Citation Method
CitationLabs metode for AI-synlighet. Et AI-svar settes sammen gjennom åtte ledd, og en merkevare kan falle ut i hvert enkelt av dem. Metoden måler leddene hver for seg, slik at diagnosen kan navngi det som stopper deg.
Kort fortalt
Citation Method er CitationLabs metode for AEO- og GEO-optimalisering. Den bygger på hvordan språkmodeller faktisk lager svar: et svar settes sammen gjennom åtte ledd – oppdagelse, henting, utvelgelse, kontekst, generering, sitering, påvirkning og handling – og en merkevare kan tape i hvert enkelt av dem. Metoden måler leddene hver for seg i stedet for å slå dem sammen til én score, og driftes gjennom fem faser: kartlegging, måling, diagnose, tiltak og oppfølging. Poenget er å kunne si hvilket ledd du taper i, hvorfor, og hva som må endres – i stedet for å gjette på «mer innhold» eller «flere lenker».
Sist oppdatert
Merkevarer vi jobber med






De åtte leddene
Slik blir et AI-svar til, ledd for ledd. Kjeden leses fra venstre: du må overleve ledd én for å komme til ledd to. De fleste merkevarer som «ikke er synlige i ChatGPT» taper i ledd to eller tre – og gjør tiltak som hører hjemme i ledd fem.
Oppdagelse
Spørsmålet: Blir det søkt i det hele tatt – og finnes du der det søkes?
- Hva som avgjør det
- Systemet avgjør først om spørsmålet skal besvares fra modellens eget minne eller ved å hente dokumenter. Svarer den fra minnet, avgjøres synligheten din av hva modellen allerede har lært om deg, ikke av hva du publiserte i går.
- Slik taper man
- Merkevaren finnes ikke i modellens minne, og spørsmålet utløser ikke søk. Du er usynlig uten at noe er galt med nettstedet ditt.
- Slik måler vi det
- Andel svar som utløser søk kontra svar fra minnet, per modell og per prompt. Perception Match viser hva modellen mener om deg uten kilder i det hele tatt.
- Slik retter vi det
- Bygge entiteten: konsistent navn, kategori og fakta på tvers av eget nettsted, oppslagsverk, bransjekilder og omtale. Dette er tregt arbeid, og det måles i kvartaler.
Henting
Spørsmålet: Er du blant dokumentene som faktisk hentes inn?
- Hva som avgjør det
- Spørsmålet brytes opp i flere delsøk, og hvert delsøk drar inn et lite antall dokumenter. Kandidatlisten er kort, og den settes av indeksen søket går mot – ikke av hvor pen siden din er.
- Slik taper man
- Innholdet krever JavaScript for å vises, ligger bak en samtykkevegg, er blokkert for AI-crawlere, eller finnes ikke på språket spørsmålet stilles på.
- Slik måler vi det
- Crawlbarhet for AI-agenter, indeksdekning, robots- og render-sjekk i nettstedsauditen, og hvilke av URL-ene dine som faktisk dukker opp som kilder i den daglige målingen.
- Slik retter vi det
- Teknisk grunnarbeid: server-rendret innhold, åpne AI-crawlere, rene URL-er, sitemap, språkversjoner og et nettsted som kan leses uten å kjøre kode.
Utvelgelse
Spørsmålet: Overlever du omrangeringen av de hentede dokumentene?
- Hva som avgjør det
- De hentede dokumentene vurderes på nytt, denne gangen tett opp mot selve spørsmålet. Her faller de fleste ut: hentet, men ikke brukt.
- Slik taper man
- Siden handler om temaet, men svarer ikke på spørsmålet. Den er skrevet for en søkefrase, ikke for måten et menneske formulerer seg mot en AI.
- Slik måler vi det
- «Hentet, men ikke sitert» per prompt – vi ser hvilke av URL-ene dine som er med i kildesettet uten å nå fram til svaret.
- Slik retter vi det
- Skrive mot spørsmålet i stedet for mot søkeordet: spørsmålet i overskriften, svaret først, og innhold som dekker hele spørsmålet i stedet for halve.
Kontekst
Spørsmålet: Får teksten din plass i det modellen faktisk leser?
- Hva som avgjør det
- Bare de best rangerte passasjene får plass i kontekstvinduet. Det er avsnitt som konkurrerer, ikke nettsteder. Et langt dokument med spredt relevans taper mot ett stramt avsnitt.
- Slik taper man
- Svaret ditt er der, men det er begravd under intro, markedsføringsspråk og oppbygging. Passasjen som hentes ut, sier ingenting.
- Slik måler vi det
- Chunkalyzer i AI Monitor viser hvordan innholdet ditt deles opp i passasjer, og hvilke passasjer som faktisk plukkes.
- Slik retter vi det
- Chunk-optimalisering: selvbærende avsnitt, definisjoner som står alene, tabeller og lister der fakta hører hjemme, og kutt i oppvarmingen før poenget.
Generering
Spørsmålet: Blir formuleringen din brukt når svaret settes sammen?
- Hva som avgjør det
- Generatoren bygger svaret av de passasjene som svarer direkte, ikke må skrives om for å gi mening, og tilfører noe de andre kildene ikke har.
- Slik taper man
- Passasjen din er med, men en konkurrents formulering er lettere å gjenbruke. Du blir bakgrunn i stedet for setning.
- Slik måler vi det
- Ordrett gjenbruk, og hvilke setninger som går igjen på tvers av modeller og dager.
- Slik retter vi det
- Skrive setninger som tåler å bli sitert uten konteksten sin: presise tall, klare avgrensninger, egne data og formuleringer ingen andre har.
Sitering
Spørsmålet: Blir du oppgitt som kilde, med lenke?
- Hva som avgjør det
- Å bli brukt og å bli kreditert avgjøres hver for seg. Modellen kan bygge svaret på informasjonen din og likevel lenke til noen andre.
- Slik taper man
- Merkevaren nevnes uten lenke, eller informasjonen din krediteres en side som har gjengitt den.
- Slik måler vi det
- Nevnelser med og uten lenke, per modell og per prompt, og hvilke domener som krediteres i stedet for deg.
- Slik retter vi det
- Gjøre kilden entydig: originalinnhold, datering, forfatterattribusjon, canonical – og å sikre at det er du, ikke en aggregator, som er den siterbare originalen.
Påvirkning
Spørsmålet: Blir du gjengitt riktig, og flytter det oppfatningen?
- Hva som avgjør det
- En sitering er ikke en godkjenning. Modellen kan nevne deg i feil kategori, med utdatert pris, eller i en sammenligning der du taper.
- Slik taper man
- Høy synlighet, feil fortelling. Du blir nevnt ofte og anbefalt sjelden.
- Slik måler vi det
- Sentiment og kontekst per nevnelse, hvilke egenskaper som tilskrives deg, hvem du sammenlignes mot, og gapet mellom egen posisjonering og modellens beskrivelse (Perception Match).
- Slik retter vi det
- Rette faktagrunnlaget der modellen henter det fra, og gjøre posisjoneringen entydig nok til at den overlever en oppsummering.
Handling
Spørsmålet: Skjer det noe hos deg etterpå?
- Hva som avgjør det
- Et AI-svar sender færre besøkende enn et søkeresultat, men de kommer lenger ute i beslutningen. Verdien ligger i konverteringen, ikke i klikket.
- Slik taper man
- Trafikken kommer, men landingssiden svarer på noe annet enn det brukeren nettopp spurte AI-en om.
- Slik måler vi det
- AI-henvisninger som egen kilde, merkevaresøk, direktetrafikk og konvertering – koblet mot CRM eller ordredata.
- Slik retter vi det
- Landingssider som møter intensjonen i prompten, og måling som gjør at en henvisning fra ChatGPT kan tilskrives verdi i stedet for å forsvinne i «direkte».
Kjeden på ett blikk
Hvert ledd har sin egen årsak, sin egen måling og sitt eget tiltak. Det er derfor metoden ikke slår dem sammen til én score: ett tall forteller deg at det går dårlig, ikke hvor.
| Ledd | Hva som avgjør det | Hvordan vi måler det | Typisk tiltak |
|---|---|---|---|
| 1. Oppdagelse | Systemet avgjør først om spørsmålet skal besvares fra modellens eget minne eller ved å hente dokumenter. Svarer den fra minnet, avgjøres synligheten din av hva modellen allerede har lært om deg, ikke av hva du publiserte i går. | Andel svar som utløser søk kontra svar fra minnet, per modell og per prompt. Perception Match viser hva modellen mener om deg uten kilder i det hele tatt. | Bygge entiteten: konsistent navn, kategori og fakta på tvers av eget nettsted, oppslagsverk, bransjekilder og omtale. Dette er tregt arbeid, og det måles i kvartaler. |
| 2. Henting | Spørsmålet brytes opp i flere delsøk, og hvert delsøk drar inn et lite antall dokumenter. Kandidatlisten er kort, og den settes av indeksen søket går mot – ikke av hvor pen siden din er. | Crawlbarhet for AI-agenter, indeksdekning, robots- og render-sjekk i nettstedsauditen, og hvilke av URL-ene dine som faktisk dukker opp som kilder i den daglige målingen. | Teknisk grunnarbeid: server-rendret innhold, åpne AI-crawlere, rene URL-er, sitemap, språkversjoner og et nettsted som kan leses uten å kjøre kode. |
| 3. Utvelgelse | De hentede dokumentene vurderes på nytt, denne gangen tett opp mot selve spørsmålet. Her faller de fleste ut: hentet, men ikke brukt. | «Hentet, men ikke sitert» per prompt – vi ser hvilke av URL-ene dine som er med i kildesettet uten å nå fram til svaret. | Skrive mot spørsmålet i stedet for mot søkeordet: spørsmålet i overskriften, svaret først, og innhold som dekker hele spørsmålet i stedet for halve. |
| 4. Kontekst | Bare de best rangerte passasjene får plass i kontekstvinduet. Det er avsnitt som konkurrerer, ikke nettsteder. Et langt dokument med spredt relevans taper mot ett stramt avsnitt. | Chunkalyzer i AI Monitor viser hvordan innholdet ditt deles opp i passasjer, og hvilke passasjer som faktisk plukkes. | Chunk-optimalisering: selvbærende avsnitt, definisjoner som står alene, tabeller og lister der fakta hører hjemme, og kutt i oppvarmingen før poenget. |
| 5. Generering | Generatoren bygger svaret av de passasjene som svarer direkte, ikke må skrives om for å gi mening, og tilfører noe de andre kildene ikke har. | Ordrett gjenbruk, og hvilke setninger som går igjen på tvers av modeller og dager. | Skrive setninger som tåler å bli sitert uten konteksten sin: presise tall, klare avgrensninger, egne data og formuleringer ingen andre har. |
| 6. Sitering | Å bli brukt og å bli kreditert avgjøres hver for seg. Modellen kan bygge svaret på informasjonen din og likevel lenke til noen andre. | Nevnelser med og uten lenke, per modell og per prompt, og hvilke domener som krediteres i stedet for deg. | Gjøre kilden entydig: originalinnhold, datering, forfatterattribusjon, canonical – og å sikre at det er du, ikke en aggregator, som er den siterbare originalen. |
| 7. Påvirkning | En sitering er ikke en godkjenning. Modellen kan nevne deg i feil kategori, med utdatert pris, eller i en sammenligning der du taper. | Sentiment og kontekst per nevnelse, hvilke egenskaper som tilskrives deg, hvem du sammenlignes mot, og gapet mellom egen posisjonering og modellens beskrivelse (Perception Match). | Rette faktagrunnlaget der modellen henter det fra, og gjøre posisjoneringen entydig nok til at den overlever en oppsummering. |
| 8. Handling | Et AI-svar sender færre besøkende enn et søkeresultat, men de kommer lenger ute i beslutningen. Verdien ligger i konverteringen, ikke i klikket. | AI-henvisninger som egen kilde, merkevaresøk, direktetrafikk og konvertering – koblet mot CRM eller ordredata. | Landingssider som møter intensjonen i prompten, og måling som gjør at en henvisning fra ChatGPT kan tilskrives verdi i stedet for å forsvinne i «direkte». |
Slik ser det ut når det virker
En kunde måler førti prompt i sin kategori. Til venstre nullpunktet, til høyre de samme promptene åtte uker senere.
Nullpunkt
- Hentet
- 64 %
- Valgt
- 18 %
- Sitert
- 7 %
Åtte uker senere
- Hentet
- 67 %
- Valgt
- 41 %
- Sitert
- 22 %
Diagnosen peker på ledd tre: vi hentes, men velges bort. Tiltaket er ikke mer innhold – det er å skrive om sidene fra å handle om temaet til å svare på spørsmålet.
Utvelgelsen mer enn doblet seg. Hentingen står nesten stille, som den skal – vi rørte den ikke. Og nå er siteringen den nye flaskehalsen: under halvparten av svarene som velger oss, krediterer oss. Neste runde angriper ledd seks.
Konstruert eksempel med realistiske tall, ikke en kundecase.
Slik jobber vi
Fra «vi vet ikke» til noe som kan måles. Etter fase to vet du hvor du står – og du kan når som helst stoppe der og gjøre resten selv.
- 1
Kartlegging
Jobber med: Ledd 1–2Vi finner ut hvilke spørsmål kundene dine faktisk stiller en AI. Ikke søkeord – prompts. Det er to forskjellige ting, og de gir ulike svar. Promptsettet bygges rundt personaer og kundereisen, fra første symptom til «hvem bør jeg velge», og speiles mot konkurrentene dine.
Du sitter igjen medEt promptsett som speiler kundereisen din, med personaer og konkurrenter definert.
- 2
Måling
Jobber med: Ledd 1–7Promptene kjøres daglig mot ChatGPT, Gemini, Perplexity og Googles AI-svar. Vi måler hvor ofte du nevnes, hvor ofte du siteres med lenke, og hvem som nevnes i stedet. Daglig frekvens er ikke pynt: samme prompt kan gi ulikt svar fra dag til dag, og et enkeltsvar er en anekdote framfor en måling. CAVIS kjører hele samtaler i stedet for løsrevne spørsmål, fordi svaret endrer seg når kunden går fra «hva er dette?» til «hvem bør jeg velge?».
Du sitter igjen medEt nullpunkt du kan måle utviklingen mot – per prompt, per modell og per ledd i kjeden.
- 3
Diagnose
Jobber med: Plasserer tapet i kjedenVi finner ut hvorfor. Er innholdet usynlig fordi det krever JavaScript? Mangler entiteten? Er fakta begravd i markedsføringstekst? Blir du hentet, men aldri valgt? Årsakene er som regel få og konkrete, og hver av dem hører hjemme i et bestemt ledd av kjeden.
Du sitter igjen medEn prioritert liste med årsaker, ikke symptomer – hver enkelt festet til leddet den hører hjemme i.
- 4
Tiltak
Jobber med: Retter der årsaken erVi gjennomfører – eller du gjennomfører, med planen som utgangspunkt. Teknisk grunnlag, struktur, entitet og innhold, i den rekkefølgen som gir raskest effekt. Rekkefølgen er ikke tilfeldig: det nytter ikke å skrive bedre avsnitt for ledd fire hvis du aldri kommer gjennom ledd to.
Du sitter igjen medTiltak med eier, rekkefølge og forventet effekt – og hvilket ledd hvert tiltak skal flytte.
- 5
Oppfølging
Jobber med: Måler på nytt, samme stedSynlighet i AI-søk er ferskvare – modellene oppdateres, og konkurrentene jobber også. Den daglige målingen fortsetter, og du har egen tilgang til dashboardet hele veien. I tillegg går vi gjennom utviklingen fast sammen, så du får tolkningen og neste tiltak, ikke bare tallene.
Du sitter igjen medDaglig måling per prompt og modell, eget dashboard, og en fast gjennomgang der tallene blir til neste tiltak.
Og så begynner fase tre på nytt. Ikke fordi noe gikk galt, men fordi flaskehalsen har flyttet seg: da ledd tre ble fikset, ble ledd seks den nye begrensningen. Det er derfor dette ikke er en plan med en sluttdato.
Hvorfor AI-søk trenger en egen metode
SEO-tenkning forutsetter en rangert liste. Det finnes ingen liste i et AI-svar. Det som finnes, er en kjede av avgjørelser inne i systemet – og de fleste av dem tas før et eneste ord er skrevet.
Modellen svarer ofte uten å søke
Et svar kommer enten fra det modellen allerede har lært (parametrisk minne) eller fra dokumenter den henter der og da (retrieval). Publiserer du noe nytt, flytter det bare det andre. Det første flyttes av at merkevaren omtales bredt nok, ofte nok og konsistent nok andre steder – over tid.
Kandidatlisten er kort
Når systemet først henter, brytes spørsmålet opp i flere delsøk, og hvert delsøk drar inn et lite antall dokumenter. Der en søkemotor viser ti blå lenker og en side to, finnes det ingen side to i et AI-svar. Er du ikke i kandidatlisten, eksisterer du ikke for det svaret.
Det er avsnitt som konkurrerer, ikke sider
Modellen leser ikke nettstedet ditt. Den leser noen få passasjer som er valgt ut fordi de likner spørsmålet. Ett presist avsnitt slår en lang side der relevansen er spredt utover.
Å bli brukt og å bli kreditert er to ting
Innholdet ditt kan bære svaret uten at du nevnes, og du kan nevnes uten å bli beskrevet riktig. Begge deler er tap, og ingen av dem vises i en rangeringsrapport.
Fra sitering til omsetning
De to siste leddene i kjeden, påvirkning og handling, er der synligheten møter forretningen. Der bruker vi ABC: Acquisition, Behavior, Conversion – rapportstrukturen Google Analytics gjorde til allemannseie, med AI-søk målt som egen inngangskanal og konverteringen hentet fra CRM i stedet for fra analyseverktøyet.
A – Acquisition
Hvor kundene kommer fra, og hvilke kanaler som gir kvalitet. AI-søk måles her, på lik linje med organisk søk og annonser: volum, kvalitet, atferd og konvertering.
B – Behavior
Hva de gjør når de er der, og hvor vi mister dem. For AI-trafikk er den viktigste målingen intensjonsmatch: svarer landingssiden på det brukeren faktisk spurte modellen om?
C – Conversion
Hva som faktisk skaper verdi. Leads og salg får en verdi hentet fra CRM, ordredata eller offline-konverteringer, og den verdien føres tilbake til kanalen. Uten det steget optimaliserer man mot volum og kaller det vekst.
Om ABC: Acquisition, Behavior og Conversion er rapportstrukturen fra Universal Analytics, ikke et begrep vi har funnet på. Det er ikke det samme som ABC-analyse, som rangerer lager, produkter eller kunder etter verdi, og heller ikke ABC-modellen fra kognitiv terapi. I Citation Method er ABC det kommersielle laget – ikke hele metoden. Les ABC: veien til lønnsom AI-synlighet.
Hva metoden kjøres på
Metoden er ikke et lysbilde. Hvert ledd i kjeden har et verktøy som måler det, og de fleste er bygget av oss fordi ingen andre målte det vi trengte.
CitationLab AI Monitor
Den daglige målingen. Kjører promptsettet mot ChatGPT, Gemini, Perplexity og Google AI Overview, og logger nevnelser, siteringer, kilder, konkurrenter og share of voice per modell og per dag. Dette er datagrunnlaget for ledd én til sju.
Se hvordan AI Monitor fungererCAVIS
Rammeverket bak promptsettet. CAVIS simulerer hele samtaler i stedet for løsrevne spørsmål, vekter hver måling etter hvor i kjøpsreisen den hører hjemme, og er grunnen til at målingen speiler en kundereise framfor en spørsmålsliste.
Se CAVIS-rammeverketChunkalyzer
Chunk-analysen i AI Monitor. Viser hvordan innholdet ditt deles opp i chunks, hvilke som hentes, og hvilke som aldri får plass i kontekstvinduet. Dette er verktøyet for ledd fire.
Perception Match
Sammenligner din egen posisjonering – det nettstedet og salgsmaterialet hevder – mot det modellene faktisk sier om deg når de blir spurt, og gir gapet en score. Det er diagnosen for ledd én og ledd sju: er problemet at du er usynlig, eller at fortellingen er feil?
Nettstedsaudit for AI-agenter
Teknisk gjennomgang av om innholdet i det hele tatt kan hentes: rendring, crawlertilgang, strukturert data, språkversjoner og maskinlesbarhet. Uten den er alt annet gjetning.
Se teknisk SEOAEO-forvaltning
Driften. Fase fire og fem satt i system, med spesialister på teknisk, entitet, innhold og konvertering, og hver endring logget som et eksperiment med en hypotese.
Se hvordan vi jobberFem regler metoden ikke fraviker
En metode er bare verdt noe hvis den også sier hva den nekter å gjøre. Dette er reglene som avgjør hvordan tallene på denne siden blir til.
Mål før du tolker
Rådata logges først – hele svaret, kildene, datoen, modellen. Tolkningen kommer etterpå, og kan alltid spores tilbake til svaret den hviler på.
Ingen enkeltscore
Én samlet «AI-synlighetsscore» skjuler nøyaktig det du trenger å vite: hvilket ledd du taper i. Vi bryter alltid ned på modell, prompt, kategori og ledd.
Årsak, ikke symptom
«Vi er ikke synlige i ChatGPT» er et symptom. En diagnose må peke på et ledd og en årsak, ellers er tiltaket gjetning.
Daglig, ikke sporadisk
Samme prompt kan gi ulikt svar fra dag til dag. Ett svar er en anekdote. Metoden måler daglig fordi utvikling bare kan leses ut av en tidsserie.
Si hva tallene ikke viser
Vi merker hvor grensen for hva målingen kan bevise går. Der vi ikke kan se årsakssammenheng, sier vi det i stedet for å tegne en pil.
Hva metoden ikke lover
AI-synlighet er et ungt fagfelt med mange skråsikre påstander i seg. Dette er de fire vi ikke kommer til å komme med.
Ingen kan garantere en sitering
Ingen selger en plass i et AI-svar, og den som sier noe annet, selger noe annet. Metoden gjør sannsynligheten målbar og årsakene håndterbare. Den kjøper ikke plass.
Ledd én går tregt
Modellens minne oppdateres når modellene trenes eller oppdateres, ikke når du publiserer. Entitetsarbeid måles i kvartaler. Ledd to til fire kan flytte seg på uker.
Tallene svinger
Samme prompt gir ulike svar fra dag til dag. Derfor måler vi daglig og leser trend framfor enkeltdager – og derfor er en skjermdump av ett godt svar ikke et resultat.
Synlighet er ikke omsetning
En nevnelse som aldri konverterer er et tall. Det er derfor metoden ikke stopper ved ledd seks.
Spørsmålene metoden er bygget for å svare på
Ingen kommer og ber om en metode. De kommer med et symptom. Dette er de fire vi hører oftest, og leddet hvert av dem som regel ligger i.
Hvorfor nevner ikke ChatGPT oss i det hele tatt?
Nesten alltid ledd én eller ledd to, og de to krever motsatte tiltak. Svarer modellen fra minnet uten å søke, mangler merkevaren i det den har lært, og arbeidet er entitetsarbeid: konsistente fakta om deg der modellene lærer fra, målt i kvartaler. Søker modellen faktisk, og du fortsatt er borte, er årsaken som regel mekanisk – innhold som først dukker opp når JavaScript kjører, AI-crawlere blokkert i robots.txt, eller ingen side på språket spørsmålet stilles på. Målingen skiller de to fra hverandre, fordi å gjette mellom dem koster et kvartal.
Vi blir hentet som kilde, men aldri sitert. Hva er galt?
Det er ledd tre eller ledd fire, og det er den vanligste diagnosen vi stiller. Å bli hentet betyr at siden din kom med i kandidatlisten; å ikke bli sitert betyr at den tapte omrangeringen, eller at den kom inn i kontekstvinduet og passasjen som ble hentet ut ikke svarte på spørsmålet. Tiltaket er nesten aldri mer innhold. Det er å sette spørsmålet i overskriften, legge svaret i første avsnitt, og gjøre enkeltavsnitt selvbærende nok til å løftes ut og fortsatt gi mening.
Vi nevnes ofte, men beskrives feil. Hvordan retter vi det?
Det er ledd sju, og det er et tap forkledd som en seier. Share of voice ser sunn ut mens modellen plasserer deg i feil kategori, siterer en utdatert pris, eller navngir deg som billigalternativet i en sammenligning du helst vil vinne. Perception Match gir gapet mellom det du sier om deg selv og det modellene sier, en score. Tiltaket er å rette faktagrunnlaget i kildene modellen faktisk henter fra – som sjelden er din egen forside – og gjøre posisjoneringen entydig nok til at den overlever å bli oppsummert i én setning.
Hvordan vet vi at arbeidet virker?
Fordi det finnes et nullpunkt, og det ble tatt før noe ble endret. Fase to etablerer det per prompt, per modell og per ledd, og de samme promptene fortsetter å kjøre daglig etterpå, så utvikling leses ut av en tidsserie framfor ut av en skjermdump. Leddene flytter seg i ulik takt: teknisk arbeid og passasjearbeid viser seg på uker, entitetsarbeid i kvartaler. Kan en endring ikke knyttes til et ledd og en måling, behandler metoden den som utestet, ikke som en seier.
Ofte stilte spørsmål om Citation Method
Citation Method er CitationLabs metode for AEO- og GEO-optimalisering. Den modellerer et AI-svar som en kjede av åtte ledd – oppdagelse, henting, utvelgelse, kontekst, generering, sitering, påvirkning og handling – måler hvert ledd for seg, stiller en diagnose på hvilket ledd merkevaren taper i, og retter årsaken i det leddet i stedet for overalt på en gang.
Fordi siteringen er punktet der synlighet blir målbar. Alt før den – å ligge i modellens minne, å bli hentet, å overleve omrangeringen, å få plass i kontekstvinduet – er usynlig utenfra og kan bare sluttes seg til. Siteringen er det første leddet du kan observere direkte, og derfor er den ankeret resten av kjeden måles rundt.
ABC-metoden – Acquisition, Behavior, Conversion – er et rammeverk for å måle den kommersielle kjeden fra trafikk til omsetning, og den er fortsatt i bruk her, som det tredje laget i Citation Method. Det den ikke gjør, er å forklare hvorfor en AI-modell siterer deg eller ikke. Citation Method legger til nettopp det: åtte ledd som beskriver hvordan svaret blir til, og en diagnose som peker på ett av dem. ABC forteller deg at trafikken ikke konverterer. Siteringskjeden forteller deg at trafikken aldri kom, og hvilket av de åtte leddene som stoppet den.
Begge deler, og skillet betyr mindre enn ordbruken antyder. AEO (Answer Engine Optimization) brukes vanligvis om å være kilden en svarmotor siterer, GEO (Generative Engine Optimization) om å bli godt gjengitt i generert tekst. I siteringskjeden er de ulike ledd av samme kjede: AEO vektes mot ledd to til seks, GEO mot ledd fem til sju. Vi kjører dem ikke som separate tjenester, fordi en merkevare som taper i ledd to ikke kan hjelpes av arbeid rettet mot ledd seks.
Fra hvordan retrieval-augmented generation faktisk fungerer: en rutingavgjørelse, et hentesteg, et omrangeringssteg, et kontekstvindu med en hard grense, et genereringssteg, og et siteringssteg som avgjøres uavhengig av genereringen. De to siste leddene, påvirkning og handling, er våre: de dekker hva som skjer etter at svaret er laget – om beskrivelsen er riktig, og om det skjer noe hos deg. Modellen er beskrivende, ikke proprietær. Det som er vårt, er å måle hvert ledd for seg og å behandle diagnosen som leveransen.
Nullpunktet finnes etter to til fire uker, og det er da du først vet hvor du står. Teknisk arbeid i ledd to og passasjearbeid i ledd fire viser seg typisk innen uker. Utvelgelse i ledd tre flytter seg over én til to måneder. Entitetsarbeid i ledd én er det trege, og bør vurderes i kvartaler, fordi modellens minne først oppdateres når modellene gjør det.
ChatGPT, Gemini, Perplexity og Google AI Overview som standard, målt hver for seg framfor slått sammen til et snitt. Å holde dem fra hverandre betyr mer enn det høres ut som: den samme merkevaren er jevnlig dominerende på én modell og fraværende på en annen, og årsakene er ulike – den ene kan lese en rendret side mens den andre aldri kommer forbi JavaScripten.
Til fase én og to trenger vi ikke noe fra deg utover nettstedet ditt og navnene på konkurrentene – målingen kjøres mot offentlige modellsvar. For å lukke kjeden i ledd åtte trenger vi i tillegg webanalyse, Search Console og det som holder konverteringsverdien: et CRM, ordredata eller en offline prosess. Uten den siste biten blir ledd åtte gjettverk, og det sier vi heller enn å rapportere et tall for det.
Ja, og det er en helt vanlig måte å bruke metoden på. Etter fase to har du et nullpunkt, og etter fase tre har du en prioritert liste med årsaker festet til ledd i kjeden. Mange tar det inn i egen organisasjon og gjennomfører tiltakene selv. Det de fleste kommer tilbake for, er den daglige målingen, fordi en plan uten en tidsserie bak seg ikke kan fortelle deg om den virket.
Ja, og det er ikke et tillegg. Hver prompt returnerer hvem modellen navnga, så konkurrentenes synlighet er et biprodukt av å måle din egen. Det betyr noe fordi share of voice i AI-svar er en pott med fast størrelse: et svar navngir en håndfull leverandører, og å være utenfor den er samme utfall enten årsaken ligger i innholdet ditt eller i noen andres.
Nei. Kjeden fungerer likt uansett størrelse – forskjellen er hvor mange prompts og kategorier som skal til for å dekke markedet du selger inn i. En spesialist med ett tjenesteområde er ofte lettere å flytte enn en stor merkevare med en diffus entitet, fordi ledd én belønner å være entydig framfor å være stor.
De fleste AEO-tilbud starter med tiltaket – mer innhold, mer strukturert data, flere lenker – og rapporterer på aktivitet. Citation Method starter med diagnosen og nekter å gjøre tiltak før den finnes. Hvert tiltak må navngi leddet det skal flytte og målingen som viser om det gjorde det. Kan det ikke det, blir det ikke gjort.
Les videre
Produktet som kjører den daglige målingen på tvers av modellene.
CAVISRammeverket bak promptsettet: hele samtaler, ikke enkeltprompts.
Hva er AEO?Answer Engine Optimization forklart, og hvordan det endrer anskaffelse.
Slik jobber viDriftsmodellen bak fase fire og fem.
AI-synlighetsanalyseFase én til tre som en egen leveranse.
Hva er GEO?Generative Engine Optimization, og hva som skiller det fra AEO.
Var dette nyttig?
