Därför rekommenderar ChatGPT inte dig

Det är en mening jag hör i nästan varje möte om AI-sök nu: «Vi måste bli synliga i ChatGPT.» Sedan följer ett projekt som handlar om schema-markup, lite FAQ-innehåll och en llms.txt-fil. Sex månader senare är varumärket fortfarande osynligt, och slutsatsen blir att «det där AEO-grejerna funkar inte».

Problemet är inte åtgärderna. Problemet är att «synlighet i AI» behandlas som ett problem, när det i praktiken är tre problem som delar namn. De har olika mekanismer, olika tidshorisonter och olika genomförbarhet. Blandar du ihop dem kastar du budget på fel lager.

Det här är ABC:n jag har använt ett tag, satt samman med det vi faktiskt vet från forskningen. Tillsammans är det detta jag kallar AI-synlighetsoptimering — AEO-arbetet och konverteringsarbetet som en disciplin, inte två.

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 den parametriska kunskapen — det som ligger i vikterna efter förträning, inte i ett sökresultat.

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.

Assimilation är när ny information passar in i ett schema du redan har. Du vet vad en bank är, du hör talas om en ny bank, och den placeras i schemat utan att schemat förändras. Ackommodation är när informationen inte passar, och schemat måste skrivas om. Du möter en aktör som varken är bank, mäklarhus eller jämförelsetjänst — och din kategori måste utvidgas.

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 finns inga scheman i vikterna, ingen jämviktssträvan, 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.

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 egentligen inte fått något bra namn ännu. Det ligger närmare varumärkesbyggande och entitetsarbete än något med «optimization» i namnet. Och det är kanske det ärligaste vi kan säga om det: det nyaste med AI-sök är ingen ny teknik, utan att varumärkesbyggande plötsligt har 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.

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 hämtningsstrategi.

C. Att faktiskt tjäna pengar på synligheten

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

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.

Varför?

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.

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.

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.

Därför är det här ett CRO-problem, inte ett innehållsproblem

Se på vad som faktiskt händer med användaren 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.

Så var lägger du pengarna?

Om jag ska vara helt ärlig om prioriteringen, och inte bara snäll:

Börja med C. Det är det enda lagret du kontrollerar fullt ut, det verkar på dagar, och det gör all annan synlighet mer värd. Trafiken är redan där — den är bara liten och illa omhändertagen.

Därefter B. Delfrågor, passagestruktur, konkreta påståenden, maskinläsbarhet, tredjepartskällor som kan hämtas in. Månader, inte dagar, men mätbart.

A sist — och bara om du har uthållighet. Det är varumärkesarbete med en horisont på år. Det är äkta, det är viktigt för den som ska äga en kategori, och det är nästan omöjligt att försvara i en kvartalsbudget.

Det vanligaste misstaget jag ser är att folk gör tvärtom: lägger ett halvår på att försöka komma in i modellens minne, medan de låter trafiken som redan kommer träffa en landningssida som är tre år gammal och byggd för Google 2021.

AI-synlighet är ABC. Men det är inte slumpartat i vilken ordning du bör ta dem — och det är inte A först. Vill du se var du står på vart och ett av de tre lagren 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.