Entity SEO je práce s tím, koho a co váš web popisuje a jaké vztahy mezi těmito věcmi dokládá. U firmy nejde jen o název, ale také o její odlišení od jmenovců, propojení s konkrétními lidmi, produkty a oficiálními profily. Srozumitelný obsah a odpovídající strukturovaná data mohou vyhledávači pomoci s interpretací. Nejsou ale vstupenkou do znalostního panelu ani zárukou doporučení od AI.
Praktický problém vypadá obyčejně: článek má uvedeného autora, jeho profil ale odkazuje na jinou osobu. Produkt používá stejný název jako firma a není jasné, kdo jej provozuje. Veřejný katalog popisuje službu, kterou už nenabízíte. Přidat do takové situace další seznam „souvisejících entit“ znamená spíš rozmnožit nejasnosti než je odstranit.
Entita není slovo, kterým ji pojmenujete
Entitou zde rozumíme rozlišitelnou osobu, organizaci, místo, produkt nebo pojem, o kterém něco sdělujeme. Klíčové slovo je naproti tomu konkrétní formulace hledání. Jednu firmu mohou lidé hledat oficiálním názvem, zkratkou i názvem jejího produktu. A jeden název může patřit několika nesouvisejícím firmám.
Proto je potřeba oddělit rozpoznání názvu od přiřazení správné identity. Rozpoznávání pojmenovaných entit, označované zkratkou NER, v textu vyhledává například jména osob a organizací. Navazující rozlišení řeší, o kterou konkrétní osobu či organizaci jde. V různých systémech nemusí být tyto kroky provedené stejně; nejde o zveřejněný jednotný návod na fungování Googlu nebo všech chatbotů.
Entity SEO také není důvod zahodit analýzu klíčových slov. Ta pomáhá zjistit, jak lidé problém formulují a co chtějí vyřešit. Práce s entitami doplňuje jinou otázku: je z odpovědi zřejmé, o kom, o čem a o jakém vztahu mluvíme? Dobrá stránka potřebuje obojí. Čtenář hledající konkrétní službu nezíská lepší odpověď jen tím, že text obsahuje více názvů z oborového slovníku.
Firma, její produkt a autor článku nejsou jedna identita
Představme si zcela fiktivní ukázku: společnost Vzorník vyvíjí aplikaci Vzorník Termíny pro správu rezervací. O jejím zavádění píše fiktivní specialistka Eva Ukázková. Názvy a role slouží pouze k vysvětlení; nejde o klienta, doporučený nástroj ani skutečnou realizaci.
Na webu potřebujeme rozlišit společnost, aplikaci, autorku a samotný článek. Společnost produkt provozuje, autorka článek napsala a článek vysvětluje určitou část zavádění. Z toho automaticky neplyne, že autorka firmu vlastní, že je aplikace samostatná společnost nebo že společnost vytvořila každý nástroj zmíněný v textu.
Takové rozlišení není akademická drobnost. Pokud na produktové stránce chybí provozovatel a autorský medailonek používá neurčité „náš expert“, musí si návštěvník vztahy domýšlet. Stejná nejasnost se může přenést do dalšího shrnutí. Nejprve tedy doplňte viditelnou informaci: co je produkt, kdo za ním stojí a jaká je skutečná role uvedeného člověka. Teprve potom ji převádějte do značkování.
U podobných jmen pomůže také obor a místo působení, pokud jsou pro rozlišení důležité a pravdivé. Není nutné opakovat celý právní název v každé větě ani zavádět umělou slovní zásobu. Cílem je jednoznačný kontext, ne text připomínající výpis z rejstříku.
Začněte registrem tvrzení, ne nákupem dalších profilů
Pro první kontrolu stačí pracovní tabulka. Každé důležité identitě přiřaďte vlastní řádek, hlavní stránku na webu, používané názvy a zdroj podstatných tvrzení. U vztahů zaznamenejte také jejich platnost: bývalý zaměstnavatel není současný a historická role zakladatele není totéž co dnešní vedení firmy.
- Co přesně popisujeme: osobu, organizaci, produkt, provozovnu nebo odborné téma.
- Kde to vysvětlujeme: profil autora, stránka o firmě, detail produktu nebo stránka služby.
- Jaké vztahy tvrdíme: autorství, zaměstnání, provozování produktu či skutečné partnerství.
- Čím je dokládáme: schváleným firemním podkladem, oficiálním profilem, konkrétní referencí nebo nezávislým zdrojem.
- Kdo údaj udržuje: konkrétní odpovědný člověk a datum posledního věcného ověření.
V modelové ukázce by u Evy nestačil odkaz na obecnou stránku aplikace. Potřebujeme podklad pro její konkrétní roli a stránku, kde se o ní čtenář dozví více. Pokud nevíme, zda pro společnost stále pracuje, údaj nejdřív ověříme. Nejistotu nelze vyřešit tím, že „pracuje pro“ přepíšeme na přesvědčivější formulaci.
Přednost dejte místům, která používají zákazníci: webu, autorům důležitých článků, produktovým stránkám a relevantním existujícím profilům. Každý nový profil představuje další údaj, který někdo musí udržovat. Bez skutečného důvodu nepomůže zakládat účty na desítkách platforem jen proto, aby bylo kam vložit zpětný odkaz. U poboček a místních služeb navazuje samostatný postup pro lokální SEO a správnost firemních údajů.
Co řeší strukturovaná data a k čemu slouží sameAs
Strukturovaná data jsou strojově čitelný popis obsahu. Google uvádí, že mu pomáhají rozumět stránce a shromažďovat informace například o lidech a společnostech. U značkování Organization výslovně popisuje také pomoc s odlišením organizace od jiných organizací ve výsledcích. To je konkrétní, doložený účel. Tvrzení, že tím získáte vyšší pozici nebo jistou AI citaci, už je jiný a mnohem silnější slib. [1][2]
Zvolte typ odpovídající skutečnosti. Person popisuje člověka, Organization organizaci; produkt nemá být vydáván za organizaci jen proto, že se podobně jmenuje. U firmy použijte vhodný konkrétnější podtyp, pokud odpovídá jejímu charakteru. Google doporučuje údaje o organizaci na domovské nebo jedné odpovídající stránce o firmě. Není nutné všude kopírovat rozsáhlý blok. [1]
sameAs znamená stejnou identitu, ne podobné téma
Vlastnost sameAs podle Schema.org odkazuje na referenční stránku, která jednoznačně určuje identitu popisované věci. Google u organizací uvádí jako příklad profil organizace na sociální síti nebo recenzním webu. [1][3] V naší fiktivní situaci by tedy profil společnosti patřil ke společnosti a osobní profil Evy k Evě. Odkaz na článek o rezervačních systémech není další identitou společnosti.
Do sameAs nepatří konkurent, obecné heslo o oboru ani zaměstnavatel místo osoby. Pouhá shoda jména rovněž nestačí: otevřete cílový profil a ověřte obor, web a skutečnou identitu. Existující záznam ve Wikidatech lze použít jen tehdy, pokud opravdu popisuje daný subjekt. Nemusíte jej mít jen proto, abyste mohli pravdivě představit firmu na vlastním webu.
@id označuje uzel ve vašem popisu, není potvrzením od Googlu
V JSON-LD se k identifikaci uzlu používá @id. [4] Prakticky si tak můžete držet stabilní identifikátor osoby nebo organizace a odkazovat na něj z dalších částí dat. Následující zápis je pouze vysvětlení modelové adresy, nikoli kód k vložení na skutečný web: https://example.org/#organizace může označovat organizaci a https://example.org/#autor-eva osobu. Jde o smyšlené identifikátory na ukázkové doméně.
Takto zvolený identifikátor není ID v Google Knowledge Graphu a jeho zveřejnění samo nedokazuje, že Google subjekt eviduje. Nezaměňujte ani adresu stránky s věcí, kterou stránka popisuje. Článek může mít vlastní identitu dokumentu a současně odkazovat na autora; nemusejí být slité do jednoho objektu.
Před úpravou zjistěte, co už vytváří šablona nebo SEO plugin. Druhý blok s jiným názvem, autorem či provozovatelem může přidat rozpor. Zkontrolujte skutečný výstup stránky, nejen vyplněné pole v administraci. Značkování musí odpovídat obsahu a nesmí klamavě tvrdit vlastnictví nebo příslušnost. Ani syntakticky správná data nezaručují rozšířené zobrazení. [1][5]
Ontologie dává vztahům pravidla, znalostní graf je naplňuje
Ontologie je model pojmů, jejich vlastností a vztahů v určité oblasti. Formální ontologické jazyky, například OWL, pracují s třídami, vlastnostmi a jednotlivými objekty a umožňují nad takto popsanými znalostmi uvažovat. [6] Pro redakční práci je užitečné rozlišení jednoduché: model určí, že existuje autor, článek a vztah autorství; konkrétní data doplní, který člověk napsal který článek.
Znalostní graf pak propojuje konkrétní objekty a tvrzení. V modelové situaci můžeme zapsat vztah „Eva Ukázková → napsala → článek o zavádění aplikace“. Vedle něj stojí jiný vztah „Vzorník → provozuje → Vzorník Termíny“. Tato síť sama neprokazuje pravdivost údajů. Pořád potřebujeme zdroj, datum a kontrolu rolí.
Pro menší web může být prvním použitelným výstupem tabulka a přehledná informační struktura. To ještě není plnohodnotná formální ontologie, ale pomůže odhalit, že zaměňujete produkt s firmou nebo kategorii s konkrétní službou. Není nutné kvůli několika profilům zavádět grafovou databázi. Složitější model má smysl, když se vám stejné objekty a vztahy opakují napříč katalogem, jazyky nebo datovými zdroji.
Obsahový dopad je konkrétní: jedna stránka vysvětlí aplikaci, jiná jejího provozovatele a další odborný postup. Odkazy mají čtenáři umožnit ověřit souvislost. Z toho ale neplyne pravidlo „jedna entita = jeden článek“. Jeden produkt může potřebovat ceník i návod, protože řeší různé úkoly. Naopak dvě synonymní definice často nepotřebují dvě URL. Výběr stránek proto dál patří do obsahové strategie.
SEOntology je konkrétní projekt, ne povinný standard pro všechny weby
Vedle obecného modelování existuje projekt SEOntology. Jeho veřejný repozitář popisuje otevřený slovník pro modelování SEO dat a pracovních postupů: například stránky, dotazy, odkazy a části obsahu. Zmiňuje propojení s třídami Schema.org, sdílení dat mezi nástroji a verzování. Při kontrole 16. listopadu 2026 se současně označoval za raný návrh. [7]
To může být zajímavé pro tým, který propojuje data crawleru, analytiky a redakčního systému. Není to však doklad, že Google vyžaduje SEOntology nebo že jeho nasazení zlepší ranking. Model pro vaše interní SEO workflow a značkování podporované konkrétní funkcí vyhledávače jsou dvě různá rozhodnutí. Pro běžný web začněte tím, zda máte správně popsané vlastní objekty, ne tím, zda používáte co nejnovější slovník.
Co z výzkumu a nástrojů nelze vyvozovat
U Entity SEO se snadno smíchá užitečný popis s nepodloženým vysvětlením algoritmu. Nejčastější zkratky jsou tři: skóre nástroje se vydává za interní hodnocení vyhledávače, dílčí pozorování za univerzální architekturu a doporučená praxe za jistý výsledek.
Entity salience není skóre vaší SEO autority. Dokumentace Google Cloud Natural Language API v1 popisuje salience jako hodnotu mezi 0 a 1 vyjadřující důležitost či ústřední postavení entity v analyzovaném dokumentu. [8] Není to zveřejněné rankingové skóre stránky. Úprava textu může změnit výstup této analýzy, aniž bychom tím prokázali změnu v hodnocení Googlu. Nemá proto smysl kazit češtinu opakováním názvu jen kvůli vyšší hodnotě.
Výzkum rozlišování významů slov není test přínosu sameAs. Studie Proiettiho a kolegů z LREC-COLING 2024 zkoumá rozlišování homonymních významů pomocí předtrénovaných jazykových modelů a upraveného slovníkového zdroje. [9] Netestuje, zda doplnění firemních profilů nebo strukturovaných dat sníží záměny značek v dnešním ChatGPT. Jde o jiný úkol i jiné vyhodnocení.
Pozorování rozhraní není mapa celého systému. Analýza dat přenášených webovým klientem ChatGPT od WordLiftu je zajímavá jako časově omezené pozorování konkrétního rozhraní. Sám autor tuto hranici v metodické poznámce uvádí. [10] Nelze z ní odvodit, že všechny modely používají stejný znalostní graf nebo že bez Schema.org nemáte šanci objevit se v AI odpovědi.
Stejně opatrně čtěte označení „zdravá“ či „odpojená“ entita. Hobo je ve své hypotéze výslovně uvádí jako vlastní pojmenování a mentální model. [11] Nejde o doložené oficiální stavy Googlu, podle kterých byste mohli diagnostikovat pokles návštěvnosti. Oprava identity je rozumný úkol; slib, že vás ochrání před aktualizací algoritmu, z něj neplyne.
V jakém pořadí řešit skutečné nedostatky
Nejdřív opravte záměnu, která může člověka dovést k jinému subjektu: chybný odkaz na profil, neaktuální provozovatel, nesprávný autor nebo jiná firma stejného jména. Potom rozpory mezi důležitými vlastními stránkami a existujícími profily. Teprve následně rozšiřujte model a doplňujte další kontext.
U každé opravy si nechte konkrétní doklad. Například: „Profil autora odkazoval na jmenovce; nový cíl byl ověřen podle uvedeného webu a role.“ To je kontrolovatelný výstup. „Posílili jsme entitu o dvacet procent“ bez definice měřítka neříká, co se změnilo.
Nezapomínejte na dostupnost obsahu. Google u AI Overviews a AI Mode uvádí, že stránka použitá jako podpůrný odkaz musí být indexovaná a způsobilá k zobrazení s úryvkem; další technické požadavky nad tento rámec neuvádí. [12] Zvláštní ontologie tedy nenahrazuje řešení blokované stránky. Širší technickou a obsahovou část rozebírá návod jak optimalizovat web pro AI vyhledávání.
Měřte správnost identity zvlášť od viditelnosti
Po schválené úpravě nejprve ověřte vlastní výstup: správné profily, role, odkazy a soulad značkování s viditelným textem. Pak sledujte, co skutečně vrací vybrané vyhledávací nebo AI prostředí. Připravte stálé otázky na identitu firmy, její produkt a autora a předem si napište očekávaná fakta s podklady. Oddělte otázku „Kdo je tato firma?“ od „Koho doporučíte pro tento problém?“.
U každého záznamu uchovejte produkt a režim, datum, jazyk, přesné znění otázky, celou odpověď a použité zdroje. Označte záměnu subjektu, chybný vztah, zastaralý údaj a případ, kdy odpověď informaci neuvádí. Chybějící odpověď není totéž co chybná identita. Výsledek bez webového vyhledávání také nesrovnávejte bez vysvětlení s výsledkem, který čerpá z aktuálního webu.
Zmínku značky, citaci vlastní URL, doporučení a následnou návštěvu vyhodnocujte odděleně; podrobnosti najdete v článku o SEO zmínkách, odkazech a citacích v AI. Pro výkon článku můžete sledovat relevantní dotazy a prokliky v Search Console a navazující chování v analytice. To ale samo neodhaluje „sílu entity“ ani neprokazuje příčinu změny. Výchozí hodnoty musíte teprve skutečně zaznamenat.
Začněte jednou důležitou identitou a jedním doloženým problémem. Když odstraníte nejasného provozovatele nebo záměnu autora, máte jasný důvod i ověřitelnou opravu.
Zdroje a hranice výkladu
Technická tvrzení byla ověřena 16. listopadu 2026. Modelová společnost, aplikace a autorka jsou fiktivní. Doporučený pracovní postup není výsledkem vlastního experimentu ani garancí výkonu.
- Google Search Central: Organization structured data — účel značkování a doporučené vlastnosti.
- Google Search Central: Introduction to structured data — využití dat a rozdíl mezi slovníkem a podporou Googlu.
- Schema.org: sameAs — význam vztahu identity.
- W3C: JSON-LD 1.1, Node Identifiers — použití @id.
- Google Search Central: General structured data guidelines — pravdivost a relevance značkování.
- W3C: OWL 2 Primer — základní prvky formálního modelování znalostí.
- SEOntology: veřejný repozitář projektu — rozsah slovníku pro SEO data a workflow.
- Google Cloud: Natural Language API v1, Entity — definice salience.
- Proietti a kol.: Analyzing Homonymy Disambiguation Capabilities of Pretrained Language Models — výzkum rozlišování významů slov, nikoli test SEO účinku.
- WordLift: The Hidden Entity Layer of ChatGPT — dodavatelská analýza s omezením na pozorované rozhraní.
- Hobo: Disconnected Entity Hypothesis — autorská hypotéza, nikoli oficiální klasifikace Googlu.
- Google Search Central: AI features and your website — podmínky způsobilosti podpůrných odkazů.
Není z webu jasné, kdo stojí za vaší nabídkou?
Pokud potřebujete propojit tyto nálezy s prioritami obsahu a měřením, můžeme je vymezit v GEO a SEO spolupráci. Jejím smyslem je určit a provést relevantní práci, ne slíbit panel, citace nebo pořadí, o kterých rozhoduje cizí systém. Proberme nejasnosti v popisu vaší firmy a nabídky.









