Hopp til innhold
CitationLab
Snakk med oss
CITATION METHOD

Forstå synligheten.
Finn neste tiltak.

Hva sier AI om dere? Hvilke kilder vises? Og hva bør dere gjøre med det?

Citation Method er vår arbeidsmetode for AI-synlighet. Vi kartlegger, måler, undersøker og tester. Dere får et tydelig utgangspunkt og prioriterte tiltak, med et klart skille mellom det vi vet og det vi må finne ut av.

Se hvordan vi jobber Utforsk et eksempel
Fem arbeidsfaser. Åtte analyseområder. Tydelig målegrunnlag.
CITATION METHOD / I PRAKSIS
Hvorfor lenker AI til en annen kilde?
01 / OBSERVASJON

Dere nevnes.
En annen kilde lenkes.

Dette kan vi se i svaret.

Synlig
Ikke hopp rett til konklusjonen
?
02 / HYPOTESE

Hva kan forklare det?

Vi undersøker kildene og innholdet.

03 / TEST

Gjør en avgrenset endring.

Mål igjen. Vurder andre forklaringer.

Illustrasjon, ikke kundedata
UTGANGSPUNKTET

Et funn er ikke
en forklaring.

Det er lett å se at en merkevare mangler i et svar. Det er vanskeligere å vite hvorfor.

Derfor starter vi ikke med «dere trenger mer innhold». Vi undersøker hva datagrunnlaget faktisk viser, formulerer sannsynlige forklaringer og velger tiltak som kan følges opp. Tekniske problemer, uklare fakta og svak relevans krever forskjellige grep.

Vi skiller observasjoner fra antakelser, og gjør tiltakene etterprøvbare.

01 / ARBEIDSFLYTEN

Fem faser.
Så måler vi igjen.

Fra det dere vil oppnå, til det vi skal teste videre. Velg en fase for å se arbeidet, leveransen og deres bidrag.

FASE 01

Start med kundene og målet

Vi avklarer hva synligheten skal bidra til, hvem dere vil nå, og hvilke spørsmål som er relevante. Promptene bygger på kundekunnskap, søkedata og observerte spørsmål der de finnes. Forslag fra AI behandles som hypoteser, ikke som dokumentert etterspørsel.

  • Avklar forretningsmål, målgrupper og konkurrenter.
  • Velg spørsmål og samtaleforløp gjennom kundereisen.
  • Definer merkevare, domener og fakta vi skal følge.
Oppfølgingen gir grunnlag for neste diagnose og neste tiltak.
02 / ANALYSEOMRÅDENE

Åtte områder vi undersøker.
Ikke åtte obligatoriske steg.

Vi velger områdene som er relevante for problemet. De er en struktur for vårt arbeid, ikke et kart over alle AI-systemers indre prosess.

01

Oppdagelse og tilgang

Er relevante kilder tilgjengelige?

Se hva vi undersøker

Kan relevante søke- og hentemekanismer finne og lese informasjonen?

Teknisk testLeverandørdata

Dette undersøker vi

Vi undersøker blant annet indeksering, robots-regler, HTTP-svar og tilgjengelig tekst. Testen dokumenterer forholdene i det undersøkte miljøet.

Dette kan vi ikke konkludere med

En vellykket crawl beviser ikke at en kilde ble brukt i et bestemt AI-svar. Tilgang for søk og trening er heller ikke det samme.

Mulig tiltak

Rett blokkeringer, utilgjengelig innhold, internlenker eller tekniske signaler der det er nødvendig.

Tekniske forutsetninger varierer mellom systemene. [2] [4]

02

Konsulterte kilder

Hvilke kilder blir eksponert?

Se hva vi undersøker

Viser integrasjonen hvilke URL-er som ble konsultert i den aktuelle kjøringen?

Leverandørdata

Dette undersøker vi

Der API-et eksponerer kildemetadata, kan vi registrere konsulterte URL-er og skille dem fra lenkene i svaret.

Dette kan vi ikke konkludere med

Uten slike metadata er kildesettet ukjent. Ikke sitert betyr ikke nødvendigvis ikke konsultert, og vi ser ikke dermed hele den interne rangeringen.

Mulig tiltak

Sammenlign synlige kilder med eget innhold og undersøk hvilke dokumenterte behov som ikke dekkes.

OpenAI beskriver et sources-felt som er forskjellig fra de synlige siteringene. [1]

03

Spørsmål og relevans

Dekker innholdet behovet?

Se hva vi undersøker

Svarer innholdet på det brukeren faktisk trenger å vite?

InnholdsanalyseHypotese

Dette undersøker vi

Vi vurderer spørsmål, svar, forutsetninger og de kildene som faktisk er synlige i testene.

Dette kan vi ikke konkludere med

En relevansvurdering er vår analyse. Den er ikke en avlesning av en skjult relevansscore hos AI-leverandøren.

Mulig tiltak

Fyll reelle informasjonshull. Presiser svar, dokumentasjon og avgrensninger uten å skrive for en oppdiktet algoritme.

Tiltaket velges ut fra det konkrete innholdet og spørsmålet, ikke en universell formatregel.

04

Passasjer og kontekst

Gir avsnittene mening alene?

Se hva vi undersøker

Er viktige opplysninger forståelige når de leses som utdrag?

InnholdsanalyseSimulering

Dette undersøker vi

Vi analyserer tydelighet, begreper, kilder og nødvendige forbehold. En passasjesimulering kan avdekke at vesentlig kontekst mangler.

Dette kan vi ikke konkludere med

Simulert oppdeling er ikke dokumentasjon på hvilke avsnitt en ekstern AI-modell faktisk valgte.

Mulig tiltak

Gjør viktige avsnitt selvbærende, men bevar den konteksten som gjør dem korrekte. Kortest er ikke alltid best.

Anthropics arbeid med contextual retrieval illustrerer problemet med konteksttap i tekstutdrag. [5]

05

Gjengivelse av fakta

Er informasjonen korrekt?

Se hva vi undersøker

Hvilke påstander og fakta finnes i det ferdige svaret?

Direkte observertInnholdsanalyse

Dette undersøker vi

Vi kontrollerer synlige påstander mot avtalte faktakilder: navn, tjenester, priser, målgrupper og andre viktige opplysninger.

Dette kan vi ikke konkludere med

Tekstlikhet eller en korrekt opplysning beviser ikke alene hvilken kilde informasjonen opprinnelig kom fra.

Mulig tiltak

Rett feil og tvetydighet i eget faktagrunnlag og relevante eksterne kilder. Test om svarene endrer seg.

Her vurderer vi det synlige svaret, ikke modellens skjulte resonnering.

06

Siteringer og lenker

Hvem blir oppgitt som kilde?

Se hva vi undersøker

Hvilke domener og URL-er får en synlig kildehenvisning?

Direkte observert

Dette undersøker vi

Vi registrerer siteringer, lenkemål og tilknyttede påstander. Omtale av merkevaren måles separat fra lenker til nettstedet.

Dette kan vi ikke konkludere med

En sitering er ikke nødvendigvis en anbefaling, og manglende lenke er ikke bevis på at merkevaren er usynlig.

Mulig tiltak

Gjør original dokumentasjon og kildeansvar tydelig. Undersøk hvorfor andre kilder er relevante før et tiltak velges.

Synlige siteringer og konsulterte kilder kan være forskjellige datasett. [1]

07

Omtale og anbefaling

Hvordan blir dere fremstilt?

Se hva vi undersøker

Blir dere nevnt i riktig sammenheng og anbefalt på relevante kriterier?

Direkte observertKvalitativ vurdering

Dette undersøker vi

Vi vurderer synlig omtale, kategori, begrunnelser, sammenligninger og eventuelle anbefalinger.

Dette kan vi ikke konkludere med

Det modellen skriver, dokumenterer ikke i seg selv hvordan en leser oppfatter dere eller endrer mening.

Mulig tiltak

Undersøk faktagrunnlaget bak feil omtale. Mål faktisk oppfatning separat når det er viktig.

Vi skiller mellom egenskaper ved svaret og effekten svaret kan ha på et menneske.

08

Besøk og forretningsverdi

Hva skjer etter eksponeringen?

Se hva vi undersøker

Hvilke sporbare besøk, henvendelser og salg kan vi følge?

Analyse og CRMAttribusjonsbegrensning

Dette undersøker vi

Vi følger identifiserbare AI-henvisninger og kobler videre handlinger til analyse- eller CRM-data der datagrunnlaget tillater det.

Dette kan vi ikke konkludere med

Noen brukere kommer tilbake via andre kanaler. Direktetrafikk og merkevaresøk er ikke automatisk AI-effekt.

Mulig tiltak

Forbedre landingssider og relevante konverteringsløp. Bruk tydelige definisjoner for hva som kan tilskrives AI.

GA4 bruker direkte når trafikken mangler en tydelig henvisningskilde. [6]

Et nettsted, en merkevare og en opplysning kan være synlige på ulike måter. Derfor måles de ikke som én og samme kjede.

03 / TEKNOLOGIEN BAK SVARET

Ett spørsmål.
Flere mulige veier til et svar.

Modellen får spørsmålet og samtalekonteksten. Avhengig av oppgaven og verktøyene kan den svare direkte, søke eller undersøke videre. [1] [3]

Forenklet illustrasjon. Ikke et internt spor.
FAN-OUT

Spørsmålet utvides til flere relaterte søk. Det kan skje, men er ikke nødvendig i alle svar. [2]

GROUNDING I KILDER

Informasjon brukes til å forankre svaret. Kilder gjør påstander lettere å kontrollere. [3]

SAMMENSTILLING

Informasjon kombineres og bearbeides. «Konsolidering» brukes her bare som et pedagogisk begrep.

Det er rundt denne prosessen vi jobber.

Med tilgjengelige kilder, relevant innhold, entydige fakta og måling av svarene. Ikke ved å styre modellens skjulte beslutninger.

Se analyseområdene
04 / MÅLEGRUNNLAGET

Hva ser vi?
Hva tolker vi?

Et godt tall har en definisjon, en kilde og en avgrensning. Manglende data merkes som ukjent, ikke som null.

01 / OBSERVASJON

Det vi faktisk kan se

Innsamlede svar, synlige omtaler, anbefalinger og lenker. Konsulterte kilder bare når integrasjonen eksponerer dem.

Eksempel«Merkevaren er nevnt i dette svaret.»
02 / ANALYSE

Det vi beregner og vurderer

Andeler, utvikling, relevans og faktakvalitet. Beregninger oppgis med utvalg, målemiljø og definisjon.

Eksempel«Siteringsandelen økte i det definerte utvalget.»
?
03 / HYPOTESE

Det vi undersøker videre

Mulige forklaringer på mønsteret. Hypotesen får en test, et forventet signal og alternative forklaringer.

Eksempel«Tydeligere dokumentasjon kan være relevant.»

Vi måler tre forskjellige ting.

Velg hva du vil følge. Ett svar kan gi merkevaresynlighet uten å gi en lenke til nettstedet.

MERKEVAREN

Blir dere nevnt og anbefalt?

Vi registrerer navnet, sammenhengen og begrunnelsen. En omtale kan bygge på en ekstern kilde uten at eget nettsted får en lenke.

Se minstekravene til en sammenlignbar måling

Promptsett og utvalg • Modell eller tjeneste • API eller brukerprodukt • Tidspunkt • Språk og relevant lokasjon • Samtalekontekst • Antall kjøringer • Definisjon av omtale og sitering • Kildedekning • Endringslogg.

Siteringsandel defineres for eksempel som svar med minst én synlig lenke til mål-domenet, delt på gyldige svar i det angitte utvalget. Feilede kjøringer rapporteres separat. En endret nevner skal ikke forsvinne i prosenttallet.

05 / METODEN I PRAKSIS

Samme symptom?
Ikke nødvendigvis samme årsak.

Tre konstruerte eksempler viser hvordan vi går fra observasjon til test. Dette er ikke kundecaser eller dokumenterte resultater.

KONSTRUERT EKSEMPEL

«Hvilke leverandører bør vi vurdere?»

«Eksempel AS er en aktuell leverandør. En bransjeoversikt beskriver dem som spesialist på området.»

Kildehenvisningen går til en fagavis.

Vi vet ikke bare fra svaret om selskapets nettsted også ble konsultert.

Merkevaren er synlig. Nettstedet er ikke oppgitt som kilde.

Observert
Eksempel AS nevnes i svaret. Kildehenvisningen peker til fagavisen, ikke selskapets nettsted.
Hypotese
Fagavisen kan ha dokumentasjon eller en sammenligning som passer spørsmålet bedre. Dette er én mulig forklaring.
Test
Undersøk kildene. Forbedre utvalgte sider med relevant original dokumentasjon og sammenlign utviklingen med sider uten tiltak.
Oppfølging
Følg omtale og siteringer separat i gjentatte tester. Registrer konsulterte kilder bare der dette er tilgjengelig.
06 / FORRETNINGSVERDIEN

Synlig er ikke det samme
som valgt.

ABC kobler arbeidet til besøk, atferd og konvertering. Vi skiller mellom et AI-svar, en påvirket kunde og et salg som faktisk kan spores.

AACQUISITION

Hvem kommer inn?

Identifiserbare henvisninger, landingssider og trafikkvalitet. Ikke all AI-eksponering gir et målbart klikk.

BBEHAVIOR

Hva gjør de?

Atferd og friksjon på nettstedet. Svarer innholdet og neste handling på det kunden trenger?

CCONVERSION

Hva gir verdi?

Kvalifiserte henvendelser, kjøp og andre avtalte mål. Tilskriv verdi bare så langt målegrunnlaget rekker.

Direktetrafikk er ikke bevis på AI-effekt. Den kan ha flere årsaker. Vi bruker merkevaresøk og direktetrafikk som støttesignaler, ikke som en fasit for attribusjon. [6]

Se ABC-modellen
07 / RAMMEVERKENE

Forskjellige roller.
Samme arbeid.

Metoden samler arbeidet. Rammeverkene hjelper oss med spørsmålene, kvaliteten og forretningsverdien.

ARBEIDSFLYT

Citation Method

Kartlegging, måling, diagnose, tiltak og oppfølging.

Se arbeidsflyten
FAGLIG RAMME

TRUST 3.0

Rammeverket for arbeidet med AI-synlighet, utviklet av Krister Ross.

Les TRUST-modellen
SPØRSMÅL OG SAMTALER

CAVIS

Struktur for spørsmål og samtaleforløp i kartlegging og måling.

Les om CAVIS
BESØK OG VERDI

ABC

Acquisition, Behavior og Conversion som struktur for oppfølging.

Se ABC-modellen

Verktøyene støtter metoden. De erstatter ikke vurderingen.

AI Marketing Manager knytter datagrunnlag, analyser, tiltak og oppfølging sammen. Tilgjengelige målinger avhenger av integrasjonen og oppsettet.

Se Manager
08 / SPØRSMÅL OG SVAR

Det er lov å spørre
hvordan vi vet det.

Her er avgrensningene som gjør metoden mer nyttig, ikke mindre.

Er dette en beskrivelse av hvordan alle AI-modeller fungerer?

Nei. Citation Method er vår arbeidsmetode. Den tekniske illustrasjonen viser en forenklet vei fra spørsmål til svar, med mulighet for søk og nye runder. Ulike tjenester bruker ulike modeller, verktøy og kilder.

Kan dere se alle kildene og alle interne valg?

Nei. Vi kan lese innsamlede svar, registrere synlige kilder og bruke de metadataene den aktuelle integrasjonen tilbyr. Skjult rangering, full intern kontekst og årsaken til hvert valg er normalt ikke tilgjengelig. Manglende data merkes som ukjent, ikke som null.

Er grounding det samme som konsolidering?

Nei. Grounding handler her om å forankre svar i tilgjengelig informasjon eller kilder. Sammenstilling, noen ganger omtalt som konsolidering, handler om å kombinere informasjon. Det er ikke ett universelt navngitt produksjonssteg på tvers av AI-tjenestene. [3]

Kan et AI-svar omtale oss uten å lese nettstedet vårt?

Ja, omtalen kan bygge på andre kilder eller informasjon som allerede er tilgjengelig for modellen. Derfor måler vi merkevareomtale og siteringer til eget nettsted hver for seg. Fravær av en lenke forteller ikke alene hvilke kilder som ble konsultert. [1]

Er dette noe annet enn SEO?

Metoden utvider hva vi undersøker og måler, men erstatter ikke SEO. Teknisk kvalitet, relevant innhold og gode kilder er fortsatt viktig. Google sier at de grunnleggende SEO-prinsippene også gjelder for deres AI-funksjoner. [2]

Kan dere bevise at et tiltak ga bedre synlighet?

Det avhenger av testoppsettet. Før og etter viser en endring, men ikke nødvendigvis årsaken. Gjentakelser, sammenligningsgrupper og en god endringslogg gir et bedre grunnlag. Vi beskriver bevisstyrken, ikke bare prosentendringen.

Får vi en score for hele metoden?

Vi prioriterer separate målinger med tydelige definisjoner. Omtale, korrekte fakta, kildehenvisninger og konverteringer svarer på forskjellige spørsmål. Én samlet score skal ikke skjule hvor datagrunnlaget er svakt eller mangler.

Hvordan brukes AI Marketing Manager?

Manager brukes i arbeidet med datagrunnlag, analyser, prioritering og oppfølging. Metoden beskriver hva vi skal undersøke og hvordan funn skal vurderes. Hvilke data og funksjoner som er tilgjengelige, må avklares for den aktuelle integrasjonen og avtalen.

START MED ET TYDELIG UTGANGSPUNKT

Hva bør dere
undersøke først?

Vi avklarer målet, hvilke spørsmål som er relevante, og hvilket datagrunnlag dere trenger. Deretter vurderer vi neste steg.

Snakk med oss om AI-synlighet

Kilder og faglige avgrensninger

Oppdatert

Den tekniske forklaringen bygger på leverandørenes dokumentasjon. Citation Method er CitationLabs arbeidsmetode, ikke en universell beskrivelse av alle AI-systemer. Kildene dokumenterer heller ikke en godkjenning av metoden fra leverandørene.

Funksjoner og tilgangen til kildedata varierer mellom modeller, tjenester og integrasjoner. Vi skiller dokumenterte funksjoner fra egne vurderinger og hypoteser.

  1. OpenAI · Web searchSøk, kildehenvisninger og tilgjengelige kildemetadata.
  2. Google Search Central · AI features and your websiteFan-out, tekniske forutsetninger og forholdet til SEO.
  3. Google AI for Developers · Grounding with Google SearchForankring i søk, bearbeiding og kildehenvisninger.
  4. OpenAI · CrawlersUlike roller for søk, trening og brukerinitierte besøk.
  5. Anthropic · Contextual retrievalKontekst i tekstutdrag. En konkret implementasjon, ikke alle AI-søk.
  6. Google Analytics · Direkte trafikkHva direkte trafikk betyr og hvorfor attribusjon har begrensninger.

ABC bygger videre på Acquisition, Behavior og Conversion, kjent fra Google Analytics. Her brukes strukturen til å koble synlighet til besøk, atferd og forretningsverdi.