Så lyckas du med AEO 2026

När jag utvecklade CAVIS-ramverket gjorde jag något ingen annan i den norska AEO-branschen har gjort. Jag analyserade 150 000 äkta AI-samtal för att ta reda på hur och när AI faktiskt citerar varumärken.

Fynden ändrade hur jag tänker AEO. De motbevisade också flera av de råd som dominerar de norska AEO-guiderna just nu. Här är de sju viktigaste.

Fynd 1. Citering sker i samtalstur 2 till 4, inte i första prompten

Den första prompten i ett AI-samtal är nästan alltid generisk ("vad är X", "förklara Y"). Modellen svarar med allmänna definitioner och citerar sällan konkreta varumärken. Det är i turerna 2 till 4, när användaren har gått från utforskande till utvärderande ("vilken är bäst", "rekommendera något specifikt", "jämför A och B"), som citeringarna exploderar.

Konsekvens. Om ditt innehåll är optimerat för "vad är ett kombinationslån" vinner du i AI-svar som ingen klickar sig vidare från. Om det är optimerat för "vilken aktör bör jag välja för kombinationslån" vinner du i AI-svar som faktiskt leder till köp. Flytta fokus från övre tratten mot utvärderings- och köpfasen. Samma mönster går igen i vår analys av kommersiell intention i AI-samtal.

Fynd 2. AI citerar mindre från perfekt SEO-optimerat innehåll än väntat

Sidor som läser som läroboksexempel på answer-first-formatering förbigicks överraskande ofta till förmån för sidor med tätare, mer faktadrivet språk. Hypotesen är att modellerna upptäcker hur hårt en sida är omskriven för SEO, och föredrar det de uppfattar som mer auktoritativ källtext.

Konsekvens. Sluta bygga om allt till formelmässigt SEO-format. Skriv som om du förklarar något för en kollega som kan ämnet. Tät prosa, konkreta fakta, mindre utfyllnad.

Fynd 3. Köpintention visar sig i tre frågetyper

Tre typer av frågor utlöste majoriteten av de kommersiella citeringarna i de samtal jag analyserade:

• Rekommendationsfrågor ("rekommendera mig en X")
• Jämförelsefrågor ("X mot Y, vilken är bäst")
• Erfarenhetsfrågor ("någon som har erfarenhet av X")

Konsekvens. Bygg innehåll som direkt besvarar de tre frågetyperna för dina kategorier. Det är där konverteringarna sker i AI-sök. Generiska "vad är"-artiklar vinner inte kommersiellt.

Fynd 4. Modellerna föredrar äldre etablerade sidor framför nya optimerade

Auktoritetssignaler som ålder, länkprofil och omnämnanden på auktoritetsplattformar slog nästan alltid färskhet. En tre år gammal artikel från en etablerad webbplats vann över en helt färsk artikel som var bättre optimerad.

Konsekvens. Om du börjar från noll måste du investera i auktoritetsbyggande parallellt med innehållsproduktion. Schema och answer-first utan auktoritet är som att bygga tak före väggar. Bli omskriven i etablerade fackmedier i din bransch, bli intervjuad i branschpoddar, och publicera regelbundet på samma plattform över tid.

Fynd 5. Dina konkurrenter nämns tillsammans med dig, inte i stället för dig

I de flesta kommersiella AI-svar nämns tre till fem aktörer samtidigt. Användaren får en jämförelse, inte ett enda svar. Det betyder att "att äga svaret" är fel mental modell. Den rätta modellen är att bli inkluderad i jämförelsen, helst med den bästa vinklingen.

Konsekvens. Co-mention patterns är ett underskattat mätvärde. Om du alltid nämns tillsammans med samma tre konkurrenter säger det något om var marknaden placerar dig. Om du nämns tillsammans med en annan grupp än den du vill tillhöra har AI lärt sig en felaktig kategorisering som du aktivt måste korrigera. CAVIS mäter co-mention patterns löpande.

Fynd 6. Schema är en hygienfaktor, inte en konkurrensfördel

Sidor med korrekt schema-markup gynnades inte framför sidor utan, i de fall där båda fanns i kategorin. Men sidor helt utan schema förbigicks systematiskt. Schema avgör alltså ingenting ensamt, medan avsaknad av schema diskvalificerar dig.

Konsekvens. Implementera schema som en obligatorisk grundinvestering, men förvänta dig inte att det ensamt lyfter dig. Det förhindrar att du sorteras bort. Innehållsstyrka och auktoritet avgör vem som vinner bland de återstående kandidaterna.

Fynd 7. Sentiment betyder mer än antalet citeringar

Ett varumärke med 50 neutrala citeringar presterade sämre kommersiellt än ett med 15 positiva. Två negativa citeringar ("för dyr", "besvikande kundservice") raderade effekten av tio positiva. Sentiment är den multiplikator ingen AEO-guide talar om.

Konsekvens. Mät sentiment, inte bara frekvens. Adressera negativa citeringar aktivt genom kundservice, kommunikation och gärna även produktförändringar. En negativ citering i ChatGPT lever vidare, eftersom modellen lär sig från den.

Vad det här betyder för dig

De flesta AEO-guider säger samma sak. Schema, FAQ, answer-first, auktoritet, mät. Råden stämmer. De stannar bara på ytan. Det som faktiskt avgör om AI citerar dig eller din konkurrent är den underliggande empirin om vad som utlöser citeringar i äkta samtal, och vilka vinklingar de får. Det är också därför bra AEO-arbete måste bygga på data, inte antaganden.

CAVIS-ramverket är CitationLabs försök att göra de här fynden operationaliserbara. Det mäter de fyra dimensioner som faktiskt räknas. Det är Share of Voice, Citation Count, Sentiment och Co-mention Patterns. Och det bygger en löpande feedbackloop för att förbättra dem.

Vill du se hur ditt varumärke presterar på de sju fynden ovan kan du börja med en AI-synlighetsanalys. Och ska du omsätta fynden i konkret arbete följer du tillvägagångssättet i guiden till AEO-optimering.