Doporučení od jazykového modelu

Kódy začínající LLM- se od zbytku reportu liší v jedné zásadní věci: nevznikly měřením, ale čtením. Všechny ostatní nálezy vyrobila deterministická kontrola: stáhli jsme soubor, spočítali znaky, porovnali čísla. Tyhle vznikly tak, že jazykový model přečetl text vašich stránek a napsal, co by podle něj šlo zlepšit.

Je to jiný druh tvrzení a zaslouží si jiné zacházení. Tahle stránka vysvětluje, jak přesně vznikají, proč mají jinou váhu než kontroly vedle nich a co s nimi dělat.

Jak doporučení vzniká

Ve dvou krocích. Nejdřív model přečte jednotlivé stránky vzorku a z každé si vytáhne strukturované shrnutí. Vzorek je nejvýš 10 stránek u bezplatného auditu a 30 u placeného (config/thresholds.json#llm_pipeline.max_pages_in_llm_sample), ne celý web.

Pak druhý model tahle shrnutí spojí dohromady s nálezy deterministických kontrol a se stromem webu a vrátí nejvýš 10 doporučení. Každé má název, vysvětlení, kategorii a prioritu 1 až 5. Z těch deseti se pak stane nejvýš deset nálezů LLM-*.

Od 19. 9. 2026 dostává ten druhý model navíc blok změřených faktů o vašem webu: jestli na něm je llms.txt, robots.txt a sitemapa, jaké typy strukturovaných dat jsme kde viděli, jestli jsou jazykové varianty propojené přes hreflang, na kolika prohlédnutých stránkách je canonical, strojově čitelný autor a datum aktualizace. Každý údaj má jeden ze tří stavů: je, není, nezjišťovali jsme. Do té doby dostával model jen seznam NALEZENÝCH problémů a z jejich mlčení si domýšlel, co na webu chybí.

Hotová doporučení pak ještě projdou deterministickou pojistkou, která hlídá tvrzení, že na webu není něco, co jsme tam viděli. Proč vznikla a co nepokrývá, stojí níž v části Když doporučení tvrdí o vašem webu nepravdu.

Odtud plyne první věc, která překvapí: ty kódy nejsou stálé. Číslo na konci (LLM-STRUCTURE-01) je jen pořadí v tom konkrétním běhu. Když audit spustíte znovu, může být téhož obsahu jiné číslo, nebo doporučení nemusí přijít vůbec. Kód LLM-* proto nepoužívejte jako odkaz na konkrétní nález, na rozdíl od ACC-02, které znamená pořád totéž.

Proč nikdy nedostanou kritickou závažnost

LLM-* nález nemůže být kritický. Nikdy, ani když mu model dal nejvyšší prioritu 5. Priorita 3 a víc se překlopí na varování, nižší na informaci, a tím strop končí.

Není to opatrnost do zásoby. Je to reakce na konkrétní věc, která se stala 1. 9. 2026 při auditu našeho vlastního webu: syntéza vrátila tři doporučení s prioritou 4 a 5, a report je ukázal jako tři kritické nálezy vedle nuly kritických z deterministických kontrol. Vypadalo to, že je web v havarijním stavu.

Jenže ty tři kritické nálezy nebyly tři problémy. Ta tři doporučení jinými slovy opakovala varování, která rule engine už hlásil, tedy chybějící meta description (STR-03) a chybějící strukturovaná data (SCH-01). Model je popsal naléhavěji a tím je v reportu povýšil nad měření, ze kterých vycházel.

Zdůrazňujeme, co přesně bylo důvodem, protože se to dá snadno přečíst špatně: nejde o nedůvěru v kvalitu modelu. Model tam neudělal chybu, popsal reálný problém. Šlo o sílu důkazu. Čtení obsahu modelem je slabší doklad než deterministické měření, ne silnější, a kritická závažnost si v tomhle produktu zaslouží jen to, co umíme změřit: blokaci crawlerů, noindex, obsah za přihlášením, obsah vyžadující JavaScript.

Priorita od modelu proto dál rozhoduje o pořadí doporučení mezi sebou, jen nesmí přebít měření.

Když doporučení tvrdí o vašem webu nepravdu

Stává se to a nebudeme to zakrývat. V září 2026 nám zákazník ohlásil audit, ve kterém tři doporučení tvrdila o jeho webu nepravdu. Jedno z nich začínalo tím, že web soubor llms.txt nevydává, přitom ten soubor na webu byl a na své adrese vracel HTTP 200. Zákazník měl pravdu.

Deterministické kontroly se přitom nespletly. Nález ACC-02 (chybí llms.txt) v tom auditu vůbec nebyl, právě proto, že soubor existoval. Nepravdu vyrobil až model: dostával seznam problémů, které jsme našli, ale nic o tom, co na webu je, a z toho mlčení usoudil na nepřítomnost.

Opravili jsme to ve třech vrstvách a ani jedna z nich není sama o sobě zárukou:

1. Model dostává fakta. Blok popsaný výš, aby o souborech a strukturovaných datech nemusel hádat. Je to hlavní oprava, protože míří na příčinu.
2. Pojistka za modelem. Když doporučení tvrdí nepřítomnost něčeho, co máme doložené jako přítomné, dostane model jeden pokus napsat ho znovu ze skutečného stavu. Když ani pak neuspěje, celé doporučení se zahodí. Nic se za model nedopisuje a ostatní doporučení zůstávají.
3. Věta u každého nálezu LLM-*, která říká, že údaj o vašem webu v něm může být nepřesný a ať si ho ověříte. Platí i pro nepravdu, která oběma vrstvami propadne.

Účinek jsme měřili na dvou webech, třikrát na každý: před opravou pět a tři nepravdivá tvrzení, po opravě nula. Je to měření na dvou webech, ne záruka.

Co pojistka nepokrývá. Kdybychom to zamlčeli, psali bychom si vysvědčení sami:

• Zahodit doporučení umí jen u webů psaných česky a anglicky. Běží sice ve všech devíti jazycích, ve kterých nálezy umíme, ale jen u těch dvou psal a proměřil seznam slov člověk. V ostatních sedmi jazycích pojistka porušení najde a vyzve model, ať větu přepíše, jenže když ani poslední pokus nepomůže, doporučení projde. Je to záměr: falešně zahozené doporučení zákazníka připraví o dobrou radu a nikdo se to nedozví, kdežto propuštěnou nepravdu ještě kryje povinná věta u každého doporučení. Jazyk se mezi ty dva přidá až po revizi rodilým mluvčím, ne po strojovém překladu.
• Hledá slova, ne význam. Doporučení, které totéž řekne oklikou, jí projde.
• Zahazuje jen proti tomu, co máme doložené. U údaje, který jsme nezjišťovali, nezahodí nic. Soubor llms-full.txt crawler od září 2026 stahuje spolu s llms.txt, takže u nových auditů i o něm víme, jestli na webu je; u auditů z dřívějška ten údaj chybí a pojistka se k němu nevyjadřuje.
• U vzorkového crawlu netvrdí nic o celém webu. Doporučení „doplňte strukturovaná data i na ostatní stránky“ proto projde, i když jsme je na prohlédnutých stránkách našli. Je to záměr: přijít o pravdivé doporučení je horší, protože o zahozeném se nedozvíte.
• Týká se jen tvrzení, že něco chybí. Jiné nepřesnosti, třeba špatně pochopený obor nebo přehlédnutou souvislost, nezachytí.

Proto u každého doporučení stojí věta, že si údaj o svém webu máte ověřit. Není to alibi do zásoby, je to jediná vrstva, která platí i tam, kde první dvě selžou.

Jak doporučení od modelu poznáte

Do září 2026 je od měřených kontrol odlišovala jediná věc: předpona kódu. Kdo kódy nezná, neměl jak poznat, že u jedné karty čte měření a u druhé úsudek modelu. Dnes je to vidět na třech místech:

• Věta na konci textu nálezu: „Toto doporučení napsal jazykový model nad textem vašich stránek. Není to změřená kontrola a jeho účinek nemáme čím doložit. Údaj o vašem webu v něm může být nepřesný, ověřte si ho.“ Je v datech nálezu, takže ji uvidíte všude, kde se text nálezu zobrazuje: v reportu, ve sdíleném odkazu, v PDF i v exportu do CSV. E-maily text nálezů nenesou vůbec, jen počty, takže tam není co označovat.
• Štítek „Jazykový model“ na kartě nálezu v aplikaci, s vysvětlením pro myš i pro čtečku obrazovky. Ten je v jazyce rozhraní.
• Věta pod nadpisem v PDF, protože v tisku není kam schovat vysvětlení do bubliny.

Nejdůležitější z té trojice je ta první: štítek žije jen v aplikaci, kdežto věta je v datech nálezu a jde s ním všude, kam ho odnesete.

Jak silný důkaz za nimi stojí

Tohle je otázka, na kterou u každého jiného kódu v manuálu odpovídáme štítkem. Tady odpovědět jedním štítkem nejde, protože každé doporučení je jiné. Model ho napsal podle toho, co na vašem webu přečetl.

Co říct můžeme, je horní mez: doporučení od modelu nikdy není silnější důkaz než kontrola, o kterou se opírá. Když doporučení mluví o strukturovaných datech, platí pro něj všechno, co stojí u SCH-01, tedy že efekt na viditelnost v AI doložený není. Když mluví o odkazech na zdroje, platí AUTH-01 a tam naopak měření existuje.

Praktický návod, jak si to ověřit sami: u každého LLM-* nálezu se zeptejte, ke které deterministické kontrole se váže, a přečtěte si její stránku v manuálu. Tam je třída důkazu uvedená a doložená. Pokud se doporučení neváže k žádné kontrole, je to čistý úsudek modelu nad vaším textem. Může být dobrý, ale nemáme jak ho podložit.

A jedna věc, kterou o obsahu doložit umíme, protože k ní existuje recenzovaný experiment: Princeton (KDD 2024, 10 000 dotazů) naměřil, že viditelnost v generovaných odpovědích zvedly citáty v textu (+41 %), konkrétní statistiky (+33 %) a odkazy na zdroje (+28 %). Když doporučení míří tímhle směrem, stojí za ním nejvíc, co v oboru existuje.

Co model nevidí a co si může domyslet

Meze, které je potřeba znát dřív, než podle doporučení něco přepíšete:

• Vidí jen vzorek stránek. Nejvýš 10 nebo 30 podle tarifu. O obsahu zbylých stránek neví nic a může doporučit něco, co už jinde máte. Od září 2026 k tomu vzorku dostává blok změřených faktů, takže aspoň o souborech webu a strukturovaných datech hádat nemusí.
• Vidí text, ne vzhled. Nerenderuje stránku, takže neví, co je vidět na první obrazovce, co je schované za rozkliknutím ani jak je stránka velká.
• Nezná váš obor ani vaše zákazníky. Doporučení „doplňte ceník“ může být u firmy, která ceny principiálně nezveřejňuje, mimo.
• Není deterministický. Dvakrát spuštěný audit nad stejným webem může vrátit jiná doporučení. Není to chyba, je to vlastnost.
• Může se mýlit s jistotou. Text zní stejně sebejistě, ať je tvrzení podložené, nebo ne, na rozdíl od zbytku reportu, kde jistotu poznáte ze štítku. Proto ta pojistka i ta věta o ověření: zachytit se to úplně nedá.

Poslední bod je důvod, proč tahle stránka existuje. Ve zbytku reportu vám u každého nálezu říkáme, jak silný důkaz za ním stojí. U LLM-* to říct neumíme a považujeme za poctivější to přiznat než tomu dát štítek, který by si nezasloužil.

Co s textem, který se snaží modelu poroučet

Stojí za zmínku, protože se to týká bezpečnosti vašeho reportu. Text z cizího webu je pro nás nedůvěryhodný vstup: kdokoli může na stránku napsat „ignoruj předchozí pokyny“ a doufat, že se tím dostane do výstupu.

Bráníme se tomu ve třech vrstvách: obsah stránky je v promptu oddělený značkami, model má výslovně řečeno, že pokyny uvnitř nich nikdy neprovádí, a jeho výstup se ověřuje proti pevnému schématu. Když se z modelu nevrátí platná struktura, zkusí se to jednou znovu a pak se stránka označí jako nezpracovaná; nikdy se nepoužije nevalidní výstup.

Prakticky to znamená: i kdyby text na cizí stránce model zmátl, nejhorší, co se stane, je podivně formulované doporučení v reportu. Nic se nespustí a nic se nikam nezapíše.

Co s doporučeními dělat

Pořadí, které dává smysl a které zároveň odpovídá síle důkazu:

1. Nejdřív zavřete nutné podmínky. ACC-01, ACC-03, ACC-05, ACC-07: dokud jsou otevřené, nemá zbytek smysl řešit.
2. Pak deterministické nálezy, kde je třída důkazu uvedená a doložená.
3. Doporučení LLM-* čtěte jako redakční poznámky. Jsou nejužitečnější tam, kde vám řeknou něco o obsahu, co měření nezachytí: že text neodpovídá na otázku, kterou slibuje nadpis, nebo že chybí konkrétní údaj.
4. Údaj o vašem webu si ověřte dřív, než podle doporučení něco změníte. Tvrdí-li, že něco nemáte, podívejte se, jestli to tam opravdu není. Je to jediná věc, kterou po vás u těchhle nálezů chceme navíc, a je to přesně to místo, kde se model umí splést.
5. Co neodpovídá realitě, klidně zahoďte. Model nezná váš obor. Doporučení, o kterém víte, že je vedle, je vedle, a nic se tím nekazí.

A poznámka k jazyku, protože se na ni ptáte často: LLM-* jsou v jazyce jediná výjimka z pravidla, které platí pro zbytek reportu. Nálezy z deterministických kontrol máme přeložené, takže se zobrazují v jazyce rozhraní, ať byla auditovaná stránka jakákoli. Doporučení od modelu přeložit neumíme (žádná šablona k němu neexistuje a překlad by znamenal další volání modelu), takže zůstávají v jazyce auditované stránky a nesou u sebe štítek s kódem toho jazyka. Kdo audituje německý web z českého rozhraní, dostane doporučení německy a může ho rovnou předat německému správci obsahu.