ABC: vejen til rentabel AI-synlighed

«Vi skal blive synlige i ChatGPT.» Sætningen går igen i næsten hvert eneste møde om AI-søgning nu, og præmissen er rigtig. Det, der sjældent holder, er indkøbslisten, der følger efter: schema, et par FAQ-blokke og en llms.txt-fil. Det er ikke forkert arbejde. Det er hygiejne på ét af tre led — og det led, der bærer mindst vægt alene.

For «synlighed i AI» er ikke ét problem. Det er tre problemer, der deler navn, med hver sin mekanisme, hver sit ur og hver sin prisseddel. Køber du tiltag på ét led og venter resultater fra et andet, ser det ud, som om AI-søgning ikke kan påvirkes. Det kan den. Men du skal vide, hvilket led du står i.

Det her er ABC-rammeværket: de tre led mellem en AI-model og en betalende kunde.

Og læg mærke til, hvad C er. Din landingsside påvirker ikke, om ChatGPT nævner dig. Den påvirker, om omtalen er noget værd. C er altså ikke et synlighedsled, og det er netop derfor, det står der. Synlighed er ikke målet, det er et mellemled — og et mellemled, der ikke bliver til værdi, er en omkostning, du har valgt frivilligt.

Det er også grunden til, at synlighedsscorer alene er svage beslutningsgrundlag. De måler B, af og til lidt A, og aldrig om noget af det blev til omsætning. Tilsammen er det dette, jeg kalder AI-synlighedsoptimering — AEO-arbejdet og overleveringsarbejdet som én disciplin, ikke to.

En præcisering, nu hvor vi er i gang med kongruens: dette ABC er ikke det samme som ABC — Acquisition, Behavior, Conversion — det kommercielle lag i Citation Method, som vi måler hele kunderejsen med. De hænger sammen, men på forskellige niveauer: lag A og B her lever inde i Acquisition, og lag C er der, hvor Behavior og Conversion afgøres.

A. At blive en del af hukommelsen

Dette lag handler om, hvad modellen kan sige om dig uden at slå noget op. Det er modellens hukommelse — det, den har lært om dig under træningen og bærer med sig videre, ikke noget, den finder i et søgeresultat dér og da. Fagbegrebet er parametrisk viden, men hukommelse er det ord, der bedst beskriver, hvad det gør for dig.

Jeg har længe brugt et billede fra kognitiv psykologi til at forklare det, og jeg mener stadig, det er den bedste indgang: Piagets assimilation og akkommodation.

Tænk på et barn, der lærer, hvad et dyr er. Først kommer hesten: fire ben, hale, pels. Så kommer koen. Fire ben, hale, pels — den passer lige ind i mønsteret, og mønsteret behøver ikke at ændres. Det er assimilation. Hunden passer også ind, selv om den er mindre. Så kommer fisken. Ingen ben, ingen pels, og alligevel et dyr. Nu holder mønsteret ikke længere og må skrives om for at give plads til den. Det er akkommodation.

Det første er billigt. Det andet er dyrt. Og det er netop derfor, positionering er noget værd i AI-svar: at blive assimileret ind i en kategori, der allerede findes, gør dig til «endnu en af dem». At tvinge en ny kategori frem gør dig til noget for dig selv — men det koster langt flere signaler.

Kongruens er mekanismen

En AI-model bygger forståelse af dig på samme måde, som mønsteret ovenfor bygges: af mange signaler, der bekræfter hinanden. Ens formulering. Ens fraser. Ens tal. Ens præsentation. Det, der er ens på tværs af kilder, læses som bekræftelse. Det, der spreder sig, er sværere at knytte sammen — og så kræves der flere signaler for at nå det samme sted hen.

Nøgleordet er kongruens, og det gælder ikke kun dit website. Det gælder hele søgeuniverset, hvor brandet, produkterne og selskabet bliver omtalt: egne sider, tredjepartsomtale, registre, kataloger, sociale kanaler, presse, fora. Står der 800.000 ét sted og «op til 1 million» et andet, har du ikke givet modellen ét tal at bekræfte. Du har givet den to, den skal vælge imellem.

Og her er præciseringen, der gør, at det her ikke bliver en opfordring til at kopiere sig selv: lighed handler om substans, ikke om ordlyd. Vi har brug for variation — flere indfaldsvinkler, flere indgange, flere formater, flere der fortæller det med deres egne ord. Det, vi ikke har brug for, er spredning i det, der skal bekræftes: kategorien, tallene, navnene, afgrænsningerne. Forskellige veje, samme destination.

Hvor analogien holder, og hvor den ikke gør det

Jeg skal være ærlig om én ting her, for det er let at strække billedet for langt: sprogmodeller laver ikke Piaget. Der sidder ingen skemaer inde i modellen, der findes ingen ligevægtssøgning og ingen udviklingsfaser. Analogien er pædagogisk, ikke mekanisk.

Men den holder på ét afgørende punkt, og det punkt er dokumenteret: modellen lærer dig gennem mængde og variation, ikke gennem påstande. Ikke altid hvad kilderne siger om dig. Hvor mange de er.

To studier gør det konkret. Kandpal og kolleger (ICML 2023) koblede spørgsmål og svar mod antallet af dokumenter i træningsdataene, der omtalte de samme entiteter, og fandt «stærke korrelationelle og kausale sammenhænge mellem nøjagtighed og antal relevante dokumenter». Deres konklusion er ubehagelig læsning, hvis du er en nordisk B2B-aktør med 40 ansatte: nutidens modeller «må skaleres op med mange størrelsesordener for at nå konkurrencedygtig nøjagtighed på spørgsmål med lidt støtte i træningsdataene». Du er den lange hale.

Allen-Zhu og Li (ICML 2024) gik et skridt dybere. De trænede modeller på en kontrolleret biografidatabase og målte, hvornår viden faktisk kunne hentes ud igen. Fundet: viden kan være «memoreret, men ikke udtrækkelig, med 0 % nøjagtighed til følge — uanset efterfølgende instruktionsfinjustering». Det, der gør viden tilgængelig, er variation: omskrivninger, ændret sætningsrækkefølge, oversættelser. Samme faktum sagt på mange måder.

Oversat til markedsføring betyder det, at «vi har skrevet en Om os-side» er omtrent den svagest mulige indsats. Det er ikke nok at have sagt det. Det skal være sagt om dig, af mange, på mange måder. Det, du har brug for, er:

• Volumen af omtale fra tredjeparter. Redaktionel dækning, brancheme­dier, podcasts, foredrag der refereres, fora, LinkedIn-opslag fra andre end dig selv.
• Variation i formuleringen. Hvis alle kilder gentager din egen boilerplate ordret, får modellen én formulering, ikke ti. Paradoksalt nok er en lidt sjusket gengivelse af dit budskab mere værd end en perfekt kopieret pressemeddelelse.
• Konsistent entitet. Samme navn, samme stavemåde, samme kobling mellem firmanavn, personer, produkt og kategori — i Wikidata, i schema, i alle registre.
• Tydeligt kategoritilhør. Modellen skal kunne placere dig. «Vi hjælper virksomheder med at lykkes» placerer dig ingen steder.

En præcisering om AEO og GEO

Her er en afklaring, det er værd at tage, fordi begreberne bruges upræcist også af folk, der burde vide bedre — mig selv inklusive, til tider.

GEO — Generative Engine Optimization — er et akademisk begreb med en konkret oprindelse: Aggarwal, Murahari, Rajpurohit, Kalyan, Narasimhan og Deshpande, publiceret på KDD 2024. Men det, GEO-rammeværket faktisk måler, er ikke hukommelsen i modellen. Det måler, hvor synlig en kildeside bliver i det genererede svar, efter at motoren har hentet den ind. Med andre ord hører GEO, sådan som det er defineret i forskningen, hjemme i lag B — ikke i lag A.

AEO — Answer Engine Optimization — er et branchebegreb uden tilsvarende akademisk forankring og bruges om alt fra uddrag i Google til AI-svar. Det er nyttigt som paraply, men det er ikke et præcist begreb. Vi har skrevet mere om forskellene i SEO kontra AEO kontra GEO kontra LLMO.

Lag A har også et navn, og det er entitetsoptimering: arbejdet med at gøre selskabet, personerne, produkterne og kategorien til én entydig, genkendelig enhed på tværs af alle kilder, der omtaler dem. Det er dér, kongruensen fra forrige afsnit hører hjemme. Og det er det, der gør AI-søgning interessant: brandopbygning og entitetsarbejde har pludselig fået en teknisk målbar konsekvens.

B. At blive hentet ind, når modellen søger

Dette lag er langt mere håndgribeligt. Når modellen ikke ved nok, søger den. Og måden, den søger på, er ikke som din.

Teknikken kaldes query fan-out, og Google beskriver den i sin egen dokumentation: «Både AI Overviews og AI Mode kan bruge en «query fan-out»-teknik — at køre flere relaterede søgninger på tværs af delemner og datakilder — for at udvikle et svar» (Google Search Central). Begrebet kommer fra Google, men mekanismen er ikke Googles alene: ChatGPT, Perplexity, Gemini og Copilot laver varianter af det samme. Ingen af de øvrige leverandører har offentliggjort deres eget navn for det, så branchen har adopteret Googles term.

Det er værd at bemærke, hvor meget dette led har ændret sig. Tidligere modeller hallucinerede URL'er: en URL var bare endnu en sandsynlighedsberegning på linje med al anden viden, modellen sad med — «hvordan ser en produkt-URL på dette website mest sandsynligt ud?». Sådan er det ikke længere. Nutidens modeller ligner langt mere en søgemaskine, fordi der er bygget flere lag rundt om selve modellen: lag, der fortolker og bryder din prompt op, lag, der henter og vurderer kilder, og lag, der kontrollerer modellens eget svar, før du får det at se. Det er netop derfor, lag B er blevet en kanal, du kan arbejde systematisk med, og ikke et lotteri.

Hvad det betyder i praksis

Konsekvensen er ret brutal for den måde, de fleste bygger indhold på: din side bliver sjældent vurderet som en side. Den bliver vurderet som en samling passager, hvoraf én måske svarer på ét ud af femten delspørgsmål. Den lange, velskrevne guide, hvor svaret ligger i afsnit fjorten, taber til den side, der svarer på delspørgsmålet i første sætning.

Det er også her, GEO-forskningen giver konkrete pejlemærker. Aggarwal og kollegerne testede ni indholdsgreb mod GEO-Bench, et sæt på 10.000 forespørgsler, og rapporterede, at det rigtige greb kan øge synligheden i genererede svar med op til 40 %. Det, der gav størst udslag, var det, man kan kalde epistemisk autoritet: citater fra troværdige afsendere, statistik og kildehenvisninger.

To ting er værd at bemærke. Det ene er, at keyword stuffing præsterede dårligere end udgangspunktet — i valideringen mod Perplexity lå den 10 % under baseline. Klassiske SEO-signaler som keyword-tæthed flytter altså lidt eller ingenting i genererede svar.

Det andet er måske det mest tankevækkende fund i hele studiet: ren flowoptimering, altså at skrive klarere uden at tilføje ny information, gav 29 % forbedring på det ene synlighedsmål. Klart sprog er ikke pynt. Det er citeringsstrategi.

Og én ting til, som vender en udbredt antagelse: dette er det hurtigste lag, ikke det langsomste. Ændrer du en passage på en side, der allerede er indekseret, kan den samles op inden for timer eller dage. Det er nye sider og nye tredjepartskilder, der tager uger. Lag B er derfor den korteste feedbacksløjfe, du har i AI-søgning — stedet, hvor du hurtigst lærer, hvad der faktisk virker i din egen vertikal. Den praktiske fremgangsmåde har vi skrevet ud i Sådan bliver du citeret af ChatGPT.

C. Overleveringen

Dette er det sværeste led. Ikke fordi mekanismen er kompliceret, men fordi den afslører alt det, du ikke har gjort.

Det er også det led, jeg længe beskrev forkert. Jeg kaldte det CRO, og det er upræcist. Klassisk konverteringsoptimering handler om at teste sig frem mod kold trafik i udforskningstilstand. Dette er noget andet: en tredjepart har givet et løfte på dine vegne til en bruger, der ankommer midt i tragten med en konkret påstand i hovedet. Det er ikke optimering af en tragt. Det er en overlevering, og den har to led.

C1. Bliv det link, der klikkes på. At blive citeret er ikke at blive valgt. Der står gerne tre eller fire links i svaret, og hvilket der klikkes på, afgøres af, hvordan modellen omtaler dig i sætningen omkring citeringen.

C2. Indfri løftet, modellen gav. Brugeren kommer med et løfte formuleret af modellen, ikke af dig. Det skal bekræftes inden for sekunder, ellers opfattes det som et brud.

Udgangspunktet er et mønster, vi ser igen og igen i samtaledata. I vores analyse af 150.000 ægte AI-samtaler har kun 6,8 % kommerciel hensigt overhovedet. Men blandt dem, der har det, er mønsteret tydeligt: den kommercielle interesse er højest i første besked og falder derefter. Den gennemsnitlige intensitet er 48,1 i besked ét, 33,7 i besked to, og flader derefter ud omkring 26–31 resten af samtalen.

Resten af tallene peger samme vej. 41 % af brugerne åbner samtalen allerede nede i tragten — de ved, hvad de vil have, før første besked. Kun 4,4 % følger den klassiske rejse fra problem til produkt. Kommercielle samtaler er korte: 2,92 beskeder i gennemsnit, og 48 % består af én eneste besked.

Og så det mest sigende fund: når brugeren spørger om pris, følger et fald i kommerciel intensitet 31 % af gangene. I over 90 % af disse tilfælde falder brugeren tilbage til problemfasen. Prisspørgsmålet er et købssignal, og svaret formår ikke at lukke beslutningskløften.

C1. Bliv det link, der klikkes på

Hvorfor falder den kommercielle intensitet?

Fordi det svar, hen får, ofte er vagt. «Der findes flere udbydere, der kan hjælpe dig med det her, og hvilken der passer bedst, afhænger af din situation.» Det er ikke et svar. Det er en høflig måde at lade være med at svare på.

Modellen er vag om dig, fordi du er vag om dig selv. Den er et spejl, ikke en dommer. Det er ikke en påstand, jeg har fundet på for retorikkens skyld — det er den direkte konsekvens af mekanismerne i lag A og B. Allen-Zhu og Li viste, at viden, der kun findes i én formulering, ikke kan hentes ud. GEO-studiet viste, at uklart sprog taber til klart sprog, uden at indholdet ændres. Lægger du de to sammen: hvis din produktbeskrivelse siger «fleksible løsninger tilpasset dine behov», har modellen intet at hente ud. Det er ikke en påstand, den kan gengive. Det er støj.

C1 har sit eget ur, og det er ikke det samme som C2's. Skriver du produktbeskrivelsen om i dag, skal modellen hente den nye tekst ind, før den kan omtale dig anderledes. Det er samme mekanik som i lag B: timer til dage på en side, der allerede er indekseret, uger på noget nyt.

Den trafik, der kommer, er ikke som anden trafik

Her er der sket noget i løbet af det seneste år, som fortjener opmærksomhed, fordi det vender en tidlig konklusion på hovedet. I marts 2025 konverterede AI-drevet trafik til amerikanske e-handelssider 38 % dårligere end andre kanaler, ifølge Adobe Analytics. Branchekonklusionen var enkel: AI sender nysgerrige, ikke købere. Tolv måneder senere, i marts 2026, konverterede den samme trafik 42 % bedre.

C2. Løftet skal indfries, før brugeren når at tvivle

Adobe satte tal på, hvor udbredt problemet er. I deres analyse af amerikanske e-handelssider var omkring 34 % af indholdet på forsiderne slet ikke læsbart for AI-modeller, og produktsiderne lå på omkring 66 % synlighed. Det er ikke en strategiudfordring. Det er en byggefejl.

Og der er ikke noget nyt ved selve arbejdet, hvilket er hele pointen. AEO, GEO og AI-søgning erstatter hverken konverteringsoptimering, godt gammeldags SEO-arbejde eller analyse. De gør det modsatte: de gør den røde tråd gennem det hele tydeligere, fordi de samme formuleringer nu skal fungere tre steder på én gang — i modellens hukommelse, i hentningen og på den side, brugeren lander på. Se på, hvad der faktisk sker med den, der klikker sig ind fra et AI-svar:

• Hen har allerede fået en anbefaling. Beslutningen er delvist truffet.
• Hen kommer med et konkret løfte i hovedet — formuleret af modellen, ikke af dig.
• Hen lander sjældent på forsiden. Over halvdelen af AI-henviste sessioner i Shopifys data starter direkte på en produktside, mod 20 % for organisk søgning.
• Hen har sprunget udforskningsfasen over. Ingen kategorisurf, ingen sammenligning.

Din landingsside er som regel bygget til det modsatte: en bruger i udforskningstilstand, der skal varmes op. Så får du en side, der starter tragten forfra for en, der allerede er i bunden af den. Det er den dyreste fejl, du kan begå med den mest værdifulde trafik, du har. Det, du skal gøre på siden, er ikke mystisk:

• Bekræft løftet med det samme. Sagde modellen «op til 800.000 kroner», skal det tal være synligt uden at scrolle. Bliver løftet ikke bekræftet, opfattes det som et brud — ikke som en nuance.
• Start ikke forfra. Ingen lang brandintro. Brugeren ved allerede, hvem du er; modellen har fortalt det.
• Vær konkret, hvor modellen var vag. Din værdi ligger i præcis det, AI-svaret ikke kunne levere: eksakte vilkår, tal, afgrænsninger, «det her passer ikke, hvis».
• Svar på prisspørgsmålet, før det bliver stillet. Prisspørgsmålet er der, hvor samtalen køler af. En scenariebaseret pris slår «kontakt os for pris» hver gang.
• Sørg for, at siden er maskinlæsbar. Adobes 34 %-tal handler i høj grad om indhold skjult bag JavaScript, i billeder eller i strukturer, modellen ikke kan få fat i.
• Mål kanalen separat. Ligger AI-trafikken i «direkte», har du ingen business case — uanset hvor godt den præsterer.

Informationssiderne skal vendes

Den klassiske opdeling mellem informationsindhold og kommercielt indhold var bygget til en tragt med flere trin. Brugeren læste en guide, kom tilbage senere, sammenlignede og konverterede måske i tredje eller fjerde session.

Den tragt findes ikke længere for AI-henvist trafik. Brugeren har allerede haft udforskningssamtalen med modellen, og kommercielle samtaler er korte. Næsten halvdelen består af én eneste besked. Der findes ingen besked nummer to at konvertere i.

Konsekvensen er, at informationssider ikke længere kan nøjes med at informere. De skal tage brugeren fra informationssøgning til kommerciel interesse på samme side, i samme session. Ikke ved at blive salgssider, men ved at svare færdigt og derefter gøre næste skridt indlysende og friktionsfrit.

Det gør landingssideoptimering vigtigere, end det har været i ti år, og det er en af grundene til, at C står først i rækkefølgen.

Så hvor lægger du pengene?

Hvis jeg skal være helt ærlig om prioriteringen og ikke bare pæn: rækkefølgen handler ikke om hastighed. Det troede jeg et stykke tid, og det var forkert. B er ikke langsommere end C — ofte er det omvendt. Rækkefølgen handler om, hvor pengene faktisk siver ud.

Start med C. Ikke fordi det er hurtigst, men fordi B og A uden C er lækage. Enten er du citeret, uden at nogen klikker, eller også klikker de, og siden svigter det løfte, modellen gav. I begge tilfælde har du betalt for synlighed, du ikke gør noget ud af. C er også det eneste led, du kontrollerer fuldt ud: uden mellemled, uden crawlere og uden træningskørsler.

Kør B parallelt. Det kræver ikke, at C er færdigt, og den korte feedbacksløjfe gør det til stedet, hvor du hurtigst lærer, hvad der virker i din egen vertikal.

A til sidst, og med åbne øjne. Ikke fordi det tager år — det gør det ikke længere — men fordi du ikke kan skrive til det. Du må tåle, at der går kvartaler, før volumenet passerer tærsklen.

Den hyppigste fejl, jeg ser, er ikke, at folk bruger for lang tid på A. Det er, at de bruger tiden på A i den tro, at B og C er for langsomme til at være det værd, mens sandheden er, at begge to ville have givet udslag før næste bestyrelsesmøde.

Vejen til rentabel AI-synlighed er ABC. Men rækkefølgen er ikke tilfældig, og den er ikke A først. Vil du se, hvor du står på hvert af de tre led, og hvor meget af din AI-synlighed der faktisk bliver til penge, er det præcis det, en AI-synlighedsanalyse måler.

Kilder

1. Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K. & Deshpande, A. (2024). GEO: Generative Engine Optimization. KDD 2024. arxiv.org/abs/2311.09735
2. Kandpal, N., Deng, H., Roberts, A., Wallace, E. & Raffel, C. (2023). Large Language Models Struggle to Learn Long-Tail Knowledge. ICML 2023. proceedings.mlr.press
3. Allen-Zhu, Z. & Li, Y. (2024). Physics of Language Models: Part 3.1, Knowledge Storage and Extraction. ICML 2024. arxiv.org/abs/2309.14316
4. Google Search Central. Top ways to ensure your content performs well in Google’s AI experiences. developers.google.com
5. CitationLab (2026). Hvordan kommerciel hensigt udvikler sig i AI-samtaler — analyse af 150.000 AI-samtaler.
6. Adobe (2026). AI traffic grows but retail sites lag in AI search visibility. business.adobe.com
7. Ahrefs (2025). Does AI Search Traffic Convert Better Than Traditional Search? For Ahrefs, Yes. ahrefs.com
8. Shopify (2026). AI-referred shoppers convert better and spend more. shopify.com
9. Semrush (2026). What is query fan-out? semrush.com
10. Piaget, J. Assimilation og akkommodation — brugt her som pædagogisk analogi, ikke som mekanisk beskrivelse af sprogmodeller.