ABC: veien til lønnsom AI-synlighet

«Vi må bli synlige i ChatGPT.» Setningen går igjen i nesten hvert møte om AI-søk nå, og premisset er riktig. Det som sjelden stemmer, er handlelista som følger etter: schema, noen FAQ-blokker og en llms.txt-fil. Det er ikke feil arbeid. Det er hygiene på ett av tre ledd — og det leddet som tåler minst vekt alene.

For «synlighet i AI» er ikke ett problem. Det er tre problemer som deler navn, med hver sin mekanisme, hver sin klokke og hver sin prislapp. Kjøper du tiltak på ett ledd og venter resultater fra et annet, ser det ut som om AI-søk ikke lar seg påvirke. Det gjør det. Men du må vite hvilket ledd du står i.

Dette er ABC-rammeverket: de tre leddene mellom en AI-modell og en betalende kunde.

Og legg merke til hva C er. Landingssiden din påvirker ikke om ChatGPT nevner deg. Den påvirker om nevningen er verdt noe. C er altså ikke et synlighetsledd, og det er nettopp derfor det står der. Synlighet er ikke målet, det er et mellomledd — og et mellomledd som ikke blir til verdi, er en kostnad du har valgt frivillig.

Det er også grunnen til at synlighetsscorer alene er svake beslutningsgrunnlag. De måler B, av og til litt A, og aldri om noe av det ble til omsetning. Til sammen er dette jeg kaller AI-synlighetsoptimalisering — AEO-arbeidet og overleveringsarbeidet som én disiplin, ikke to.

En presisering, siden vi holder på med kongruens: dette ABC-et er ikke det samme som ABC — Acquisition, Behavior, Conversion — det kommersielle laget i Citation Method, som vi måler hele kundereisen med. De henger sammen, men på ulike nivåer: lag A og B her lever inne i Acquisition, og lag C er der Behavior og Conversion avgjøres.

A. Å bli en del av minnet

Dette laget handler om hva modellen kan si om deg uten å slå opp noe. Det er modellens minne — det den har lært om deg under trening og bærer med seg videre, ikke noe den finner i et søkeresultat der og da. Fagbegrepet er parametrisk kunnskap, men minne er det ordet som beskriver best hva det gjør for deg.

Jeg har lenge brukt et bilde fra kognitiv psykologi for å forklare dette, og jeg mener fortsatt det er den beste inngangen: Piagets assimilasjon og akkomodasjon.

Tenk på et barn som lærer hva et dyr er. Først kommer hesten: fire bein, hale, pels. Så kommer kua. Fire bein, hale, pels — den passer rett inn i mønsteret, og mønsteret trenger ikke endres. Det er assimilasjon. Hunden passer også inn, selv om den er mindre. Så kommer fisken. Ingen bein, ingen pels, og likevel et dyr. Nå holder ikke mønsteret lenger, og det må skrives om for å få plass til den. Det er akkomodasjon.

Det første er billig. Det andre er dyrt. Og det er nettopp derfor posisjonering er verdt noe i AI-svar: å bli assimilert inn i en kategori som allerede finnes, gjør deg til «enda en av dem». Å tvinge fram en ny kategori gjør deg til noe eget — men det koster langt flere signaler.

Kongruens er mekanismen

En AI-modell bygger forståelse av deg på samme måte som mønsteret over bygges: av mange signaler som bekrefter hverandre. Lik formulering. Like fraser. Like tall. Lik presentasjon. Det som er likt på tvers av kilder, leses som bekreftelse. Det som spriker, er vanskeligere å knytte sammen — og da trengs det flere signaler for å komme til samme sted.

Stikkordet er kongruens, og det gjelder ikke bare nettstedet ditt. Det gjelder hele søkeuniverset der merkevaren, produktene og selskapet blir omtalt: egne sider, tredjepartsomtale, registre, kataloger, sosiale kanaler, presse, fora. Står det 800 000 ett sted og «inntil 1 million» et annet, har du ikke gitt modellen ett tall å bekrefte. Du har gitt den to den må velge mellom.

Og her er presiseringen som gjør at dette ikke blir en oppfordring til å kopiere seg selv: likhet handler om substans, ikke om ordlyd. Vi trenger variasjon — flere innfallsvinkler, flere innganger, flere formater, flere som forteller det med sine egne ord. Det vi ikke trenger, er sprik i det som skal bekreftes: kategorien, tallene, navnene, avgrensningene. Ulike veier, samme destinasjon.

Hvor analogien holder, og hvor den ikke gjør det

Jeg skal være ærlig om noe her, for det er lett å strekke bildet for langt: språkmodeller gjør ikke Piaget. Det sitter ingen skjemaer inne i modellen, det finnes ingen likevektssøking og ingen utviklingsfaser. Analogien er pedagogisk, ikke mekanisk.

Men den holder på ett avgjørende punkt, og det punktet er dokumentert: modellen lærer deg gjennom mengde og variasjon, ikke gjennom påstand. Ikke alltid hva kildene sier om deg. Hvor mange de er.

To studier gjør det konkret. Kandpal og kolleger (ICML 2023) koblet spørsmål og svar mot antall dokumenter i treningsdataene som omtalte de samme entitetene, og fant «sterke korrelasjonelle og kausale sammenhenger mellom nøyaktighet og antall relevante dokumenter». Konklusjonen deres er ubehagelig lesning hvis du er en norsk B2B-aktør med 40 ansatte: dagens modeller «må skaleres opp med mange størrelsesordener for å oppnå konkurransedyktig nøyaktighet på spørsmål med lite støtte i treningsdataene». Du er den lange halen.

Allen-Zhu og Li (ICML 2024) gikk et hakk dypere. De trente modeller på en kontrollert biografidatabase og målte når kunnskapen faktisk lot seg hente ut igjen. Funnet: kunnskap kan være «memorert, men ikke uttrekkbar, med 0 % nøyaktighet som resultat — uansett etterfølgende instruksjonsfinjustering». Det som gjør kunnskapen tilgjengelig, er variasjon: omskrivinger, endret setningsrekkefølge, oversettelser. Samme faktum sagt på mange måter.

Oversatt til markedsføring betyr det at «vi har skrevet en Om oss-side» er omtrent den svakest mulige intervensjonen. Det er ikke nok å ha sagt det. Det må være sagt om deg, av mange, på mange måter. Det du trenger, er:

• Volum av omtale fra tredjeparter. Redaksjonell dekning, bransjemedier, podkaster, foredrag som refereres, fora, LinkedIn-innlegg fra andre enn deg selv.
• Variasjon i formuleringen. Hvis alle kildene gjentar din egen boilerplate ordrett, får modellen én formulering, ikke ti. Paradoksalt nok er en litt slurvete gjenfortelling av budskapet ditt mer verdt enn en perfekt kopiert pressemelding.
• Konsistent entitet. Samme navn, samme skrivemåte, samme kobling mellom firmanavn, personer, produkt og kategori — i Wikidata, i schema, i alle registre.
• Tydelig kategoritilhørighet. Modellen må kunne plassere deg. «Vi hjelper bedrifter å lykkes» plasserer deg ingen steder.

En presisering om AEO og GEO

Her er en oppklaring det er verdt å ta, fordi begrepene brukes upresist også av folk som burde vite bedre — meg selv inkludert, tidvis.

GEO — Generative Engine Optimization — er et akademisk begrep med en konkret opprinnelse: Aggarwal, Murahari, Rajpurohit, Kalyan, Narasimhan og Deshpande, publisert på KDD 2024. Men det GEO-rammeverket faktisk måler, er ikke minnet i modellen. Det måler hvor synlig en kildeside blir i det genererte svaret etter at motoren har hentet den inn. Med andre ord hører GEO, slik det er definert i forskningen, hjemme i lag B — ikke i lag A.

AEO — Answer Engine Optimization — er et bransjebegrep uten tilsvarende akademisk forankring, og brukes om alt fra utdrag i Google til AI-svar. Det er nyttig som paraply, men det er ikke et presist begrep. Vi har skrevet mer om skillene i SEO vs. AEO vs. GEO vs. LLMO.

Lag A har også et navn, og det er entitetsoptimalisering: arbeidet med å gjøre selskapet, personene, produktene og kategorien til én entydig, gjenkjennelig enhet på tvers av alle kilder som omtaler dem. Det er der kongruensen fra forrige avsnitt hører hjemme. Og det er det som gjør AI-søk interessant: merkevarebygging og entitetsarbeid har plutselig fått en teknisk målbar konsekvens.

B. Å bli hentet inn når modellen søker

Dette laget er langt mer håndgripelig. Når modellen ikke vet nok, søker den. Og måten den søker på, er ikke slik du søker.

Teknikken kalles query fan-out, og Google beskriver den i sin egen dokumentasjon: «Både AI Overviews og AI Mode kan bruke en «query fan-out»-teknikk — å kjøre flere relaterte søk på tvers av deltemaer og datakilder — for å utvikle et svar» (Google Search Central). Begrepet kommer fra Google, men mekanismen er ikke Googles alene: ChatGPT, Perplexity, Gemini og Copilot gjør varianter av det samme. Ingen av de andre leverandørene har publisert sitt eget navn på det, så bransjen har adoptert Googles term.

Det er verdt å merke seg hvor mye dette leddet har endret seg. Tidligere modeller hallusinerte URL-er: en URL var bare enda en sannsynlighetsberegning, på linje med all annen kunnskap modellen satt med — «hvordan ser mest sannsynlig en produkt-URL på dette nettstedet ut?». Slik er det ikke lenger. Dagens modeller ligner langt mer på en søkemotor, fordi det er bygget flere lag rundt selve modellen: lag som tolker og bryter opp prompten din, lag som henter og vurderer kilder, og lag som kontrollerer modellens eget svar før du får se det. Det er nettopp derfor lag B har blitt en kanal du kan jobbe systematisk med, og ikke et lotteri.

Hva det betyr i praksis

Konsekvensen er ganske brutal for måten de fleste bygger innhold på: siden din blir sjelden vurdert som en side. Den blir vurdert som en samling passasjer, hvorav én kanskje svarer på ett av femten delspørsmål. Den lange, velskrevne guiden der svaret ligger i avsnitt fjorten, taper mot siden som svarer på delspørsmålet i første setning.

Det er også her GEO-forskningen gir konkrete pekepinner. Aggarwal og kollegene testet ni innholdsgrep mot GEO-Bench, et sett på 10 000 spørringer, og rapporterte at riktig grep kan øke synligheten i genererte svar med opptil 40 %. Det som ga størst utslag, var det man kan kalle epistemisk autoritet: sitater fra troverdige avsendere, statistikk og kildehenvisninger.

To ting er verdt å merke seg. Det ene er at nøkkelordstuffing presterte dårligere enn utgangspunktet — i valideringen mot Perplexity lå den 10 % under baseline. Klassiske SEO-signaler som nøkkelordtetthet flytter altså lite eller ingenting i genererte svar.

Det andre er kanskje det mest tankevekkende funnet i hele studien: ren flyt-optimalisering, altså å skrive tydeligere uten å tilføre ny informasjon, ga 29 % forbedring på det ene synlighetsmålet. Klart språk er ikke pynt. Det er siteringsstrategi.

Og en ting til, som snur en vanlig antakelse: dette er det raskeste laget, ikke det tregeste. Endrer du en passasje på en side som allerede er indeksert, kan den plukkes opp i løpet av timer eller dager. Det er nye sider og nye tredjepartskilder som tar uker. Lag B er derfor den korteste tilbakemeldingssløyfen du har i AI-søk — stedet du raskest lærer hva som faktisk virker i din egen vertikal. Den praktiske framgangsmåten har vi skrevet ut i Hvordan bli sitert av ChatGPT.

C. Overleveringen

Dette er det vanskeligste leddet. Ikke fordi mekanismen er komplisert, men fordi den avslører alt du ikke har gjort.

Det er også leddet jeg lenge beskrev feil. Jeg kalte det CRO, og det er upresist. Klassisk konverteringsoptimalisering handler om å teste seg fram mot kald trafikk i utforskningsmodus. Dette er noe annet: en tredjepart har gitt et løfte på dine vegne, til en bruker som ankommer midt i trakten med en konkret påstand i hodet. Det er ikke optimalisering av en trakt. Det er en overlevering, og den har to ledd.

C1. Bli den lenken som klikkes. Å bli sitert er ikke å bli valgt. Det står gjerne tre eller fire lenker i svaret, og hvilken som klikkes avgjøres av hvordan modellen omtaler deg i setningen rundt siteringen.

C2. Innfri løftet modellen ga. Brukeren kommer med et løfte formulert av modellen, ikke av deg. Det må bekreftes innen sekunder, ellers oppfattes det som et brudd.

Utgangspunktet er et mønster vi ser igjen og igjen i samtaledata. I analysen vår av 150 000 ekte AI-samtaler har bare 6,8 % kommersiell intensjon i det hele tatt. Men blant dem som har det, er mønsteret tydelig: den kommersielle interessen er høyest i første melding, og faller deretter. Gjennomsnittlig intensitet er 48,1 i melding én, 33,7 i melding to, og flater så ut rundt 26–31 resten av samtalen.

Resten av tallene peker samme vei. 41 % av brukerne åpner samtalen allerede nede i trakten — de vet hva de vil ha før første melding. Bare 4,4 % følger den klassiske reisen fra problem til produkt. Kommersielle samtaler er korte: 2,92 meldinger i snitt, og 48 % består av én eneste melding.

Og så det mest talende funnet: når brukeren spør om pris, følger et fall i kommersiell intensitet 31 % av gangene. I over 90 % av disse tilfellene faller brukeren tilbake til problemfasen. Prisspørsmålet er et kjøpssignal, og svaret klarer ikke å lukke beslutningsgapet.

C1. Bli den lenken som klikkes

Hvorfor faller den kommersielle intensiteten?

Fordi svaret hen får, ofte er vagt. «Det finnes flere aktører som kan hjelpe deg med dette, og hvilken som passer best avhenger av din situasjon.» Det er ikke et svar. Det er en høflig måte å ikke svare på.

Modellen er vag om deg fordi du er vag om deg selv. Den er et speil, ikke en dommer. Det er ikke en påstand jeg har funnet på for retorikkens skyld — det er den direkte konsekvensen av mekanismene i lag A og B. Allen-Zhu og Li viste at kunnskap som bare finnes i én formulering, blir uuttrekkbar. GEO-studien viste at uklart språk taper mot klart språk, uten at innholdet endres. Legger du de to sammen: hvis produktbeskrivelsen din sier «fleksible løsninger tilpasset dine behov», har modellen ingenting å hente ut. Det er ikke en påstand den kan gjengi. Det er støy.

C1 har sin egen klokke, og den er ikke den samme som C2 sin. Skriver du om produktbeskrivelsen i dag, må modellen hente inn den nye teksten før den kan omtale deg annerledes. Det er samme mekanikk som i lag B: timer til dager på en side som allerede er indeksert, uker på noe nytt.

Trafikken som kommer, er ikke som annen trafikk

Her har det skjedd noe i løpet av det siste året som fortjener oppmerksomhet, fordi det snur en tidlig konklusjon på hodet. I mars 2025 konverterte AI-drevet trafikk til amerikanske netthandelssider 38 % dårligere enn andre kanaler, ifølge Adobe Analytics. Bransjekonklusjonen var grei: AI sender nysgjerrige, ikke kjøpere. Tolv måneder senere, i mars 2026, konverterte den samme trafikken 42 % bedre.

C2. Løftet må innfris før brukeren rekker å tvile

Adobe satte tall på hvor utbredt problemet er. I deres analyse av amerikanske netthandelssider var omtrent 34 % av innholdet på forsidene ikke lesbart for AI-modeller i det hele tatt, og produktsidene lå på rundt 66 % synlighet. Det er ikke en strategiutfordring. Det er en byggefeil.

Og det er ikke noe nytt ved selve arbeidet, som er hele poenget. AEO, GEO og AI-søk erstatter verken konverteringsoptimalisering, godt gammeldags SEO-arbeid eller analyse. De gjør det motsatte: de gjør den røde tråden gjennom alt sammen tydeligere, fordi de samme formuleringene nå må fungere tre steder samtidig — i modellens minne, i hentingen og på siden brukeren lander på. Se på hva som faktisk skjer med den som klikker seg inn fra et AI-svar:

• Hen har allerede fått en anbefaling. Beslutningen er delvis tatt.
• Hen kommer med et konkret løfte i hodet — formulert av modellen, ikke av deg.
• Hen lander sjelden på forsiden. Over halvparten av AI-henviste økter i Shopifys data starter direkte på en produktside, mot 20 % for organisk søk.
• Hen har hoppet over utforskningsfasen. Ingen kategorisurfing, ingen sammenligning.

Landingssiden din er som regel bygget for det motsatte: en bruker i utforskningsmodus som må varmes opp. Da får du en side som starter trakten på nytt for noen som allerede er i bunnen av den. Det er den dyreste feilen du kan gjøre med den mest verdifulle trafikken du har. Det du må gjøre på siden, er ikke mystisk:

• Bekreft løftet umiddelbart. Sa modellen «inntil 800 000 kroner», skal det tallet være synlig uten scrolling. Blir løftet ikke bekreftet, oppfattes det som et brudd — ikke som en nyanse.
• Ikke start på nytt. Ingen lang merkevareintro. Brukeren vet allerede hvem du er; modellen har fortalt det.
• Vær konkret der modellen var vag. Verdien din ligger i akkurat det AI-svaret ikke kunne levere: eksakte vilkår, tall, avgrensninger, «dette passer ikke hvis».
• Svar på prisspørsmålet før det stilles. Prisspørsmålet er der samtalen kjølner. En scenariobasert pris slår «kontakt oss for pris» hver gang.
• Sørg for at siden er maskinlesbar. Adobes 34 %-tall handler i stor grad om innhold skjult bak JavaScript, i bilder eller i strukturer modellen ikke får tak i.
• Mål kanalen separat. Ligger AI-trafikken i «direkte», har du ingen forretningscase — uansett hvor godt den presterer.

Informasjonssidene må snus

Det klassiske skillet mellom informasjonsinnhold og kommersielt innhold var bygget for en trakt med flere steg. Brukeren leste en guide, kom tilbake senere, sammenlignet, og konverterte kanskje i tredje eller fjerde økt.

Den trakten finnes ikke lenger for AI-henvist trafikk. Brukeren har allerede hatt utforskningssamtalen med modellen, og kommersielle samtaler er korte. Nesten halvparten består av én eneste melding. Det finnes ingen melding nummer to å konvertere i.

Konsekvensen er at informasjonssider ikke lenger kan nøye seg med å informere. De må ta brukeren fra informasjonssøk til kommersiell interesse på samme side, i samme økt. Ikke ved å bli salgssider, men ved å svare ferdig og deretter gjøre neste steg åpenbart og friksjonsfritt.

Det gjør landingssideoptimalisering viktigere enn det har vært på ti år, og det er en av grunnene til at C står først i rekkefølgen.

Så hvor legger du pengene?

Hvis jeg skal være helt ærlig om prioriteringen, og ikke bare pen: rekkefølgen handler ikke om hastighet. Det trodde jeg en stund, og det var feil. B er ikke tregere enn C — ofte er det motsatt. Rekkefølgen handler om hvor pengene faktisk lekker ut.

Start med C. Ikke fordi det er raskest, men fordi B og A uten C er lekkasje. Enten er du sitert uten at noen klikker, eller så klikker de og siden svikter løftet modellen ga. I begge tilfeller har du betalt for synlighet du ikke gjør noe ut av. C er også det eneste leddet du kontrollerer fullt ut: uten mellomledd, uten crawlere og uten treningskjøringer.

Kjør B parallelt. Det krever ikke at C er ferdig, og den korte tilbakemeldingssløyfen gjør det til stedet du lærer raskest hva som virker i din egen vertikal.

A sist, og med åpne øyne. Ikke fordi det tar år — det gjør det ikke lenger — men fordi du ikke kan skrive til det. Du må tåle at det tar kvartaler før volumet passerer terskelen.

Den vanligste feilen jeg ser, er ikke at folk bruker for lang tid på A. Det er at de bruker tiden på A i den tro at B og C er for trege til å være verdt det, mens sannheten er at begge to hadde gitt utslag før neste styremøte.

Veien til lønnsom AI-synlighet er ABC. Men rekkefølgen er ikke tilfeldig, og den er ikke A først. Vil du se hvor du står på hvert av de tre leddene, og hvor mye av AI-synligheten din som faktisk blir til penger, er det akkurat det en AI-synlighetsanalyse måler.

Kilder

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). Hvordan kommersiell intensjon utvikler seg i AI-samtaler — analyse av 150 000 AI-samtaler.
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. Assimilasjon og akkomodasjon — brukt her som pedagogisk analogi, ikke som mekanisk beskrivelse av språkmodeller.