Mäta AI-synlighet — utan att köra promptpanelen för hand

Så här ser standardrådet ut

Metoden är enkel att beskriva. Du definierar frågorna dina kunder faktiskt ställer, kör dem mot varje svarsmotor, och noterar fyra saker per fråga: om ni nämns, om ni citeras med länk, vilken position ni har, och vilken konkurrent som citerades i stället.

Måttet är andel citeringar — inte ranking. Det är en riktig skillnad: en träfflista har positioner, ett svar har källor.

Det är rätt metod. Problemet är inte metoden — det är att den ska göras om varje vecka, för varje kund, för hand.

Vad som går sönder när det görs manuellt

• Frågeurvalet driver. Den som kör panelen ändrar formuleringar över tid, och då mäter vecka 6 inte samma sak som vecka 1.
• Motorerna svarar olika på samma fråga vid olika tillfällen. Ett stickprov per vecka skiljer inte brus från förändring.
• Det blir inte gjort. Efter tredje veckan konkurrerar mätningen med fakturerbar tid.

Vad vi mäter i stället

Nio dimensioner, med vikter som är publika och kontrollerbara:

• direktsvar 0,20
• citeringspotential 0,18
• strukturerad data 0,12
• entitetstydlighet 0,12
• frågetäckning 0,10
• semantisk täckning 0,10
• koncishet 0,07
• läsbarhet 0,06
• innehållsfärskhet 0,05

Plus citeringsverifiering mot ChatGPT, Perplexity och Gemini: inte om ni borde citeras, utan om ni gjordes det.

Vad talen betyder

Ett tal utan förklaring är värdelöst. Varje dimension säger vad som brister och vad som ska göras åt det — och det är skillnaden mellan en mätning och en åtgärdslista.

Varför motorerna svarar olika på samma fråga

Den vanligaste missuppfattningen är att AI-synlighet är en sak. Det är den inte. Motorerna hämtar och väljer källor på olika sätt, och samma fråga kan därför ge helt olika svar.

Perplexity söker aktivt vid varje fråga och länkar sina källor öppet. Det gör den enklast att synas i — och lättast att mäta.

ChatGPT väljer källor mer sparsamt och lutar hårdare mot vad modellen redan lärt sig. En sajt kan citeras flitigt i Perplexity och vara nästan osynlig här. Det är det vanligaste mönstret vi ser hos svenska sajter.

Google AI Overviews bygger på Googles eget index, så klassiskt SEO-arbete slår igenom tydligare — men urvalet av vad som citeras följer andra regler än ranking.

Gemini varierar mest mellan mätningar, vilket gör enstaka stickprov opålitliga.

Slutsatsen är praktisk: ett samlat "AI-synlighetstal" döljer mer än det visar. Det är per motor skillnaden syns, och det är per motor arbetet ska göras.

AEO, GEO och SEO — vad är vad

Tre begrepp används om vartannat och betyder olika saker.

SEO — sökmotoroptimering — handlar om att ranka i en träfflista. Målet är klicket.

AEO — svarsmotoroptimering — handlar om att bli det svar som ges. Målet är att bli citerad, med eller utan klick.

GEO — generative engine optimization — används oftast synonymt med AEO, men med tonvikt på hur generativa modeller väljer och sammanfattar källor.

De utesluter inte varandra. Ett gediget SEO-arbete ger strukturen som AEO bygger vidare på — men det räcker inte, eftersom motorerna väger andra saker när de väljer vad de ska citera än när de rankar.

Vad du kan mäta utan något verktyg alls

Två mätningar kostar ingenting och bör göras oavsett.

Trafik från svarsmotorer. I Google Analytics 4 syns besök från chatgpt.com, perplexity.ai och copilot.microsoft.com som vanlig hänvisningstrafik. Den är oftast liten i volym och påfallande hög i kvalitet — någon som klickar sig vidare ur ett AI-svar har redan fått en rekommendation.

Stickprov på dina viktigaste frågor. Skriv ned de tio frågor en kund faktiskt ställer innan ett köp, ställ dem i två motorer och notera om ni nämns, om ni länkas, och vem som nämns i stället. Det är inte en mätning — men det är en baslinje, och den tar tjugo minuter.

Skillnaden mot ett verktyg är upprepbarheten: samma frågor, samma formuleringar, varje vecka, utan att någon ska hinna med det.

Vad du kan påverka, och vad du inte kan

Det mesta i AEO går att arbeta med, men inte allt.

Går att påverka: hur direkt en sida svarar på sin egen fråga, om svaret ligger högt upp, strukturerad märkning som FAQPage och Organization, hur tydligt företaget beskrivs som entitet, hur färskt innehållet är, och om llms.txt finns och stämmer.

Går inte att påverka direkt: vad modellen redan lärt sig, vilka källor den litar mest på, och hur ofta den väljer att söka över huvud taget.

Det gör arbetet långsiktigt snarare än snabbt. Det som avgör är att vara den tydligaste källan på sin fråga, konsekvent, över tid.

Vanliga frågor