ABC: vägen till lönsam AI-synlighet

«Vi måste bli synliga i ChatGPT.» Meningen återkommer i nästan varje möte om AI-sök nu, och premissen är riktig. Det som sällan stämmer är inköpslistan som följer: schema, några FAQ-block och en llms.txt-fil. Det är inte fel arbete. Det är hygien på ett av tre led — och det led som tål minst vikt på egen hand.

För «synlighet i AI» är inte ett problem. Det är tre problem som delar namn, med var sin mekanism, var sin klocka och var sin prislapp. Köper du åtgärder på ett led och väntar resultat från ett annat ser det ut som om AI-sök inte går att påverka. Det går. Men du måste veta vilket led du står i.

Det här är ABC-ramverket: de tre leden mellan en AI-modell och en betalande kund.

Och lägg märke till vad C är. Din landningssida påverkar inte om ChatGPT nämner dig. Den påverkar om omnämnandet är värt något. C är alltså inget synlighetsled, och det är just därför det står där. Synlighet är inte målet, det är ett mellanled — och ett mellanled som inte blir till värde är en kostnad du valt frivilligt.

Det är också skälet till att synlighetspoäng ensamma är svaga beslutsunderlag. De mäter B, ibland lite A, och aldrig om något av det blev till omsättning. Tillsammans är det detta jag kallar AI-synlighetsoptimering — AEO-arbetet och överlämningsarbetet som en disciplin, inte två.

En precisering, eftersom vi håller på med kongruens: det här ABC:t är inte samma sak som ABC — Acquisition, Behavior, Conversion — det kommersiella lagret i Citation Method, som vi mäter hela kundresan med. De hänger ihop, men på olika nivåer: lager A och B här lever inne i Acquisition, och lager C är där Behavior och Conversion avgörs.

A. Att bli en del av minnet

Det här lagret handlar om vad modellen kan säga om dig utan att slå upp något. Det är modellens minne — det den har lärt sig om dig under träningen och bär med sig vidare, inte något den hittar i ett sökresultat i stunden. Fackbegreppet är parametrisk kunskap, men minne är det ord som bäst beskriver vad det gör för dig.

Jag har länge använt en bild från kognitiv psykologi för att förklara det här, och jag tycker fortfarande att det är den bästa ingången: Piagets assimilation och ackommodation.

Tänk på ett barn som lär sig vad ett djur är. Först kommer hästen: fyra ben, svans, päls. Sedan kommer kon. Fyra ben, svans, päls — den passar rakt in i mönstret, och mönstret behöver inte ändras. Det är assimilation. Hunden passar också in, även om den är mindre. Så kommer fisken. Inga ben, ingen päls, och ändå ett djur. Nu håller inte mönstret längre, och det måste skrivas om för att ge plats åt den. Det är ackommodation.

Det första är billigt. Det andra är dyrt. Och det är just därför positionering är värd något i AI-svar: att bli assimilerad in i en kategori som redan finns gör dig till «ännu en av dem». Att tvinga fram en ny kategori gör dig till något eget — men det kostar långt fler signaler.

Kongruens är mekanismen

En AI-modell bygger förståelse av dig på samma sätt som mönstret ovan byggs: av många signaler som bekräftar varandra. Lika formulering. Lika fraser. Lika siffror. Lik presentation. Det som är lika tvärs över källor läses som bekräftelse. Det som spretar är svårare att knyta samman — och då krävs fler signaler för att komma till samma plats.

Nyckelordet är kongruens, och det gäller inte bara din webbplats. Det gäller hela sökuniversumet där varumärket, produkterna och bolaget omtalas: egna sidor, tredjepartsomnämnanden, register, kataloger, sociala kanaler, press, forum. Står det 800 000 på ett ställe och «upp till 1 miljon» på ett annat har du inte gett modellen en siffra att bekräfta. Du har gett den två att välja mellan.

Och här är förtydligandet som gör att det här inte blir en uppmaning att kopiera sig själv: likhet handlar om substans, inte om ordval. Vi behöver variation — fler infallsvinklar, fler ingångar, fler format, fler som berättar det med sina egna ord. Det vi inte behöver är spretighet i det som ska bekräftas: kategorin, siffrorna, namnen, avgränsningarna. Olika vägar, samma destination.

Var analogin håller, och var den inte gör det

Jag ska vara ärlig om en sak här, för det är lätt att dra bilden för långt: språkmodeller gör inte Piaget. Det sitter inga scheman inuti modellen, det finns ingen jämviktssträvan och inga utvecklingsfaser. Analogin är pedagogisk, inte mekanisk.

Men den håller på en avgörande punkt, och den punkten är dokumenterad: modellen lär sig dig genom mängd och variation, inte genom påstående. Inte alltid vad källorna säger om dig. Hur många de är.

Två studier gör det konkret. Kandpal och kollegor (ICML 2023) kopplade frågor och svar mot antalet dokument i träningsdatan som nämnde samma entiteter, och fann «starka korrelationella och kausala samband mellan noggrannhet och antal relevanta dokument». Deras slutsats är obekväm läsning om du är en nordisk B2B-aktör med 40 anställda: dagens modeller «måste skalas upp med många storleksordningar för att nå konkurrenskraftig noggrannhet på frågor med litet stöd i träningsdatan». Du är den långa svansen.

Allen-Zhu och Li (ICML 2024) gick ett steg djupare. De tränade modeller på en kontrollerad biografidatabas och mätte när kunskapen faktiskt gick att hämta ut igen. Fyndet: kunskap kan vara «memorerad men inte uttagbar, med 0 % noggrannhet som resultat — oavsett efterföljande instruktionsfinjustering». Det som gör kunskapen tillgänglig är variation: omskrivningar, ändrad meningsordning, översättningar. Samma faktum sagt på många sätt.

Översatt till marknadsföring betyder det att «vi har skrivit en Om oss-sida» är ungefär den svagast möjliga insatsen. Det räcker inte att ha sagt det. Det måste vara sagt om dig, av många, på många sätt. Det du behöver är:

• Volym av omnämnanden från tredje part. Redaktionell bevakning, branschmedier, poddar, föredrag som refereras, forum, LinkedIn-inlägg från andra än dig själv.
• Variation i formuleringen. Om alla källor upprepar din egen boilerplate ordagrant får modellen en formulering, inte tio. Paradoxalt nog är ett lite slarvigt återberättande av ditt budskap mer värt än ett perfekt kopierat pressmeddelande.
• Konsekvent entitet. Samma namn, samma stavning, samma koppling mellan firmanamn, personer, produkt och kategori — i Wikidata, i schema, i alla register.
• Tydlig kategoritillhörighet. Modellen måste kunna placera dig. «Vi hjälper företag att lyckas» placerar dig ingenstans.

Ett förtydligande om AEO och GEO

Här är ett klargörande som är värt att göra, eftersom begreppen används oprecist även av folk som borde veta bättre — mig själv inkluderad, ibland.

GEO — Generative Engine Optimization — är ett akademiskt begrepp med ett konkret ursprung: Aggarwal, Murahari, Rajpurohit, Kalyan, Narasimhan och Deshpande, publicerat på KDD 2024. Men det GEO-ramverket faktiskt mäter är inte minnet i modellen. Det mäter hur synlig en källsida blir i det genererade svaret efter att motorn har hämtat in den. Med andra ord hör GEO, så som det definieras i forskningen, hemma i lager B — inte i lager A.

AEO — Answer Engine Optimization — är ett branschbegrepp utan motsvarande akademisk förankring, och används om allt från utdrag i Google till AI-svar. Det är användbart som paraply, men det är inget precist begrepp. Vi har skrivit mer om skillnaderna i SEO kontra AEO kontra GEO kontra LLMO.

Lager A har också ett namn, och det är entitetsoptimering: arbetet med att göra bolaget, personerna, produkterna och kategorin till en entydig, igenkännbar enhet tvärs över alla källor som omtalar dem. Det är där kongruensen från förra avsnittet hör hemma. Och det är det som gör AI-sök intressant: varumärkesbyggande och entitetsarbete har plötsligt fått en tekniskt mätbar konsekvens.

B. Att bli hämtad när modellen söker

Det här lagret är betydligt mer gripbart. När modellen inte vet tillräckligt söker den. Och sättet den söker på är inte som ditt.

Tekniken kallas query fan-out, och Google beskriver den i sin egen dokumentation: «Både AI Overviews och AI Mode kan använda en «query fan-out»-teknik — att köra flera relaterade sökningar över delämnen och datakällor — för att utveckla ett svar» (Google Search Central). Begreppet kommer från Google, men mekanismen är inte Googles ensam: ChatGPT, Perplexity, Gemini och Copilot gör varianter av samma sak. Ingen av de andra leverantörerna har publicerat sitt eget namn på det, så branschen har anammat Googles term.

Det är värt att notera hur mycket det här ledet har förändrats. Tidigare modeller hallucinerade URL:er: en URL var bara ännu en sannolikhetsberäkning, i nivå med all annan kunskap modellen bar på — «hur ser en produkt-URL på den här webbplatsen mest sannolikt ut?». Så är det inte längre. Dagens modeller liknar långt mer en sökmotor, eftersom det har byggts flera lager runt själva modellen: lager som tolkar och bryter ned din prompt, lager som hämtar och bedömer källor, och lager som kontrollerar modellens eget svar innan du får se det. Det är just därför lager B har blivit en kanal du kan arbeta systematiskt med, och inte ett lotteri.

Vad det betyder i praktiken

Konsekvensen är ganska brutal för sättet de flesta bygger innehåll på: din sida bedöms sällan som en sida. Den bedöms som en samling passager, varav en kanske svarar på en av femton delfrågor. Den långa, välskrivna guiden där svaret ligger i stycke fjorton förlorar mot sidan som svarar på delfrågan i första meningen.

Det är också här GEO-forskningen ger konkreta ledtrådar. Aggarwal och kollegorna testade nio innehållsgrepp mot GEO-Bench, en uppsättning om 10 000 frågor, och rapporterade att rätt grepp kan öka synligheten i genererade svar med upp till 40 %. Det som gav störst utslag var det man kan kalla epistemisk auktoritet: citat från trovärdiga avsändare, statistik och källhänvisningar.

Två saker är värda att notera. Det ena är att nyckelordsstuffning presterade sämre än utgångsläget — i valideringen mot Perplexity låg den 10 % under baslinjen. Klassiska SEO-signaler som nyckelordstäthet flyttar alltså lite eller ingenting i genererade svar.

Det andra är kanske det mest tankeväckande fyndet i hela studien: ren flödesoptimering, alltså att skriva tydligare utan att tillföra ny information, gav 29 % förbättring på det ena synlighetsmåttet. Tydligt språk är ingen dekoration. Det är citeringsstrategi.

Och en sak till, som vänder på ett vanligt antagande: det här är det snabbaste lagret, inte det trögaste. Ändrar du en passage på en sida som redan är indexerad kan den plockas upp inom timmar eller dagar. Det är nya sidor och nya tredjepartskällor som tar veckor. Lager B är därför den kortaste återkopplingsslingan du har i AI-sök — platsen där du snabbast lär dig vad som faktiskt fungerar i din egen vertikal. Det praktiska tillvägagångssättet har vi skrivit ut i Hur du blir citerad av ChatGPT.

C. Överlämningen

Det här är det svåraste ledet. Inte för att mekanismen är komplicerad, utan för att den avslöjar allt du inte har gjort.

Det är också ledet jag länge beskrev fel. Jag kallade det CRO, och det är oprecist. Klassisk konverteringsoptimering handlar om att testa sig fram mot kall trafik i utforskningsläge. Det här är något annat: en tredjepart har gett ett löfte å dina vägnar, till en användare som anländer mitt i tratten med ett konkret påstående i huvudet. Det är ingen optimering av en tratt. Det är en överlämning, och den har två led.

C1. Bli länken som klickas. Att bli citerad är inte att bli vald. Det står gärna tre eller fyra länkar i svaret, och vilken som klickas avgörs av hur modellen omtalar dig i meningen runt citeringen.

C2. Infria löftet modellen gav. Användaren kommer med ett löfte formulerat av modellen, inte av dig. Det måste bekräftas inom sekunder, annars uppfattas det som ett brott.

Utgångspunkten är ett mönster vi ser om och om igen i samtalsdata. I vår analys av 150 000 äkta AI-samtal har bara 6,8 % kommersiell intention över huvud taget. Men bland dem som har det är mönstret tydligt: det kommersiella intresset är högst i första meddelandet, och faller därefter. Genomsnittlig intensitet är 48,1 i meddelande ett, 33,7 i meddelande två, och planar sedan ut runt 26–31 resten av samtalet.

Resten av siffrorna pekar åt samma håll. 41 % av användarna öppnar samtalet redan nere i tratten — de vet vad de vill ha före första meddelandet. Bara 4,4 % följer den klassiska resan från problem till produkt. Kommersiella samtal är korta: 2,92 meddelanden i snitt, och 48 % består av ett enda meddelande.

Och så det mest talande fyndet: när användaren frågar om pris följer ett fall i kommersiell intensitet 31 % av gångerna. I över 90 % av dessa fall faller användaren tillbaka till problemfasen. Prisfrågan är en köpsignal, och svaret klarar inte att sluta beslutsgapet.

C1. Bli länken som klickas

Varför faller den kommersiella intensiteten?

För att svaret hen får ofta är vagt. «Det finns flera aktörer som kan hjälpa dig med det här, och vilken som passar bäst beror på din situation.» Det är inget svar. Det är ett artigt sätt att inte svara.

Modellen är vag om dig för att du är vag om dig själv. Den är en spegel, inte en domare. Det är inget påstående jag hittat på för retorikens skull — det är den direkta konsekvensen av mekanismerna i lager A och B. Allen-Zhu och Li visade att kunskap som bara finns i en enda formulering blir omöjlig att hämta ut. GEO-studien visade att otydligt språk förlorar mot tydligt språk, utan att innehållet ändras. Lägger du ihop de två: om din produktbeskrivning säger «flexibla lösningar anpassade efter dina behov» har modellen ingenting att hämta ut. Det är inget påstående den kan återge. Det är brus.

C1 har sin egen klocka, och den är inte densamma som C2:s. Skriver du om produktbeskrivningen i dag måste modellen hämta in den nya texten innan den kan omtala dig annorlunda. Det är samma mekanik som i lager B: timmar till dagar på en sida som redan är indexerad, veckor på något nytt.

Trafiken som kommer är inte som annan trafik

Här har något hänt under det senaste året som förtjänar uppmärksamhet, för det vänder en tidig slutsats upp och ned. I mars 2025 konverterade AI-driven trafik till amerikanska e-handelssidor 38 % sämre än andra kanaler, enligt Adobe Analytics. Branschslutsatsen var enkel: AI skickar nyfikna, inte köpare. Tolv månader senare, i mars 2026, konverterade samma trafik 42 % bättre.

C2. Löftet måste infrias innan användaren hinner tvivla

Adobe satte siffror på hur utbrett problemet är. I deras analys av amerikanska e-handelssidor var ungefär 34 % av innehållet på förstasidorna inte läsbart för AI-modeller alls, och produktsidorna låg på runt 66 % synlighet. Det är ingen strategiutmaning. Det är ett byggfel.

Och det är inget nytt med själva arbetet, vilket är hela poängen. AEO, GEO och AI-sök ersätter varken konverteringsoptimering, gott gammaldags SEO-arbete eller analys. De gör tvärtom: de gör den röda tråden genom alltihop tydligare, eftersom samma formuleringar nu måste fungera på tre ställen samtidigt — i modellens minne, i hämtningen och på sidan användaren landar på. Se på vad som faktiskt händer med den som klickar sig in från ett AI-svar:

• Hen har redan fått en rekommendation. Beslutet är delvis fattat.
• Hen kommer med ett konkret löfte i huvudet — formulerat av modellen, inte av dig.
• Hen landar sällan på förstasidan. Över hälften av AI-hänvisade sessioner i Shopifys data börjar direkt på en produktsida, mot 20 % för organisk sökning.
• Hen har hoppat över utforskningsfasen. Ingen kategorisurfning, ingen jämförelse.

Din landningssida är oftast byggd för motsatsen: en användare i utforskningsläge som måste värmas upp. Då får du en sida som startar tratten på nytt för någon som redan är i botten av den. Det är det dyraste misstaget du kan göra med den mest värdefulla trafiken du har. Det du måste göra på sidan är inget mysterium:

• Bekräfta löftet omedelbart. Sa modellen «upp till 800 000 kronor» ska den siffran synas utan att man scrollar. Bekräftas inte löftet uppfattas det som ett brott — inte som en nyans.
• Börja inte om. Ingen lång varumärkesintro. Användaren vet redan vem du är; modellen har berättat det.
• Var konkret där modellen var vag. Ditt värde ligger i precis det AI-svaret inte kunde leverera: exakta villkor, siffror, avgränsningar, «det här passar inte om».
• Svara på prisfrågan innan den ställs. Prisfrågan är där samtalet svalnar. Ett scenariobaserat pris slår «kontakta oss för pris» varje gång.
• Se till att sidan är maskinläsbar. Adobes 34 %-siffra handlar till stor del om innehåll dolt bakom JavaScript, i bilder eller i strukturer modellen inte kommer åt.
• Mät kanalen separat. Ligger AI-trafiken i «direkt» har du ingen affärscase — oavsett hur bra den presterar.

Informationssidorna måste vändas

Den klassiska uppdelningen mellan informationsinnehåll och kommersiellt innehåll var byggd för en tratt med flera steg. Användaren läste en guide, kom tillbaka senare, jämförde, och konverterade kanske i tredje eller fjärde sessionen.

Den tratten finns inte längre för AI-hänvisad trafik. Användaren har redan haft utforskningssamtalet med modellen, och kommersiella samtal är korta. Nästan hälften består av ett enda meddelande. Det finns inget meddelande nummer två att konvertera i.

Konsekvensen är att informationssidor inte längre kan nöja sig med att informera. De måste ta användaren från informationssökning till kommersiellt intresse på samma sida, i samma session. Inte genom att bli säljsidor, utan genom att svara färdigt och sedan göra nästa steg självklart och friktionsfritt.

Det gör landningssidesoptimering viktigare än det varit på tio år, och det är ett av skälen till att C står först i ordningen.

Så var lägger du pengarna?

Om jag ska vara helt ärlig om prioriteringen, och inte bara snäll: ordningen handlar inte om hastighet. Det trodde jag ett tag, och det var fel. B är inte trögare än C — ofta är det tvärtom. Ordningen handlar om var pengarna faktiskt läcker ut.

Börja med C. Inte för att det är snabbast, utan för att B och A utan C är läckage. Antingen är du citerad utan att någon klickar, eller så klickar de och sidan sviker löftet modellen gav. I båda fallen har du betalat för synlighet du inte gör något av. C är också det enda ledet du kontrollerar fullt ut: utan mellanled, utan crawlers och utan träningskörningar.

Kör B parallellt. Det kräver inte att C är färdigt, och den korta återkopplingsslingan gör det till platsen där du lär dig snabbast vad som fungerar i din egen vertikal.

A sist, och med öppna ögon. Inte för att det tar år — det gör det inte längre — utan för att du inte kan skriva till det. Du måste tåla att det tar kvartal innan volymen passerar tröskeln.

Det vanligaste misstaget jag ser är inte att folk lägger för lång tid på A. Det är att de lägger tiden på A i tron att B och C är för tröga för att vara värda det, medan sanningen är att båda två hade gett utslag före nästa styrelsemöte.

Vägen till lönsam AI-synlighet är ABC. Men ordningen är inte slumpartad, och den är inte A först. Vill du se var du står på vart och ett av de tre leden, och hur mycket av dinAI-synlighet som faktiskt blir till pengar, är det precis det en AI-synlighetsanalys mäter.

Källor

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). Hur kommersiell intention utvecklas i AI-samtal — analys av 150 000 AI-samtal.
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 och ackommodation — använt här som pedagogisk analogi, inte som mekanisk beskrivning av språkmodeller.