Derfor anbefaler ikke ChatGPT deg

Det er én setning jeg hører i nesten hvert møte om AI-søk nå: «Vi må bli synlige i ChatGPT.» Så følger et prosjekt som handler om schema-markup, litt FAQ-innhold og en llms.txt-fil. Seks måneder senere er merkevaren fortsatt usynlig, og konklusjonen blir at «det der AEO-greiene funker ikke».

Problemet er ikke tiltakene. Problemet er at «synlighet i AI» blir behandlet som ett problem, når det i praksis er tre problemer som deler navn. De har ulike mekanismer, ulike tidshorisonter og ulik gjennomførbarhet. Blander du dem, kaster du budsjett på feil lag.

Dette er ABC-en jeg har brukt en stund, satt sammen med det vi faktisk vet fra forskningen. Til sammen er det dette jeg kaller AI-synlighetsoptimalisering — AEO-arbeidet og konverteringsarbeidet som én disiplin, ikke to.

A. Å bli en del av minnet

Dette laget handler om hva modellen kan si om deg uten å slå opp noe. Det er den parametriske kunnskapen — det som ligger i vektene etter pretrening, ikke i et søkeresultat.

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.

Assimilasjon er når ny informasjon passer inn i et skjema du allerede har. Du vet hva en bank er, du hører om en ny bank, og den plasseres i skjemaet uten at skjemaet endres. Akkomodasjon er når informasjonen ikke passer, og skjemaet må skrives om. Du møter en aktør som verken er bank, meglerhus eller sammenligningstjeneste — og kategorien din må utvides.

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 finnes ingen skjemaer i vektene, ingen likevektssøking, 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.

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 egentlig ikke fått et godt navn ennå. Det ligger nærmere merkevarebygging og entitetsarbeid enn noe med «optimization» i navnet. Og det er kanskje det ærligste vi kan si om det: det nyeste ved AI-søk er ikke en ny teknikk, men at merkevarebygging plutselig har 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.

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 hentingsstrategi.

C. Å faktisk tjene penger på synligheten

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

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.

Hvorfor?

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.

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.

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.

Derfor er dette et CRO-problem, ikke et innholdsproblem

Se på hva som faktisk skjer med brukeren 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.

Så hvor legger du pengene?

Hvis jeg skal være helt ærlig om prioriteringen, og ikke bare pen:

Start med C. Det er det eneste laget du kontrollerer fullt ut, det virker på dager, og det gjør all annen synlighet mer verdt. Trafikken er allerede der — den er bare liten og dårlig behandlet.

Deretter B. Delspørsmål, passasjestruktur, konkrete påstander, maskinlesbarhet, tredjepartskilder som kan hentes inn. Måneder, ikke dager, men målbart.

A til slutt — og bare hvis du har utholdenhet. Det er merkevarearbeid med en horisont på år. Det er ekte, det er viktig for den som skal eie en kategori, og det er nesten umulig å forsvare i et kvartalsbudsjett.

Den vanligste feilen jeg ser, er at folk gjør det motsatte: bruker et halvt år på å prøve å komme inn i modellens minne, mens de lar trafikken som allerede kommer treffe en landingsside som er tre år gammel og bygget for Google i 2021.

AI-synlighet er ABC. Men det er ikke tilfeldig hvilken rekkefølge du bør ta dem i — og det er ikke A først. Vil du se hvor du står på hvert av de tre lagene, 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.