.
5. Kde je zveřejněna metodologie?
Enginy, váhy, cadence, sampling a práce s trhy mají být veřejné, konkrétní a aktuální. Bez nich kupujete důvěru v dashboard, ne ověřitelné měření.
Nepříjemný závěr
Zdravý systém a nesprávný systém mohou produkovat stejně krásné grafy. Správnost není z vnitřku pipeline vidět. Obrana je strukturální: ověřovat proti ground truth při nasazení i průběžně a mít dost veřejné transparentnosti, aby skrytí chyby stálo víc než její přiznání.
Methodology & sources
Editorial review for factual claims (as of 2026-07-24).
Český locale byl od 2026-07-03 do 2026-07-23 nasazen s DataForSEO
location_code 2208 (Dánsko) namísto 2203 (Česko). Chybu jsme našli při
ověření 26 market codes proti locations databázi poskytovatele, opravili na
2203 a živě ověřili tentýž den. Historická dotčená data nejsou potichu
přepsána.
Zdroje a další čtení
- Changelog — zveřejnění opravy location-code a multi-market změn.
- Metodologie — enginy, cadence a práce s trhem.
- Den 1: GEO Score 0 — první článek série transparentního měření.
Časté dotazy
Stejné otázky a odpovědi posíláme i jako strukturovaná data (FAQPage), aby je AI enginy mohly citovat doslovně.
- Jak ověřím, že nástroj měří správnou zemi?
- Zeptejte se na location code z posledního scanu a způsob ověření proti autoritativní databázi poskytovatele. Pak si vyžádejte skutečné prompty: pokud prodáváte v Německu a jsou anglicky, měření není plně lokalizované.
- Proč chybný location code nevrátí chybu?
- API přesně splní požadavek a vrátí věrohodná data pro špatnou zemi. Parser, scoring i grafy potom fungují bez chyby; problém zachytí jen kontrola proti ground truth.
- Znamená multi-language podporu lokalizované měření?
- Obvykle ne. Přeložené UI nestačí. Lokalizované měření potřebuje ověřené location codes, prompty vytvořené v jazyce trhu a filtrování srovnávačů či marketplace podle trhu.
- Co se pokazilo v českém měření GEO Tracker AI?
- Od 3. do 23. července 2026 používalo české locale DataForSEO kód 2208 pro Dánsko namísto 2203 pro Česko. Chybu jsme našli při kontrole 26 market codes, opravili a zveřejnili ve stejný den.
Související články
Den 1 sledování naší vlastní AI viditelnosti: GEO Score 0. Tady je nelichotivá pravda.
10 min read čtení
AI VisibilityAI SEO v roce 2026: Jak zlepšit viditelnost v ChatGPT, Google AI Mode a Perplexity
5 min read čtení
NávodyProč viditelnost v AI měříme týdně a každý prompt opakujeme třikrát
4 min read čtení
Vaše GEO Score
Vytvořte si obhajitelný základ viditelnosti v AI
Použijte opakované kontroly podporovaných enginů, abyste viděli, zda se značka objevuje, v jakém kontextu a jak se výsledek mění v čase.