Slik gjør du nettstedet synlig for KI og LLM

#Innledning

Nettstedet ditt rangerer på Google. Core Web Vitals er grønne. Schemaet validerer. Likevel dukker merkevaren din ikke opp når noen spør ChatGPT, Claude, Perplexity eller Google AI Overviews om bransjen din. Det gapet mellom klassisk SEO og hva AI-søk faktisk siterer, er problemet Generative Engine Optimization finnes for å løse.

GEO og SEO brukes side om side. GEO handler om hvordan store språkmodeller henter, tolker og siterer innhold, SEO om hvordan søkeroboter indekserer og rangerer det. Noen teknikker virker for begge, og ingen publisert standard holder tritt med feltet. Guiden viser hva som virker i praksis, hva som er myte, og hvilken rekkefølge spakene bør tas i.

#Hvorfor LLM-synlighet betyr noe i 2026

AI-assistenter sender nå målbar trafikk, men langt mindre enn organisk trafikk fra Google. ChatGPT Search er innebygd i iOS-adressefeltet for brukere med appen installert. Perplexity har gått fra power-user-verktøy til mainstreamprodukt. Claude leser det åpne nettet via søkeverktøyet sitt. Google AI Overviews vises i en stor andel av informasjonsspørsmål i engelskspråklige markeder og rulles ut til flere språk hvert kvartal.

To GA4-datasett setter tall på det. Marie Haynes (21. oktober 2026) gikk gjennom 12 måneder på 100 nettsteder: økter fra ChatGPT utgjorde 0,62 % av øktene fra organisk Google, og besøkene fra ChatGPT har falt siden august 2025. På de 55 nettstedene som målte konverteringer, konverterte besøkende fra ChatGPT med 13,8 % mot 3,02 % fra Google, men Google sto likevel for 96,5 % av konverteringene i kanalene hun sammenlignet. Målingen fra The SEO Works (7. september 2026, oppdatert 14. oktober) dekket 95 nettsteder fra september 2025 til august 2026: organisk søk ga 39 ganger mer trafikk enn AI-assistenter, AI-andelen av organisk trafikk steg fra 2,25 % til 3,86 %, og AI-trafikk konverterte dårligere enn organisk på 23 av de 63 nettstedene med nok data.

Den økonomiske konsekvensen er enkel. Selv når en kunde til slutt kjøper, registrerer seg eller bestiller konsultasjon via klassisk søk, var kortlisten deres ofte filtrert av en LLM på forhånd. Er du ikke på den lista, får du ikke konkurrere. Klassisk SEO betyr fortsatt noe, fordi den mater den samme crawl-infrastrukturen mange AI-systemer bruker. Men SEO alene holder ikke lenger.

#Hva er forskjellen på AI-søk og LLM?

Begge begrepene brukes i praksis, og konsistens betyr mer enn valget. “AI-søk” er den bredere, brukervendte termen. Den dekker chatboter, RAG-verktøy, AI Overviews og hybride systemer. “LLM” viser konkret til språkmodellene bak. I denne guiden står “AI” for oppdagelsesoverflaten og “LLM” for teknologien som driver den. Optimaliseringsmålet er det samme.

#AI-crawlere og user agents i 2026

Før du rører kode, vit hvem du optimaliserer for. Per april 2026 er hovedbrukeragentene:

• GPTBot, OpenAI, trening og offline-retrieval.
• OAI-SearchBot, ChatGPT live-søk.
• ChatGPT-User, on-demand-henting utløst av en brukerprompt.
• ClaudeBot og Claude-User, Anthropic.
• PerplexityBot og Perplexity-User, Perplexity AI.
• Google-Extended, opt-out-styring for Gemini-trening.
• CCBot, Common Crawl, mater mange mindre LLM-er.
• Applebot-Extended, opt-out for Apple Intelligence-trening.
• Bytespider, ByteDance.
• Meta-ExternalAgent, Meta AI.

Ingen av dem kjører JavaScript. Alle respekterer robots.txt. De fleste identifiserer seg ærlig. En del henter innhold i det øyeblikket brukeren trykker send, og det kutter syklusen fra dager til sekunder.

#Hvilke GEO-teknikker virker ikke?

GEO-feltet er fullt av folklore. Det meste har ingen empirisk støtte.

Egne metatagger som <meta name="ai-content-url"> eller <meta name="llms"> har ingen kjent implementasjon i noe produsert LLM-produkt. Filer som /.well-known/ai.txt og /ai.txt har konkurrerende forslag og null adopsjon. HTML-kommentarer rettet mot bots strippes av alle mainstream-crawlere før behandling. Menneske-eller-AI-knapper krever klikk, og bots klikker ikke. User-agent-sniffing for å levere annet innhold til LLM-er bryter Googles cloaking-policy og kan utløse manuelle tiltak. Dedikerte “AI-infosider” viser ingen forskjell i siteringsadferd. Rent JSON-LD og Schema.org leses av Microsoft Copilot via Bing og påvirker fortsatt klassisk SEO, men kontrollerte tester viser at ChatGPT, Claude og Perplexity i stor grad ignorerer strukturerte data ved svarsammensetning.

Mønsteret er alltid det samme. Noen foreslår en spesifikasjon, skriver en bloggpost, og andre bloggposter siterer den ene. Før du adopterer en GEO-teknikk, spør om det finnes bevis for faktisk konsum, eller bare bevis for at forslaget eksisterer.

#Virker selvpromoterende topplister fortsatt i AI Overviews

Artikkelen “De 10 beste verktøyene for X”, der utgiveren setter seg selv øverst, var den billigste GEO-taktikken i 2025. Den mister effekt. I oppdateringen fra 4. oktober 2026 gjentok Lily Ray undersøkelsen sin på 100 engelskspråklige søk etter beste B2B-programvare. Sammenlignet med juni siterer Googles AI Overviews nå 38 % færre selvpromoterende topplister, og de utelater utgivermerkevaren fra anbefalingen “i 83 % av tilfellene, opp fra 69 % i juni” (Lily Ray, egen oversettelse).

Ray skriver også, med henvisning til John Campbells referat fra Search Central Live i Barcelona, at Gary Illyes sa at skalert innhold er i ferd med å bli et større problem enn lenkespam. Hun legger til at Illyes på et tidligere Search Central Live, i mai, skal ha sammenlignet kjøp av omtaler med kjøp av lenker.

Det har likevel vokst fram et marked. Ray nevner betalte plasseringer i andres topplister, priset etter Domain Rating og ofte fra rundt 135 til 250 USD stykket, og pakker med “AI-merkevareomtaler”, for eksempel 5 omtaler for 1 500 USD. Dette er markedspriser fra tredjeparter sitert i artikkelen hennes, ikke mine priser, og jeg verken selger eller anbefaler slike tjenester. Kjøper du en plassering på en norsk sammenligningsside, regn med at konkurrentene dine også kan se den. Holder Illyes’ sammenligning, bærer en kjøpt omtale samme risiko som en kjøpt lenke.

#Hvorfor oppdiktet statistikk blir sitert av AI og andre nettsteder

Metehan Yesilyurt i Peec AI testet prinsippet “publiser statistikk, bli sitert” til det absurde (7. oktober 2026). Han kjøpte et nytt domene og genererte 50 000 statistikksider på én dag med GPT-4.1, for rundt 30 USD; med 15 000 listeartikler lagt til senere kostet eksperimentet rundt 50 USD totalt. Han skriver: “Hver eneste en av dem var falsk” (Peec AI, egen oversettelse). Nettstedet fikk over 330 henvisende domener, blant dem Shopify, Bluehost og DHL. De siste 30 dagene kom det over 600 000 forespørsler fra roboter, rundt 72 000 av dem fra ChatGPT-User. To Google-oppdateringer rett etter lansering fikk synligheten i Google til å kollapse, men 7. oktober lå nettstedet likevel på andreplass i synlighet på promptene han fulgte, bare bak Statista.

To konsekvenser. Et tall som gjentas av ChatGPT og av en kjent merkevare, er ikke kontrollert av noen av dem. Før du siterer en statistikk, spor den tilbake til originalstudien, metoden og utvalget, og dropp den hvis sporet ender på et nettsted uten metodebeskrivelse. Og ikke kopier taktikken: Google-synligheten overlevde ikke to oppdateringer, og alle som gjentar et oppdiktet tall, sprer det videre. Grepet med “verifiserbare statistikker” lenger ned virker bare når statistikken er ekte.

#Hva avgjør om en AI-motor siterer en side?

Oppdatering, 18. oktober 2026. ChatGPT, Gemini og Perplexity siterer en side når motorens eget søk finner den. Innenfor ett nettsted er tittel og avsnitt som svarer på spørsmålet det eneste innholdstrekket som gir flere siteringer. Det viser en studie av Mahe Chen og Nick Koudas ved University of Toronto, publisert på arXiv 10. oktober 2026. I to perioder på 90 dager stilte forfatterne motorene kjøpsrelaterte spørsmål hver dag via API-ene deres og samlet 158 099 svar med 468 037 siteringer. Det første datasettet gjelder det amerikanske markedet for hjemmeinternett, dominert av noen få store merkevarer, det andre små leverandører av forretningsprogramvare.

Når forfatterne sammenligner sider på samme nettsted, består bare to trekk alle robusthetstestene: en tittel og et beste avsnitt som matcher spørsmålene folk stiller. FAQ-blokker, schema.org-markering, oppsummeringsbokser, forfatterbokser og sidehastighet ser bare virksomme ut når ulike nettsteder sammenlignes, fordi de er vanligst på nettsteder som siteres mer av andre grunner. I den mest siterte firedelen av nettstedene har 43 % av sidene en FAQ-blokk, i den minst siterte 23 %. Avsnittseffekten gjelder i alle tre motorene. En treffende tittel hjelper i Gemini og Perplexity og har ingen effekt i ChatGPT, som skriver om hvert spørsmål til egne søk.

Hver side ChatGPT siterer, er hentet av dets eget søk først. Hvilke sider søket henter, forklarer 32 % av forskjellene i siteringer mellom sider på ett nettsted, mot 2,8 % for alle sidetrekkene samlet. Motorene søker med delspørringer de formulerer på nytt for hvert svar, og 97 % av sidene ChatGPT henter, finnes ikke blant Googles 50 første treff for de spørringene. En god plassering i Google sier derfor lite om synlighet i AI-svar. Lenker er det eneste ytre signalet som påvirker hentingen, mest i Gemini. De ble målt etter siteringene, så retningen på sammenhengen er ukjent.

Modellens egen kunnskap spiller også inn. ChatGPT skriver et merkenavn inn i søkene sine i 67 % av tilfellene når modellen anbefaler merket for spørsmålet uten å søke, mot 11 % ellers. 46 % av omtalene av merker som spørsmålet ikke nevner, støttes ikke av noen sitert side. Blant de små B2B-leverandørene, som modellen knapt kjenner, økte en sitert tredjepartsside som nevner leverandøren oddsen for at ChatGPT nevner den 39,7 ganger, mot 4,2 ganger i forbrukermarkedet.

FAQ-blokker og schema.org gir fortsatt rike resultater i Google og gjør siden lettere for maskiner å tolke, men disse dataene støtter dem ikke som spak for AI-siteringer innenfor ditt eget nettsted. Det som holder, er en tittel og et beste avsnitt som svarer på spørsmålet med spørsmålets egne ord, sider som motorens søk faktisk henter, og omtale på andre nettsteder, som teller mest for en liten bedrift. Tallene er korrelasjoner fra små API-modeller (GPT-5.4 nano, Gemini 3.1 Flash Lite, Sonar) med engelske spørsmål om det amerikanske markedet. Test dem på dine egne spørsmål før du endrer prioriteringene.

En annen test, fra oktober 2026, viser hvor strukturerte data forsvinner underveis. Rick Ramos fra serptwerker.com la en opplysning bare i JSON-LD på 60 testsider og sjekket den i 21 600 forsøk på modellnivå og 1644 hentinger gjennom leverandørenes egne verktøy. Når modellen får innholdet direkte, fungerer en opplysning i JSON-LD akkurat som den samme opplysningen skrevet i løpende tekst. Når assistenten henter siden selv, blir bildet et annet: Claude web fetch og GPT-5.5 websøk ga opplysningen 0 ganger av 100, fordi JSON-LD aldri når modellen, mens Gemini med URL context leste den i 92 av 100 forsøk (Flash) og 89 av 89 (Pro). Appene ChatGPT og Claude.ai returnerte den aldri. For en WooCommerce-butikk eller et firmanettsted på WordPress er konklusjonen enkel: adresse, åpningstider, tjenesteomfang og alle andre opplysninger som skal havne i et AI-svar, må stå i den synlige teksten på siden. Hold schemaet i samsvar med teksten, for Gemini Pro ga et utdatert svar fra en FAQPage-blokk i 8 av 20 forsøk.

En tredje måling ser på kildene i selve AI Overviews. Barlo Digital publiserte 8. oktober 2026 én kjøring fra 5. oktober: 117 amerikanske desktopsøk etter hjelp til markedsføring. AI Overview dukket opp på 97 av dem (83 %), og 90 oppga kilder. Disse 90 svarene siterte 402 ulike domener, og 329 av dem (82 %) bare én gang. YouTube var med i 60 % av oversiktene, Reddit i 34 %, LinkedIn i 19 % og byråkataloger som Clutch i 8 %. Forfatterne råder: “Hold katalogprofilene korrekte, men ikke forvent at de bærer AI-synligheten” (egen oversettelse). Det er én nisje målt på én dag, men når sitatene er så spredt, har en side som svarer klart på ett konkret spørsmål en reell sjanse til å havne blant kildene.

#Slik øker du LLM-synligheten til nettstedet

Sortert etter effekt for et typisk innholdstungt nettsted.

#1. Start med robots.txt

robots.txt kommer først: en crawler som er blokkert der, henter aldri siden den kunne ha sitert. Mange nettsteder har fortsatt disallow-regler for AI-crawlere fra 2023, da debatten handlet om treningsdata. Hver av de sju crawlerne nedenfor kan slippes inn eller blokkeres i en egen oppføring, så ta beslutningen crawler for crawler. Et fornuftig standardoppsett for et selskap som vil ha AI-synlighet:

User-agent: GPTBot
Allow: /

User-agent: OAI-SearchBot
Allow: /

User-agent: ChatGPT-User
Allow: /

User-agent: ClaudeBot
Allow: /

User-agent: PerplexityBot
Allow: /

User-agent: Google-Extended
Allow: /

User-agent: CCBot
Allow: /

Vil du ha synlighet i ChatGPT uten å la innholdet brukes til trening, tillat OAI-SearchBot og ChatGPT-User og blokker GPTBot. OpenAI dokumenterer denne delingen. Apple, Google og Anthropic har tilsvarende kontroller.

#2. Server Markdown-søsken for hver side

Den mest hevarmsterke tekniske endringen i lista. Eksponer en ren Markdown-versjon av hver side på samme URL med .md på slutten, for eksempel /blogg/innlegg og /blogg/innlegg.md. Markdown-versjonen kvitter seg med navigasjon, bunntekst, analytics-snutter, cookie-bannere og alt annet som blåser opp token-tallet uten informasjonsverdi.

Uavhengige målinger på tvers av innholdsnettsteder viser konsekvent token-reduksjon i området 70 til 85 prosent når Markdown erstatter gjengitt HTML. En bloggpost på 15 000 tokens havner typisk på 3 000. Det betyr noe fordi når en LLM henter siden din for å svare på en brukerprompt, har den et endelig kontekstbudsjett. Mindre, renere innhold får plass mer komplett og siteres mer trofast.

På Astro, Next.js eller et hvilket som helst static-first-rammeverk er generering av .md-endepunkter fra samme content collection som mater HTML-visningen en formiddags arbeid. Markdown bør inneholde tittel, publiseringsdato, forfatter, et kort sammendrag, selve innholdet og tydelig merkede kilder.

#3. Annonser Markdown-versjonen

En LLM-crawler som lander på HTML-siden må oppdage at et Markdown-søsken finnes. To utfyllende mekanismer dekker de to klassene av klienter.

I HTML-head:

<link rel="alternate" type="text/markdown" href="/blogg/innlegg.md" />

I HTTP-response-headeren:

Link: </blogg/innlegg.md>; rel="alternate"; type="text/markdown"

HTML-taggen når parsere som leser DOM-en. HTTP-headeren når headless-agenter som kjører HEAD eller GET og hopper over markup-parsing. Kostnad: en linje i layouten og ett oppslag i CDN-header-konfigurasjonen. Gevinst: crawlere trenger ikke lenger gjette URL-mønsteret ditt.

#4. Content negotiation på Accept: text/markdown

HTTP content negotiation har ligget i standarden siden 1997. Når en klient sender Accept: text/markdown, returner Markdown-representasjonen fra samme URL. Kombiner med Vary: Accept så CDN cacher hver representasjon riktig. Claude Code, Cursor og flere forskningsagenter sender allerede denne headeren som standard. Content negotiation er den mest sannsynlige langsiktige standarden fordi den ikke krever nye spesifikasjoner og gjenbruker den eksisterende HTTP-stakken. I Cloudflare Workers passer implementasjonen i under tjue linjer.

Hva ett nettsted målte, oktober 2026: I Cloudflare-loggene til Amir Pournasserian fra hans private nettsted fant crawlerne Markdown via .md-adressene som står i <head> på hver side. Fra 10. til 17. oktober 2026 sendte sju verifiserte crawlere (Amazonbot, ExaUser, OAI-SearchBot, GPTBot, Applebot, ClaudeBot og Meta-ExternalAgent) 143 forespørsler etter kopiene. Forhandling på Accept: text/markdown ble slått på 18. oktober, og i de første 49 minuttene brukte én verifisert crawler den, ExaSearchBot. Han fant ingen crawleroperatør som dokumenterer at de sender headeren. Det gjør utviklerverktøy som Claude Code, OpenCode og chatten i VS Code. Ut fra disse tallene er det lenken i <head> og en fast .md-adresse som når crawlerne i dag, mens forhandlingen betjener kodeverktøy med agenter. Ett lite privat nettsted, åtte dager for kopiene og under en time for forhandlingen.

#5. Publiser llms.txt og llms-full.txt

To filer i site-roten gjør jobben.

/llms.txt er en kuratert Markdown-indeks. Den lister de viktigste sidene gruppert etter tema med en-linjes beskrivelser. Tenk på det som en README for en LLM som har blitt spurt om nettstedet ditt.

/llms-full.txt slår sammen hele Markdown-innholdet av kjernesidene dine i én fil. Analytics på tvers av flere utgivere viser at den får vesentlig mer LLM-trafikk enn den korte indeksen. Generer begge ved build-tid fra samme content collection du allerede vedlikeholder, og regenerer ved hvert deploy. Ingen stor LLM-leverandør har formelt forpliktet seg til å lese disse filene, men de dukker opp ofte nok i serverlogger til å forsvare tiden.

#6. Invester i synlig innholdskvalitet

Den største og mest oversette spaken. LLM-er syntetiserer svar ved å vekte kandidatsetninger fra hentede sider. Setninger med konkret, tilskrivbar informasjon får høyere vekt enn vage påstander. “Studier viser at AI-synlighet betyr noe” er nesten ubrukelig. “Uavhengige tester i 2026 fant at direkte sitater fra navngitte eksperter hever siteringsraten med rundt 43 prosent” er det som blir sitert.

Tre bevegelser øker siteringsraten konsekvent på innhold som tidligere ble lite sitert:

• Direkte sitater fra navngitte eksperter.
• Verifiserbare statistikker med en tydelig angitt kilde.
• Autoritative utgående lenker til primærkilder.

Alle tre er synlige innholdssignaler. Ingen er skjult. For et WordPress-byrå, et SaaS-selskap eller enhver virksomhet med bransjekompetanse lyder den praktiske oversettelsen: slutt å skrive generiske lister, og begynn å skrive artikler som navngir konkrete versjoner, datoer, personer og tall. Siter kilder i teksten. Siter ditt eget team ved navn. Ta med år og versjon av hvert verktøy du nevner. Det er god journalistikk og det er GEO.

#SEO- og GEO-sjekkliste for 2026

Crawlbarhet og indeksering:

• robots.txt tillater både klassiske søkeroboter og AI-brukeragenter du vil være synlig i.
• XML-sitemap er fersk og levert til Google Search Console og Bing Webmaster Tools.
• Intern lenking følger en tydelig tematisk struktur. Hub og spoke, eller tematiske kart.
• Canonical-tagger er riktige på duplikate eller parameteriserte URL-er.

On-page, fortsatt viktig for mennesker og LLM-retrieval:

• Beskrivende, keyword-informerte titler og H1 i sentence case.
• En H1 per side, logisk H2- og H3-hierarki.
• Metabeskrivelser skrevet for mennesker, ikke oppstappet.
• Schema.org-typer som matcher innholdet, inkludert Article, FAQPage, Product, Organization, Person og HowTo, for rike resultater i Google og maskinell tolking (om AI-siteringer, se oppdateringen fra 18. oktober 2026 lenger opp).
• Alt-tekst som beskriver bildet, ikke søkeordet.

Core Web Vitals. AI-crawlere kjører ikke JavaScript, men klassisk søk gjør det:

• LCP under 2,5 sekunder på mobil.
• CLS under 0,1.
• INP under 200 millisekunder.

GEO-spesifikt:

• Markdown-endepunkter for hver innholdsside.
• <link rel="alternate" type="text/markdown"> i hvert layout.
• Link:-HTTP-header på CDN-nivå.
• Content negotiation på Accept: text/markdown.
• /llms.txt og /llms-full.txt i site-roten, regenerert ved hvert deploy.
• Synlige kilder, sitater og statistikk i selve innholdet.
• Navngitte entiteter: personer, produkter, selskaper, versjoner og datoer brukt konsistent.

Måling:

• Server-side-logging av User-Agent og Referer på edge.
• Et dashbord som segmenterer AI-crawler-trafikk fra menneskelig og klassisk søketrafikk.
• Månedlige testprompts i ChatGPT, Claude, Perplexity og Gemini for merkevareomtale.

#I hvilken rekkefølge bør du innføre GEO?

For et nettsted som ikke har noe av dette, jobb i denne rekkefølgen. Hvert steg har verdi alene.

1. Gjennomgå og rett robots.txt. Uten dette virker ingenting.
2. Legg til <link rel="alternate" type="text/markdown"> som peker mot et kommende Markdown-endepunkt. Kan deployes før endepunktet eksisterer.
3. Bygg Markdown-renderingspipelinen. Start med innholdstypen med mest trafikk og utvid.
4. Legg til Link:-responsheaderen og content negotiation på Accept: text/markdown på CDN-en.
5. Generer /llms.txt og /llms-full.txt fra content collection ved build-tid.
6. Omarbeid flaggskipsartikler med navngitte entiteter, direkte sitater og siterte statistikker. Redaksjonelt arbeid med høyest langsiktig effekt.
7. Instrumenter server-side-analytics for AI-crawler-trafikk.

Steg én til fem er rent engineering og kan lande i én sprint. Steg seks er redaksjonelt og forrenter seg over kvartaler. Steg sju forteller deg om noe av det virket.

#Slik måler du AI-synlighet

Tradisjonell analyse ser ikke det meste av AI-crawler-trafikken. Den kjører ikke JavaScript, så GA4 og Plausible fanger den ikke. Du trenger server-side-logging.

Fang på edge: full User-Agent, Referer-header, forespurt sti, returnert HTTP-status og responsstørrelse. Segmenter etter user-agent-mønstre som GPTBot, ClaudeBot, PerplexityBot, OAI-SearchBot, Bytespider, CCBot, Applebot-Extended og Google-Extended for å bygge et ukentlig dashbord.

Suppler med merkevareomtaletracking. Én gang i uka, kjør et fast sett med prompts gjennom ChatGPT, Claude, Perplexity og Gemini og noter om merkevaren blir sitert, i hvilken posisjon og med hvilket utdrag. Verktøy som Profound, Peec AI og Otterly automatiserer dette. Et disiplinert regneark gjør jobben like bra.

Selve utvalget av prompts endrer resultatet. Momentic publiserte 20. oktober 2026 en analyse av 145 498 vurderte svar på 8342 prompts for 18 merkevarer, samlet fra 13. juli til 15. august 2026 på 11 svarflater. Når prompten nevnte merkevaren, nevnte svaret den i 91,6 % av tilfellene, uten navnet i 19,6 %. Ber du om et valg (“hva anbefaler du”, “beste X for Y”), fikk du i snitt 4,55 alternativer og en anbefaling av den sporede merkevaren i 22,8 % av svarene, mot 1,25 alternativer og 8,0 % for spørsmål uten en slik bønn. Samme prompt samme dag motsa seg selv om merkevareomtalen i 4,5 % av gjentakelsesgruppene uten merkevare og 5,1 % med merkevare. Negativt formulerte spørsmål løftet andelen svar med forbehold om merkevaren til 67,1 %, mot 32,0 % for de øvrige. Kilder ble vist i 79 % av svarene i AI Overviews, 88 % for ChatGPT med nettlesing og 0 % for API-moduser uten søk. Forfatterne anbefaler: “Rapporter merkevareprompts som en egen gruppe, og hold dem utenfor hovedtallet for omtaler” (egen oversettelse). I regnearket betyr det egne grupper for prompts med merkevare, uten merkevare og med ønske om et valg, og flere kjøringer per prompt i stedet for én.

Hvis en crawler henter Markdown-endepunktet ditt, men merkevaren aldri dukker opp i siteringssettet, er innholdet nåbart, men ikke konkurransedyktig. Tilbake til den redaksjonelle spaken.

#Hvordan skille omtale fra anbefaling i AI-svar

Et antall omtaler svarer bare på om merkevaren dukket opp. Det sier ikke om svaret sendte leseren til deg. Seers innlegg om KPI-er for AI-synlighet beskriver problemet:

“I AI-søk er det fullt mulig å dukke opp og samtidig bli ANTI-anbefalt.”

Seer Interactive, AI visibility KPIs, egen oversettelse

På norsk: du kan vises og likevel bli frarådet. Eksemplet er et ChatGPT-svar som ba brukeren se utenfor to kjente utleiemerker. Begge var synlige, ingen ble anbefalt. Grunnlaget er anekdoter, ikke et datasett. Les det som en advarsel om målet, ikke som en målt andel.

Før derfor to kolonner per prompt: sitert og anbefalt. Noter når svaret leder leseren andre steder.

Mine egne tall viser hvorfor én kolonne lurer deg. I Geoboard-kjøringen på polske kjøpsprompter hadde wppoland.com 47 % omtalerate og 0 % autoritetsrate: med, men aldri først. ChatGPT traff 0 av 8 testede prompter. Den 5. oktober 2026 kjørte jeg 24 smerteprompter med 60 kjøringer per modell, til sammen 2 878 svar fra gpt-4o-mini og gemini-2.5-flash-lite. Ingen nevnte wppoland. På spørsmål om hvem man bør hyre pekte modellene på markedsplasser som freelancer.com, ikke på firmaer. Begge testene spør modellene uten live-søk, så de måler hva modellen husker, ikke hva ChatGPT finner med nettsøk.

En tredje kolonne er verdt å legge til: kjenner assistenten merkevaren ved navn? Envoyras rapport fra høsten 2026 stilte ChatGPT, Claude, Gemini og Perplexity kjøpsspørsmål om fem typer bedriftsprogramvare i fire ukentlige kjøringer fra 13. september til 4. oktober 2026, til sammen 2 720 svar, pluss 720 svar på rene navnespørsmål fra 7. til 9. oktober. Keap ble beskrevet riktig i 24 av 24 navnesvar, men anbefalt i bare 3 av 400 CRM-svar. Profound ble anbefalt i 136 av 384 kategorisvar, men gjenkjent ved navn i bare 5 av 24, ofte forvekslet med et annet selskap med samme navn. Bare 144 av 680 par av spørsmål og assistent ga samme merkeliste alle fire ukene, og de fire assistentene var enige om lederen i 1 av 5 kategorier. Envoyra oppgir selv begrensningene: selskapet selger overvåking av AI-synlighet, spørsmålene er ikke publisert, Claude og Gemini kjørte via API uten nettsøk, og gjenkjenningstesten har 6 svar per merkevare og assistent. Slik bygger jeg denne sporingen for kunder: GEO- og LLMO-optimalisering.

En anbefaling kan også forsvinne over natten. Lukas Campos beskriver hvordan utvidelsesbehandleren i ChatGPT anbefalte tjenesten hans, Audioscrape, i samtaler i seks dager, fra 4. til 9. september 2026: daglige registreringer fra ChatGPT lå 36 ganger høyere enn før, og 96% av registreringene den uken kom via innlogging med ChatGPT, ikke via firmaets nettsted. Vinduet ble lukket av en endring hos plattformen, ikke av noe firmaet gjorde (Campos, router economy). Dette gjelder en utvidelseskatalog, ikke en side sitert i et svar, men lærdommen holder: en anbefaling i en assistent er leid, så mål kolonnen “anbefalt” dag for dag og gjør trafikk fra et slikt vindu om til direkte kontakt med en gang.

#Hva er fan-out- og grounding-spørringer?

SearchPilots AI-assisterte sammendrag av et webinar med Cyrus Shepard er ikke en transkripsjon. Det bygger på hans gjennomgang av 54 studier om AI-siteringer og skiller to typer søk. Fan-out-spørringer undersøker forespørselen: én prompt kan utløse mange bakgrunnssøk. Grounding-spørringer bekrefter en påstand systemet allerede vil komme med. Ifølge sammendraget kommer mange synlige siteringer fra grounding-steget. En side kan prege undersøkelsen uten å bli sitert, eller bli sitert for å bekrefte en påstand uten å påvirke selve anbefalingen.

Du finner ikke disse spørringene i egne rapporter. En oppsummering fra ROAST av Google Search Central Live i Barcelona sier det rett ut:

“Googles fan-out-spørringer vises ikke i Search Console, siden de ikke kommer fra brukere.”

ROAST, Google Search Central Live Deep Dive Barcelona, day 3 recap, egen oversettelse

#Hvilke måltall for AI-synlighet du bør følge

• Gjenta hver prompt. Seer foreslår å kjøre de ti viktigste promptene 10, 20 eller 30 ganger i måneden. Resultatet kaller Seer en momentum-måling, “ikke en endelig KPI du setter på ledelsens dashbord” (Seer Interactive, egen oversettelse).
• Se på Google-trafikk ved siden av LLM-trafikk. SearchPilot-sammendraget beskriver en Omio-test der et strukturert sammendrag øverst på siden løftet LLM-trafikken mens Google organisk gikk feil vei.

#Spørsmål om Markdown, blokkering av AI-crawlere og resultater

Vil Markdown kannibalisere SEO-trafikken? Nei. Google indekserer HTML-canonicalen. Markdown-søskenet annonseres som en rel="alternate"-representasjon, som forteller Google at den ikke skal behandles som duplikat.

Blir ikke alt dette misbrukt? LLM-er evaluerer kandidatkilder etter opplevde tillitssignaler, ikke etter filformat. Å publisere Markdown gjør ikke tynt innhold siterbart. Investeringen beskytter mot nedsidenen av å være uleselig, uten å garantere oppsidenen av å bli sitert.

Bør jeg blokkere AI-crawlere? Forretningsbeslutning. Lever du av direkte trafikk, er trening blokkert og retrieval tillatt et fornuftig kompromiss. Lever du av oppdagbarhet, blokker ingenting.

Hvor lang tid før jeg ser resultater? Den tekniske delen virker i løpet av dager så snart crawlerne henter på nytt. Den redaksjonelle delen forrenter seg over kvartaler. Forvent målbare endringer i AI-siteringer fire til åtte uker etter samtidig utrulling av begge lag.

#Slik sporer du AI-siteringer av eget nettsted

Alt over forutsetter at du må gjette om hele rørleggingen faktisk virker. Det må du ikke. Jeg kjørte wppoland.com selv som testobjekt i et helt kvartal og publiserte den rå metoden, ikke bare konklusjonen.

Hvordan jeg sporet wppoland.coms egne AI-siteringer i 90 dager er loggen fra det eksperimentet: edge-side User-Agent-fangst, et ukentlig fast prompt-sett over fire assistenter, og siteringskurven uke for uke. Det er referanseimplementasjonen for steg sju i den pragmatiske rekkefølgen over, gjort på min egen infrastruktur i stedet for beskrevet i det abstrakte. For norsk språk er utvalget av treningsdata tynnere enn for engelsk, noe som gjør uke-til-uke-variasjonen større og krever et lengre målevindu enn i det opprinnelige engelske eksperimentet.

AI-sitasjonsovervaking: hva du bør spore og hvor ofte gjør det enkeltstående eksperimentet til en repeterbar rytme. Den fastsetter hvilke felt som skal logges på edge, hvor ofte prompt-settet bør køres på nytt uten å brenne et kvartalsbudsjett på støy, og ved hvilken terskel en nedgang i siteringer er signal snarere enn normal uke-til-uke-variasjon.

Hvorfor Perplexity siterer merkevaren din, og ChatGPT ikke gjør det forklarer splitten som dukker opp først når du begynner å måle: samme side blir sitert pålitelig av en assistent og aldri av en annen, av strukturelle grunner som ikke har noe med innholdskvalitet å gjøre. Å vite hvilken assistent som premierer hvilket signal, endrer hvor du bruker den redaksjonelle timen fra steg seks.

Les disse tre sammen før du bygger et dashbord fra scratch. Det tekniske mønsteret er ferdig. Det åpne spørsmålet er hva dine egne logger sier om din egen domene.

#Slik skriver du innhold for RAG og chunking

Moderne søkemotorer drevet av kunstig intelligens deler dokumenter inn i mindre tekstbiter (chunks) for vektorsøk:

• Selvstendige avsnitt under hver overskrift: Hvert delkapittel må åpne med en tydelig påstand som nevner merkevaren og fagbegrepene ved fullt navn, i stedet for uklare pronomen.
• Strukturerte data med Schema.org og Wikidata: Koble JSON-LD-dataene dine direkte til anerkjente registre for å sikre entydig autoritet i LLM-kunnskapsgrafer.
• Markdown-tabeller for direkte sitering: Modeller som ChatGPT og Claude siterer strukturerte tabeller langt oftere enn ustrukturerte avsnitt.
• Faktisk konsistens på tvers av språk: Sørg for at nøkkeltall og tekniske spesifikasjoner er identiske i alle språkversjoner, slik at språkmodellene unngår motstridende fakta under flerspråklige spørringer.
• Regelmessig loggrevisjon: Følg med på nye AI-søkeroboter i tjenerloggene for å sikre at robots.txt aldri blokkerer verifiserte agenter.

#Langsiktig GEO-strategi for AI-søk

Forslag til standarder, crawlere og måten LLM-er vekter siteringer på, endrer seg fra måned til måned. Alle retrieval-systemer leser likevel det samme: ryddig, godt strukturert innhold med kilder, i et format som er billig å behandle, og derfor er det laget det tryggeste stedet å legge arbeidet.

Det tekniske røret, det vil si Markdown-søsken, content negotiation og llms.txt, er inngångsbillett. Den redaksjonelle jobben, det vil si navngitte entiteter, direkte sitater, verifiserbare statistikker og autoritative kilder, er vollgraven. Konkurrenter kopierer infrastrukturen din på en uke. Fem års substansiell tekst fra navngitte eksperter i ditt selskap kopierer ingen.

Bygg røret én gang. Bruk resten av tiden på å skrive ting verdt å sitere.

Samme sjekkliste kjører jeg når jeg integrerer KI i WordPress for utgivere som trenger sitater, ikke bare enda en chatbot-plugin.