Der findes ikke én skabelon for AI‑synlighed

En søgemaskine rangerer dokumenter. En sprogmodel skriver en sætning. Den forskel er hele grunden til, at en generisk AEO‑plan sjældent virker to steder i træk.

Modellen vælger ikke en vinder

Det er fristende at forestille sig, at ChatGPT har en rangliste over danske revisorer, og at opgaven er at kravle op ad den. Sådan fungerer det ikke. En sprogmodel gætter det næste stykke tekst, givet alt hvad der står før. Når den nævner en virksomhed, er det fordi netop det navn er sandsynligt i netop den sammenhæng — ikke fordi noget har afgjort, at virksomheden er bedst.

Det lyder som en spidsfindighed. Det er det ikke. Det ændrer, hvad der overhovedet kan lade sig gøre at arbejde med.

Derfor betyder omtale uden link noget

Google har brug for et link for at tælle noget. En sprogmodel har ikke. Den har læst tekst — fora, anmeldelser, brancheblade, undertekster, dokumentation, kommentarspor — og det hele er med til at forme, hvilke navne der falder naturligt, når emnet kommer op.

Det er den type arbejde, der plejer at falde mellem to stole: det giver ingen klik, så det er svært at forsvare i en rapport, og det ligner ikke SEO, så SEO‑teamet ejer det ikke. Det er også derfor, det ofte er dér, der er mest at hente.

“Autoritet” ser forskelligt ud i hver branche

Fordi svarene er formet af, hvad modellen har læst, arver den også, hvordan troværdighed ser ud i hvert fagområde. I sundhed vejer noget, der ligner klinisk dokumentation og officielle instanser, tungt. I software vejer dokumentation, sammenligninger og udvikleres egne ord tungere. I håndværk og lokale ydelser fylder anmeldelser og lokale registre mere.

Det er den samme model, men den trækker på forskellige typer kilder afhængigt af, hvad den bliver spurgt om. To virksomheder, der ligger lige ved siden af hinanden i et brancheregister, kan derfor kræve helt forskelligt arbejde.

Konsekvensen er ubelejlig for alle, der sælger en fast pakke: der findes ikke en liste over ti ting, alle skal gøre. Man er nødt til at finde ud af, hvad der faktisk citeres i den enkelte kategori, før man beslutter hvor arbejdet skal ligge.

Prøv det selv på ti minutter

I behøver ikke købe noget for at få en fornemmelse. Gør sådan her:

1. Tag jeres vigtigste søgeord — dem I allerede følger i Google — og skriv dem om til hele spørgsmål, som et menneske ville stille. Ikke “tandlæge aarhus”, men “hvilken tandlæge i Aarhus tager imod nye patienter?”.
2. Stil hvert spørgsmål flere gange, med små variationer i formuleringen, og i mere end én model. Svarene er ikke ens fra gang til gang, så ét svar siger ikke noget.
3. Notér to ting hver gang: om I nævnes, og hvilke sider svaret bygger på. Kildelisten er tit mere interessant end svaret.
4. Spørg som en kunde, der er i tvivl. “Er de dyre?”, “hvordan er de sammenlignet med X?”, “kan man stole på dem?”. Nu måler I ikke om I nævnes, men hvordan.

Nævnes I aldrig, ved I noget. Nævnes I, men beskrevet forkert, ved I noget andet — og det er som regel det dyreste problem at have.

Det her har vi ikke tal på endnu

Vi har en formodning om, at kildemønstrene for danske svar adskiller sig mærkbart fra branche til branche, og at de også adskiller sig fra de engelsksprogede mønstre, man ser omtalt internationalt. Vi er ved at samle data på det.

Men vi har ikke tallene endnu, og derfor står de her ikke. Når de kommer, lægger vi promptsættet og kørselsdatoerne op sammen med dem, så I selv kan gentage målingen. Indtil da er ovenstående et argument, ikke et bevis — og det er værd at holde de to ting adskilt, også når det er os selv, der skriver.