Spør et byrå hvordan du blir anbefalt av ChatGPT, og du får en sjekkliste. Legg inn FAQ-schema. Publiser en llms.txt. Skriv mer samtalepreget. Strukturer overskriftene for uttrekk. Det finnes et dusin varianter av den lista i omløp, og de er stort sett enige med hverandre. Det er vanligvis et tegn på at ingen har testet noe av det.
Så testet noen det.
For norske markedsførere er dette mer enn en akademisk debatt. Volumet på norske AI-søk er fortsatt lavt nok at ingen bygger en forretning på det ennå. Men brand search — folk som googler navnet ditt for å sjekke deg ut — er den kanalen AI-svar treffer først, og den er allerede stor. Dette handler derfor mindre om å vinne sitater i ChatGPT, og mer om å forsvare posisjonen du har når AI Mode setter seg mellom deg og kunden.
Innhold:
Studien som burde avgjort schema-debatten
Ahrefs gjorde forsøket ordentlig. De tok 1 885 sider, la inn JSON-LD strukturerte data, og sammenlignet dem mot 4 000 matchede kontrollsider over seks måneder. De målte sitater i Google AI Overviews, AI Mode og ChatGPT [1].
Ingen målbar økning i sitater. Og i AI Overviews spesifikt gikk sidene som fikk schema statistisk signifikant ned.
Dette blir lest feil fort, så det er verdt å være presis. Funnet er ikke at schema er verdiløst. Strukturerte data gjør fortsatt reell nytte for rich results, for Merchant Center-feeder og for å gjøre entiteten din entydig. Funnet er smalere og mer ubehagelig: å skru schema på eksisterende sider kjøper deg ikke AI-sitater. Årsaksforklaringen alle solgte tåler ikke sin første skikkelige test.
Det bør endre hvordan du leser alle andre «gjør X for å bli sitert»-påstander, inkludert dem i denne artikkelen. Pedro Dias formulerte poenget skarpt da han skrev om selvtilliten i GEO-bransjen: et fagfelt der alle er sikre og ingen har kjørt en kontrollgruppe, selger meninger [1]. Behandle enhver taktikk uten en replikert studie bak seg som en hypotese du finansierer.
Duane Forrester har et tilstøtende argument som forklarer hvorfor sjekklistene var dømt uansett: veiledning for LLM-er overføres ikke mellom motorer slik SEO-veiledning gjorde [2]. Klassiske SEO-råd var portable fordi motorene samlet seg om felles standarder — sitemaps, robots.txt, canonical, schema.org. De standardene ble bygget fordi alle tjente på dem. For LLM-er ble det laget aldri bygget, og Forrester mener det ikke kommer. En taktikk som virker i Perplexity har dermed ingen særlig grunn til å virke i AI Mode.
Sitater er kvitteringer, ikke årsaker
Den klareste forklaringen på hva som faktisk skjer, kommer fra Myriam Jessiers arbeid med brand depth [3].
Når ChatGPT anbefaler en merkevare og lenker til en side, leser de fleste lenken som årsaken. Den siden fortjente anbefalingen. Det gjorde den ikke. Modellen bestemte først hvilken merkevare den skulle nevne, og gikk deretter og hentet noe å henge på. Sitatet er en kvittering utstedt etter at valget var tatt.
Det forklarer et mønster som frustrerer dyktige markedsavdelinger: loggene viser at AI-crawlere pløyer gjennom nettstedet, innholdet blir åpenbart lest, og merkevaren står likevel ikke i anbefalingen. Du leverte råstoffet. Noen andre ble nevnt.
Optimaliserer du for sitater, optimaliserer du fotnoten. Det interessante spørsmålet er hva som avgjør setningen over den.
Parametrisk vekt og retrieval survival
Jessier deler synlighet i to lag som oppfører seg helt ulikt, og å blande dem er der de fleste strategier sporer av [3].
Parametrisk vekt er merkevarens plassering i modellens embedding-rom. Den bygges over år, gjennom tett og konsistent tilstedeværelse i treningsdata. Du kan ikke levere den dette kvartalet. Det du kan gjøre, er å svekke den. Beskriver merkevaren seg selv på tre ulike måter på tre flater, blir vektoren uskarp og gjenkallelsen dårligere. Jessier kaller det brand drift, og det er omtrent det nærmeste faget kommer et selvmål.
Retrieval survival er om innholdet ditt kommer gjennom pipelinen i det øyeblikket svaret genereres. Denne delen beveger seg raskt, og det er her filtreringen skjer. Google AI Mode deler ett spørsmål opp i 8 til 12 delspørringer. ChatGPT forkaster rundt 83 % av kandidatkildene før noe blir hentet ut. Under alt ligger en hard grense: en RAG-kvalitetsscore rundt 0,4, og havner du under, blir du rett og slett ikke hentet [3].
Her er tallet som bør flytte budsjettet. Omtrent 85 % av AI-omtalene av en merkevare kommer fra domener du ikke eier [3]. Ikke bloggen din. Ikke produktsidene. Tredjepartsdekning. Sammenligninger, forum, fagpresse. Lever hele AI-satsingen din på ditt eget nettsted, konkurrerer du om 15 % av flaten.
Jessier peker på tre entitetsspaker: entity salience (hvor tydelig du står i en temaklynge), entity coherence (om du beskriver deg likt overalt) og relasjonstetthet mellom entiteter (om du overlever andre og tredje hopp når en agent kjeder spørringer). Coherence er den de fleste kunne ryddet opp i denne måneden, og nesten ingen reviderer den.
Dette er et posisjoneringsproblem, ikke et teknisk
Fjern maskinlæringsvokabularet, og formen på dette er gjenkjennelig. Posisjonering har alltid handlet om plassen en merkevare opptar i hodet til kjøperen. Hvilket navn dukker opp når kategorien nevnes, og hvor tett merkevaren er bundet til problemet den løser. Den plassen bygges langsomt, gjennom gjentatt eksponering i kilder kjøperen stoler på, og den kan ikke argumenteres fram på bestilling.
Parametrisk vekt er den plassen. Hodet tilhører en modell framfor et menneske, og det er et vektorrom framfor hukommelse, men mekanikken er den samme: en opparbeidet posisjon, bygget av konsistent tilstedeværelse, som ingen enkelt publiseringsbeslutning kan snarveie.
Det gjør GEO-sjekklistebransjen til en veldokumentert kategorifeil. Markedsføring har en lang historie med selskaper som prøver å løse et oppfatningsproblem ved å endre produktet — nytt navn, ny emballasje, en redesign — og finner posisjonen urørt. Å legge JSON-LD på 1 885 sider og vente at anbefalingene følger, hører hjemme i den tradisjonen. Det redigerer varen og venter på at oppfatningen skal oppdatere seg.
Kortlisteoppførselen er den andre gjenkjennelige delen. Kjøpere håndterer kategorioverbelastning ved å holde en svært kort mental liste, en håndfull navn per kategori og sjelden flere, og rangere innenfor den. Et AI-anbefalingssett er nøyaktig det: tre til fem navn returnert av en modell som beviselig kjenner hundrevis. Det forklarer tallet på 6 til 27 % bedre enn noe i AI-søklitteraturen. Merkevaren mangler ikke i modellen. Den er kjent, og under kuttet.
Den innrammingen gir også to grep den taktiske litteraturen ikke tilbyr. Å fortrenge en etablert aktør frontalt er den dyre veien og virker sjelden, fordi modellen alt har et fast svar på hovedordet. Alternativene er å bli co-mentioned sammen med den etablerte, slik at assosiasjonen smitter, eller å definere en smalere kategori der det ennå ikke finnes noe fast svar. En modell som blir spurt om «beste CRM» har et klart svar. «Beste CRM for nordisk B2B-industri med to års salgssyklus» har kanskje ingenting etablert i det hele tatt.
Ingenting av dette er en strekk, for mekanismen var aldri spesifikk for annonsering. Den beskriver et hvilket som helst system som siler bort mesteparten av det som når det, og beholder det som passer med det det alt holder. En RAG-re-ranker som forkaster laventropi-innhold fordi det ikke tilfører modellen noe den mangler, er den samme silingen, implementert i kode og kjørt i stor skala.
Hvorfor modellen kjenner merkevaren din og hopper over den
Det ligger et gap i tallene som er lett å overse. Bare 6 til 27 % av merkevarer som nevnes ofte, er også blant de mest siterte [3]. Modellen vet at du finnes. Den kan beskrive deg presist hvis du spør direkte. Den setter deg likevel ikke på kortlista når noen spør hva de bør kjøpe.
Gjenkjennelse og anbefaling er to ulike tilstander, og det som flytter deg mellom dem er co-mention-tetthet. Altså hvor ofte du opptrer sammen med kategorien, problemet og konkurrentene dine, i kilder du ikke kontrollerer [4]. En lenke med «les mer» som ankertekst gjør ingenting for dette. En fagartikkel som skriver «Brand X sin plattform integreres direkte mot Snowflake» gjør mye, fordi den lager relasjonen modellen faktisk kan kode.
Dette er delen som er ubehagelig for performance-folk. Spaken ligger nærmere PR og analytikerkontakt enn noe du finner i et kampanjegrensesnitt, og den er ikke en innstilling noen kan logge inn og endre.
Donna Rougeaus argument om maskinlesbarhet peker på årsaken lenger opp: merkevarer er ofte usynlige for AI fordi de mangler, er tynne eller feil disambiguert i Knowledge Graph [5]. Optimaliserer du nedstrøms for en ødelagt entitet, får du marginal avkastning på reelt arbeid. Konklusjonen hennes, at SEO-folk må bli husets ekspert på hvordan merkevaren er representert som maskinlesbare data, er den mest nyttige omdefineringen av rollen som har kommet ut av dette skiftet.
En advarsel om hvor du henter veiledningen din. Michael Kings poeng er at å ta Googles offentlige dokumentasjon om AI-søk for pålydende er en feil, fordi dokumentasjonen henger etter hva systemene faktisk belønner [6]. Den interne inkonsistensen er synlig i åpent lende: Googles eget svar på om llms.txt gjør noe, avhenger av hvilket produktteam du spør. Det framstår mindre som uærlighet enn som et stort selskap som leverer raskere enn det dokumenterer. Uansett slår omvendt utledning av observert oppførsel det å lese manualen.
Motorene er ikke enige med hverandre
Håper du fortsatt på én AI-strategi som dekker alle flater, se på portabilitetstallene.
I en analyse av 118 000 AI-svar på tvers av ChatGPT, Perplexity, Google AI Mode og Claude, opptrådte bare 11 % av de siterte domenene på mer enn én plattform [2]. De øvrige 89 % var plattformspesifikke.
Det blir merkeligere inne i Google. AI Mode og AI Overviews kommer til liknende konklusjoner rundt 86 % av gangene, men siterer identiske URL-er bare 13,7 % av gangene [2]. To flater, ett selskap, samme underliggende indeks. De er stort sett enige om svaret og stort sett uenige om hvem som fortjener æren.
Samtidig har koblingen mellom rangering og sitat løst seg opp. Sent i 2024 kom rundt 75 % av sitatene i AI Overviews fra Googles topp 12. Tidlig i 2026 kom bare 38 % fra topp 10, og én Gemini-oppdatering byttet ut 42 % av domenene som tidligere ble sitert [2]. Det strategiske skillet mellom disse flatene er dekket nærmere i AI Mode mot AI Overviews, og sitatavviket er det sterkeste argumentet for å behandle dem som separate kanaler.
Praktisk lesning: rangeringsbaserte mål på AI-synlighet er ferdige. Dette er selvstendige sitatsystemer som tilfeldigvis deler en crawler. Ikke et sammendragslag lagt oppå topp 10.
Hva høy-entropi-innhold faktisk er
Den ene produksjonstaktikken som følger rent av mekanikken, er informasjonstetthet. Innhold med høy entropi blir hentet. Innhold med lav entropi blir hoppet over, fordi modellen kan generere laventropi-tekst selv og vinner ingenting på å hente din [3].
Konkret ser lav entropi slik ut: «Å velge riktig espressomaskin avhenger av budsjett, kjøkkenplass og om du foretrekker manuell eller automatisk. Jevnt vedlikehold forlenger levetiden.» Hver setningsdel er forutsigbar. Modellen kan produsere den uten å forlate bygget.
Høy entropi ser slik ut: «Over 500 shots på en Decent DE1PRO holdt temperaturvariasjonen mellom shots seg under 0,3 °C ved 18 g til 36 g på 93 °C.» Navngitt maskinvare, presise tall, en oppgitt metode. Ingenting av det kan gjettes. Det avsnittet overlever en re-ranker fordi å droppe det ville miste informasjon.
Den ubehagelige konsekvensen for innholdsteam er at volum slutter å hjelpe. Tjue generiske forklaringsartikler skårer dårligere enn én tekst med egne tall, fordi dedupliseringsfiltrene behandler de tjue som støy. Kan du ikke si noe modellen ikke kunne sagt uten deg, blir siden sannsynligvis ikke hentet, uansett hvor pent den er strukturert.
Et funn om menneskelig atferd forsterker dette fra en annen vinkel. På tvers av 846 000 Google-søkesesjoner skrollet brukere som fikk AI Overviews nesten dobbelt så ofte tilbake opp på siden som brukere uten [7]. De leste sammendraget, og gikk så tilbake for å vurdere på nytt. Oppføringen din må nå overleve et nytt blikk, ikke bare et førsteinntrykk. Det belønner presisjon framfor polering.
Preferred Sources: den ene spaken leserne dine styrer
Nesten alt i dette feltet er prisgitt neste modellversjon. Preferred Sources er unntaket, og det er underkjent.
Google utvidet Preferred Sources til AI Overviews og AI Mode i mai 2026 [8]. Brukere markerer publikasjonene de vil se mer av, og de kildene får hevet prioritet i uthentingen. Da Search Engine Journal fulgte opp, var 345 000 unike kilder valgt, med omtrent dobbel klikkrate til en kilde etter at en bruker hadde markert den [9].
Det som skiller dette fra alt annet her, er at brukeren styrer det. Det nullstilles ikke når Gemini kommer i ny versjon og stokker om 42 % av de siterte domenene. For en liten uavhengig publikasjon er det den mest varige AI-synlighetsressursen som finnes. Grepet er lite glamorøst: spør leserne dine om å gjøre det.
På måling har ett nytt verktøy faktisk kommet. Microsoft Clarity viser nå grounding-spørringene bak AI-sitater, altså delspørsmålene Copilot lagde på brukerens vegne før den svarte med innholdet ditt [10]. Det er det første alminnelige verktøyet som viser hva modellen spurte om, ikke bare om du ble sitert. Google har fortsatt ingen tilsvarende rapport for AI Mode, som er der de fleste AI-visningene deres nå ligger.
Hva dataene støtter i norsk marked
Norske søkevolum på AI-flater er fortsatt små. Det gjør prioriteringen annerledes enn den amerikanske litteraturen antyder, og rekkefølgen bør være defensiv før den blir offensiv.
Forsvar brand search først. Den delen av trakten AI treffer hardest i Norge er ikke oppdagelse, men verifisering: noen har hørt navnet ditt et sted og googler det for å sjekke deg. Sørg for at merkevaresøket ditt gir et rent, entydig og oppdatert bilde. Det er også den eneste AI-synlighetsindikatoren du kan måle i dag, siden lag én ikke har egen instrumentering.
Rydd i entity coherence. Billig, fullt innenfor din kontroll, og inkonsistens svekker parametrisk vekt aktivt. Sørg for at merkevare, kategori og kjerneegenskaper beskrives likt på nettstedet, i Knowledge Graph-oppføringen, i profilene og i pressemateriellet.
Flytt budsjett fra eid innhold til tredjeparts co-mentions. Kommer 85 % av AI-omtalene fra domener du ikke eier, har en ren eid-medie-strategi et tak på 15 % av flaten. Det betyr fagpresse, sammenligninger, analytikeromtale og podkaster, med egenskapsrikt språk framfor rene lenker. Rett den innsatsen mot co-mention med den etablerte aktøren framfor isolert: assosiasjon smitter langt mer pålitelig enn volum gjør.
Finn kategorien du kan bli først i. Har modellen alt et fast svar på hovedordet, er det den dyre veien. Definer den smalere kategorien der ingen fast svar finnes ennå, og eier den. I et lite marked som det norske er det ofte lettere enn i USA, rett og slett fordi færre har definert kategoriene.
Publiser færre tekster med reelle tall i dem. Én egen måling slår ti forklaringsartikler. Har du egne data, er det drivstoffet ditt. Har du det ikke, er det en bedre investering å lage noen enn å skrive nok en «hva er»-tekst.
Slutt å rapportere AI-synlighet som ett tall. Med 11 % sitatoverlapp mellom plattformer er én samlet «AI-synlighetsscore» et gjennomsnitt av urelaterte systemer. Rapporter per flate, eller ikke rapporter det. Samme logikk gjelder enkelttallsrevisjoner av nettsteder. Cloudflares Agent Readiness Score pakker en rekke sjekker inn i ett tall, og den rimelige kritikken er at sjekkene ikke gjelder likt på tvers av nettstedstyper, så overskriftstallet villeder uten detaljene under [11].
Det dataene taler imot, er det bransjen fortsatt selger. En teknisk sjekkliste, kjørt én gang, med forventning om sitater. Den ene gangen noen testet den teorien på nesten 6 000 sider, holdt den ikke. Brand depth er tregere og langt mindre tilfredsstillende å sette i en presentasjon. Det ser også ut til å være det som faktisk avgjør svaret.
Bygger du agentiske systemer oppå dette framfor bare å måle det, gjelder samme disiplin. Se bygg din egen PPC OS for hvordan det arbeidet kan struktureres. Verktøyene blir enklere hver måned. Å vite hvilke spaker som tåler møtet med data, er delen som ikke blir det.
Kilder
1. Mt. Stupid Has A Pricing Page — Pedro Dias, Search Engine Journal
2. LLM Guidance Doesn’t Transfer The Way SEO Guidance Did — Duane Forrester, Search Engine Journal
3. Brand depth determines what AI systems recommend — Myriam Jessier, Search Engine Land
4. What co-mentions reveal about the AI recommendation gap — Search Engine Land
5. What makes a brand machine-readable in AI search — Donna Rougeau, Search Engine Land
6. Google’s AI search guidance is naive and self-serving — Michael King, Search Engine Land
7. 846,000 Google searches reveal how AI Overviews change user behaviour — Search Engine Journal
8. Google AI Overviews & AI Mode gain preferred sources — Barry Schwartz, Search Engine Land
9. Google Preferred Sources hit 345K, expand into AI search — Search Engine Journal
10. Microsoft Clarity Now Shows Grounding Queries Behind AI Citations — Dan Taylor, Search Engine Journal
11. All You Need To Know About Cloudflare’s Agent Readiness Score — Search Engine Journal
