Derfor anbefaler ChatGPT ikke dig

Der er én sætning, jeg hører i næsten hvert eneste møde om AI-søgning nu: «Vi skal blive synlige i ChatGPT.» Så følger et projekt om schema-markup, lidt FAQ-indhold og en llms.txt-fil. Seks måneder senere er brandet stadig usynligt, og konklusionen bliver, at «det der AEO-halløj virker ikke».

Problemet er ikke tiltagene. Problemet er, at «synlighed i AI» bliver behandlet som ét problem, når det i praksis er tre problemer, der deler navn. De har forskellige mekanismer, forskellige tidshorisonter og forskellig gennemførlighed. Blander du dem sammen, kaster du budget efter det forkerte lag.

Det her er det ABC, jeg har brugt et stykke tid, sat sammen med det, vi faktisk ved fra forskningen. Tilsammen er det dette, jeg kalder AI-synlighedsoptimering — AEO-arbejdet og konverteringsarbejdet som én disciplin, ikke to.

A. At blive en del af hukommelsen

Dette lag handler om, hvad modellen kan sige om dig uden at slå noget op. Det er den parametriske viden — det, der ligger i vægtene efter fortræning, ikke i et søgeresultat.

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.

Assimilation er, når ny information passer ind i et skema, du allerede har. Du ved, hvad en bank er, du hører om en ny bank, og den placeres i skemaet, uden at skemaet ændres. Akkommodation er, når informationen ikke passer, og skemaet må skrives om. Du møder en aktør, der hverken er bank, mæglerhus eller sammenligningstjeneste — og din kategori må udvides.

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 findes ingen skemaer i vægtene, ingen ligevægtssøgning, 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.

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 egentlig ikke fået et godt navn endnu. Det ligger tættere på brandopbygning og entitetsarbejde end på noget med «optimization» i navnet. Og det er måske det ærligste, vi kan sige om det: det nyeste ved AI-søgning er ikke en ny teknik, men at brandopbygning pludselig har 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.

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 hentningsstrategi.

C. At tjene penge på synligheden

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

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.

Hvorfor?

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.

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.

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.

Derfor er det her et CRO-problem, ikke et indholdsproblem

Se på, hvad der faktisk sker med den bruger, 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.

Så hvor lægger du pengene?

Hvis jeg skal være helt ærlig om prioriteringen og ikke bare pæn:

Start med C. Det er det eneste lag, du kontrollerer fuldt ud, det virker på dage, og det gør al anden synlighed mere værd. Trafikken er der allerede — den er bare lille og dårligt behandlet.

Derefter B. Delspørgsmål, passagestruktur, konkrete påstande, maskinlæsbarhed, tredjepartskilder, der kan hentes ind. Måneder, ikke dage, men målbart.

A til sidst — og kun hvis du har udholdenhed. Det er brandarbejde med en horisont på år. Det er ægte, det er vigtigt for den, der skal eje en kategori, og det er næsten umuligt at forsvare i et kvartalsbudget.

Den hyppigste fejl, jeg ser, er, at folk gør det modsatte: bruger et halvt år på at forsøge at komme ind i modellens hukommelse, mens de lader den trafik, der allerede kommer, ramme en landingsside, der er tre år gammel og bygget til Google i 2021.

AI-synlighed er ABC. Men det er ikke tilfældigt, i hvilken rækkefølge du bør tage dem — og det er ikke A først. Vil du se, hvor du står på hvert af de tre lag, 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.