Gå til indhold
CitationLab
Start her

Metodik for AI-synlighed

Citation Method

CitationLabs metode til AI-synlighed. Et AI-svar sættes sammen gennem otte led, og et brand kan falde ud i hvert enkelt af dem. Metoden måler leddene hver for sig, så diagnosen kan navngive det, der stopper dig.

Alt hvad der er publiceretÉn citeret kilde
12345678
  1. 01Opdagelse
  2. 02Hentning
  3. 03Udvælgelse
  4. 04Kontekst
  5. 05Generering
  6. 06Citering
  7. 07Påvirkning
  8. 08Handling

Find leddet. Fiks det. Mål igen.

Få din kæde kortlagt

Kort fortalt

Citation Method er CitationLabs metode til AEO- og GEO-optimering. Den bygger på, hvordan sprogmodeller faktisk laver svar: et svar sættes sammen gennem otte led – opdagelse, hentning, udvælgelse, kontekst, generering, citering, påvirkning og handling – og et brand kan tabe i hvert eneste af dem. Metoden måler leddene hver for sig i stedet for at slå dem sammen til én score, og drives gennem fem faser: kortlægning, måling, diagnose, tiltag og opfølgning. Pointen er at kunne sige, hvilket led du taber i, hvorfor, og hvad der skal ændres – i stedet for at gætte på «mere indhold» eller «flere links».

Sidst opdateret

Brands vi arbejder med

  • Axo Finans
  • Zmarta
  • LendMe
  • uScore
  • Terapivakten
  • Din Firmabil
  • Puro Yoga
  • Pixel & Co
  • DRIV Energi
  • Allegro Kommunikasjon
  • JKE
  • FHF
  • European Heli Center
  • Fix & Drive
  • Våge Marketing

01Metoden

De otte led

Sådan bliver et AI-svar til, led for led. Kæden læses fra venstre: du skal overleve led ét for at nå led to. De fleste brands, der «ikke er synlige i ChatGPT», taber i led to eller tre – og laver tiltag, der hører hjemme i led fem.

  1. 01

    Opdagelse

    Spørgsmålet: Bliver der søgt overhovedet – og findes du der, hvor der søges?

    Hvad der afgør det
    Systemet afgør først, om spørgsmålet skal besvares fra modellens egen hukommelse eller ved at hente dokumenter. Svarer den fra hukommelsen, afgøres din synlighed af, hvad modellen allerede har lært om dig, ikke af hvad du publicerede i går.
    Sådan taber man
    Brandet findes ikke i modellens hukommelse, og spørgsmålet udløser ingen søgning. Du er usynlig, uden at der er noget galt med dit website.
    Sådan måler vi det
    Andel svar, der udløser søgning, kontra svar fra hukommelsen, per model og per prompt. Perception Match viser, hvad modellen mener om dig helt uden kilder.
    Sådan retter vi det
    Bygge entiteten: konsistent navn, kategori og fakta på tværs af eget website, opslagsværker, branchekilder og omtale. Det er langsomt arbejde, og det måles i kvartaler.
  2. 02

    Hentning

    Spørgsmålet: Er du blandt de dokumenter, der faktisk hentes ind?

    Hvad der afgør det
    Spørgsmålet brydes op i flere delsøgninger, og hver delsøgning trækker et lille antal dokumenter ind. Kandidatlisten er kort, og den sættes af det indeks, søgningen går mod – ikke af hvor pæn din side er.
    Sådan taber man
    Indholdet kræver JavaScript for at blive vist, ligger bag en samtykkevæg, er blokeret for AI-crawlere, eller findes ikke på det sprog, spørgsmålet stilles på.
    Sådan måler vi det
    Crawlbarhed for AI-agenter, indeksdækning, robots- og render-tjek i websiteauditten, og hvilke af dine URL'er der faktisk dukker op som kilder i de løbende målinger.
    Sådan retter vi det
    Teknisk grundarbejde: server-renderet indhold, åbne AI-crawlere, rene URL'er, sitemap, sprogversioner og et website, der kan læses uden at køre kode.
  3. 03

    Udvælgelse

    Spørgsmålet: Overlever du omrangeringen af de hentede dokumenter?

    Hvad der afgør det
    De hentede dokumenter vurderes på ny, denne gang tæt op ad selve spørgsmålet. Her falder de fleste fra: hentet, men ikke brugt.
    Sådan taber man
    Siden handler om emnet, men svarer ikke på spørgsmålet. Den er skrevet til en søgefrase, ikke til den måde et menneske formulerer sig over for en AI.
    Sådan måler vi det
    «Hentet, men ikke citeret» per prompt – vi ser, hvilke af dine URL'er der er med i kildesættet uden at nå frem til svaret.
    Sådan retter vi det
    Skrive mod spørgsmålet i stedet for mod søgeordet: spørgsmålet i overskriften, svaret først, og indhold, der dækker hele spørgsmålet i stedet for halvdelen.
  4. 04

    Kontekst

    Spørgsmålet: Får din tekst plads i det, modellen faktisk læser?

    Hvad der afgør det
    Kun de højest rangerede passager får plads i kontekstvinduet. Det er afsnit, der konkurrerer, ikke websites. Et langt dokument med spredt relevans taber til ét stramt afsnit.
    Sådan taber man
    Dit svar er der, men det er begravet under intro, marketingsprog og opbygning. Den passage, der hentes ud, siger ingenting.
    Sådan måler vi det
    Chunkalyzer i AI Monitor-modulet i Manager viser, hvordan dit indhold deles op i passager, og hvilke passager der faktisk vælges.
    Sådan retter vi det
    Chunk-optimering: selvbærende afsnit, definitioner der står alene, tabeller og lister hvor fakta hører hjemme, og at skære opvarmningen væk før pointen.
  5. 05

    Generering

    Spørgsmålet: Bliver din formulering brugt, når svaret sættes sammen?

    Hvad der afgør det
    Generatoren bygger svaret af de passager, der svarer direkte, ikke skal skrives om for at give mening, og tilfører noget, de andre kilder ikke har.
    Sådan taber man
    Din passage er med, men en konkurrents formulering er lettere at genbruge. Du bliver baggrund i stedet for sætning.
    Sådan måler vi det
    Ordret genbrug, og hvilke sætninger der går igen på tværs af modeller og dage.
    Sådan retter vi det
    Skrive sætninger, der tåler at blive citeret uden deres kontekst: præcise tal, klare afgrænsninger, egne data og formuleringer, ingen andre har.
  6. 06

    Citering

    Spørgsmålet: Bliver du angivet som kilde, med link?

    Hvad der afgør det
    At blive brugt og at blive krediteret afgøres hver for sig. Modellen kan bygge svaret på din information og alligevel linke til nogen andre.
    Sådan taber man
    Brandet nævnes uden link, eller din information krediteres en side, der har gengivet den.
    Sådan måler vi det
    Omtaler med og uden link, per model og per prompt, og hvilke domæner der krediteres i stedet for dig.
    Sådan retter vi det
    Gøre kilden entydig: originalindhold, datering, forfatterattribution, canonical – og sikre, at det er dig, ikke en aggregator, der er den citerbare original.
  7. 07

    Påvirkning

    Spørgsmålet: Bliver du gengivet rigtigt, og flytter det opfattelsen?

    Hvad der afgør det
    En citering er ikke en godkendelse. Modellen kan nævne dig i den forkerte kategori, med en forældet pris, eller i en sammenligning, du taber.
    Sådan taber man
    Høj synlighed, forkert fortælling. Du bliver nævnt ofte og anbefalet sjældent.
    Sådan måler vi det
    Sentiment og kontekst per omtale, hvilke egenskaber der tilskrives dig, hvem du sammenlignes med, og gabet mellem egen positionering og modellens beskrivelse (Perception Match).
    Sådan retter vi det
    Rette faktagrundlaget der, hvor modellen henter det, og gøre positioneringen entydig nok til, at den overlever en opsummering.
  8. 08

    Handling

    Spørgsmålet: Sker der noget hos dig bagefter?

    Hvad der afgør det
    Et AI-svar sender færre besøgende end et søgeresultat, men de kommer længere inde i beslutningen. Værdien ligger i konverteringen, ikke i klikket.
    Sådan taber man
    Trafikken kommer, men landingssiden svarer på noget andet end det, brugeren lige spurgte AI'en om.
    Sådan måler vi det
    AI-henvisninger som egen kilde, brandsøgninger, direkte trafik og konvertering – koblet til CRM eller ordredata.
    Sådan retter vi det
    Landingssider, der møder intentionen i prompten, og måling, der gør, at en henvisning fra ChatGPT kan tilskrives værdi i stedet for at forsvinde i «direkte».

02Metoden

Kæden på ét blik

Hvert led har sin egen årsag, sin egen måling og sit eget tiltag. Derfor slår metoden dem ikke sammen til én score: ét tal fortæller dig, at det går dårligt, ikke hvor.

Kæden på ét blik
LedHvad der afgør detHvordan vi måler detTypisk tiltag
1.OpdagelseSystemet afgør først, om spørgsmålet skal besvares fra modellens egen hukommelse eller ved at hente dokumenter. Svarer den fra hukommelsen, afgøres din synlighed af, hvad modellen allerede har lært om dig, ikke af hvad du publicerede i går.Andel svar, der udløser søgning, kontra svar fra hukommelsen, per model og per prompt. Perception Match viser, hvad modellen mener om dig helt uden kilder.Bygge entiteten: konsistent navn, kategori og fakta på tværs af eget website, opslagsværker, branchekilder og omtale. Det er langsomt arbejde, og det måles i kvartaler.
2.HentningSpørgsmålet brydes op i flere delsøgninger, og hver delsøgning trækker et lille antal dokumenter ind. Kandidatlisten er kort, og den sættes af det indeks, søgningen går mod – ikke af hvor pæn din side er.Crawlbarhed for AI-agenter, indeksdækning, robots- og render-tjek i websiteauditten, og hvilke af dine URL'er der faktisk dukker op som kilder i de løbende målinger.Teknisk grundarbejde: server-renderet indhold, åbne AI-crawlere, rene URL'er, sitemap, sprogversioner og et website, der kan læses uden at køre kode.
3.UdvælgelseDe hentede dokumenter vurderes på ny, denne gang tæt op ad selve spørgsmålet. Her falder de fleste fra: hentet, men ikke brugt.«Hentet, men ikke citeret» per prompt – vi ser, hvilke af dine URL'er der er med i kildesættet uden at nå frem til svaret.Skrive mod spørgsmålet i stedet for mod søgeordet: spørgsmålet i overskriften, svaret først, og indhold, der dækker hele spørgsmålet i stedet for halvdelen.
4.KontekstKun de højest rangerede passager får plads i kontekstvinduet. Det er afsnit, der konkurrerer, ikke websites. Et langt dokument med spredt relevans taber til ét stramt afsnit.Chunkalyzer i AI Monitor-modulet i Manager viser, hvordan dit indhold deles op i passager, og hvilke passager der faktisk vælges.Chunk-optimering: selvbærende afsnit, definitioner der står alene, tabeller og lister hvor fakta hører hjemme, og at skære opvarmningen væk før pointen.
5.GenereringGeneratoren bygger svaret af de passager, der svarer direkte, ikke skal skrives om for at give mening, og tilfører noget, de andre kilder ikke har.Ordret genbrug, og hvilke sætninger der går igen på tværs af modeller og dage.Skrive sætninger, der tåler at blive citeret uden deres kontekst: præcise tal, klare afgrænsninger, egne data og formuleringer, ingen andre har.
6.CiteringAt blive brugt og at blive krediteret afgøres hver for sig. Modellen kan bygge svaret på din information og alligevel linke til nogen andre.Omtaler med og uden link, per model og per prompt, og hvilke domæner der krediteres i stedet for dig.Gøre kilden entydig: originalindhold, datering, forfatterattribution, canonical – og sikre, at det er dig, ikke en aggregator, der er den citerbare original.
7.PåvirkningEn citering er ikke en godkendelse. Modellen kan nævne dig i den forkerte kategori, med en forældet pris, eller i en sammenligning, du taber.Sentiment og kontekst per omtale, hvilke egenskaber der tilskrives dig, hvem du sammenlignes med, og gabet mellem egen positionering og modellens beskrivelse (Perception Match).Rette faktagrundlaget der, hvor modellen henter det, og gøre positioneringen entydig nok til, at den overlever en opsummering.
8.HandlingEt AI-svar sender færre besøgende end et søgeresultat, men de kommer længere inde i beslutningen. Værdien ligger i konverteringen, ikke i klikket.AI-henvisninger som egen kilde, brandsøgninger, direkte trafik og konvertering – koblet til CRM eller ordredata.Landingssider, der møder intentionen i prompten, og måling, der gør, at en henvisning fra ChatGPT kan tilskrives værdi i stedet for at forsvinde i «direkte».

03Metoden

Sådan ser det ud, når det virker

En kunde måler fyrre prompts i sin kategori. Til venstre nulpunktet, til højre de samme prompts otte uger senere.

Nulpunkt

Hentet
64 %
Valgt
18 %
Citeret
7 %

Otte uger senere

Hentet
67 %
Valgt
41 %
Citeret
22 %

Diagnosen peger på led tre: vi hentes, men vælges fra. Tiltaget er ikke mere indhold – det er at skrive siderne om fra at handle om emnet til at svare på spørgsmålet.

Udvælgelsen blev mere end fordoblet. Hentningen står næsten stille, som den skal – vi rørte den ikke. Og nu er citeringen den nye flaskehals: under halvdelen af de svar, der vælger os, krediterer os. Næste runde angriber led seks.

Konstrueret eksempel med realistiske tal, ikke en kundecase.

Vil du vide, hvilket led du taber i?

Vi kører dit promptsæt mod modellerne, tager nulpunktet og giver dig diagnosen – før nogen foreslår en eneste aktivitet.

Book en gennemgang af AI-synligheden

04Metoden

Sådan arbejder vi

Fra «vi ved det ikke» til noget, der kan måles. Efter fase to ved du, hvor du står – og du kan når som helst stoppe der og gøre resten selv.

  1. 01

    Kortlægning

    Arbejder med: Led 1–2

    Vi finder ud af, hvilke spørgsmål dine kunder faktisk stiller en AI. Ikke søgeord – prompts. Det er to forskellige ting, og de giver forskellige svar. Promptsættet bygges op omkring personaer og kunderejsen, fra første symptom til «hvem skal jeg vælge», og spejles mod dine konkurrenter.

    Du sidder tilbage medEt promptsæt, der spejler din kunderejse, med personaer og konkurrenter defineret.

  2. 02

    Måling

    Arbejder med: Led 1–7

    Prompterne køres fast, ugentligt eller dagligt som tilkøb, mod ChatGPT, Gemini, Perplexity og Googles AI-svar. Vi måler, hvor ofte du nævnes, hvor ofte du citeres med link, og hvem der nævnes i stedet. Gentagelsen er ikke pynt: samme prompt kan give forskellige svar fra kørsel til kørsel, og ét enkelt svar er en anekdote frem for en måling. CAVIS kører hele samtaler i stedet for løsrevne spørgsmål, fordi svaret ændrer sig, når kunden går fra «hvad er det her?» til «hvem skal jeg vælge?».

    Du sidder tilbage medEt nulpunkt, du kan måle udviklingen mod – per prompt, per model og per led i kæden.

  3. 03

    Diagnose

    Arbejder med: Placerer tabet i kæden

    Vi finder ud af hvorfor. Er indholdet usynligt, fordi det kræver JavaScript? Mangler entiteten? Er fakta begravet i marketingtekst? Bliver du hentet, men aldrig valgt? Årsagerne er som regel få og konkrete, og hver af dem hører hjemme i et bestemt led af kæden.

    Du sidder tilbage medEn prioriteret liste med årsager, ikke symptomer – hver enkelt hæftet på det led, den hører hjemme i.

  4. 04

    Tiltag

    Arbejder med: Retter der hvor årsagen er

    Vi gennemfører – eller du gennemfører, med planen som udgangspunkt. Teknisk fundament, struktur, entitet og indhold, i den rækkefølge der giver hurtigst effekt. Rækkefølgen er ikke tilfældig: det nytter ikke at skrive bedre afsnit til led fire, hvis du aldrig kommer gennem led to.

    Du sidder tilbage medTiltag med ejer, rækkefølge og forventet effekt – og hvilket led hvert tiltag skal flytte.

  5. 05

    Opfølgning

    Arbejder med: Måler igen, samme sted

    Synlighed i AI-søgning er ferskvare – modellerne opdateres, og konkurrenterne arbejder også. Den løbende måling fortsætter, og du har din egen adgang til dashboardet hele vejen. Derudover gennemgår vi udviklingen fast sammen, så du får fortolkningen og næste tiltag, ikke bare tallene.

    Du sidder tilbage medLøbende måling per prompt og model, eget dashboard, og en fast gennemgang, hvor tallene bliver til næste tiltag.

Og så begynder fase tre forfra. Ikke fordi noget gik galt, men fordi flaskehalsen har flyttet sig: da led tre blev rettet, blev led seks den nye begrænsning. Derfor er det her ikke en plan med en slutdato.

05Metoden

Hvorfor AI-søgning kræver sin egen metode

SEO-tænkning forudsætter en rangeret liste. Der findes ingen liste i et AI-svar. Det, der findes, er en kæde af beslutninger inde i systemet – og de fleste af dem træffes, før et eneste ord er skrevet.

  • Modellen svarer ofte uden at søge

    Et svar kommer enten fra det, modellen allerede har lært (parametrisk hukommelse), eller fra dokumenter, den henter der og da (retrieval). Publicerer du noget nyt, flytter det kun det andet. Det første flyttes af, at brandet omtales bredt nok, ofte nok og konsistent nok andre steder – over tid.

  • Kandidatlisten er kort

    Når systemet først henter, brydes spørgsmålet op i flere delsøgninger, og hver delsøgning trækker et lille antal dokumenter ind. Hvor en søgemaskine viser ti blå links og en side to, findes der ingen side to i et AI-svar. Er du ikke på kandidatlisten, eksisterer du ikke for det svar.

  • Det er afsnit, der konkurrerer, ikke sider

    Modellen læser ikke dit website. Den læser nogle få passager, der er valgt ud, fordi de ligner spørgsmålet. Ét præcist afsnit slår en lang side, hvor relevansen er spredt ud.

  • At blive brugt og at blive krediteret er to ting

    Dit indhold kan bære svaret, uden at du nævnes, og du kan nævnes uden at blive beskrevet rigtigt. Begge dele er tab, og ingen af dem ses i en rangeringsrapport.

06Metoden

Fra citering til omsætning

De to sidste led i kæden, påvirkning og handling, er der, hvor synligheden møder forretningen. Der bruger vi ABC: Acquisition, Behavior, Conversion – den rapportstruktur, Google Analytics gjorde til fælleseje, med AI-søgning målt som sin egen indgangskanal og konverteringen hentet fra CRM i stedet for fra analyseværktøjet.

  1. 01

    A – Acquisition

    Hvor kunderne kommer fra, og hvilke kanaler der giver kvalitet. AI-søgning måles her, på lige fod med organisk søgning og annoncer: volumen, kvalitet, adfærd og konvertering.

  2. 02

    B – Behavior

    Hvad de gør, når de er der, og hvor vi mister dem. For AI-trafik er den vigtigste måling intentionsmatch: svarer landingssiden på det, brugeren faktisk spurgte modellen om?

  3. 03

    C – Conversion

    Hvad der faktisk skaber værdi. Leads og salg får en værdi hentet fra CRM, ordredata eller offline-konverteringer, og den værdi føres tilbage til kanalen. Uden det trin optimerer man mod volumen og kalder det vækst.

Om ABC: Acquisition, Behavior og Conversion er rapportstrukturen fra Universal Analytics, ikke et begreb, vi har fundet på. Det er ikke det samme som ABC-analyse, der rangerer lager, produkter eller kunder efter værdi, og heller ikke ABC-modellen fra kognitiv terapi. I Citation Method er ABC det kommercielle lag – ikke hele metoden. Læs ABC: vejen til rentabel AI-synlighed.

07Metoden

Hvad metoden kører på

Metoden er ikke et slide. Hvert led i kæden har et værktøj, der måler det, og de fleste er bygget af os, fordi ingen andre målte det, vi havde brug for.

  • CitationLab AI Marketing Manager

    Den løbende måling. AI Monitor-modulet i Manager kører promptsættet ugentligt, eller dagligt som tilkøb, mod ChatGPT, Gemini, Perplexity og Google AI Overview, og logger omtaler, citeringer, kilder, konkurrenter og share of voice per model og per kørsel. Det er datagrundlaget for led ét til syv.

    Se hvordan AI Marketing Manager fungerer

  • CAVIS

    Rammeværket bag promptsættet. CAVIS simulerer hele samtaler i stedet for løsrevne spørgsmål, vægter hver måling efter, hvor i købsrejsen den hører hjemme, og er grunden til, at målingen spejler en kunderejse frem for en spørgsmålsliste.

    Se CAVIS-rammeværket

  • Chunkalyzer

    Chunk-analysen i AI Monitor-modulet i Manager. Viser, hvordan dit indhold deles op i chunks, hvilke der hentes, og hvilke der aldrig får plads i kontekstvinduet. Det er værktøjet til led fire.

  • Perception Match

    Sammenligner din egen positionering – det, websitet og salgsmaterialet hævder – med det, modellerne faktisk siger om dig, når de bliver spurgt, og giver gabet en score. Det er diagnosen for led ét og led syv: er problemet, at du er usynlig, eller at fortællingen er forkert?

  • Websiteaudit for AI-agenter

    Teknisk gennemgang af, om indholdet overhovedet kan hentes: rendering, crawleradgang, struktureret data, sprogversioner og maskinlæsbarhed. Uden den er alt andet gætværk.

    Se teknisk SEO

  • AEO-forvaltning

    Driften. Fase fire og fem sat i system, med specialister i teknik, entitet, indhold og konvertering, og hver ændring logget som et eksperiment med en hypotese.

    Se hvordan vi arbejder

08Metoden

Fem regler metoden ikke fraviger

En metode er kun noget værd, hvis den også siger, hvad den nægter at gøre. Det er reglerne, der afgør, hvordan tallene på denne side bliver til.

  • 01

    Mål før du fortolker

    Rådata logges først – hele svaret, kilderne, datoen, modellen. Fortolkningen kommer bagefter og kan altid spores tilbage til det svar, den hviler på.

  • 02

    Ingen enkeltscore

    Én samlet «AI-synlighedsscore» skjuler præcis det, du har brug for at vide: hvilket led du taber i. Vi bryder altid ned på model, prompt, kategori og led.

  • 03

    Årsag, ikke symptom

    «Vi er ikke synlige i ChatGPT» er et symptom. En diagnose skal pege på et led og en årsag, ellers er tiltaget gætværk.

  • 04

    Løbende, ikke sporadisk

    Samme prompt kan give forskellige svar fra kørsel til kørsel. Ét svar er en anekdote. Metoden måler fast, fordi udvikling kun kan læses ud af en tidsserie.

  • 05

    Sig hvad tallene ikke viser

    Vi markerer, hvor grænsen går for, hvad målingen kan bevise. Der hvor vi ikke kan se årsagssammenhæng, siger vi det i stedet for at tegne en pil.

09Metoden

Hvad metoden ikke lover

AI-synlighed er et ungt felt med mange skråsikre påstande i sig. Det er de fire, vi ikke kommer med.

  • Ingen kan garantere en citering

    Ingen sælger en plads i et AI-svar, og den, der siger noget andet, sælger noget andet. Metoden gør sandsynligheden målbar og årsagerne håndterbare. Den køber ikke plads.

  • Led ét går langsomt

    Modellens hukommelse opdateres, når modellerne trænes eller opdateres, ikke når du publicerer. Entitetsarbejde måles i kvartaler. Led to til fire kan flytte sig på uger.

  • Tallene svinger

    Samme prompt giver forskellige svar ved forskellige kørsler. Derfor måler vi gentagne gange og læser trend frem for enkeltkørsler – og derfor er et screenshot af ét godt svar ikke et resultat.

  • Synlighed er ikke omsætning

    En omtale, der aldrig konverterer, er et tal. Derfor stopper metoden ikke ved led seks.

10Metoden

Spørgsmålene metoden er bygget til at svare på

Ingen kommer og beder om en metode. De kommer med et symptom. Det er de fire, vi hører oftest, og det led, hvert af dem som regel ligger i.

Hvorfor nævner ChatGPT os slet ikke?

Næsten altid led ét eller led to, og de to kræver modsatte tiltag. Svarer modellen fra hukommelsen uden at søge, mangler brandet i det, den har lært, og arbejdet er entitetsarbejde: konsistente fakta om dig der, hvor modellerne lærer fra, målt i kvartaler. Søger modellen faktisk, og du stadig er væk, er årsagen som regel mekanisk – indhold der først dukker op, når JavaScript kører, AI-crawlere blokeret i robots.txt, eller ingen side på det sprog, spørgsmålet stilles på. Målingen skiller de to ad, fordi det koster et kvartal at gætte mellem dem.

Vi bliver hentet som kilde, men aldrig citeret. Hvad er galt?

Det er led tre eller led fire, og det er den mest almindelige diagnose, vi stiller. At blive hentet betyder, at din side kom med på kandidatlisten; ikke at blive citeret betyder, at den tabte omrangeringen, eller at den kom ind i kontekstvinduet, og den passage, der blev hentet ud, ikke svarede på spørgsmålet. Tiltaget er næsten aldrig mere indhold. Det er at sætte spørgsmålet i overskriften, lægge svaret i første afsnit, og gøre enkelte afsnit selvbærende nok til at blive løftet ud og stadig give mening.

Vi nævnes ofte, men beskrives forkert. Hvordan retter vi det?

Det er led syv, og det er et tab forklædt som en sejr. Share of voice ser sund ud, mens modellen placerer dig i den forkerte kategori, citerer en forældet pris, eller udpeger dig som billigalternativet i en sammenligning, du helst vil vinde. Perception Match giver gabet mellem det, du siger om dig selv, og det, modellerne siger, en score. Tiltaget er at rette faktagrundlaget i de kilder, modellen faktisk henter fra – som sjældent er din egen forside – og gøre positioneringen entydig nok til, at den overlever at blive opsummeret i én sætning.

Hvordan ved vi, at arbejdet virker?

Fordi der findes et nulpunkt, og det blev taget, før noget blev ændret. Fase to etablerer det per prompt, per model og per led, og de samme prompts fortsætter med at køre fast bagefter, så udvikling læses ud af en tidsserie frem for ud af et screenshot. Leddene flytter sig i forskelligt tempo: teknisk arbejde og passagearbejde viser sig på uger, entitetsarbejde i kvartaler. Kan en ændring ikke knyttes til et led og en måling, behandler metoden den som utestet, ikke som en sejr.

11FAQ

Ofte stillede spørgsmål om Citation Method

  • Citation Method er CitationLabs metode til AEO- og GEO-optimering. Den modellerer et AI-svar som en kæde af otte led – opdagelse, hentning, udvælgelse, kontekst, generering, citering, påvirkning og handling – måler hvert led for sig, stiller en diagnose på, hvilket led brandet taber i, og retter årsagen i det led i stedet for alle steder på én gang.

12Metoden

Læs videre

Lad dine konkurrenter gætte.
Vi måler kæden.

Otte led, fem faser, og en diagnose, der peger på ét af dem. Tag kontrol over, hvordan AI beskriver og anbefaler dig.

Tal med en AI-søgestrategSe hvordan vi arbejder

Var dette nyttigt?