Sådan lykkes du med AEO i 2026

Da jeg udviklede CAVIS-rammeværket, gjorde jeg noget, ingen andre i den norske AEO-branche har gjort. Jeg analyserede 150.000 ægte AI-samtaler for at finde ud af, hvordan og hvornår AI faktisk citerer brands.

Resultaterne ændrede, hvordan jeg tænker AEO. De modbeviste også flere af de råd, der dominerer de norske AEO-guides lige nu. Her er de syv vigtigste.

Resultat 1. Citering sker i samtaletur 2 til 4, ikke i den første prompt

Den første prompt i en AI-samtale er næsten altid generisk ("hvad er X", "forklar Y"). Modellen svarer med generelle definitioner og citerer sjældent konkrete brands. Det er i tur 2 til 4, når brugeren er gået fra udforskende til evaluerende ("hvilken er bedst", "anbefal noget specifikt", "sammenlign A og B"), at citeringerne eksploderer.

Konsekvens. Hvis dit indhold er optimeret til "hvad er et kombinationslån", vinder du i AI-svar, som ingen klikker sig videre fra. Hvis det er optimeret til "hvilken aktør bør jeg vælge til kombinationslån", vinder du i AI-svar, der faktisk fører til køb. Flyt fokus fra den øverste tragt mod evaluerings- og købsfasen. Samme mønster går igen i vores analyse af kommerciel intention i AI-samtaler.

Resultat 2. AI citerer mindre fra perfekt SEO-optimeret indhold end forventet

Sider, der læser som lærebogseksempler på answer-first-formatering, blev overraskende ofte forbigået til fordel for sider med tættere, mere faktadrevet sprog. Hypotesen er, at modellerne opdager, hvor kraftigt en side er skrevet om til SEO, og foretrækker det, de opfatter som mere autoritativ kildetekst.

Konsekvens. Hold op med at bygge alt om til formelagtigt SEO-format. Skriv, som om du forklarer noget for en kollega, der kender faget. Tæt prosa, konkrete fakta, mindre fyld.

Resultat 3. Købsintention viser sig i tre spørgsmålstyper

Tre typer spørgsmål udløste flertallet af de kommercielle citeringer i de samtaler, jeg analyserede:

• Anbefalingsspørgsmål ("anbefal mig en X")
• Sammenligningsspørgsmål ("X mod Y, hvilken er bedst")
• Erfaringsspørgsmål ("nogen der har erfaring med X")

Konsekvens. Byg indhold, der direkte besvarer disse tre spørgsmålstyper for dine kategorier. Det er dér, konverteringerne sker i AI-søgning. Generiske "hvad er"-artikler vinder ikke kommercielt.

Resultat 4. Modellerne foretrækker ældre etablerede sider frem for nye optimerede

Autoritetssignaler som alder, linkprofil og omtaler på autoritetsplatforme slog næsten altid friskhed. En tre år gammel artikel fra et etableret website vandt over en helt frisk artikel, der var bedre optimeret.

Konsekvens. Hvis du starter fra nul, skal du investere i autoritetsopbygning parallelt med indholdsproduktion. Schema og answer-first uden autoritet er som at bygge tag før vægge. Få omtaler i etablerede fagmedier i din branche, bliv interviewet i branchepodcasts, og udgiv jævnligt på den samme platform over tid.

Resultat 5. Dine konkurrenter nævnes sammen med dig, ikke i stedet for dig

I de fleste kommercielle AI-svar nævnes tre til fem aktører samtidig. Brugeren får en sammenligning, ikke ét enkelt svar. Det betyder, at "at eje svaret" er den forkerte mentale model. Den rigtige model er at blive inkluderet i sammenligningen, helst med den bedste vinkling.

Konsekvens. Co-mention patterns er et undervurderet målepunkt. Hvis du altid nævnes sammen med de samme tre konkurrenter, siger det noget om, hvor markedet placerer dig. Hvis du nævnes sammen med en anden gruppe end den, du vil tilhøre, har AI lært en forkert kategorisering, du aktivt må korrigere. CAVIS måler co-mention patterns løbende.

Resultat 6. Schema er en hygiejnefaktor, ikke en konkurrencefordel

Sider med korrekt schema-markup blev ikke favoriseret frem for sider uden i de tilfælde, hvor begge fandtes i kategorien. Men sider helt uden schema blev systematisk forbigået. Schema afgør altså ingenting alene, mens fravær af schema diskvalificerer dig.

Konsekvens. Implementer schema som en obligatorisk grundinvestering, men forvent ikke, at det alene løfter dig. Det forhindrer, at du sorteres fra. Indholdsstyrke og autoritet afgør, hvem der vinder blandt de resterende kandidater.

Resultat 7. Sentiment betyder mere end antallet af citeringer

Et brand med 50 neutrale citeringer præsterede dårligere kommercielt end et med 15 positive. To negative citeringer ("for dyr", "skuffende kundeservice") slettede effekten af ti positive. Sentiment er den multiplikator, ingen AEO-guide taler om.

Konsekvens. Mål sentiment, ikke kun frekvens. Adressér negative citeringer aktivt gennem kundeservice, kommunikation og gerne også produktændringer. En negativ citering i ChatGPT lever videre, fordi modellen lærer af den.

Hvad det betyder for dig

De fleste AEO-guides siger det samme. Schema, FAQ, answer-first, autoritet, mål. Rådene passer. De stopper bare på overfladen. Det, der faktisk afgør, om AI citerer dig eller din konkurrent, er den underliggende empiri om, hvad der udløser citeringer i ægte samtaler, og hvilke vinklinger de får. Det er også derfor, godt AEO-arbejde skal bygge på data, ikke antagelser.

CAVIS-rammeværket er CitationLabs forsøg på at gøre disse resultater operationaliserbare. Det måler de fire dimensioner, der faktisk tæller. Det er Share of Voice, Citation Count, Sentiment og Co-mention Patterns. Og det bygger en løbende feedbackloop til at forbedre dem.

Vil du se, hvordan dit brand præsterer på de syv resultater ovenfor, kan du starte med en AI-synlighedsanalyse. Og skal du omsætte resultaterne til konkret arbejde, følger du fremgangsmåden i guiden til AEO-optimering.