AI‑SEO
Metoden bag synlighed i AI‑assistenterne, fra fundament til resultater
Hvordan modellerne udvælger kilder, hvad AI‑crawlerne kan og ikke kan læse, og hvordan du måler din position i AI‑svarene. Når du har læst det, ved du, hvorfor du bliver nævnt eller udeladt, hvad der skal rettes først, og hvornår du kan se, om det virker.
Beslutningen er flyttet fra Google til en AI-samtale
Dine potentielle kunder træffer i stigende grad dele af deres beslutninger i en samtale med en AI‑assistent. Det gør de, før de besøger dit website eller taler med dine sælgere.
94% af B2B‑indkøbere bruger sprogmodeller til at opsummere anmeldelser eller analysere data undervejs i købsprocessen. I Europa er tallet 89%, i Sverige 86% (6sense, november 2025).
68% af Google‑søgninger i USA ender uden et klik, op fra 60% i 2024 (SparkToro/Similarweb, 2026). Når et svar samler en hel kategori til tre til fem navne, er det dér, feltet bliver skåret til.
Konsekvensen kan være dyr. Indkøberen køber af en af de leverandører, der stod på shortlisten fra dag ét, i 95% af tilfældene (6sense, november 2025).
Bliver leverandør‑listen skrevet i et AI‑svar, og er du ikke nævnt, er du sorteret fra, før nogen har vurderet din virksomhed.
Fundamentet er det samme som før. Det validerede Google selv i deres dokumentation den 15. maj 2026:
”Optimering til de generative funktioner er SEO. Der findes ingen særskilt teknisk adgangsvej, ingen AI‑specifik markup og intet krav om at skære indholdet i småstykker.”
Det nye ligger i, at svaret kun har plads til få navne, og at placeringen ikke længere afgør, hvem der bliver nævnt. Oven på fundamentet ligger fem lag:
Det er den rækkefølge, resten af dokumentet følger, og femte lag har fået sit eget afsnit, for det er dér, de fleste indsatser bliver målt forkert eller slet ikke målt.
Fire tal, og hvad de ikke dækker
Skiftet er tydeligt. De fire tal nedenfor er dem, der oftest bliver citeret om AI og søgning, og de er værd at kende, netop fordi du får dem serveret. To af dem er amerikanske, ét er detailhandel, og ingen af dem er målt på dansk B2B. Derfor kommer der tre afsnit bagefter: De to første skiller det, tallene kan bære, fra det, de ikke kan, og det tredje sætter det danske og nordiske billede ved siden af, fordi det er det, der gælder dig.
Søgeresultatet er oftere destinationen end vejen dertil. Det er den udvikling, branchen kalder zero‑click. For dig betyder det, at den del af kunderejsen, du kan aflæse i analytics, skrumper, mens den del, der afgør udfaldet, flytter et sted hen, hvor ingen web analyse‑værktøjer rækker. Danmark er samtidig det land i EU, hvor flest bruger generativ AI. Skiftet rammer altså danske virksomheder, før det rammer deres europæiske konkurrenter, og det gælder begge veje: Både tabet af klik og muligheden for at blive det navn, assistenten nævner.
AI‑henvist trafik til amerikanske detailsider er vokset mere end 14 gange siden oktober 2024, og den konverterer 54% bedre end trafik fra andre kilder (Adobe Analytics, 2026). Forklaringen er sandsynligvis selektion snarere end en effekt af AI: Den, der klikker videre fra et AI‑svar, har allerede fået sine spørgsmål besvaret og sin kandidatliste skåret til, og er derfor længere i beslutningen end en tilfældig søgende.
De fire tal ovenfor viser retningen. Tallene her viser niveauet på det marked, du sælger på, og de tegner det samme billede: Danmark er tidligt ude, ikke bagud.
86% af svenske B2B‑indkøbere bruger sprogmodeller, når de undersøger løsninger. Europæisk gennemsnit er 89%, globalt 94% (6sense, november 2025). Sverige er det eneste nordiske land i undersøgelsen, og tallet ligger tæt på det europæiske.
Danmark ligger nummer ét i EU på virksomheders brug af AI. 42% af danske virksomheder med mindst ti ansatte bruger mindst én AI‑teknologi, mod et EU‑snit omkring 25% (Eurostat, 2025).
27% af danskerne bruger AI i forbindelse med arbejde, steget fra 21% året før. Blandt de 25‑ til 44‑årige er det knap halvdelen (Danmarks Statistik, marts 2026, cirka 18.000 interview).
Assistenten er rykket frem til det første filter
Mellem den første interaktion og købet ligger den fase, Google kalder ”the messy middle”, hvor køberen researcher, sammenligner og skifter mening. Dér har assistenten placeret sig som kundens første og nogle gange sidste filter. Googles AI Mode passerede 1 milliard månedlige brugere et år efter lanceringen, og Google beskriver selv retningen som indgangen til ”the era of Search agents” (Google I/O, maj 2026). ChatGPTs app står på det samme niveau, 1 milliard månedlige brugere. De to tal skal ikke lægges sammen til to milliarder, for mange bruger begge, og hvor stort overlappet er, oplyser ingen af udbyderne.
Semrush fremskrev i 2025, at AI‑søgning fra begyndelsen af 2028 kan sende flere besøgende til websites end traditionel søgning. Forbeholdet hører med, og det er stort: Fremskrivningen er målt på over 500 emner inden for digital marketing og SEO, altså Semrushs egen branche, hvor brugerne er tidligere ude end i noget andet felt. At mønsteret skulle gælde bredere, antager Semrush, men måler det ikke. Vi regner ikke med den dato. Feltets historik med den slags fremskrivninger er dårlig, og et årstal fra 2028 er ikke noget, du kan lægge et budget efter. Retningen er til gengæld ikke til diskussion, og den kan du måle på dine egne tal i morgen.
Men den indvending, vi hører oftest, lyder: ”AI er under 3% af vores trafik, hvorfor bruge tid på det?” Den tæller det forkerte sted. Værdien ligger i omtalen, og ikke i klikket. Når et AI‑svar vises i Google, klikker brugerne videre til et organisk link i 8% af besøgene mod 15%, når der ikke er noget AI‑svar, og på linket inde i selve svaret klikker de i 1% (Pew Research Center, juli 2025, USA). Valget bliver truffet inde i svaret, hvorefter kunden googler firmanavnet eller går direkte til websitet og lander i din analytics som brand‑ eller direct‑trafik.
Det, du bør tjekke, er, om dine brand‑ eller produktsøgninger stiger i Search Console samtidig med, at den direkte trafik stiger. Sker det, uden at du har skruet op for kampagnerne, er omtalen i AI‑svarene den mest sandsynlige forklaring. Det er et indirekte mål og ikke et bevis, men det ligger i data, du har adgang til i forvejen, og det koster ingenting at se efter. De øvrige afledte effekter står i afsnit 11.
Der ligger et strukturelt argument oveni. Cloudflare har opgjort, hvad AI‑crawlerne egentlig henter til, målt over tolv måneder på deres eget net: 80% gik til træning, 18% til søgning og 2% til konkrete brugerhandlinger. Kun den midterste kategori kan ende i en kildehenvisning med et link. Resten går til træning og til svar, assistenten leverer i chatten, hvor brugeren aldrig forlader vinduet. Og i juni 2026 oplyste Cloudflares direktør, at automatiseret trafik havde passeret 57,5% af al trafik hos dem. Systemet er bygget til at læse dig og svare på dine vegne. Klikket er et biprodukt. For din rapportering betyder det, at en side kan gøre sit arbejde uden nogensinde at få et besøg, og at værdien af en side derfor ikke længere kan aflæses på dens trafik alene.
Stimulus → Google ⇄ website ⇄ research ⇄ sammenligning → handling
Kunden løber selv frem og tilbage mellem søgning, sider og sammenligning, ofte mange gange, før billedet er klart nok til at handle.
Stimulus → samtalen med assistenten → eventuel Google‑søgning → website → handling
Assistenten overtager en stor del af research og sammenligning og leverer et indsnævret svar med tre til fem navne.
I den anden rejse samler assistenten flere af leddene. Og modellerne læner sig op ad de virksomheder, der fylder mest i deres kilder lige nu, så jo længere en konkurrent har haft pladsen, jo mere arbejde koster det at skrive sig ind i stedet.
Assistenten nævner typisk tre til otte virksomheder eller websites. Er du ikke blandt dem, er du ikke på køberens shortliste fra dag ét. Og netop den liste er dér, 95% af de vundne ordrer kommer fra, mens favoritten inden første sælgerkontakt vinder 77% af dem (6sense, november 2025, knap 4.000 B2B‑indkøbere i Nordamerika, Europa og Asien). Den leverandør, køberen kontakter først, vinder i øvrigt omkring 80% af gangene, og rækkefølgen af kontakter afgøres ofte af, hvem der blev nævnt. AI‑synlighed vinder ikke handlen for dig. Den afgør, om du er med, når listen bliver skrevet.
Fra usynlig til top 2 på ”Interim CFO”
Spørg ChatGPT eller Googles AI Overviews, hvem der kan stille en interim CFO til rådighed, og Azets ligger som nummer 1 eller 2. Sådan så det ud, da vi målte i august 2026. For et år siden var de ingen steder: De var en blandt mange, som ingen model kendte godt nok til at nævne.
Azets fylder i dag mest af alle i kategorien. Nummer to i feltet står på 18,8% af omtalerne og nummer tre på 14,2%, så føringen er reel, men den er ikke enerådig, og den skal holdes.
En andel af omtalerne er et middel, ikke et mål. Værdien for Azets ligger i, at synligheden er blevet til henvendelser fra kunder, der ikke kendte dem i forvejen.
Sådan blev det gjort
Arbejdet koncentrerede sig om tre af de fem lag fra afsnit 09. Her er det afgørende, hvilke der blev arbejdet med, og hvilket der ikke var brug for.
27 forretningskritiske prompts blev kortlagt i kategorien. De kom fra Search Console, fra Google Ads‑data og fra en gennemgang af konkurrenterne.
Over 20 sider optimeret, så hvert prioriteret spørgsmål havde en side, der kunne citeres.
22 artikler, der citerer Azets, publiceret på medier, blogs og websites med relevans for kategorien.
En baseline før første rettelse og derefter en løbende opgørelse pr. assistent efter metoden i afsnit 11.
Entiteten fyldte til gengæld lidt. Azets er et stort, etableret brand, så modellernes billede af virksomheden var i forvejen rimeligt præcist. Det er værd at holde fast i, når man læser tallene i afsnit 09 om brand‑styrke: Udgangspunktet afgjorde, hvor arbejdet skulle sættes ind, og her lå hullet i spørgsmålene og i autoriteten, ikke i entiteten.
Tidshorisont: De første målbare udslag kom inden for tre måneder.
AI‑synligheden er målt i kategorien ”Interim CFO” efter metoden i afsnit 11: Flere kørsler pr. prompt pr. assistent, holdt op mod en baseline fra før arbejdet begyndte, aldrig på et enkelt svar. Konverteringer og organisk trafik er trukket fra GA4 og Search Console og sammenlignet med samme periode året før.
Lagene kørte parallelt, så vi kan ikke isolere det enkelte lags bidrag, kun redegøre for rækkefølgen, de blev sat i gang i. Perioden rummer desuden Azets egne kampagner og markedsforhold. Arbejdet begyndte som en dansk pilot og er i dag et globalt program.
”Vi har aldrig oplevet så massiv en stigning i trafik og kvalificerede henvendelser.”
Få et AI‑SEO‑audit
Et uforpligtende audit viser, hvor synlig du er i AI‑svar i dag, hvilke kilder modellerne henter fra i din kategori, og hvad der spærrer for, at du bliver nævnt.
Anmod om et AI‑SEO‑auditDet tekniske fundament er stadig adgangsbilletten
En teknisk sund struktur, godt, unikt og hjælpsomt indhold og en backlinkprofil med høj diversitet er stadig forudsætningen for alt det, der følger. Det er udbyttet, der har ændret sig. En førsteplads i Google giver ét link blandt ti. Et AI‑svar nævner tre til otte virksomheder og udelader resten.
Forholdet mellem de to discipliner er ikke enten eller, og det er værd at være præcis om. Dine organiske placeringer er stadig den stærkeste enkeltvej ind i Googles egne AI‑flader, fordi AI Overviews og AI Mode bygger på det indeks, du i forvejen arbejder for. Men de siger næsten intet om, hvorvidt ChatGPT nævner dig, og ChatGPT står for hovedparten af brugen i Danmark, som afsnit 12 viser. Godt SEO‑arbejde køber dig altså den ene halvdel af feltet gratis og den anden halvdel slet ikke.
”Du kan ligge nummer 1 i Google og stadig være usynlig i ChatGPT. Placering og omtale er to forskellige størrelser.”
Fire steder ændrer arbejdet sig konkret. De svarer til lagene i afsnit 09, set fra SEO‑siden.
Forstå, hvilke spørgsmål dine kunder stiller, og i hvilken fase de stiller dem. Jo bedre du kender intentionen bag spørgsmålet, jo mere præcist kan siden svare på det, og jo lettere bliver det for en model at pege på dig, når spørgsmålet dukker op igen i en anden formulering.
Forskellen: Klassisk SEO arbejder med søgeord. Her arbejder du med spørgsmål i hele deres variantbredde, fordi modellerne læser ”hvad koster en interim CFO”, ”pris på interim økonomichef” og ”interim CFO honorar” som det samme spørgsmål. Et søgeordskort har rækker. Et spørgsmålskatalog har emneklynger.
Onsite: Struktureret indhold, der svarer præcist på spørgsmålet. Offsite: Omtale og referencer i de kilder, modellerne vægter højt. Det ene uden det andet giver enten gode sider, ingen henviser til, eller omtale, der peger på et website, som ikke kan svare på spørgsmålet.
Forskellen: I klassisk SEO er offsite‑arbejdet links. På AI‑modeller er det omtale, med eller uden link. Korrelationen fra Ahrefs i afsnit 06 peger på, at antallet af omtaler af brandnavnet hænger stærkere sammen med synlighed i AI Overviews end antallet af backlinks. Det flytter arbejdet fra klassisk linkbuilding hen imod PR.
Organiske placeringer, søgevolumen og Search Console‑data fortæller, hvor kræfterne giver mest. De sider, hvor du har mange visninger og lav klikrate, dækker de spørgsmål, du er tættest på at eje. Start dér frem for at bygge nyt.
Forskellen: Volumen og placering afgør ikke prioriteringen alene længere. Et søgeord, der aldrig udløser et AI‑svar, er et rent SEO‑søgeord og skal behandles som et. Et søgeord, der næsten altid gør, er et AI‑søgeord, uanset hvor lille volumen er. Tjek det på dine vigtigste søgeord, før du lægger planen.
Mål både placeringerne og andelen af omtaler i AI‑svar, før den første side bliver rettet. Uden udgangspunkt kan du ikke skelne en indsats, der virker, fra et udsving fra måling til måling. Hvor stort et udsving der skal til, står i afsnit 11.
Forskellen: En rankingmåling er stabil nok til, at én aflæsning siger noget. Et AI‑svar svinger for meget til det. Baseline er derfor ikke en formalitet her, men forudsætningen for overhovedet at kunne aflæse et resultat bagefter.
Tre veje ind i et AI-svar
Modellen, RAG og assistenten bliver brugt i flæng i det meste af det, der skrives om emnet. Forskellen er ikke akademisk: Den forklarer, hvorfor noget arbejde slår igennem på en måned, mens andet tager et år. Modellen er det, den lærte under træningen. RAG er den live‑søgning, der henter friske sider, mens svaret bliver skrevet. Assistenten er produktet, brugeren sidder i. Vi holder dem adskilt hele vejen igennem.
Dit virksomheds‑ eller produktnavn kan komme ind i et svar ad tre veje. De virker på hver sin tidsskala, og det er dér, planlægningen bliver afgjort.
En sprogmodel trænes på store mængder tekst fra internettet, især fra filtrerede web‑arkiver som Common Crawl. Oven på det vægtes renere kilder som Wikipedia, bøger og etablerede medier højere, end deres andel af teksten alene ville give dem, fordi de er redaktionelt pålidelige. Den præcise sammensætning er ikke offentlig for nyere modeller, så vær skeptisk over for enhver, der påstår at kende den i procenter.
Her ligger den pointe, der er værd at standse ved: Common Crawl kan ikke afvikle JavaScript. Kan en simpel crawler ikke læse dine sider i dag, findes du heller ikke i det materiale, den næste generation af modeller bliver trænet på. Det tekniske arbejde i afsnit 07 handler derfor ikke kun om svarene i denne uge, men om modellernes billede af dig om et år.
Et forældet billede, modellen har lært, forsvinder ikke, fordi du retter dit website. Det bliver hængende til næste træningsrunde. Til gengæld kan du ændre det, den lærer næste gang, og det afgøres af kilderne uden for dit eget website. Hvordan du retter dem, står i afsnit 10.
Note: Modellens adfærd finjusteres efter træningen med menneskelig feedback, kaldet RLHF. Det er et træningstrin og ikke en datakilde, selv om de to ofte bliver forvekslet.
RAG (Retrieval‑Augmented Generation) er den søgning, assistenten foretager, mens den skriver svaret. Assistenterne griber det forskelligt an. ChatGPT henter friske sider gennem en kombination: OpenAI dokumenterer både et eget indeks, som crawleren OAI‑SearchBot fylder, og tredjeparts søgeudbydere, hvor OpenAI selv navngiver Bing og Shopify. Målinger i sommeren 2026 peger desuden på skrabede Google‑resultater via tredjepartsleverandører. Hvordan kilderne vægter, oplyser OpenAI ikke. Gemini henter fra Googles indeks, og Perplexity kombinerer tredjepartssøgning med sit eget indeks. Konsekvensen er, at indhold, der ligger godt i søgeresultaterne, kan ende i et AI‑svar, selv om det aldrig har været en del af træningsdataene.
Det er den hurtigste af de tre veje. Retter du en side, og bliver den crawlet igen, kan svarene ændre sig inden for uger. Det er også her, en måling kan bekræfte eller afvise en hypotese inden for en enkelt måned.
På Googles egne flader er placeringen en genvej til vej 2, fordi AI Overviews og AI Mode henter fra det indeks, dit SEO‑arbejde i forvejen arbejder for. En stærk placering kan derfor trække dig ind i et svar, selv om modellen aldrig har set siden i sin træning. Det er broen mellem klassisk SEO og AI‑synlighed og den mest håndgribelige af de tre veje at arbejde med. Den gælder til gengæld ikke hos ChatGPT.
Hvad får en model til at stole på en kilde
Flere forhold vejer ind på én gang, men de vejer ikke lige meget. Vi har bedst dokumentation for det første, og resten står i faldende orden efter, hvor sikre vi er på dem.
Hvor ofte kilden bliver omtalt andre steder. Det er det stærkeste enkeltsignal, vi har data på, og det er dokumenteret i boksen nedenfor.
Redaktionel kvalitet og historisk nøjagtighed. Kilder, der har ret over tid, bliver gengivet oftere.
Aktualitet. Et dateret og vedligeholdt svar slår et udateret.
Hvor let svaret kan trækkes ud af teksten. En side, hvor konklusionen står frit, er lettere at citere end en, hvor den skal udledes. Det er grebene i afsnit 08.
Et mønster går igen. Ahrefs analyserede 75.000 brands i maj 2025 og fandt, at hvor ofte et brandnavn bliver omtalt på nettet, hænger markant stærkere sammen med synlighed i Google AI Overviews, end antallet af backlinks gør, 0,66 mod 0,22 i rangkorrelation. Det er en sammenhæng og ikke et bevis for årsag, og målingen tæller omtaler overalt på nettet, ikke kun uden for dit eget domæne. Men retningen er tydelig nok til at flytte tyngden: At blive omtalt tæller mere end at blive linket til.
Tre ting virker, og to bliver solgt, som om de gør
AI‑crawlerne læser anderledes end Googlebot, og forskellen koster synlighed, hvis den bliver overset. Tre ting flytter noget: Server‑side rendering, adgangen i robots.txt og den tekniske hygiejne omkring hastighed og mobil. De står nedenfor i rækkefølge efter effekt, og hver af dem har en indsats skrevet på, så du kan se, hvad der er ti minutters arbejde, og hvad der er et udviklingsprojekt. Til sidst kommer struktureret data og llms.txt. De er med, fordi de bliver solgt som løsninger uden at være det.
Feltet deler sig i to. De crawlere, der stammer fra en søgemaskine, renderer JavaScript, og det er dokumenteret hos udbyderne selv: Googlebot kører siden i en headless Chromium, bingbot i en løbende opdateret Edge‑motor, og Applebot renderer også. Alt, hvad Google, Copilot og Apples flader svarer på, kommer den vej.
De crawlere, der er bygget til AI, gør det ikke. Ingen udbyder dokumenterer en renderer for GPTBot, OAI‑SearchBot, ClaudeBot, Claude‑SearchBot, PerplexityBot, CCBot eller Metas crawlere, og den største tilgængelige logundersøgelse peger samme vej: Vercel og MERJ gennemgik 569 millioner forespørgsler på deres net og fandt ingen tegn på, at scripts blev udført. GPTBot hentede JavaScript‑filer i 11,5% af sine forespørgsler og ClaudeBot i 23,8%, uden at køre dem.
Bygger dit website på client‑side rendering, ser den halvdel af feltet en tom skal, og ChatGPT er den største enkeltspiller i den halvdel.
Server‑side rendering eller statisk generering løser det. Skal hele websitet bygges om, er det et stort projekt, og de færreste kan tage det med kort varsel. Der findes tre mindre veje, i rækkefølge efter hvor holdbare de er:
Statisk generering af de vigtigste skabeloner. Ydelses‑, produkt‑ og artikelsider bygges som færdig HTML ved publicering. Det er den mest holdbare løsning, og den kan tages skabelon for skabelon frem for på én gang.
Server‑side rendering på udvalgte ruter. Moderne frameworks som Next.js, Nuxt, Remix og SvelteKit kan afgøre det pr. rute. Du behøver altså ikke konvertere hele websitet for at få de tyve sider, der betyder noget, gjort læsbare.
Prerendering foran crawlerne. Et mellemlag serverer færdigrenderet HTML til crawlere og den almindelige app til brugere. Det er hurtigst at få op og den mindst holdbare af de tre, fordi det er endnu et system, der skal vedligeholdes. Vigtigt forbehold: Crawleren skal se det samme indhold som brugeren. Serverer du noget andet, er det cloaking, og så er problemet større end det, du løste.
Indsats: Uger, og det kræver udviklere. Det er det dyreste punkt på listen og samtidig det eneste, der er dyrt.
Åbn en af dine vigtigste sider, vælg ”vis kildekode”, ikke developer‑panelet, og søg efter en sætning fra brødteksten. Står sætningen i kildekoden, kan crawlerne læse den. Står den kun i developer‑panelet, er den usynlig for alle andre end Google. Kør testen på de sider, du helst vil nævnes fra, før du gør noget som helst andet.
Filen styrer, hvilke crawlere der må hente dine sider, og de store AI‑crawlere respekterer den. Blokerer du dem, du gerne vil findes af, er resten af arbejdet spildt. Det sker oftere, end man skulle tro, fordi listen bliver skrevet én gang og derefter arvet fra website til website.
Skellet, der betyder noget, går ikke mellem AI‑crawlere og almindelige crawlere. Det går mellem dem, der henter til træning, og dem, der henter for at kunne citere dig i et svar nu. Hos nogle udbydere kan de to besluttes hver for sig. Hos andre kan de ikke.
| User agent | Hvem | Blokerer du den, mister du |
|---|---|---|
| OAI‑SearchBot | OpenAI | Synlighed i ChatGPTs søgesvar. OpenAI skriver det direkte |
| ChatGPT‑User | OpenAI | Hentning, når en bruger beder ChatGPT åbne en side. Påvirker ikke søgesynligheden |
| Claude‑SearchBot | Anthropic | Indeksering til Claudes søgeresultater |
| Claude‑User | Anthropic | Synlighed, når en Claude‑bruger søger på nettet |
| PerplexityBot | Perplexity | Synlighed i Perplexitys svar. Den bruges ikke til træning |
| Googlebot | Google Søgning, AI Overviews og AI Mode på én gang | |
| bingbot | Microsoft | Bing og Copilot på én gang |
| Applebot | Apple | Siri, Spotlight og Apples AI‑svar |
| User agent | Hvem | Hvad du mister ved at blokere |
|---|---|---|
| GPTBot | OpenAI | Træning af fremtidige modeller, intet andet |
| ClaudeBot | Anthropic | Træning, intet andet |
| CCBot | Common Crawl | Fremtidige Common Crawl‑datasæt, som til gengæld fodrer mange andres træning |
| Applebot‑Extended | Apple | Træning af Apples modeller. Den crawler ikke selv |
Tre steder kan du ikke skille tingene ad
Google‑Extended bliver misforstået oftere end noget andet i filen. Den er ikke en crawler og har ingen egen user agent, men et kontroltoken. Den styrer, om indhold, Googlebot allerede har hentet, må bruges til at træne Gemini og til at underbygge svar i Gemini‑apps og Vertex. Blokerer du den, mister du altså ikke kun træningen, men også pladsen i Geminis svar. Til gengæld rører den hverken dine placeringer eller AI Overviews.
AI Overviews og AI Mode styres alene af Googlebot. Der findes ingen linje i robots.txt, der lader dig blive i Google Søgning og samtidig stå uden for AI Overviews. Google begyndte i juni 2026 at teste en kontrol i Search Console, der kan netop det, men den er indtil videre kun rullet ud til en del af de britiske websites og står endnu ikke i Googles egen dokumentation. Indtil den når Danmark, er preview‑kontrollerne nosnippet og max‑snippet det eneste håndtag, og de beskærer også dine almindelige søgeuddrag.
Hos bingbot og meta‑externalagent dækker ét token to formål. Bingbot fodrer både Bing‑indekset og Copilot, og Metas token dækker både træning og produktindeksering. Vil du ud af det ene, følger det andet med.
Kilde til kolonnen om, hvad du mister: Udbydernes egen dokumentation, tjekket 15. august 2026. OpenAI skriver om OAI‑SearchBot, at fravalgte websites ”will not be shown in ChatGPT search answers”, og om ChatGPT‑User, at den er ”not used to determine whether content may appear in Search”. Anthropic skriver, at blokering af Claude‑User ”may reduce your site’s visibility for user‑directed web search”. Perplexity skriver, at PerplexityBot ”is not used to crawl content for AI foundation models”. Google skriver, at Google‑Extended ”does not impact a site’s inclusion in Google Search”. Apple skriver, at ”Applebot‑Extended does not crawl webpages”.
Note: Robots.txt er frivillig for de crawlere, der henter, fordi en bruger har bedt om det. Perplexity‑User og Metas meta‑externalfetcher skriver selv, at de kan se bort fra filen. Skal noget holdes ude med sikkerhed, skal det ske på serveren og ikke i robots.txt.
Indsats: Ti minutter for den, der kan redigere robots.txt. Det billigste punkt på listen, og det, der oftest er sat forkert.
Hurtig indlæsning og en brugbar mobiloplevelse gavner brugere, søgemaskiner og crawlere på én gang, og Core Web Vitals sætter grænsen for ”god” ved en LCP under 2,5 sekunder på mobil. Men det skal siges rent ud: Det her flytter ikke i sig selv en position i et AI‑svar. Det sørger for, at resten bliver læst, og hører til driften, ikke til indsatsen.
Indsats: Løbende, delt mellem udvikler og webansvarlig.
To ting, du kan lade ligge
Ahrefs fulgte 1.885 sider, der tilføjede JSON‑LD mellem august 2025 og marts 2026, og holdt dem op mod 4.000 kontrolsider med samme citationsniveau før ændringen. Resultatet var +2,4% i AI Mode og +2,2% i ChatGPT, som begge er for små til at kunne skelnes fra nul, og et fald på 4,6% i AI Overviews, som de selv ikke kan forklare. En separat test fra SearchVIU viste, at fem AI‑systemer, der hentede sider i realtid, ignorerede JSON‑LD, Microdata og RDFa og alene udtrak den synlige HTML. Google skriver i sin egen dokumentation, at struktureret data ikke er påkrævet for de generative funktioner. Behold det for rich results i klassisk søgning og for at binde din identitet sammen på tværs af kilder med sameAs. Regn ikke med det som kilde til citationer. En vigtig afgrænsning: Studiets sider var alle citeret 100 gange eller mere i forvejen, så det siger intet om sider, modellerne endnu ikke kender.
Ahrefs gennemgik 137.210 domæner i juni 2026. 97% af de gyldige llms.txt‑filer fik ingen forespørgsler i maj samme år. Blandt de få, der fik trafik, stod SEO‑værktøjer, der tjekkede om filen fandtes, for den største andel, mens AI‑assistenter stod for 2,5%. AI‑crawlerne spurgte aldrig efter filen på domæner, hvor den ikke lå. Google skriver, at Søgning ignorerer den. Filen koster en time og gør ingen skade. Den flytter bare ikke synlighed, og den bør ikke stå på en tilbudsliste.
Den tid, du sparer på de to, er bedre brugt på grebene i afsnit 08. Dér er gevinsten dokumenteret, og den er synlig for læseren i samme ombæring.
Det tekniske arbejde er en fordel for dem, der er tidligt ude. I vores gennemgange har mange danske websites endnu ikke taget stilling til, hvordan en crawler uden JavaScript læser dem. Læg dertil, at det samme fundament afgør, om du findes i næste generations træningsdata, jævnfør vej 1 i afsnit 06, og der er et reelt forspring i at få det på plads nu.
Skrevet til mennesker, bygget så svaret kan løftes ud
Google er eksplicit om, at der ikke skal skrives på en særlig måde til de generative funktioner. Det, der afgør, om en side bliver brugt, er, om den rummer et svar, der holder, når det står alene. Fire greb gør forskellen, og alle fire er synlige for læseren.
En citerbar konklusion er et udsagn, der holder, når det bliver løftet ud af sin sammenhæng. Skriv den frem umiddelbart under overskriften i stedet for at lade den ligge implicit i brødteksten.
Vores egen specifikation, som vi skriver efter: En selvstændig svarblok på 40 til 80 ord, placeret lige efter den centrale overskrift, som indeholder et tal, en afgrænsning og et hvem. Under 40 ord bliver svaret et postulat uden dækning. Over 80 ord holder det op med at kunne løftes ud i ét stykke.
Test den ved at klippe sætningen ud og læse den for sig. Mangler den et tal, en afgrænsning eller et hvem, er den ikke færdig.
Hvert prioriteret spørgsmål skal have en side, der svarer på det. Overskriften er spørgsmålet i den form, kunden stiller det, og svaret står øverst. Modellerne læser varianter af det samme spørgsmål som ét spørgsmål, så et hul i dækningen er en åbning for den konkurrent, der har svaret.
Det, der bliver hentet ind i et svar, er sider med noget at trække på: Definitioner, tal, sammenligninger, fremgangsmåder, priser. Længde er ikke pointen. Materialet i sætningerne er. Overfladisk dækning af et emne, som andre dækker grundigt, rykker sjældent noget.
Aktualitet er et af de forhold, modellerne vejer, når de vurderer en kilde. Sæt en synlig dato på siden, opdatér den, når indholdet reelt ændrer sig, og lad være med at flytte datoen uden at røre teksten. En side, der ikke er opdateret i tre år, er den bedste kilde, der findes, til en forældet påstand om dig. Det er også det billigste af de fire greb, og det, der oftest bliver glemt, når siden først er publiceret.
Pointen ligger implicit, begravet midt i en lang brødtekst uden klar konklusion. På ”Hvad koster en interim CFO?” findes svaret ingen steder direkte. Modellen skal selv gætte det, og den gætter på en anden kilde.
Siden åbner med spørgsmålet og svarer med det samme i et selvstændigt udsagn: ”En interim CFO koster typisk X til Y kr./md., afhængigt af opgavens omfang og varighed.” Det kan modellen løfte ud uden at miste mening. Tallene er dine egne. Pointen er, at de står i sætningen.
Formatet med spørgsmål og svar ligger tæt på den måde, folk spørger en assistent, og det er grund nok til at bruge det. Google fjernede FAQ‑rich results fra søgeresultaterne den 7. maj 2026, rapporteringen forsvandt fra Search Console i juni, og støtten i Search Console‑API’et faldt bort i august. FAQPage‑markuppen kan blive liggende uden at gøre skade, men Google laver ikke længere en rich result ud af den. Værdien ligger i den synlige tekst.
Ét studie fra 2026 gennemgik, hvilke typer indhold der bliver citeret i AI‑svar, og fandt, at rangerede ”bedste X”‑lister var den enkeltstørste kategori med omkring 36% af indholds‑citeringerne. Blandt kilder uden for virksomhedernes egne websites fyldte video, fagmedier, fora og opslagsværker mest.
Tallet skal tages med forbehold. Studiet er et preprint, det er ikke efterprøvet af uafhængige forskere, det er skrevet af en leverandør af GEO‑værktøjer, og udvalget er ikke repræsentativt.
Retningen er til gengæld værd at handle på, og den er ubehagelig for de fleste indholdsplaner: Den side, der henter dig ind i et svar, er sjældent din egen ydelsesside. Det er den side, der sammenligner mulighederne, også når en af mulighederne ikke er dig. Skriver du den ikke, gør en konkurrent eller et fagmedie det, og så er det deres side, modellen citerer, når din kunde spørger.
Du starter ikke forfra
Har du arbejdet seriøst med SEO, har du allerede det meste af fundamentet. Indekserede sider, en linkprofil, år med data i Search Console, omtale i fagmedier og registre: Det tæller alt sammen med. To ting er reelt nye. Den ene er et katalog over de spørgsmål, dine kunder faktisk stiller, ikke en søgeordsliste. Det er samtidig det prompt‑sæt, målingen senere kører på. Den anden er en måling, der kan se, om du bliver nævnt. Resten er arbejde, du kender, brugt et nyt sted.
Research fra Princeton og flere universiteter, præsenteret på KDD 2024 og målt på 10.000 forespørgsler, viser, at greb som at citere kilder og tilføje statistik kan løfte en sides synlighed i AI‑svar med op til 40%. Det er et maksimum målt på datidens modeller. Brug det som retning for, hvad der virker, og ikke som et tal, du kan love nogen.
Ét studie fra 2026 målte, hvor ofte brands overhovedet bliver nævnt i AI‑svar på ubranded kategorispørgsmål. Globale tier 1‑brands optrådte i omkring 73% af svarene, tier 2 i omkring 44% og nichebrands i omkring 11%. Cirka 30 procentpoint pr. niveau.
Forbeholdene er de samme som ved det forrige tal: Igen et preprint fra en leverandør af GEO‑værktøjer, uden uafhængig efterprøvning og på et udvalg, der ikke er repræsentativt. Tallene viser en retning, ikke et niveau, du kan måle dig op mod.
Retningen er værd at tage alvorligt, for den sætter en grænse for, hvad de fem lag kan udrette. Brand‑styrken i kategorien er den stærkeste enkeltfaktor for, om du bliver nævnt. Teknisk parathed og gode indholdssider er nødvendige, men de er ikke tilstrækkelige, og ingen leverandør kan arbejde et nichebrand op på siden af en global spiller i en bred kategori.
Konklusionen er ikke at lade være, men at vælge kategorien med omhu. Bredt defineret er du tier 3. Afgrænset til det, du reelt er blandt de få til at levere, er du tier 1. Det valg træffer du i lag 2 nedenfor, og det er det vigtigste, du beslutter i hele arbejdet. Flere forbehold af samme slags står i afsnit 13.
Modellens billede af dig skal være korrekt og komplet. En model samler stykker om dig fra mange kilder på tværs af sprog og domæner, og er billedet mangelfuldt eller modstridende, bliver du svær at anbefale. Diagnosen er enkel: Spørg en model, hvad den ved om dig, og notér, hvad der er forkert. Behandlingen står i afsnit 10.
Indsats: En halv dag at stille diagnosen, uger at rette den. Begynd her, for de fire andre lag hviler på, at modellen ved, hvem du er.
Du skal vide, hvad dine kunder spørger om, og det står ikke i en søgeordsliste. Et spørgsmålskatalog bygger på købsdata og dækker for hver skarpt afgrænset ydelse alle de måder, det samme behov bliver formuleret på. Du finder dem i salgs‑ og kundeservicedialoger og i Search Console, hvor høje visninger og lav klikrate afslører de spørgsmål, du allerede er tæt på at eje.
Indsats: To til tre dage med marketing og salg om samme bord. Kataloget er samtidig det prompt‑sæt, målingen i afsnit 11 kører på, så byg det én gang og brug det to steder.
Hvert prioriteret spørgsmål har brug for én side, der kan citeres. Grebene står i afsnit 08. Test siden ved at spørge en model: ”Kan dette citeres som svaret på spørgsmålet?” Tøver den, ved du, hvor teksten skal strammes.
Indsats: Løbende, én side ad gangen. Det er det lag, der fylder mest i kalenderen, og det eneste, der kan skaleres op med flere hænder.
Modellerne gengiver helst kilder, de stoler på, og korrelationen fra Ahrefs peger på omtale af brandnavnet som det signal, der hænger stærkest sammen med synligheden af alt det, vi har data på. Derfor handler dette lag om fagmedier, branchedatabaser, opslagsværker og dokumenterede resultater. Det er det langsomste af de fem lag. Derfor står det tidligt i tidsplanen i afsnit 14, selv om det viser sig sidst.
Indsats: Løbende. Med et budget til linkbuilding og citationsarbejde kan tempoet øges markant.
Det sidste lag er din andel af omtalerne, opgjort pr. kategori og pr. assistent, holdt op mod en baseline og mod et fast konkurrentsæt, og fulgt måned for måned. Uden det femte lag er de fire første blinde: Du kan se, at noget flytter sig, men ikke om det er din indsats eller støj. Metoden og præcisionen står i næste afsnit.
Indsats: En dag at sætte op, derefter en fast kørsel hver måned.
Spørger du ”hvad ved du om os?”, svarer modellen tyndt, forveksler dig med andre eller nævner forældede fakta. Den kender ikke dine ydelser, segmenter eller geografi præcist og placerer dig derfor ikke på en liste.
Modellen kan uden tøven sige, hvad du laver, for hvem og hvor, nævner dine kerneydelser korrekt og trækker på flere uafhængige kilder, der bekræfter det samme billede.
Der findes ingen knap, men der findes tre veje
Modellerne tager fejl om virksomheder, og fejlene bliver sjældent opdaget. Ingen kunde ringer for at fortælle, at en assistent sagde noget forkert om dig. Det er den del af AI‑arbejdet, der oftest bliver diagnosticeret og aldrig behandlet.
Hvor tit det sker, findes der ingen troværdig generel måling af. De tal, der cirkulerer i branchen, bygger typisk på en håndfuld brands i én enkelt branche, ofte målt hos én enkelt assistent, og de kan derfor ikke bruges til at sige noget om dig. Det gør ikke problemet mindre. Det betyder bare, at du selv skal måle det, og at ingen kan fortælle dig på forhånd, hvor slemt det står til hos netop dig.
Find fejlene systematisk, ikke tilfældigt
De fleste opdager en fejl ved et tilfælde, retter den ene ting og hører aldrig mere om resten. Kør i stedet den samme faste runde spørgsmål mod ChatGPT, Gemini og Copilot, og notér hvert svar ordret sammen med dato, assistent og prompt. Syv spørgsmålstyper dækker det, der oftest går galt:
Syv spørgsmål til tre assistenter er enogtyve svar og en halv times arbejde. Det er baseline for fejlraten, og den skal køres igen, når rettelserne har haft tid til at virke. Uden den ved du ikke, om noget blev bedre.
Fejlen sidder i et af tre lag, og hvert lag skal behandles på sin egen måde. Vises der kildehenvisninger i svaret, er det næsten altid dér, fejlen kommer fra.
Ret den kanoniske formulering på din egen side først: Hvad du laver, for hvem, hvor og siden hvornår, i én sætning, der kan citeres. Sørg for konsistent navngivning på tværs af sider og sprog, og hold et dateret nyheds‑ eller ændringsspor, så der findes et frisk signal om, hvad der er sandt nu.
Wikidata er det hurtigste sted at rette strukturerede fakta. Tærsklen for at komme med er lav, og posten forplanter sig ned i de vidensgrafer, assistenterne trækker på. Wikipedia er tungere: Du må ikke redigere din egen artikel, men du kan bede om rettelser på diskussionssiden med oplyst interessekonflikt, og det tager typisk måneder. Dertil kommer brancheregistre, opslagsværker og de tredjepartsprofiler, der vejer tungere end dit eget website. Bind dem sammen med sameAs‑referencer, så de bliver læst som én identitet frem for fem løse omtaler.
Er fejlen lært, forsvinder den ikke, fordi kilderne bliver rettet. Den bliver hængende til næste træningsrunde. Det, du kan gøre, er at sørge for, at RAG finder det rigtige svar hver gang, og at den forkerte version bliver sværere at finde end den rigtige.
En model, der mangler viden om dig, svarer tyndt. En model, der forveksler dig med en anden virksomhed, tilskriver dig aktivt en fremmed historie: Deres ydelser, deres ejerskab, deres dårlige sag i pressen. Det er den fejltype, der koster mest, og den rammer især virksomheder med et almindeligt navn, en navnefælle i et andet land eller en tidligere version af sig selv efter et frasalg eller navneskifte.
Behandlingen er en anden end de øvrige. Her rækker det ikke at fortælle, hvem du er. Du skal også afgrænse, hvem du ikke er. Skriv forskellen eksplicit på din egen side, og brug det fulde juridiske navn sammen med det, folk kalder dig. Er der en navnefælle, så nævn den. Det føles forkert at nævne en fremmed virksomhed på sit eget website, men det er præcis den sætning, en model har brug for, for at holde dig adskilt.
Hvad de formelle kanaler kan, og hvad de ikke kan
Vi gennemgik i august 2026 de officielle kanaler hos OpenAI, Google, Anthropic, Microsoft, Perplexity og Meta. Billedet er det samme hele vejen rundt: Der findes ingen kanal, der hedder ”ret denne oplysning om min virksomhed”. Alt handler om at fjerne eller begrænse indhold, ikke om at rette det.
Kun to udbydere har en formular, der overhovedet nævner virksomheder, og begge er bygget til ærekrænkelse. Googles juridiske anmeldelse dækker eksplicit AI Overviews og AI Mode og har felter til firmanavn og til den organisation, man repræsenterer. Meta har en tilsvarende. Ingen af dem lover et udfald: Google skriver direkte, at en indsendt anmeldelse ikke er nogen garanti for, at der sker noget.
”Tommelfingeren ned” er ikke en anmeldelse. Knappen ”Ikke faktuelt korrekt” under et AI Overview giver hverken sagsnummer eller svar, og Google skriver selv, at en produktrapport ikke træder i stedet for en juridisk anmeldelse. Microsoft er skævere endnu: Bing Search tager imod en anmeldelse om ærekrænkelse, mens Copilot kun har én kategori, og den handler om ophavsret.
Retten til berigtigelse følger personen, ikke selskabet. GDPR’s regel om at få urigtige oplysninger rettet hænger på personoplysninger om et menneske. Er den forkerte påstand om din direktør, kan hun kræve den rettet. Er den om selskabet, for eksempel en opdigtet retssag eller et forkert regnskabstal, falder den uden for. Det overrasker de fleste, og det betyder, at vejen ofte går gennem en navngiven person frem for gennem virksomheden.
Ejer du domænet, kan du desuden bede Anthropic blokere en URL fra Claudes websvar. Men det fjerner dig, det retter dig ikke.
Er en påstand skadelig nok til at være et juridisk spørgsmål, så tal med en advokat, før du bruger kanalerne. Til alt det almindelige er de tre lag ovenfor den eneste vej, der virker.
Rettelser, der virker gennem RAG, kan slå igennem på uger. Rettelser, der kræver, at kilderne ændrer sig, og at modellerne derefter genlærer, tager kvartaler. Mål det som alt andet: Kør de samme spørgsmål, der udløste fejlen, med faste mellemrum, og notér fejlraten frem for at spørge én gang og håbe.
Metoden, og hvor stort et udsving der skal til
Share of Voice er din andel af et defineret felt. I praksis stiller du de samme kundespørgsmål til de assistenter, der betyder noget i din kategori, med faste mellemrum, noterer for hvert svar, hvilke brands der optræder og i hvilken rolle, altså anbefaling, reference, kort omtale eller slet ikke, og opgør derefter din andel af de omtaler, konkurrentsættet deler mellem sig.
To ting følger af den definition, og de bliver oftere overset end forstået. Tallet afhænger af, hvem du sætter i feltet: Tilføjer du en stor spiller, falder din egen andel, uden at noget reelt har ændret sig. Og andelene summer til 100% på tværs af sættet, så et fald hos dig er altid en stigning hos en anden. Derfor låses konkurrentsættet, før den første måling køres, og ændres det senere, kan du ikke sammenligne bagud.
Et enkelt svar siger næsten ingenting. Et variansstudie dekomponerede 12.933 svar om brands og fandt, at genkørsel af den samme prompt stod for 34,8% af variationen, samspillet mellem brand og kontekst for 29,6% og sproget i prompten for 26,5%. Brandet selv, altså det, du forsøger at måle, stod for 1,5%. Signalet udgør en brøkdel af det enkelte svar. Derfor skal stikprøven designes, ikke skønnes.
Vores standard pr. kategori
Assistenterne holdes adskilt. Et sammenlagt tal skjuler præcis de forskelle, der skal styres efter. Omtaler og kildehenvisninger opgøres også hver for sig, fordi de svarer på to forskellige spørgsmål: Om du bliver nævnt, og om din side bliver brugt. Flere formuleringer af det samme spørgsmål giver mere præcision end flere gentagelser af den samme formulering, fordi tre formuleringer trækker fra tre forskellige spørgsmålsklynger. Og et prompt‑sæt, der overvejende består af ”hvad er”‑spørgsmål, giver et pænt tal uden kommerciel værdi.
To måder at købe sikkerhed på, og hvad hver af dem koster
Støjen i et enkelt svar kan håndteres ad to veje, og de svarer på hver sit spørgsmål.
Kør den samme prompt 20 til 30 gange, indtil mønstret holder op med at flytte sig. Det giver et præcist niveau lige nu, og det er den vej, du skal gå, når et tal skal fastslås, for eksempel en baseline eller en afrapportering, der skal holde.
Kør et fast prompt‑sæt med fast mellemrum og læs kurven i stedet for punktet. Det er den vej, der viser retningen, og den, der afslører, om en konkurrent er ved at overhale dig.
De to udelukker ikke hinanden, og en ordentlig måling bruger begge, men ikke i samme mængde: De mange gentagelser hører til baseline og til den rapportering, et tal skal kunne bæres af, mens den løbende kadence kan køre med færre kørsler, fordi den skal vise en retning og ikke et niveau. Forskellen betyder noget for, hvad du kan konkludere. En kurve fortæller, om du bevæger dig. Den fortæller ikke, at du ligger på præcis 22% i denne uge.
Hvor stort et udsving skal du se, før det betyder noget
Med 95% konfidens og en omtalefrekvens omkring 20% ser usikkerheden på målingen sådan ud:
| Svar pr. assistent | Usikkerhed | Hvad det svarer til |
|---|---|---|
| 50 | ±11,1 procentpoint | 50 prompts, én kørsel |
| 100 | ±7,8 procentpoint | 50 prompts, to kørsler |
| 150 | ±6,4 procentpoint | 50 prompts, tre kørsler |
| 500 | ±3,5 procentpoint | 50 prompts, ti kørsler |
| 1.000 | ±2,5 procentpoint | 50 prompts, tyve kørsler |
Binomial usikkerhed ved en omtalefrekvens på 20%. Præcisionen forbedres med kvadratroden af antallet af svar, så en halvering af usikkerheden kræver fire gange så mange svar.
Tabellen forklarer, hvorfor 20 til 30 kørsler er standarden, når et niveau skal fastslås. Med 50 prompts og tyve kørsler er du oppe på 1.000 svar pr. assistent og en usikkerhed omkring 2,5 procentpoint, og to målinger skal så adskille sig med cirka 3,5 procentpoint, før forskellen er reel.
Kører du i stedet et fast sæt på små 80 prompts én gang pr. måling, ligger usikkerheden på det enkelte punkt omkring 9 procentpoint. Et enkelt punkt kan altså ikke bære en konklusion, men tyve punkter i træk kan vise en retning. En bevægelse fra 22% til 25% fra den ene måling til den næste betyder ingenting. Det er grunden til, at vi rapporterer kurven frem for tallet fra sidste kørsel, og det er den hyppigste årsag til, at AI‑rapportering bliver overtolket i begge retninger.
Sådan ser opgørelsen ud
| Aktør | Share of Voice | Gns. position | Nævnt i |
|---|---|---|---|
| Virksomhed A | 31% | 1,4 | 96 af 240 svar |
| Dit brand | 22% | 1,9 | 68 af 240 svar |
| Virksomhed B | 18% | 2,3 | 56 af 240 svar |
| Virksomhed C | 11% | 2,8 | 34 af 240 svar |
| Øvrige i sættet | 18% | 55 af 240 svar |
Forenklet eksempel. Tallene er illustrative og ikke fra en konkret kunde. Andelene summer til 100%, fordi Share of Voice er andelen af det låste konkurrentsæt. Kolonnen yderst til højre tæller derimod svar og summer til mere end 240, fordi ét svar typisk nævner flere navne.
Tabellen viser tre ting på én gang: Hvor stor en andel af feltet du har, hvor du placeres når du nævnes, og hvor ofte du overhovedet er med. Det sidste er det, der flytter sig først, når arbejdet begynder at virke.
Fem tal mere er værd at følge, og de fortæller tilsammen, om kurven skyldes dig eller de andre:
Dækning pr. flade. I hvor mange af forespørgslerne er du med hos hver enkelt assistent? Forskellen mellem 77 af 79 hos den ene og 60 af 79 hos den anden er en prioritering, ikke en detalje.
Gennemsnitlig placering pr. flade. At blive nævnt som nummer 1,6 i snit er noget andet end at blive nævnt som nummer 2,5, selv ved samme andel.
Andel af citeringerne. Hvor mange af de kilder, modellerne rent faktisk henter fra i kategorien, er dine egne sider?
Momentum. Hvem vinder og taber andel siden sidste måling? Et fald hos dig, der modsvares af en stigning hos én bestemt konkurrent, er en anden historie end et fald fordelt på alle.
Tonen, når du nævnes. Bliver du anbefalet, eller bliver du blot nævnt? De to bør scores hver for sig, fordi tonen svinger langt oftere end selve omtalen.
Vi scorer tonen i fire trin frem for to: negativ, neutral, positiv og anbefalet. Forskellen mellem positiv og anbefalet er ikke kosmetisk. At blive nævnt blandt flere og at blive anbefalet er to forskellige udfald af den samme forespørgsel, og kun det ene flytter en købsbeslutning.
Mønstret, vi ser gennemgående på tværs af mere end 300 analyser det seneste halve år, er, at tonen og synligheden følges ad, og at det er tydeligst hos ChatGPT. Brands, der omtales positivt eller anbefales, er også dem, der optræder oftest. Brands med negativ omtale i kilderne har svært ved overhovedet at blive nævnt.
Det er en sammenhæng og ikke en årsag. Der findes mindst én oplagt forklaring, som ikke handler om tonen selv: Stærke brands får både den positive omtale og pladsen i svaret, jævnfør brand‑styrken i afsnit 09. For dit arbejde er det underordnet, hvad der er årsag til hvad. Ligger der en negativ sag i de kilder, modellerne trækker på, skal den håndteres først. Nye svarsider og teknisk oprydning flytter ikke synligheden, så længe kilderne siger noget andet om dig.
Der findes ikke et officielt benchmark. De faste intervaller, der cirkulerer i branchens blogs, kan ikke føres tilbage til en offentliggjort måling med metode, så dem bruger vi ikke. Retningen er til gengæld forudsigelig: Jo mere koncentreret kategorien er, jo større andel samler de førende navne, og i et fragmenteret felt kan selv kategoriens nummer 1 ligge langt under halvdelen af svarene. Det tal, der betyder noget, er dit eget holdt op mod din egen baseline og mod de konkurrenter, kunden vælger mellem.
Search Console fik i juni 2026 en rapport for generativ AI‑performance, der viser, hvordan indholdet klarer sig i AI Overviews og AI Mode, med data tilbage til medio maj. Den dækker Googles egne flader og ingen andres, og den er målt ved kilden, hvor alt andet i dette afsnit er stikprøver. Brug den som anker på Google‑siden og målingen til resten. Google skriver i samme dokumentation, at man skal være varsom med tredjepartsværktøjer, der påstår at bruge interne Google‑metrikker. Det gælder også vores eget: Dashboardet måler svar fra assistenterne og har ingen adgang til Googles rangeringssystem. Det er en vigtig forskel, og en leverandør, der er utydelig om den, bør du spørge ind til.
Hvad målingen afslører, når man ser efter kilderne
Et eksempel fra en dansk B2B‑kategori, vi måler i dag. Rådgivningsydelser til boligforeninger, 79 forespørgsler, fulgt siden februar. Kilde‑laget viser 1.314 citerede kilder fordelt på 392 domæner, og fordelingen ser ikke ud, som de fleste forventer:
Reddit står for 22,8% af alle citeringer. Næsten hver fjerde kilde, modellerne trækker på i kategorien, er en tråd i et forum.
Kundens eget website står for 10,6%, altså andenpladsen.
En konkurrents PDF‑brochure optræder i 68 af de 79 forespørgsler. Ikke en artikel, ikke en ydelsesside. En brochure.
Resten fordeler sig på brancheportaler, foreningsmedier, Retsinformation og en del ren støj.
Tre ting følger af det. For det første er autoritetsarbejdet ikke kun fagmedier, men også de steder, hvor købere taler sammen uden at være kunder endnu. For det andet bliver et dokument citeret, hvis det svarer, uanset om det er en webside eller en PDF. Og for det tredje: Uden kilde‑laget i målingen ville kunden have brugt hele budgettet på sit eget website og aldrig opdaget, at næsten en fjerdedel af feltet lå et helt andet sted.
De afledte effekter
Bliver du nævnt oftere, giver det en række afledte effekter. De fleste af dem kan aflæses i tal, du har adgang til i forvejen, men de ligger spredt ud over analytics, annoncekontoen og CRM og bliver derfor sjældent læst som ét billede. To ting hører desuden med til selve AI‑målingen: Citationerne viser, hvilke af dine sider modellerne trækker på, og svarberedskabet viser, hvor mange af kategoriens spørgsmål du har en citerbar side til.
Flere brand‑ og produktsøgninger, mere Direct‑trafik og højere klikrate på din betalte annoncering. Et navn, kunden har set anbefalet, bliver klikket oftere.
Lavere afvisningsprocent. Den, der kommer fra en anbefaling, er landet med vilje og har allerede konstateret, at du er relevant.
Flere henvendelser og konverteringer i kategorien, og en højere winrate, fordi du oftere er med på listen fra start.
Effekterne kommer ikke samtidig. Efterspørgsel og trafikkens kvalitet flytter sig først, mens winrate følger salgscyklussen og derfor tager længst tid. Ingen af tallene kan tilskrives AI alene, for de påvirkes også af kampagner, sæson og pris. Derfor holder vi dem op mod Share of Voice‑kurven som bekræftelse på, at kurven har en effekt uden for AI‑svarene.
Få et AI‑SEO‑audit
Et uforpligtende audit viser, hvor synlig du er i AI‑svar i dag, hvilke kilder modellerne henter fra i din kategori, og hvad der spærrer for, at du bliver nævnt.
Anmod om et AI‑SEO‑auditDen samme side opfattes forskelligt
Det følgende er mønstre fra vores eget arbejde kombineret med offentlige trafikopgørelser. Ingen af udbyderne offentliggør, hvordan de vægter kilder, så brug det til at prioritere og ikke som facit. Fordelingen af brug er til gengæld målt, og den danske ser anderledes ud end den globale.
Markedsandel i Danmark, juli 2026 (StatCounter, opgjort på sidevisninger). Perplexity står for 3,0% og DeepSeek for 0,2%. Til sammenligning Europa: ChatGPT 75,3%, Gemini 11,2%, Perplexity 4,8%, Copilot 4,7%, Claude 4,0%. Tallene måler webbrug og ikke brug inde i apps eller i Microsoft 365.
Tre ting er værd at hente ud af de danske tal. ChatGPT står stærkere i Danmark end i Europa som helhed og markant stærkere end i det globale billede, så for dansk B2B er det den flade, der skal virke først. Gemini ser til gengæld lille ud, og det er en måleeffekt snarere end en konklusion: AI Overviews og AI Mode ligger inde i Google Søgning og tælles slet ikke med i en chatbot‑opgørelse, så Googles reelle andel af AI‑svarene er langt større end de 8,7%. Og Copilot ligger foran Claude i Danmark, hvor det er omvendt globalt.
Feltet deler sig i to lejre, og skillelinjen går et andet sted, end de fleste tror. Den handler ikke om, hvem der er bedst, men om hvem der overhovedet kan se dit website.
Ser det renderede website: Googles flader, Microsoft Copilot og Apples flader. De hentes af Googlebot, bingbot og Applebot, som alle kører JavaScript.
Ser kun den rå HTML: ChatGPT, Claude og Perplexity. Deres crawlere kører ikke JavaScript.
Er dit website client‑side renderet, findes du altså i den ene halvdel af feltet og ikke i den anden. Og den halvdel, du mister, er den, hvor fire ud af fem danske AI‑besøg ligger. Det er den enkeltforskel i dette afsnit, der har direkte konsekvens for et budget. Testen står i afsnit 07.
Lægger stor vægt på autoritet og favoriserer forskningsartikler, faglitteratur og etablerede medier. Søgelaget er en kombination, hvor OpenAI både dokumenterer et eget indeks og navngiver Bing og Shopify som tredjeparts søgeudbydere, og hvordan de vægter, oplyser OpenAI ikke. Overfladiske produktsider rykker sjældent her. Det er også den flade, hvor vi tydeligst ser tonen slå igennem: Negativ omtale i kilderne falder sammen med, at brandet slet ikke bliver nævnt, mens de positivt omtalte og anbefalede er dem, der fylder. Mekanikken står i afsnit 11.
Håndtaget: Server‑side rendering, adgang for OAI‑SearchBot og omtale i etablerede kilder. Hold desuden websitet indekseret i Bing, som OpenAI fortsat navngiver som søgeudbyder. Det er billig forsikring frem for hovedhåndtaget.
Fodres af Googlebot og af Googles indeks, og meget af det klassiske SEO‑arbejde overføres direkte. Har du et solidt fundament i Google, har du et forspring på denne flade, og det er den eneste, hvor et client‑side renderet website slipper afsted med det.
Håndtaget: Klassisk SEO. Det arbejde, du i forvejen laver, tæller her.
Prioriterer autoritative kilder og belønner indhold, der dækker et emne fra flere vinkler. Står i Danmark på 3,8% og dermed en smule under Copilot. Relevant i tekniske og analysetunge kategorier, sjældent afgørende i volumen.
Håndtaget: Dybde frem for dækning. Sider, der behandler et emne grundigt og fra flere sider, frem for mange tynde.
Lægger større vægt på virksomhedsdatabaser og opdateret indhold. Aktualitet og en korrekt, vedligeholdt virksomhedsprofil betyder mere her end hos de øvrige. Med 3,0% i Danmark er den mindste af de fem, vi behandler her, men efter vores erfaring overrepræsenteret blandt analysetunge brugere, og de sidder ofte i indkøbs‑ og analysefunktioner.
Håndtaget: Virksomhedsprofiler i registre og databaser, og daterede sider, der rent faktisk vedligeholdes.
Den flade, der oftest bliver glemt i danske B2B‑analyser, ligger med 3,9% foran Claude her. Andelen undervurderer den reelle udbredelse, for produktet findes næsten ikke på det åbne web: Microsoft opgjorde over 30 millioner betalte M365 Copilot‑sæder ved udgangen af juni 2026, en fordobling på et halvt år, og produktet sidder inde i Word, Outlook og Teams hos præcis de organisationer, der køber B2B. Vær samtidig realistisk: Sæder er ikke brug, og hvor medarbejdere har adgang til både Copilot og ChatGPT, vælger de fleste i praksis ChatGPT.
Håndtaget: Bing‑indekset og Microsoft Graph. Bing‑synlighed er den eneste vej ind.
Markedstal fortæller, hvor brugerne er. De fortæller ikke, hvor dine indkøbere er, og det er det, målingen i afsnit 11 svarer på. Indtil den ligger, er udgangspunktet for en dansk B2B‑virksomhed: ChatGPT først, fordi fire ud af fem danske besøg på assistenternes webflader lander der. Derefter Googles flader, fordi AI Overviews ikke figurerer i chatbot‑tallene og alligevel møder køberen midt i en almindelig søgning.
To ting rykker den rækkefølge, og begge handler om kategorien snarere end om størrelsen. Sælger du til Microsoft‑tunge organisationer, rykker Copilot op, fordi produktet står åbent på skærmen hele dagen hos netop dem. Og sælger du til analyse‑, indkøbs‑ eller researchfunktioner, rykker Perplexity op trods de 3%, fordi brugerne dér er skævt fordelt i din favør. Markedsandelen er et gennemsnit over alle danskere. Du sælger ikke til alle danskere.
Seks forhold, og hvordan vi håndterer dem
AI‑synlighed er en relativt ny disciplin, og en del af det, der bliver solgt som metode, er formodninger. Seks forhold er værd at have på plads, før nogen sætter et mål. De forsvinder ikke undervejs, så de er lige så meget en løbende disciplin som et forbehold ved opstart.
Den samme prompt kan give forskellige svar fra dag til dag og fra bruger til bruger. Kun 1,5% af variationen skyldes brandet selv, altså det, du faktisk forsøger at måle.
Sådan håndterer vi det: Vi måler over mange svar med en kendt usikkerhed og rapporterer kurven frem for punktet. Regnestykket står i afsnit 11.
Ingen kender den præcise opskrift bag, hvilke kilder en model vælger. Enhver, der påstår andet, sælger en skråsikkerhed, der ikke findes.
Sådan håndterer vi det: Vi arbejder ud fra mønstre, offentlig dokumentation og afprøvning, og vi skriver hver gang, hvad der er målt, og hvad der er formodning. Hvor vi ikke ved det, står der, at vi ikke ved det.
En model kan gengive forkerte eller forældede oplysninger om din virksomhed, og ingen fortæller dig det. Hvor tit det sker hos dig, ved hverken du eller vi, før det er målt.
Sådan håndterer vi det: Den faste runde på syv spørgsmålstyper til tre assistenter, kørt igen efter rettelserne, så fejlraten kan følges. Fremgangsmåden står i afsnit 10.
Vi kan måle, at synligheden flytter sig, og vi kan se, hvilke sider der bliver citeret. Vi kan sjældent adskille, hvad entiteten, svarsiderne og omtalen hver især har bidraget med, fordi lagene arbejder samtidig.
Sådan håndterer vi det: Vi sætter lagene i gang forskudt, hvor det er praktisk muligt, så rækkefølgen i det mindste kan aflæses. Og hvor vi ikke kan skille effekterne ad, skriver vi det, også om vores egne cases.
Brand‑styrken i kategorien ser ud til at veje tungest for, om du bliver nævnt, jævnfør tallene i afsnit 09 og det, vi ser i vores egne målinger. Teknisk parathed og gode svarsider er nødvendige, men de er ikke tilstrækkelige, og ingen leverandør kan arbejde et nichebrand op på siden af en global spiller i en bred kategori.
Sådan håndterer vi det: Vi vælger kategorien, før vi vælger indsatsen. Den afgrænsede kategori, hvor du reelt er blandt de få, slår den brede, hvor du er nummer tredive.
Alene i første halvår af 2026 fjernede Google FAQ‑rich results, åbnede en ny rapport for generativ AI i Search Console, begyndte at teste en fravalgs‑kontrol i Storbritannien og omdøbte flere af sine crawlere. Udbyderne ændrer navne, regler og flader hurtigere, end en metode normalt revideres.
Sådan håndterer vi det: De bærende fakta har en verifikationsdato og bliver tjekket igen ved hver ny opgave. En leverandør, der ikke reviderer sin metode, sælger sidste års viden til fuld pris.
Det spørgsmål lander altid til sidst, og det fortjener et rigtigt svar. Vi lover ikke en bestemt Share of Voice, for udfaldet afhænger af dit udgangspunkt og af konkurrenterne, og ingen af delene er vores at bestemme.
Til gengæld kan vi aftale det, vi faktisk styrer: Hvor mange af kategoriens spørgsmål du har en citerbar side til, hvor mange af de tekniske spærrer der er væk, hvor mange kilder uden for dit website der er arbejdet med, og hvor hurtigt en konstateret fejl bliver rettet.
Andelen følger vi som resultat, ikke som løfte. Det er den eneste ærlige opdeling, og den har den fordel, at begge parter kan se, om arbejdet blev udført, også i den måned hvor kurven ikke bevægede sig.
Rækkefølgen betyder mere end omfanget
Nedenfor er den sekvens, vi selv kører, og hvem der skal involveres. De to første uger kan du gennemføre uden hjælp udefra, og de afgør, om resten er nødvendigt.
Kør kildekode‑testen på dine tre vigtigste sider. Gennemgå robots.txt for AI‑crawlere. Kør den faste runde på syv spørgsmålstyper til ChatGPT, Gemini og Copilot, og notér både hvad der er forkert, og hvordan der bliver talt om dig. Finder du negativ omtale i de kilder, svarene henviser til, rykker den forrest i planen, for den spærrer for resten.
Ejer: Teknisk SEO eller udvikler, en halv dag. Marketing, en halv dag.
Server‑side rendering på de sider, testen faldt på. Ret den kanoniske beskrivelse af virksomheden, få Wikidata på plads, og bind profilerne sammen.
Ejer: Udvikler og indholdsansvarlig.
parallelt
Byg de 50+ prompts fra salgsdialoger og Search Console, og lås konkurrentsættet. Kør baseline med gentagelser nok til, at niveauet står fast, ikke med én kørsel. Og kortlæg samtidig, hvilke kilder svarene faktisk henter fra i kategorien. Det sidste er ofte det, der overrasker mest, og det er forudsætningen for, at autoritetsarbejdet kan pege et sted hen.
Ejer: Marketing og analyse.
Én side pr. prioriteret spørgsmål med svaret øverst. Start med de fem spørgsmål, hvor konkurrenterne fylder mest i baselinen.
Ejer: Indholdsansvarlig.
parallelt
Sæt PR og omtale i gang mod netop de kilder, kilde‑kortet udpegede. Det er det langsomste lag, så det starter tidligt.
Ejer: PR eller ledelse.
og frem
Sammenlign mod baseline med usikkerheden i hånden. Forvent, at RAG reagerer først, og at det, modellen selv har lært, endnu ikke har flyttet sig.
Ejer: Marketing og analyse, derefter fast hver måned.
Efter tre til fire måneder bør dækningen have flyttet sig, altså hvor mange af kategoriens spørgsmål du overhovedet er med i. Efter et halvt år bør andelen begynde at følge med, hvis svarsiderne holder. Og det, der ligger i modellernes træning, flytter sig først, når de bliver trænet igen, hvilket ingen af os styrer. Autoritetslaget er stadig det, der viser sig sidst, og det er også det, der holder længst, når det først er der.
Modellerne afspejler de virksomheder, der fylder mest i kilderne lige nu. Det er derfor, sekvensen starter med diagnosen og ikke med indholdet: Du kan ikke skrive dig ind i et svar, hvis crawleren ikke kan læse siden, og du kan ikke se, om noget virker, hvis der ikke findes en baseline. Begge dele tager under to uger.
Få et AI‑SEO‑audit
Et uforpligtende audit viser tre ting: Hvor synlig du er i AI‑svar i dag, hvad der spærrer, og hvad der kan aftales som indsats. Du får stikprøvestørrelsen og usikkerheden med, så du selv kan se, hvor sikkert tallet er. Du taler med de specialister, der har skrevet metoden i dette dokument, og som selv udfører arbejdet.
Vi lover ingen bestemte tal. Vi lover et ærligt udgangspunkt og en plan, der kan følges op på.
Skal beslutningen forankres opad, samler vores Executive Brief forretningsargumentet på få sider, skåret til CMO og direktion uden det tekniske maskinrum.
Dokumentation
Alle kilder er tjekket den 15. august 2026. Kilderne er ikke lige stærke, og det bør en læser kunne se. De første ni er dem, papirets påstande hviler på, og de står med population, metode og forbehold, så du selv kan vurdere, hvor langt de rækker. Ét af dem er fagfællebedømt (Aggarwal m.fl.), flere er værktøjsleverandørers egne studier med offentliggjort metode (Ahrefs, Vercel, Cloudflare), og to er brancheundersøgelser fra virksomheder, der sælger ind på det, de måler (Ranqo og Semrush). Resten er opslag: officiel statistik, udbydernes egen dokumentation og enkeltstående tal, som er lette at efterprøve ved kilden.
Bærende kilder
Øvrige kilder og dokumentation
Dem, der har skrevet metoden
Har arbejdet med søgemaskineoptimering siden 1997 og stiftede InboundCPH i 2013. Rådgiver virksomheder i Danmark og internationalt om synlighed i søgemaskiner og i AI‑assistenter, og står bag den metode, dette dokument beskriver. Har fulgt feltet gennem tre skift: Fra kataloger til algoritmisk søgning, fra søgeord til intention, og nu til tre til fem navne i et svar.
Har arbejdet med SEO i 13 år og har en udpræget viden om indhold, linkbuilding og de tekniske aspekter. Er ansvarlig for SEO‑arbejdet i InboundCPH og det sidste led, før en tekst når kunden. Det er også den rolle, der har formet kravene til citerbart indhold i afsnit 08: En konklusion, der ikke kan stå alene, når ikke gennem.
Har arbejdet med SEO i 25 år og programmeret i mere end 35. Er full stack‑udvikler med ti års arbejde med AI bag sig og står for den tekniske side af AI‑synlighed, fra rendering og crawl‑adgang til det, der skal bygges om, når testen falder. Kravene i afsnit 07 er skrevet ud fra det arbejde.
InboundCPH A/S har været specialiseret marketingbureau siden 2013 og arbejder for virksomheder i Danmark og internationalt med SEO, AI‑synlighed, betalt søgning og analyse.
Har du spørgsmål til metoden eller til et af tallene, må du gerne skrive. Vi svarer gerne på, hvordan vi er nået frem til det, også når svaret er, at vi ikke kan vide det.
© InboundCPH A/S, september 2026. Indholdet er ophavsretligt beskyttet og må ikke kopieres, distribueres eller gengives uden skriftlig tilladelse.