AI-SEO
Metoden bakom synligheten hos AI-assistenterna – från grunden till resultaten
Hur modellerna väljer ut källor, vad AI-crawlarna kan och inte kan läsa, och hur du mäter din position i AI-svaren. När du har läst det kommer du att förstå varför du nämns eller utelämnas, vad som bör åtgärdas först och när du kan se om det fungerar.
Beslutet har flyttats från Google till en AI-konversation
Dina potentiella kunder fattar i allt högre grad delar av sina beslut under ett samtal med en AI-assistent. Det gör de innan de besöker din webbplats eller talar med dina säljare.
94% av B2B-inköpare använder språkmodeller för att sammanfatta recensioner eller analysera data under inköpsprocessen. I Europa är siffran 89%, i Sverige 86% (6sense, november 2025).
68% av Googlesökningarna i USA avslutas utan att någon klickar, en ökning från 60% år 2024 (SparkToro/Similarweb, 2026). När ett svar sammanfattar en hel kategori till tre till fem namn är det där som fältet avgränsas.
Konsekvenserna kan bli kostsamma. Inköparen väljer en av de leverantörer som fanns med på kortlistan från första början i 95% av fallen (6sense, november 2025).
Om leverantörslistan skapas av ett AI-svar och du inte nämns där, blir du utesluten innan någon har utvärderat ditt företag.
Grunden är densamma som tidigare. Det bekräftade Google själva i sin dokumentation den 15 maj 2026:
”Optimering för de generativa funktionerna är SEO. Det finns ingen särskild teknisk väg in, ingen AI-specifik markering och inget krav på att dela upp innehållet i små bitar.”
Det nya är att svaret endast rymmer ett fåtal namn och att placeringen inte längre avgör vem som nämns. Ovanpå fundamentet ligger fem lager:
Det är den ordningen som resten av dokumentet följer, och det femte lagret har fått ett eget avsnitt, eftersom det är där de flesta insatserna mäts felaktigt eller inte mäts alls.
Fyra siffror – och vad de inte visar
Förändringen är tydlig. De fyra siffrorna nedan är de som oftast citeras när det gäller AI och sökning, och de är värda att känna till, just för att de presenteras för dig. Två av dem är amerikanska, en gäller detaljhandeln, och ingen av dem är baserad på dansk B2B. Därför följer tre avsnitt därefter: De två första skiljer på vad siffrorna kan bära och vad de inte kan, och det tredje ställer den danska och nordiska bilden bredvid, eftersom det är det som gäller för dig.
Sökresultatet är oftare målet än vägen dit. Det är den utveckling som branschen kallar ”zero-click”. För dig innebär det att den del av kundresan som du kan utläsa i analysverktygen krymper, medan den del som avgör resultatet flyttar till en plats där inga webbanalysverktyg når fram. Danmark är samtidigt det land i EU där flest använder generativ AI. Förändringen drabbar alltså danska företag innan den drabbar deras europeiska konkurrenter, och det gäller i båda riktningarna: både förlusten av klick och möjligheten att bli det namn som assistenten nämner.
Trafiken till amerikanska produktsidor som hänvisats via AI har ökat mer än 14 gånger sedan oktober 2024, och den konverterar 54% bättre än trafik från andra källor (Adobe Analytics, 2026). Förklaringen är troligen selektion snarare än en effekt av AI: Den som klickar vidare från ett AI-svar har redan fått sina frågor besvarade och sin kandidatlista gallrad, och har därför kommit längre i beslutsprocessen än en slumpmässig sökande.
De fyra siffrorna ovan visar riktningen. Siffrorna här visar nivån på den marknad där du säljer, och de ger samma bild: Danmark ligger i framkant, inte efter.
86% av svenska B2B-inköpare använder språkmodeller när de undersöker lösningar. Det europeiska genomsnittet är 89%, globalt 94% (6sense, november 2025). Sverige är det enda nordiska landet i undersökningen, och siffran ligger nära den europeiska.
Danmark ligger på första plats inom EU när det gäller företagens användning av AI. 42% av de danska företagen med minst tio anställda använder minst en AI-teknik, jämfört med ett EU-genomsnitt på cirka 25% (Eurostat, 2025).
27% av danskarna använder AI i arbetet, en ökning från 21% året innan. Bland 25- till 44-åringarna är det knappt hälften (Danmarks Statistik, mars 2026, cirka 18 000 intervjuer).
Assistenten har flyttats fram till det första filtret
Mellan den första interaktionen och köpet ligger den fas som Google kallar ”the messy middle”, där köparen undersöker, jämför och ändrar sig. Där har assistenten etablerat sig som kundens första – och ibland sista – filter. Googles AI Mode passerade 1 miljard månatliga användare ett år efter lanseringen, och Google beskriver själv denna utveckling som ingången till ”the era of Search agents” (Google I/O, maj 2026). ChatGPT:s app ligger på samma nivå, 1 miljard månatliga användare. De två siffrorna ska inte läggas ihop till två miljarder, eftersom många använder båda, och ingen av leverantörerna uppger hur stor överlappningen är.
Semrush prognostiserade 2025 att AI-sökningar från och med början av 2028 kan leda fler besökare till webbplatser än traditionella sökningar. Det finns dock en viktig reservation: Prognosen baseras på över 500 ämnen inom digital marknadsföring och SEO, det vill säga Semrushs egen bransch, där användarna ligger längre fram än inom något annat område. Semrush antar att mönstret skulle gälla i större utsträckning, men mäter inte detta. Vi räknar inte med det datumet. Branschens historik när det gäller den här typen av prognoser är dålig, och ett årstal från 2028 är inget man kan lägga en budget efter. Trenden är däremot inte till diskussion, och den kan du mäta utifrån dina egna siffror redan i morgon.
Men den invändning vi oftast hör lyder: ”AI står för mindre än 3% av vår trafik, varför lägga tid på det?” Den mäter på fel ställe. Värdet ligger i omnämnandet, inte i klicket. När ett AI-svar visas på Google klickar användarna vidare till en organisk länk i 81 % av besöken, jämfört med 151 % när det inte finns något AI-svar, och på länken inuti själva svaret klickar de i 11 % av fallen (Pew Research Center, juli 2025, USA). Valet görs direkt i svaret, varefter kunden googlar företagsnamnet eller går direkt till webbplatsen och hamnar i din analys som varumärkes- eller direkttrafik.
Det du bör kontrollera är om dina sökningar på varumärken eller produkter ökar i Search Console samtidigt som den direkta trafiken ökar. Om detta sker utan att du har trappat upp kampanjerna är omnämnandet i AI-svaren den mest troliga förklaringen. Det är ett indirekt mått och inte ett bevis, men det framgår av data som du redan har tillgång till, och det kostar ingenting att kolla upp. De övriga följdeffekterna beskrivs i avsnitt 11.
Därtill kommer ett strukturellt argument. Cloudflare har sammanställt vad AI-crawlarna egentligen hämtar, mätt över tolv månader på deras eget nätverk: 80% gick till träning, 18% till sökning och 2% till konkreta användaråtgärder. Endast den mellersta kategorin kan resultera i en källhänvisning med en länk. Resten går till träning och till de svar som assistenten levererar i chatten, där användaren aldrig lämnar fönstret. Och i juni 2026 uppgav Cloudflares vd att den automatiserade trafiken hade överstigit 57,5% av all trafik hos dem. Systemet är byggt för att läsa av dig och svara å dina vägnar. Klicket är en biprodukt. För din rapportering innebär det att en sida kan utföra sin uppgift utan att någonsin få ett besök, och att värdet på en sida därför inte längre kan avläsas enbart utifrån dess trafik.
Stimulans → Google ⇄ webbplats ⇄ forskning ⇄ jämförelse → handling
Kunden växlar själv fram och tillbaka mellan sökning, sidor och jämförelser, ofta flera gånger, innan bilden är tillräckligt tydlig för att kunna genomföra ett köp.
Stimulus → samtalet med assistenten → eventuell Google-sökning → webbplats → handling
Assistenten sköter en stor del av research- och jämförelsearbetet och ger ett avgränsat svar med tre till fem namn.
Under den andra omgången sammanställer assistenten flera av länkarna. Modellerna baseras på de företag som just nu dominerar källorna, så ju längre en konkurrent har haft sin plats, desto mer arbete krävs det för att ta sig in i stället.
Assistenten nämner vanligtvis tre till åtta företag eller webbplatser. Om du inte finns med bland dem hamnar du inte på köparens kortlista från dag ett. Och det är just den listan som 95% av de vunna orderna kommer från, medan favoriten redan före den första säljkontakten vinner 77% av dem (6sense, november 2025, knappt 4 000 B2B-inköpare i Nordamerika, Europa och Asien). Den leverantör som köparen kontaktar först vinner för övrigt omkring 80% av gångerna, och ordningen på kontakterna avgörs ofta av vem som nämndes. AI-synlighet vinner inte affären åt dig. Den avgör om du finns med när listan upprättas.
Från osynlig till topp 2 på ”Interim CFO”
Fråga ChatGPT eller Googles AI Overviews vem som kan tillhandahålla en tillfällig CFO, så hamnar Azets på första eller andra plats. Så såg det ut när vi gjorde en undersökning i augusti 2026. För ett år sedan fanns de inte på kartan: De var en av många som ingen modell kände till tillräckligt väl för att nämna.
Azets ligger idag i topp i kategorin. Nummer två i fältet ligger på 18,8% av omdömena och nummer tre på 14,2%, så ledningen är verklig, men den är inte oomtvistad och måste försvaras.
En andel av omnämnandena är ett medel, inte ett mål. Värdet för Azets ligger i att synligheten har lett till förfrågningar från kunder som inte kände till dem sedan tidigare.
Så här gick det till
Arbetet inriktades på tre av de fem lagren från avsnitt 09. Här är det avgörande vilka man arbetade med och vilka som inte behövdes.
27 affärskritiska sökfrågor kartlades inom denna kategori. De hämtades från Search Console, från Google Ads-data och från en genomgång av konkurrenterna.
Över 20 sidor har optimerats så att varje prioriterad fråga har en sida som kan citeras.
22 artiklar som citerar Azets, publicerade i medier, på bloggar och webbplatser med relevans för kategorin.
En utgångsbas före den första korrigeringen och därefter en löpande sammanställning per assistent enligt metoden i avsnitt 11.
Företaget tog däremot lite plats. Azets är ett stort, etablerat varumärke, så modellernas bild av företaget var redan från början ganska exakt. Det är värt att ha i åtanke när man läser siffrorna i avsnitt 09 om varumärkesstyrka: Utgångspunkten avgjorde var insatserna skulle riktas, och här låg bristen i frågorna och i auktoriteten, inte i företaget.
Tidshorisont: De första mätbara resultaten visade sig inom tre månader.
AI-synligheten har mätts i kategorin ”Interim CFO” enligt metoden i avsnitt 11: Flera körningar per prompt per assistent, jämfört med en baslinje från innan arbetet inleddes, aldrig utifrån ett enskilt svar. Konverteringar och organisk trafik har hämtats från GA4 och Search Console och jämförts med samma period föregående år.
Kampanjerna genomfördes parallellt, så vi kan inte isolera varje enskild kampanjs bidrag, utan endast redogöra för den ordning i vilken de inleddes. Perioden omfattar dessutom Azets egna kampanjer och marknadsförhållanden. Arbetet inleddes som ett danskt pilotprojekt och är idag ett globalt program.
”Vi har aldrig tidigare upplevt en så kraftig ökning av trafiken och antalet kvalificerade förfrågningar.”
Få en AI-SEO-granskning
En icke-bindande granskning visar hur synlig du är i AI-svar idag, vilka källor modellerna hämtar information från inom din kategori och vad som hindrar att du nämns.
Begär en AI-SEO-granskningDen tekniska grunden är fortfarande nyckeln till framgång
En tekniskt sund struktur, bra, unikt och användbart innehåll samt en backlinkprofil med stor mångfald är fortfarande en förutsättning för allt som följer. Det är avkastningen som har förändrats. En förstaplats på Google ger en länk av tio. Ett AI-svar nämner tre till åtta företag och utelämnar resten.
Förhållandet mellan de två disciplinerna är inte antingen-eller, och det är värt att vara tydlig med detta. Dina organiska placeringar är fortfarande den starkaste enskilda vägen in i Googles egna AI-gränssnitt, eftersom AI Overviews och AI Mode bygger på det index som du redan arbetar för. Men de säger nästan ingenting om huruvida ChatGPT nämner dig, och ChatGPT står för huvuddelen av användningen i Danmark, vilket avsnitt 12 visar. Bra SEO-arbete ger dig alltså den ena halvan av fältet gratis och den andra halvan inte alls.
”Du kan ligga på första plats på Google och ändå vara osynlig i ChatGPT. Placering och omtal är två olika saker.”
Arbetet förändras konkret på fyra områden. Dessa motsvarar lagren i avsnitt 09, ur ett SEO-perspektiv.
Förstå vilka frågor dina kunder ställer och i vilket skede de ställer dem. Ju bättre du känner till avsikten bakom frågan, desto mer precist kan sidan besvara den, och desto lättare blir det för en modell att peka ut dig när frågan dyker upp igen i en annan formulering.
Skillnaden: Traditionell SEO bygger på sökord. Här arbetar du med frågor i alla deras varianter, eftersom modellerna tolkar ”vad kostar en tillfällig CFO”, ”pris på tillfällig ekonomichef” och ”arvode för tillfällig CFO” som samma fråga. En sökordstabell har rader. En frågekatalog har ämneskluster.
På webbplatsen: Strukturerat innehåll som ger ett exakt svar på frågan. Offsite: Omnämnanden och referenser i de källor som modellerna värderar högt. Det ena utan det andra ger antingen bra sidor som ingen hänvisar till, eller omnämnanden som pekar på en webbplats som inte kan besvara frågan.
Skillnaden: Inom klassisk SEO handlar arbetet utanför webbplatsen om länkar. När det gäller AI-modeller handlar det om omnämnanden, med eller utan länk. Korrelationen från Ahrefs i avsnitt 06 tyder på att antalet omnämnanden av varumärkesnamnet har ett starkare samband med synligheten i AI Overviews än antalet bakåtlänkar. Detta förskjuter fokus från klassisk länkbyggnad mot PR.
Organiska placeringar, sökvolym och data från Search Console visar var insatserna ger bäst resultat. De sidor där du har många visningar och en låg klickfrekvens täcker de frågor som du är närmast att dominera. Börja där istället för att bygga upp något nytt.
Skillnaden: Volym och placering avgör inte längre prioriteringen på egen hand. Ett sökord som aldrig utlöser ett AI-svar är ett rent SEO-sökord och ska behandlas som ett sådant. Ett sökord som nästan alltid gör det är ett AI-sökord, oavsett hur liten volymen är. Kontrollera detta för dina viktigaste sökord innan du lägger upp planen.
Mät både placeringarna och andelen omnämnanden i AI-svaren innan den första sidan redigeras. Utan en utgångspunkt kan du inte skilja en åtgärd som fungerar från en variation mellan olika mätningar. Hur stor variation som krävs framgår av avsnitt 11.
Skillnaden: En rankningsmätning är tillräckligt stabil för att en enskild mätning ska ge en meningsfull bild. Ett AI-svar varierar för mycket för att det ska gå. Baslinjen är därför inte en ren formalitet här, utan en förutsättning för att överhuvudtaget kunna tolka ett resultat i efterhand.
Tre vägar till ett AI-svar
Begreppen ”modellen”, ”RAG” och ”assistenten” används omväxlande i det mesta som skrivs om ämnet. Skillnaden är inte av akademisk karaktär: den förklarar varför vissa insatser ger resultat inom en månad, medan andra tar ett år. Modellen är det hon lärde sig under träningen. RAG är den realtidssökning som hämtar uppdaterade sidor medan svaret skrivs. Assistenten är den produkt som användaren sitter i. Vi håller dem åtskilda hela tiden.
Ditt företags- eller produktnamn kan dyka upp i ett svar på tre olika sätt. De fungerar på olika tidsskalor, och det är där planeringen avgörs.
En språkmodell tränas på stora mängder text från internet, framför allt från filtrerade webbarkiv som Common Crawl. Dessutom ges renare källor som Wikipedia, böcker och etablerade medier högre vikt än vad deras andel av texten i sig skulle ge dem, eftersom de är redaktionellt tillförlitliga. Den exakta sammansättningen är inte offentlig för nyare modeller, så var skeptisk mot alla som påstår sig känna till den i procent.
Här finns en viktig punkt som är värd att stanna upp vid: Common Crawl kan inte köra JavaScript. Om en enkel sökrobot inte kan läsa dina sidor idag, kommer du inte heller att finnas med i det material som nästa generations modeller tränas på. Det tekniska arbetet i avsnitt 07 handlar därför inte bara om svaren den här veckan, utan om modellernas bild av dig om ett år.
En föråldrad bild som modellen har lärt sig försvinner inte bara för att du rättar till din webbplats. Den finns kvar till nästa träningsomgång. Däremot kan du ändra det som modellen lär sig nästa gång, och det avgörs av källorna utanför din egen webbplats. Hur du korrigerar dem beskrivs i avsnitt 10.
Anmärkning: Modellens beteende finjusteras efter träningen med hjälp av mänsklig feedback, så kallad RLHF. Det är ett träningssteg och inte en datakälla, även om de två ofta förväxlas.
RAG (Retrieval-Augmented Generation) är den sökning som assistenten utför medan den skriver svaret. Assistenterna hanterar detta på olika sätt. ChatGPT hämtar aktuella sidor genom en kombination: OpenAI dokumenterar både ett eget index, som crawlern OAI-SearchBot fyller på, och tredjeparts sökleverantörer, där OpenAI själva nämner Bing och Shopify. Mätningar under sommaren 2026 pekar dessutom på begränsade Google-resultat via tredjepartsleverantörer. OpenAI uppger inte hur källorna viktas. Gemini hämtar från Googles index, och Perplexity kombinerar sökningar från tredjepartsleverantörer med sitt eget index. Konsekvensen är att innehåll som rankas högt i sökresultaten kan hamna i ett AI-svar, även om det aldrig har ingått i träningsdata.
Det är den snabbaste av de tre metoderna. Om du uppdaterar en sida och den indexeras på nytt kan resultaten förändras inom några veckor. Det är också här som en mätning kan bekräfta eller avfärda en hypotes inom loppet av en enda månad.
På Googles egna plattformar är placeringen en genväg till väg 2, eftersom AI Overviews och AI Mode hämtar information från det index som ditt SEO-arbete redan är inriktat på. En stark placering kan därför få dig att hamna i ett svar, även om modellen aldrig har sett sidan under sin träning. Det är broen mellan klassisk SEO och AI-synlighet och den mest konkreta av de tre vägarna att arbeta med. Den gäller däremot inte för ChatGPT.
Vad får en modell att lita på en källa?
Flera faktorer spelar in samtidigt, men de väger inte lika tungt. Vi har bäst belägg för den första, och de övriga följer i fallande ordning beroende på hur säkra vi är på dem.
Hur ofta källan nämns på andra ställen. Det är den starkaste enskilda signalen som vi har data om, och detta framgår av rutan nedan.
Redaktionell kvalitet och historisk noggrannhet. Källor som visar sig ha rätt över tid återges oftare.
Aktualitet. Ett daterat och väl underhållet svar är bättre än ett odaterat.
Hur lätt svaret kan utläsas ur texten. En sida där slutsatsen framgår tydligt är lättare att citera än en där den måste härledas. Det är de metoder som beskrivs i avsnitt 08.
Ett mönster återkommer. Ahrefs analyserade 75 000 varumärken i maj 2025 och fann att hur ofta ett varumärke nämns på nätet har ett betydligt starkare samband med synligheten i Google AI Overviews än vad antalet bakåtlänkar har, 0,66 mot 0,22 i rangkorrelation. Det handlar om ett samband och inte ett bevis på orsakssamband, och mätningen tar hänsyn till omnämnanden överallt på nätet, inte bara utanför din egen domän. Men trenden är tillräckligt tydlig för att tyngdpunkten ska förskjutas: Att bli omnämnd väger tyngre än att bli länkad till.
Tre saker fungerar, och två säljs som om de vore
AI-crawlarna läser på ett annat sätt än Googlebot, och denna skillnad kan leda till försämrad synlighet om den förbises. Tre faktorer gör skillnad: server-side rendering, åtkomst i robots.txt och den tekniska underhållningen när det gäller hastighet och mobilanpassning. De listas nedan i ordning efter effekt, och för var och en anges hur mycket arbete som krävs, så att du kan se vad som är ett tio minuters jobb och vad som är ett utvecklingsprojekt. Sist kommer strukturerade data och llms.txt. De finns med eftersom de marknadsförs som lösningar utan att egentligen vara det.
Fältet delas upp i två delar. De sökrobotar som kommer från en sökmotor renderar JavaScript, och detta är dokumenterat av leverantörerna själva: Googlebot kör sidan i en headless Chromium, Bingbot i en kontinuerligt uppdaterad Edge-motor, och Applebot renderar också. Allt som Googles, Copilots och Apples gränssnitt svarar på kommer den vägen.
De sökrobotar som är utvecklade för AI gör inte det. Ingen leverantör dokumenterar någon renderare för GPTBot, OAI‑SearchBot, ClaudeBot, Claude‑SearchBot, PerplexityBot, CCBot eller Metas sökrobotar, och den största tillgängliga logganalysen pekar i samma riktning: Vercel och MERJ granskade 569 miljoner förfrågningar på sina nätverk och fann inga tecken på att skript kördes. GPTBot hämtade JavaScript-filer i 11,51 % av sina förfrågningar och ClaudeBot i 23,81 %, utan att köra dem.
Om din webbplats bygger på klientbaserad rendering ser den ena halvan av fältet ett tomt skal, och ChatGPT är den största enskilda aktören i den halvan.
Server-side rendering eller statisk generering löser problemet. Om hela webbplatsen måste byggas om blir det ett stort projekt, och det är få som kan ta sig an det med kort varsel. Det finns tre mindre omfattande alternativ, listade i ordning efter hur hållbara de är:
Statisk generering av de viktigaste mallarna. Tjänste-, produkt- och artikelsidor genereras som färdig HTML vid publicering. Det är den mest hållbara lösningen, och den kan genomföras mall för mall istället för på en gång.
Server-side rendering på utvalda rutter. Moderna ramverk som Next.js, Nuxt, Remix och SvelteKit kan avgöra detta per ruta. Du behöver alltså inte konvertera hela webbplatsen för att göra de tjugo sidorna som är viktiga läsbara.
Förrendering före sökrobotarna. Ett mellanlager levererar färdigrenderad HTML till sökrobotar och den vanliga appen till användarna. Det är det snabbaste alternativet att sätta upp och det minst hållbara av de tre, eftersom det innebär ytterligare ett system som måste underhållas. Viktig anmärkning: Sökroboten måste se samma innehåll som användaren. Om du visar något annat är det cloaking, och då är problemet större än det du löste.
Insats: Veckor, och det kräver utvecklare. Det är den dyraste punkten på listan och samtidigt den enda som är dyr.
Öppna en av dina viktigaste sidor, välj ”Visa källkod” – inte utvecklarpanelen – och sök efter en mening ur brödtexten. Om meningen finns i källkoden kan sökrobotarna läsa den. Om den endast finns i utvecklingspanelen är den osynlig för alla utom Google. Gör testet på de sidor som du helst vill bli nämnd på innan du gör något annat.
Filen styr vilka sökrobotar som får hämta dina sidor, och de stora AI-sökrobotarna respekterar den. Om du blockerar just de som du vill ska hitta dig, är resten av arbetet bortkastat. Det händer oftare än man skulle tro, eftersom listan skapas en gång och sedan kopieras vidare från webbplats till webbplats.
Den avgörande skillnaden ligger inte mellan AI-crawlers och vanliga crawlers. Den ligger mellan dem som hämtar data för träning och dem som hämtar data för att kunna citera dig i ett svar just nu. Hos vissa leverantörer kan dessa två alternativ väljas separat. Hos andra går det inte.
| Användaragent | Vem | Om du blockerar den, går du miste om |
|---|---|---|
| OAI-SearchBot | OpenAI | Synlighet i ChatGPT:s sökresultat. OpenAI skriver det rakt ut |
| ChatGPT-användare | OpenAI | Hämtning när en användare ber ChatGPT att öppna en sida. Påverkar inte synligheten i sökresultaten |
| Claude‑SearchBot | Anthropic | Indexering till Claudes sökresultat |
| Claude-Användare | Anthropic | Synlighet när en Claude-användare söker på nätet |
| PerplexityBot | Förvirring | Synlighet i Perplexitys svar. Den används inte för träning |
| Googlebot | Google-sökning, AI-översikter och AI-läge på en gång | |
| bingbot | Microsoft | Bing och Copilot på en gång |
| Applebot | Apple | Siri, Spotlight och Apples AI-svar |
| Användaragent | Vem | Vad du går miste om genom att blockera |
|---|---|---|
| GPTBot | OpenAI | Träning av framtida modeller, inget annat |
| ClaudeBot | Anthropic | Träning, inget annat |
| CCBot | Common Crawl | Framtida Common Crawl-datauppsättningar, som i sin tur ligger till grund för många andras träning |
| Applebot‑Extended | Apple | Träning av Apples modeller. Den söker inte själv |
Det finns tre ställen där man inte kan skilja på sakerna
Google‑Extended missförstås oftare än något annat i filen. Den är inte en sökrobot och har ingen egen user agent, utan ett kontrolltoken. Den styr om innehåll som Googlebot redan har hämtat får användas för att träna Gemini och för att underbygga svar i Gemini-appar och Vertex. Om du blockerar den förlorar du alltså inte bara träningen, utan även utrymmet i Geminis svar. Däremot påverkar den varken dina placeringar eller AI-översikterna.
AI-översikter och AI-läge styrs uteslutande av Googlebot. Det finns ingen rad i robots.txt som gör att du kan vara med i Googles sökresultat och samtidigt stå utanför AI-översikterna. I juni 2026 började Google testa en inställning i Search Console som kan göra just det, men den har hittills endast rullats ut till en del av de brittiska webbplatserna och finns ännu inte med i Googles egen dokumentation. Tills den når Danmark är förhandsgranskningskontrollerna ”nosnippet” och ”max-snippet” de enda verktygen du har tillgång till, och de beskär även dina vanliga sökutsnitt.
Hos bingbot och meta‑externalagent Ett token fyller två syften. Bingbot matar både Bing-indexet och Copilot, och Metas token täcker både träning och produktindexering. Om du vill avregistrera dig från det ena följer det andra med.
Källa till kolumnen om vad du går miste om: Leverantörernas egen dokumentation, kontrollerad den 15 augusti 2026. OpenAI skriver om OAI‑SearchBot att uteslutna webbplatser ”inte kommer att visas i ChatGPT:s söksvar”, och om ChatGPT‑User att den ”inte används för att avgöra om innehåll kan visas i sökresultaten”. Anthropic skriver att blockering av Claude-User ”kan minska din webbplats synlighet vid användarstyrd webbsökning”. Perplexity skriver att PerplexityBot ”inte används för att indexera innehåll för AI-grundmodeller”. Google skriver att Google‑Extended ”inte påverkar en webbplats inkludering i Google Sök”. Apple skriver att ”Applebot‑Extended inte indexerar webbsidor”.
Anmärkning: Robots.txt är frivilligt för de sökrobotar som hämtar information på begäran av en användare. Perplexity‑User och Metas meta‑externalfetcher anger själva att de kan bortse från filen. Om något ska uteslutas med säkerhet måste det ske på servern och inte i robots.txt.
Insats: Tio minuter för den som kan redigera robots.txt. Det billigaste alternativet på listan, och det som oftast är felinställt.
Snabb laddningstid och en användbar mobilupplevelse gynnar både användare, sökmotorer och sökrobotar på en och samma gång, och Core Web Vitals sätter gränsen för vad som anses vara ”bra” vid ett LCP-värde under 2,5 sekunder på mobilen. Men det måste sägas rakt ut: Detta påverkar inte i sig placeringen i ett AI-svar. Det säkerställer att resten läses och hör till driften, inte till insatsen.
Insats: Löpande, fördelat mellan utvecklare och webbansvarig.
Två saker du kan strunta i
Ahrefs följde 1 885 sidor som lade till JSON-LD mellan augusti 2025 och mars 2026 och jämförde dem med 4 000 kontrollsidor med samma citatnivå före ändringen. Resultatet blev +2,4% i AI Mode och +2,2% i ChatGPT, vilket i båda fallen är för små värden för att kunna särskiljas från noll, samt en minskning på 4,6% i AI Overviews, vilket de själva inte kan förklara. Ett separat test från SearchVIU visade att fem AI-system, som hämtade sidor i realtid, ignorerade JSON-LD, Microdata och RDFa och enbart extraherade den synliga HTML-koden. Google skriver i sin egen dokumentation att strukturerade data inte krävs för de generativa funktionerna. Behåll den för rich results i klassisk sökning och för att koppla samman din identitet över olika källor med sameAs. Räkna inte med den som källa till citeringar. En viktig begränsning: Sidorna i studien hade alla redan citerats 100 gånger eller mer, så detta säger ingenting om sidor som modellerna ännu inte känner till.
Ahrefs granskade 137 210 domäner i juni 2026. 97% av de giltiga llms.txt-filerna fick inga förfrågningar i maj samma år. Bland de få som fick trafik utgjorde SEO-verktyg, som kontrollerade om filen fanns, den största andelen, medan AI-assistenter stod för 2,5%. AI-crawlarna sökte aldrig efter filen på domäner där den inte fanns. Google skriver att Sökningen ignorerar den. Filen tar en timme att skapa och gör ingen skada. Den påverkar bara inte synligheten, och den bör inte finnas med på en erbjudandelista.
Den tid du sparar på de två kan du bättre ägna åt greppen i avsnitt 08. Där är vinsten dokumenterad och synlig för läsaren direkt.
Det tekniska arbetet är en fördel för dem som är tidigt ute. I våra granskningar har många danska webbplatser ännu inte tagit ställning till hur en sökrobot utan JavaScript läser dem. Lägg därtill att samma grundläggande förutsättningar avgör om du finns med i nästa generations träningsdata, jfr väg 1 i avsnitt 06, och det finns ett reellt försprång i att få detta på plats redan nu.
Skrivet för människor, utformat så att svaret kan lyftas ut
Google är tydlig med att man inte behöver skriva på något särskilt sätt för de generativa funktionerna. Det som avgör om en sida används är om den innehåller ett svar som håller måttet även när det står för sig själv. Fyra knep gör skillnaden, och alla fyra är synliga för läsaren.
En citerbar slutsats är ett påstående som håller även när det tas ur sitt sammanhang. Skriv den tydligt direkt under rubriken istället för att låta den ligga implicit i brödtexten.
Vår egen specifikation, som vi följer: Ett fristående svarblock på 40 till 80 ord, placerat direkt efter den centrala rubriken, som innehåller en siffra, en avgränsning och ett ”vem”. Om svaret är kortare än 40 ord blir det ett påstående utan underbyggnad. Om det är längre än 80 ord går det inte längre att lyfta ut det i ett stycke.
Testa den genom att klippa ut meningen och läsa den för dig själv. Om det saknas en siffra, en avgränsning eller ett ”vem”, är den inte färdig.
Varje prioriterad fråga ska ha en sida som besvarar den. Rubriken är frågan i den form som kunden ställer den, och svaret står högst upp. Modellerna tolkar varianter av samma fråga som en enda fråga, så en lucka i täckningen är en öppning för den konkurrent som har svaret.
Det som ingår i ett svar är sidor med information att utgå ifrån: definitioner, siffror, jämförelser, tillvägagångssätt, priser. Längden är inte det viktiga. Det är innehållet i meningarna. En ytlig behandling av ett ämne som andra behandlar ingående ger sällan någon effekt.
Aktualitet är en av de faktorer som modellerna väger in när de bedömer en källa. Ange ett tydligt datum på sidan, uppdatera den när innehållet faktiskt ändras och undvik att ändra datumet utan att ändra texten. En sida som inte har uppdaterats på tre år är den bästa källan som finns för ett föråldrat påstående om dig. Det är också det billigaste av de fyra sätten, och det som oftast glöms bort när sidan väl har publicerats.
Poängen ligger implicit, gömd mitt i en lång brödtext utan tydlig slutsats. I artikeln ”Vad kostar en tillfällig CFO?” finns svaret inte direkt någonstans. Modellen måste själv gissa sig till det, och den gissar utifrån en annan källa.
Sidan inleds med frågan och besvaras omedelbart i ett fristående påstående: ”En tillfällig CFO kostar vanligtvis X till Y kr/månad, beroende på uppdragets omfattning och varaktighet.” Modellen kan ta bort detta utan att förlora sin innebörd. Siffrorna är dina egna. Poängen är att de ingår i meningen.
Formatet med frågor och svar liknar det sätt på vilket människor ställer frågor till en assistent, och det är skäl nog att använda det. Google tog bort FAQ-rich results från sökresultaten den 7 maj 2026, rapporteringen försvann från Search Console i juni och stödet i Search Console-API:et upphörde i augusti. FAQPage-markeringen kan lämnas kvar utan att orsaka någon skada, men Google skapar inte längre ett rich result utifrån den. Värdet ligger i den synliga texten.
En studie från 2026 undersökte vilka typer av innehåll som citeras i AI-svar och fann att rankade ”bästa X”-listor utgjorde den enskilt största kategorin med cirka 36% av innehållsciteringarna. Bland källor utanför företagens egna webbplatser dominerade videor, fackmedier, forum och uppslagsverk.
Siffran bör betraktas med försiktighet. Studien är ett preprint, den har inte granskats av oberoende forskare, den är författad av en leverantör av GEO-verktyg och urvalet är inte representativt.
Den här trenden är däremot värd att agera på, och den är obekväm för de flesta innehållsstrategier: Den sida som leder dig till ett svar är sällan din egen tjänstesida. Det är den sida som jämför alternativen, även när ett av alternativen inte är du. Om du inte skriver den, gör en konkurrent eller en fackpublikation det, och då är det deras sida som modellen hänvisar till när din kund frågar.
Du börjar inte om från början
Om du har arbetat seriöst med SEO har du redan större delen av grunden på plats. Indexerade sidor, en länkprofil, flera års data i Search Console, omnämnanden i fackmedia och register: Allt detta räknas. Två saker är faktiskt nya. Den ena är en katalog över de frågor som dina kunder faktiskt ställer, inte en lista med sökord. Det är samtidigt den uppsättning frågor som mätningen senare baseras på. Den andra är en mätning som kan visa om du nämns. Resten är arbete som du känner till, men som används på ett nytt sätt.
Forskning från Princeton och flera andra universitet, som presenterades på KDD 2024 och baserades på 10 000 sökfrågor, visar att åtgärder som att citera källor och lägga till statistik kan öka en sidas synlighet i AI-svar med upp till 40%. Detta är det högsta värdet som uppmätts med dåtida modeller. Använd det som en riktlinje för vad som fungerar, och inte som ett tal som du kan lova någon.
En studie från 2026 mätte hur ofta varumärken överhuvudtaget nämns i AI-svar på varumärkesoberoende kategorifrågor. Globala tier 1-varumärken förekom i cirka 73% av svaren, tier 2 i cirka 44% och nischvarumärken i cirka 11%. Cirka 30 procentenheter per nivå.
Förbehållen är desamma som för den föregående siffran: Återigen ett preprint från en leverantör av GEO-verktyg, utan oberoende granskning och baserat på ett urval som inte är representativt. Siffrorna visar en trend, inte en nivå som du kan jämföra dig med.
Denna riktlinje är värd att ta på allvar, eftersom den sätter en gräns för vad de fem lagren kan åstadkomma. Varumärkets styrka inom kategorin är den viktigaste enskilda faktorn för om du blir omnämnd. Teknisk beredskap och bra innehållssidor är nödvändiga, men de räcker inte, och ingen leverantör kan bygga upp ett nischvarumärke så att det kan mäta sig med en global aktör inom en bred kategori.
Slutsatsen är inte att avstå, utan att välja kategori med omsorg. I vid bemärkelse tillhör du nivå 3. Om du begränsar dig till det som du faktiskt är en av de få som kan leverera, tillhör du nivå 1. Det valet gör du i steg 2 nedan, och det är det viktigaste beslutet du fattar under hela arbetet. Fler förbehåll av samma slag finns i avsnitt 13.
Modellens bild av dig måste vara korrekt och fullständig. En modell samlar in information om dig från många källor över olika språk och områden, och om bilden är ofullständig eller motstridig blir det svårt att rekommendera dig. Diagnosen är enkel: Fråga en modell vad den vet om dig och notera vad som är felaktigt. Behandlingen beskrivs i avsnitt 10.
Insats: Det tar en halv dag att ställa diagnosen, men veckor att korrigera den. Börja här, för de fyra andra lagren bygger på att modellen vet vem du är.
Du måste veta vad dina kunder frågar om, och det framgår inte av en lista med sökord. En frågekatalog bygger på köpdata och täcker, för varje tydligt avgränsad tjänst, alla sätt på vilka samma behov formuleras. Du hittar dem i försäljnings- och kundservicedialoger samt i Search Console, där höga visningar och låg klickfrekvens avslöjar de frågor som du redan är nära att behärska.
Insats: Två till tre dagar med marknadsföring och försäljning vid samma bord. Katalogen fungerar samtidigt som det underlag som mätningen i avsnitt 11 bygger på, så skapa den en gång och använd den på två ställen.
Varje prioriterad fråga behöver en sida som går att citera. Anvisningarna finns i avsnitt 08. Testa sidan genom att fråga en modell: ”Kan detta citeras som svar på frågan?” Om modellen tvekar vet du var texten behöver kortas ned.
Insats: Löpande, en sida i taget. Det är det arbetsområdet som tar mest plats i kalendern, och det enda som kan skalas upp med fler medarbetare.
Modellerna återger helst källor som de litar på, och korrelationen från Ahrefs pekar på omnämnanden av varumärkesnamnet som den signal som har starkast samband med synligheten för allt det vi har data om. Därför handlar detta lager om fackmedia, branschdatabaser, uppslagsverk och dokumenterade resultat. Det är det långsammaste av de fem lagren. Därför står det tidigt i tidsplanen i avsnitt 14, även om det visas sist.
Insats: Löpande. Med en budget för länkbyggande och citatarbete kan takten ökas avsevärt.
Det sista lagret är din andel av omnämnandena, sammanställd per kategori och per assistent, jämförd med ett referensvärde och en fast uppsättning konkurrenter, och uppföljd månad för månad. Utan det femte lag är de fyra första blinda: Du kan se att något rör sig, men inte om det beror på din insats eller på brus. Metoden och precisionen beskrivs i nästa avsnitt.
Insats: En dag för installation, därefter en fast körning varje månad.
Om du frågar ”vad vet du om oss?”, ger modellen ett knapphändigt svar, förväxlar dig med andra eller nämner föråldrade uppgifter. Den känner inte till dina tjänster, segment eller geografiska områden i detalj och placerar dig därför inte på någon lista.
Modellen kan utan tvekan redogöra för vad du gör, för vem och var, korrekt beskriva dina kärntjänster och hänvisa till flera oberoende källor som bekräftar samma bild.
Det finns ingen knapp, men det finns tre sätt
Modellerna gör fel när det gäller företag, och felen upptäcks sällan. Ingen kund ringer för att berätta att en assistent sa något felaktigt om dig. Det är den delen av AI-arbetet som oftast diagnostiseras men aldrig åtgärdas.
Det finns ingen tillförlitlig allmän mätning av hur ofta detta inträffar. De siffror som cirkulerar inom branschen baseras vanligtvis på ett fåtal varumärken inom en enda bransch, ofta mätta hos en enda assistent, och de kan därför inte användas för att säga något om just dig. Det gör inte problemet mindre. Det betyder bara att du själv måste mäta det, och att ingen kan säga dig i förväg hur illa det står till just för dig.
Leta reda på felen systematiskt, inte slumpmässigt
De flesta upptäcker ett fel av en slump, rättar till en sak och hör aldrig mer talas om resten. Ställ istället samma fasta uppsättning frågor till ChatGPT, Gemini och Copilot, och anteckna varje svar ordagrant tillsammans med datum, assistent och prompt. Sju frågetyper täcker det som oftast går fel:
Sju frågor till tre assistenter ger tjugofem svar och en halvtimmes arbete. Det är utgångsvärdet för felfrekvensen, och testet måste genomföras på nytt när korrigeringarna har hunnit få effekt. Utan det vet du inte om något har blivit bättre.
Felet finns i ett av tre lager, och varje lager måste hanteras på sitt eget sätt. Om källhänvisningar visas i svaret är det nästan alltid där som felet har sitt ursprung.
Rätta först till den kanoniska formuleringen på din egen sida: Vad du gör, för vem, var och sedan när – i en enda mening som går att citera. Se till att namngivningen är konsekvent mellan sidor och språk, och håll en daterad historik över nyheter och ändringar så att det finns en tydlig indikation på vad som gäller just nu.
Wikidata är det snabbaste stället att korrigera strukturerade fakta. Tröskeln för att bidra är låg, och uppgifterna sprids vidare till de kunskapsgrafer som assistenterna utgår ifrån. Wikipedia är mer krångligt: Du får inte redigera din egen artikel, men du kan be om korrigeringar på diskussionssidan med angiven intressekonflikt, och det tar vanligtvis månader. Därtill kommer branschregister, uppslagsverk och profiler från tredje part som väger tyngre än din egen webbplats. Koppla ihop dem med sameAs-referenser så att de tolkas som en enda identitet istället för fem separata omnämnanden.
Om felet har lärts in försvinner det inte bara för att källorna rättas till. Det kvarstår till nästa träningsomgång. Det du kan göra är att se till att RAG hittar det rätta svaret varje gång och att den felaktiga versionen blir svårare att hitta än den rätta.
En modell som saknar kunskap om dig ger ett ytligt svar. En modell som förväxlar dig med ett annat företag tillskriver dig aktivt en främmande historia: deras tjänster, deras ägarskap, deras dåliga rykte i pressen. Det är den typ av fel som kostar mest, och den drabbar framför allt företag med ett vanligt namn, ett namn som delas med ett företag i ett annat land eller en tidigare version av sig själva efter en avyttring eller ett namnbyte.
Den här metoden skiljer sig från de övriga. Här räcker det inte med att berätta vem du är. Du måste också klargöra vem du inte är. Skriv tydligt vad som skiljer dig från andra på din egen sida och använd det fullständiga juridiska namnet tillsammans med det namn som folk kallar dig. Om det finns någon med samma namn, nämn den personen. Det känns fel att nämna ett främmande företag på sin egen webbplats, men det är precis den formuleringen som en modell behöver för att särskilja sig.
Vad de formella kanalerna kan och vad de inte kan
I augusti 2026 gick vi igenom de officiella kanalerna hos OpenAI, Google, Anthropic, Microsoft, Perplexity och Meta. Bilden är densamma överallt: Det finns ingen kanal som heter ”korrigera denna information om mitt företag”. Allt handlar om att ta bort eller begränsa innehåll, inte om att rätta till det.
Endast två leverantörer har ett formulär där företag överhuvudtaget nämns, och båda är utformade för att anmäla förtal. Googles juridiska anmälningsformulär omfattar uttryckligen AI Overviews och AI Mode och har fält för företagsnamn och för den organisation man representerar. Meta har ett motsvarande formulär. Ingen av dem lovar något specifikt resultat: Google skriver uttryckligen att en inlämnad anmälan inte är någon garanti för att något kommer att hända.
”Tummen ner” är ingen recension. Knappen ”Inte faktamässigt korrekt” under en AI-översikt ger varken ärendenummer eller svar, och Google skriver själv att en produktrapport inte ersätter en juridisk anmälan. Microsoft är ännu mer inkonsekvent: Bing Search tar emot anmälningar om ärekränkning, medan Copilot endast har en kategori, och den handlar om upphovsrätt.
Rätten till rättelse gäller den enskilde personen, inte företaget. GDPR:s bestämmelse om rättelse av felaktiga uppgifter gäller personuppgifter om en person. Om det rör sig om en felaktig uppgift om din VD kan hon kräva att den rättas. Om uppgiften gäller företaget, till exempel en påhittad rättegång eller felaktiga bokföringssiffror, omfattas den inte av bestämmelsen. Detta överraskar de flesta, och det innebär att vägen ofta går via en namngiven person snarare än via företaget.
Om du äger domänen kan du dessutom be Anthropic att blockera en URL från Claudes webbsvar. Men det tar bort dig, det rättar inte till dig.
Om ett påstående är tillräckligt allvarligt för att utgöra en rättslig fråga bör du rådgöra med en advokat innan du använder kanalerna. För alla vanliga fall är de tre stegen ovan den enda metoden som fungerar.
Korrigeringar som genomförs via RAG kan ge resultat inom några veckor. Korrigeringar som kräver att källorna ändras och att modellerna därefter måste läras om tar flera kvartal. Mät det som allt annat: Kör samma frågor som utlöste felet med regelbundna mellanrum och notera felfrekvensen, istället för att fråga en gång och hoppas på det bästa.
Metoden och hur stor avvikelse som krävs
Share of Voice är din andel av ett definierat område. I praktiken ställer du samma kundfrågor till de assistenter som är betydelsefulla inom din kategori, med jämna mellanrum, och noterar för varje svar vilka varumärken som nämns och i vilken roll – det vill säga som rekommendation, referens, kort omnämnande eller inte alls, och beräknar sedan din andel av de omnämnanden som konkurrenterna delar mellan sig.
Två saker följer av den definitionen, och de förbises oftare än de förstås. Siffran beror på vem du placerar i fältet: Om du lägger till en stor spelare sjunker din egen andel, utan att något egentligen har förändrats. Och andelarna summerar till 100% över hela uppsättningen, så en minskning för dig innebär alltid en ökning för någon annan. Därför låses konkurrentuppsättningen innan den första mätningen körs, och om den ändras senare kan du inte jämföra bakåt i tiden.
Ett enkelt svar säger nästan ingenting. En variansstudie analyserade 12 933 svar om varumärken och fann att återanvändning av samma prompt stod för 34,8% av variationen, samspelet mellan varumärke och kontext för 29,6% och språket i prompten för 26,5%. Varumärket i sig, det vill säga det du försöker mäta, stod för 1,5%. Signalen utgör en bråkdel av det enskilda svaret. Därför måste urvalet utformas, inte uppskattas.
Vår standard per kategori
Assistenterna hålls åtskilda. En sammanlagd siffra döljer just de skillnader som man ska styra efter. Omnämnanden och källhänvisningar räknas också var för sig, eftersom de besvarar två olika frågor: om du nämns och om din sida används. Flera formuleringar av samma fråga ger större precision än flera upprepningar av samma formulering, eftersom tre formuleringar hämtas från tre olika frågegrupper. Och en uppsättning frågor som huvudsakligen består av ”vad är”-frågor ger ett snyggt tal utan kommersiellt värde.
Två sätt att köpa försäkring på, och vad de kostar
Bruset i ett enskilt svar kan hanteras på två olika sätt, och de svarar på varsin fråga.
Kör samma kommando 20 till 30 gånger tills mönstret slutar förändras. Det ger en exakt nivå just nu, och det är den vägen du ska gå när ett värde ska fastställas, till exempel en baslinje eller en rapporteringsnivå som ska gälla.
Använd en fast uppsättning frågor med jämna mellanrum och läs av trenden istället för enstaka siffror. Det är den vägen som visar riktningen och som avslöjar om en konkurrent är på väg att köra om dig.
De två utesluter inte varandra, och en ordentlig mätning använder båda, men inte i samma utsträckning: De många upprepningarna hör till baslinjen och till den rapportering som en siffra ska kunna stödja, medan den löpande kadensen kan baseras på färre körningar, eftersom den ska visa en riktning och inte en nivå. Skillnaden har betydelse för vilka slutsatser du kan dra. En kurva visar om du rör dig. Den visar inte att du ligger exakt på 22% den här veckan.
Hur stor variation måste du se innan det har någon betydelse?
Med ett konfidensintervall på 95% och en omnämningsfrekvens på cirka 20% ser osäkerheten i mätningen ut så här:
| Svar per assistent | Osäkerhet | Vad det motsvarar |
|---|---|---|
| 50 | ±11,1 procentenheter | 50 uppmaningar, en körning |
| 100 | ±7,8 procentenheter | 50 uppmaningar, två körningar |
| 150 | ±6,4 procentenheter | 50 uppmaningar, tre körningar |
| 500 | ±3,5 procentenheter | 50 uppmaningar, tio körningar |
| 1.000 | ±2,5 procentenheter | 50 uppmaningar, tjugo körningar |
Binomialosäkerhet vid en omnämnandefrekvens på 20%. Noggrannheten förbättras med kvadratroten av antalet svar, vilket innebär att osäkerheten halveras om antalet svar fyrdubblas.
Tabellen förklarar varför 20 till 30 körningar är standard när en nivå ska fastställas. Med 50 frågor och tjugo körningar hamnar du på 1 000 svar per assistent och en osäkerhet på cirka 2,5 procentenheter, och två mätningar måste då skilja sig åt med cirka 3,5 procentenheter för att skillnaden ska vara reell.
Om du istället använder en fast uppsättning på knappt 80 prompter en gång per mätning, ligger osäkerheten för varje enskild punkt på cirka 9 procentenheter. En enskild mätpunkt kan alltså inte ligga till grund för en slutsats, men tjugo mätpunkter i rad kan visa en trend. En förändring från 22% till 25% från en mätning till nästa betyder ingenting. Det är anledningen till att vi redovisar kurvan istället för siffran från den senaste mätningen, och det är den vanligaste orsaken till att AI-rapporteringen övertolkas i båda riktningarna.
Så här ser sammanställningen ut
| Aktör | Andel av rösterna | Genomsnittlig position | Omnämnt i |
|---|---|---|---|
| Företag A | 31% | 1,4 | 96 av 240 svar |
| Ditt varumärke | 22% | 1,9 | 68 av 240 svar |
| Företag B | 18% | 2,3 | 56 av 240 svar |
| Företag C | 11% | 2,8 | 34 av 240 svar |
| Övriga delar i setet | 18% | 55 av 240 svar |
Förenklat exempel. Siffrorna är illustrativa och kommer inte från en konkret kund. Andelarna summerar till 100%, eftersom ”Share of Voice” är andelen av den fasta konkurrentgruppen. Kolumnen längst till höger räknar däremot svar och summerar till mer än 240, eftersom ett svar vanligtvis nämner flera namn.
Tabellen visar tre saker samtidigt: hur stor andel av fältet du har, var du placeras när du nämns och hur ofta du överhuvudtaget förekommer. Det sista är det som förändras först när arbetet börjar ge resultat.
Det finns ytterligare fem siffror som är värda att hålla koll på, och tillsammans visar de om kurvan beror på dig eller på de andra:
Täckning per yta. I hur många av förfrågningarna är du med hos varje enskild assistent? Skillnaden mellan 77 av 79 hos den ene och 60 av 79 hos den andre är en prioritering, inte en detalj.
Genomsnittlig placering per yta. Att nämnas som nummer 1,6 i genomsnitt är något annat än att nämnas som nummer 2,5, även om andelen är densamma.
Andel av citeringarna. Hur många av de källor som modellerna faktiskt hämtar information från i den här kategorin är dina egna sidor?
Momentum. Vem har vunnit och förlorat marknadsandelar sedan den senaste mätningen? En nedgång för dig, som motsvaras av en uppgång hos en viss konkurrent, är en annan sak än en nedgång som fördelar sig jämnt mellan alla.
Tonfallet när du nämns. Blir du rekommenderad, eller nämns du bara? Dessa två bör poängsättas separat, eftersom tonen varierar betydligt oftare än själva omnämnandet.
Vi bedömer tonen i fyra steg istället för två: negativ, neutral, positiv och rekommenderad. Skillnaden mellan positiv och rekommenderad är inte bara kosmetisk. Att nämnas bland flera och att rekommenderas är två olika utfall av samma förfrågan, och endast det ena påverkar köpbeslutet.
Det mönster som vi genomgående ser i över 300 analyser under det senaste halvåret är att tonen och synligheten går hand i hand, och att detta är tydligast hos ChatGPT. Varumärken som omnämns positivt eller rekommenderas är också de som förekommer oftast. Varumärken som omnämns negativt i källorna har svårt att överhuvudtaget bli nämnda.
Det är ett samband och inte en orsak. Det finns åtminstone en uppenbar förklaring som inte har med tonen i sig att göra: Starka varumärken får både positiv omtal och utrymme i svaret, jfr varumärkesstyrkan i avsnitt 09. För ditt arbete är det underordnat vad som är orsaken till vad. Om det finns en negativ händelse i de källor som modellerna utgår ifrån måste den hanteras först. Nya svarsidor och teknisk uppstädning påverkar inte synligheten så länge källorna säger något annat om dig.
Det finns inget officiellt riktmärke. De fasta intervall som cirkulerar i branschens bloggar kan inte härledas till någon offentliggjord mätning med en specificerad metod, så vi använder dem inte. Trenden är däremot förutsägbar: Ju mer koncentrerad kategorin är, desto större andel tar de ledande aktörerna, och i ett fragmenterat fält kan till och med kategorins etta ligga långt under hälften av svaren. Den siffra som betyder något är din egen, jämförd med din egen basnivå och med de konkurrenter som kunden väljer mellan.
I juni 2026 fick Search Console en rapport om prestanda för generativ AI, som visar hur innehållet presterar i AI-översikter och AI-läge, med data som sträcker sig tillbaka till mitten av maj. Den täcker Googles egna ytor och inga andras, och den mäts vid källan, medan allt annat i detta avsnitt är stickprov. Använd den som utgångspunkt för Googles sida och mätningarna för resten. Google skriver i samma dokumentation att man bör vara försiktig med verktyg från tredje part som påstår sig använda interna Google-mått. Det gäller även vårt eget: Dashboardet mäter svar från assistenterna och har ingen tillgång till Googles rankningssystem. Det är en viktig skillnad, och en leverantör som är otydlig kring detta bör du ställa frågor till.
Vad undersökningen avslöjar när man granskar källorna
Ett exempel från en dansk B2B-kategori som vi mäter idag. Rådgivningstjänster till bostadsföreningar, 79 förfrågningar, som vi har följt sedan februari. Källskiktet visar 1 314 citerade källor fördelade på 392 domäner, och fördelningen ser inte ut som de flesta förväntar sig:
Reddit står för 22,8% av alla källhänvisningar. Nästan var fjärde källa som modellerna utgår ifrån i denna kategori är ett inlägg i ett forum.
Kundens egen webbplats står för 10,6%, det vill säga andraplatsen.
En konkurrents PDF-broschyr förekommer i 68 av de 79 förfrågningarna. Varken en artikel eller en tjänstesida. En broschyr.
Resten fördelar sig på branschportaler, föreningsmedier, Retsinformation och en del rent brus.
Tre saker följer av detta. För det första omfattar auktoritetsarbetet inte bara fackmedier, utan även de platser där köpare diskuterar med varandra utan att ännu vara kunder. För det andra citeras ett dokument om det är relevant, oavsett om det är en webbsida eller en PDF-fil. Och för det tredje: Utan källanalysen i undersökningen skulle kunden ha använt hela budgeten på sin egen webbplats och aldrig upptäckt att nästan en fjärdedel av målgruppen befann sig någon helt annanstans.
De indirekta effekterna
Om du nämns oftare ger det en rad följdeffekter. De flesta av dem kan avläsas i siffror som du redan har tillgång till, men de är utspridda över analysverktyg, annonskontot och CRM och betraktas därför sällan som en helhet. Två saker ingår dessutom i själva AI-mätningen: Citatet visar vilka av dina sidor modellerna utgår ifrån, och svarsberedskapen visar hur många av kategorins frågor du har en citerbar sida för.
Fler sökningar efter varumärken och produkter, mer direkttrafik och högre klickfrekvens på dina betalda annonser. Ett namn som kunden har sett rekommenderas klickas oftare på.
Lägre avvisningsprocent. Den som kommer via en rekommendation har hamnat här medvetet och redan konstaterat att du är relevant.
Fler förfrågningar och konverteringar i kategorin, samt en högre vinstprocent, eftersom du oftare finns med på listan redan från början.
Effekterna uppträder inte samtidigt. Efterfrågan och trafikkvaliteten förändras först, medan vinstandelen följer försäljningscykeln och därför tar längst tid. Inget av siffrorna kan tillskrivas enbart AI, eftersom de också påverkas av kampanjer, säsong och pris. Därför jämför vi dem med Share of Voice-kurvan för att bekräfta att kurvan har en effekt utöver AI-svaren.
Få en AI-SEO-granskning
En icke-bindande granskning visar hur synlig du är i AI-svar idag, vilka källor modellerna hämtar information från inom din kategori och vad som hindrar att du nämns.
Begär en AI-SEO-granskningSamma sida uppfattas på olika sätt
Nedan följer mönster från vårt eget arbete i kombination med officiella trafikstatistikuppgifter. Ingen av leverantörerna offentliggör hur de väger källorna, så använd detta för att prioritera och inte som ett facit. Fördelningen av användningen är däremot uppmätt, och den danska ser annorlunda ut än den globala.
Marknadsandel i Danmark, juli 2026 (StatCounter, beräknat utifrån sidvisningar). Perplexity står för 3,0% och DeepSeek för 0,2%. Som jämförelse i Europa: ChatGPT 75,3%, Gemini 11,2%, Perplexity 4,8%, Copilot 4,7%, Claude 4,0%. Siffrorna mäter webbanvändning och inte användning i appar eller i Microsoft 365.
Det finns tre saker som är värda att notera i de danska siffrorna. ChatGPT har en starkare ställning i Danmark än i Europa som helhet och betydligt starkare än i den globala bilden, så för dansk B2B är det den plattformen som bör prioriteras. Gemini framstår däremot som liten, men det är snarare en mätningseffekt än en slutsats: AI Overviews och AI Mode ingår i Google Sök och räknas inte alls med i en chatbot-sammanställning, så Googles verkliga andel av AI-svaren är betydligt större än de 8,7%. Och Copilot ligger före Claude i Danmark, medan det globalt sett är tvärtom.
Branschen är uppdelad i två läger, och skiljelinjen går någon annanstans än vad de flesta tror. Det handlar inte om vem som är bäst, utan om vem som överhuvudtaget kan se din webbplats.
Se den renderade webbplatsen: Googles gränssnitt, Microsoft Copilot och Apples gränssnitt. De hämtas av Googlebot, Bingbot och Applebot, som alla kör JavaScript.
Ser bara den råa HTML-koden: ChatGPT, Claude och Perplexity. Deras sökrobotar kör inte JavaScript.
Om din webbplats renderas på klientsidan hamnar du alltså i den ena halvan av fältet och inte i den andra. Och den halvan som du går miste om är den där fyra av fem danska AI-besök sker. Det är just den här skillnaden i detta avsnitt som har direkta konsekvenser för budgeten. Testet finns i avsnitt 07.
Lägger stor vikt vid auktoritet och prioriterar forskningsartiklar, facklitteratur och etablerade medier. Sökmotorn är en kombination där OpenAI både dokumenterar ett eget index och anger Bing och Shopify som tredjepartsleverantörer av söktjänster, men OpenAI uppger inte hur de viktas. Ytliga produktsidor hamnar sällan högt upp här. Det är också på detta område som vi tydligast ser tonen slå igenom: Negativ omtalning i källorna sammanfaller med att varumärket inte nämns alls, medan de som omnämns positivt och rekommenderas är de som dominerar. Mekanismen beskrivs i avsnitt 11.
Handtaget: Server-side rendering, åtkomst för OAI-SearchBot och omnämnanden i etablerade källor. Se dessutom till att webbplatsen förblir indexerad i Bing, som OpenAI fortfarande anger som sökmotor. Det är en billig försäkring som ger dig ett försprång.
Drivs av Googlebot och Googles index, och mycket av det klassiska SEO-arbetet överförs direkt. Om du har en solid grund i Google har du ett försprång på detta område, och det är det enda området där en webbplats med rendering på klientsidan kan komma undan med det.
Handtaget: Klassisk SEO. Det arbete du redan lägger ner räknas här.
Prioriterar auktoritativa källor och belönar innehåll som belyser ett ämne ur flera perspektiv. Ligger i Danmark på 3,8% och därmed något under Copilot. Relevant i tekniska och analysintensiva kategorier, sällan avgörande när det gäller volym.
Handtaget: Djup framför bredd. Sidor som behandlar ett ämne ingående och ur flera perspektiv, snarare än många ytliga.
Lägger större vikt vid företagsdatabaser och uppdaterat innehåll. Aktualitet och en korrekt, välskött företagsprofil betyder mer här än hos de övriga. Med 3,0% i Danmark är den den minsta av de fem som vi behandlar här, men enligt vår erfarenhet är den överrepresenterad bland användare som arbetar mycket med analyser, och dessa arbetar ofta inom inköps- och analysfunktioner.
Handtaget: Företagsprofiler i register och databaser samt daterade sidor som faktiskt uppdateras.
Den del som oftast förbises i danska B2B-analyser ligger här före Claude med 3,9%. Andelen underskattar den faktiska spridningen, eftersom produkten nästan inte finns på den öppna webben: Microsoft redovisade över 30 miljoner betalda M365 Copilot-licenser vid utgången av juni 2026, en fördubbling på ett halvår, och produkten finns inbyggd i Word, Outlook och Teams hos just de organisationer som köper B2B. Var samtidigt realistisk: Licenser är inte detsamma som användning, och där medarbetare har tillgång till både Copilot och ChatGPT väljer de flesta i praktiken ChatGPT.
Handtaget: Bing-indexet och Microsoft Graph. Synlighet på Bing är den enda vägen in.
Marknadsstatistiken visar var användarna befinner sig. Den visar inte var dina inköpare befinner sig, och det är just det som mätningen i avsnitt 11 ger svar på. Tills dess är utgångspunkten för ett danskt B2B-företag: ChatGPT först, eftersom fyra av fem danska besök på assistenternas webbgränssnitt hamnar där. Därefter Googles gränssnitt, eftersom AI Overviews inte ingår i chatbot-siffrorna men ändå möter inköparen mitt i en vanlig sökning.
Två faktorer påverkar rangordningen, och båda handlar om kategorin snarare än om storleken. Om du säljer till organisationer där Microsoft dominerar klättrar Copilot upp, eftersom produkten är öppen på skärmen hela dagen just hos dem. Och om du säljer till analys-, inköps- eller forskningsavdelningar klättrar Perplexity upp trots 3%, eftersom användarna där är skevt fördelade till din fördel. Marknadsandelen är ett genomsnitt över alla danskar. Du säljer inte till alla danskar.
Sex situationer och hur vi hanterar dem
AI-synlighet är en relativt ny disciplin, och en del av det som marknadsförs som metod bygger på antaganden. Det finns sex saker som är viktiga att ha klart för sig innan man sätter upp ett mål. De försvinner inte under resans gång, så de är lika mycket en fortlöpande disciplin som en förutsättning vid uppstarten.
Samma prompt kan ge olika svar från dag till dag och från användare till användare. Endast 1,5% av variationen beror på själva varumärket, det vill säga det du faktiskt försöker mäta.
Så här hanterar vi det: Vi mäter utifrån många svar med en känd osäkerhet och redovisar kurvan snarare än enskilda värden. Beräkningen finns i avsnitt 11.
Ingen känner till den exakta metoden för hur en modell väljer sina källor. Den som hävdar något annat sprider en självklarhet som inte existerar.
Så här hanterar vi det: Vi utgår från mönster, offentlig dokumentation och tester, och vi anger varje gång vad som är uppmätt och vad som är en antagande. När vi inte vet något, anger vi att vi inte vet det.
En modell kan återge felaktiga eller inaktuella uppgifter om ditt företag, och ingen påpekar det för dig. Varken du eller vi vet hur ofta detta inträffar hos dig förrän det har mätts.
Så här hanterar vi det: Den fasta omgången med sju frågetyper till tre assistenter, som genomförs på nytt efter rättningarna, så att felprocenten kan följas. Tillvägagångssättet beskrivs i avsnitt 10.
Vi kan mäta att synligheten förändras och vi kan se vilka sidor som citeras. Det är sällan möjligt att skilja på vad enheten, svarsidorna och omnämnandena var för sig har bidragit med, eftersom de olika lagren arbetar samtidigt.
Så här hanterar vi det: Vi startar lagren förskjutet i tid, där det är praktiskt möjligt, så att ordningen åtminstone går att utläsa. Och där vi inte kan skilja effekterna åt, anger vi detta, även när det gäller våra egna fall.
Varumärkets styrka inom kategorin verkar vara den viktigaste faktorn för om du nämns, vilket framgår av siffrorna i avsnitt 09 och av vad vi ser i våra egna mätningar. Teknisk mognad och bra svarsidor är nödvändiga, men de räcker inte, och ingen leverantör kan bygga upp ett nischvarumärke som kan konkurrera med en global aktör i en bred kategori.
Så här hanterar vi det: Vi väljer kategori innan vi väljer insats. Den avgränsade kategorin, där du faktiskt tillhör de få, slår den breda, där du är nummer trettio.
Bara under första halvåret 2026 tog Google bort FAQ-rich results, lanserade en ny rapport om generativ AI i Search Console, började testa en avmarkeringsruta i Storbritannien och döpte om flera av sina sökrobotar. Leverantörerna ändrar namn, regler och gränssnitt snabbare än vad en metod normalt hinner revideras.
Så här hanterar vi det: De väsentliga fakta har ett verifieringsdatum och kontrolleras på nytt vid varje nytt uppdrag. En leverantör som inte ser över sin metod säljer förra årets kunskap till fullt pris.
Den frågan dyker alltid upp till slut, och den förtjänar ett ordentligt svar. Vi lovar inte en viss andel av rösterna, eftersom resultatet beror på din utgångspunkt och på konkurrenterna, och inget av dessa är något vi kan bestämma.
Däremot kan vi komma överens om det vi faktiskt har kontroll över: hur många av frågorna i kategorin du har en citerbar sida för, hur många av de tekniska hindren som har undanröjts, hur många källor utanför din webbplats som har använts och hur snabbt ett konstaterat fel åtgärdas.
Vi följer andelen som ett resultat, inte som ett löfte. Det är den enda ärliga uppdelningen, och den har fördelen att båda parter kan se om arbetet utfördes, även under den månad då kurvan inte rörde sig.
Ordningen är viktigare än omfattningen
Nedan följer den process som vi själva följer och vilka som ska involveras. De två första veckorna kan du genomföra utan hjälp utifrån, och de avgör om resten är nödvändigt.
Kör källkodstestet på dina tre viktigaste sidor. Gå igenom robots.txt för AI-crawlers. Kör den fasta omgången med sju frågetyper på ChatGPT, Gemini och Copilot, och notera både vad som är fel och hur man talar om dig. Om du hittar negativ omtalning i de källor som svaren hänvisar till, flyttar du upp det högst upp på listan, eftersom det blockerar resten.
Ägare: Teknisk SEO eller utvecklare, en halv dag. Marknadsföring, en halv dag.
Server-side rendering på de sidor som inte klarade testet. Korrigera den kanoniska beskrivningen av företaget, se till att Wikidata är korrekt och länka samman profilerna.
Ägare: Utvecklare och innehållsansvarig.
parallellt
Skapa de över 50 frågorna utifrån försäljningsdialoger och Search Console, och lås konkurrentuppsättningen. Kör en baslinje med tillräckligt många upprepningar för att nivån ska stabiliseras – inte bara en enda körning. Kartlägg samtidigt vilka källor svaren faktiskt hämtas från inom kategorin. Det sistnämnda är ofta det som överraskar mest, och det är en förutsättning för att arbetet med att bygga upp auktoritet ska kunna leda någonstans.
Ägare: Marknadsföring och analys.
En sida per prioriterad fråga, med svaret högst upp. Börja med de fem frågor där konkurrenterna tar mest plats i baslinjen.
Ägare: Ansvarig för innehållet.
parallellt
Sätt igång PR- och marknadsföringsinsatser riktade mot just de källor som källkortet pekade ut. Det är det steg som tar längst tid, så det bör påbörjas tidigt.
Ägare: PR eller ledning.
och framåt
Jämför med baslinjen med hänsyn till osäkerheten. Räkna med att RAG reagerar först och att det som modellen själv har lärt sig ännu inte har förändrats.
Ägare: Marknadsföring och analys, därefter varje månad.
Efter tre till fyra månader bör täckningen ha förändrats, det vill säga hur många av frågorna i kategorin du överhuvudtaget ingår i. Efter ett halvår bör andelen börja följa med, om svarssidorna håller i sig. Och det som ligger i modellernas träning förändras först när de tränas om, vilket ingen av oss har kontroll över. Auktoritetslagret är fortfarande det som visar sig sist, och det är också det som håller längst när det väl är på plats.
Modellerna speglar de företag som just nu dominerar källorna. Det är därför sekvensen inleds med diagnosen och inte med innehållet: Du kan inte skriva in ett svar om sökroboten inte kan läsa sidan, och du kan inte se om något fungerar om det inte finns någon utgångspunkt. Båda delarna tar mindre än två veckor.
Få en AI-SEO-granskning
En icke-bindande granskning visar tre saker: hur synlig du är i AI-svaren idag, vad som hindrar detta och vilka åtgärder som kan överenskommas. Du får information om urvalsstorleken och osäkerheten, så att du själv kan bedöma hur tillförlitlig siffran är. Du får möjlighet att prata med de specialister som har utarbetat metoden i detta dokument och som själva utför arbetet.
Vi lovar inga specifika siffror. Vi lovar en ärlig utgångspunkt och en plan som går att följa upp.
Om beslutet ska få stöd från ledningen, samlar vår Sammanfattning för ledningen affärsargumentet på några få sidor, anpassat för CMO och ledningen utan alla tekniska detaljer.
Dokumentation
Alla källor har kontrollerats den 15 augusti 2026. Källorna är inte lika tillförlitliga, och det bör läsaren kunna se. De första nio är de som artikelns påståenden bygger på, och de anges med population, metod och förbehåll, så att du själv kan bedöma hur långt de sträcker sig. En av dem är kollegialt granskad (Aggarwal m.fl.), flera är verktygsleverantörernas egna studier med offentliggjord metod (Ahrefs, Vercel, Cloudflare), och två är branschundersökningar från företag som marknadsför det de mäter (Ranqo och Semrush). Resten är källhänvisningar: officiell statistik, leverantörernas egen dokumentation och enstaka siffror som är lätta att verifiera vid källan.
Viktiga källor
Övriga källor och dokumentation
De som har utarbetat metoden
Har arbetat med sökmotoroptimering sedan 1997 och grundade InboundCPH 2013. Ger råd till företag i Danmark och internationellt om synlighet i sökmotorer och AI-assistenter, och ligger bakom den metod som beskrivs i detta dokument. Har följt utvecklingen inom området genom tre skiftningar: från kataloger till algoritmisk sökning, från sökord till avsikt, och nu till tre till fem namn i ett svar.
Har arbetat med SEO i 13 år och har gedigna kunskaper om innehåll, länkbyggande och de tekniska aspekterna. Ansvarar för SEO-arbetet på InboundCPH och är den sista instansen innan en text når kunden. Det är också den rollen som har format kraven på citerbart innehåll i avsnitt 08: En slutsats som inte kan stå för sig själv går inte igenom.
Har arbetat med SEO i 25 år och programmerat i mer än 35 år. Är fullstack-utvecklare med tio års erfarenhet av AI och ansvarar för den tekniska sidan av AI-synlighet, från rendering och indexeringsåtkomst till vad som behöver byggas om när testet misslyckas. Kraven i avsnitt 07 är utformade utifrån detta arbete.
InboundCPH A/S har varit en specialiserad marknadsföringsbyrå sedan 2013 och arbetar med företag i Danmark och internationellt inom SEO, AI-synlighet, betald sökning och analys.
Om du har frågor om metoden eller om någon av siffrorna är du välkommen att skriva till oss. Vi svarar gärna på hur vi har kommit fram till resultatet, även om svaret är att vi inte kan veta det.
© InboundCPH A/S, september 2026. Innehållet är upphovsrättsskyddat och får inte kopieras, spridas eller återges utan skriftligt tillstånd.