Måle AI-synlighet

Måle AI-synlighet

Sist verifisert: 22. september 2026
13 min lesetid
Casestudie
Teknisk SEO

#AI-siteringsrate for en selvstendig WordPress-utvikler i Q2 2026

I et kvartal rettet jeg overvåkingen av AI-synlighet mot mitt eget nettsted og skrev ned hva den sa, inkludert delene som ikke var smigrende. Kort sagt: AI-siteringsraten min er lav nettopp der det betyr mest, ingen av de tre instrumentene jeg brukte leste produktet en kunde faktisk åpner, og ett av tallene mine kom ut av et regneark ingen fylte ut. Det mest nyttige resultatet av øvelsen var å lære å mistro et pent tall som kom fra feil instrument. Det mest ydmykende var å oppdage at jeg et halvt kvartal selv var det feil instrumentet. Dette er den første i en kvartalsvis serie, så tallene nedenfor er et utgangspunkt, ikke en æresrunde.

Det meste som skrives om AI-synlighet er råd. Dette er måling. WPPoland er Mariusz Szatkowski, en senior WordPress-utvikler som argumenterer for å servere AI rent, tjenertegnet HTML, så det var bare rimelig å sjekke om WPPoland selv blir sitert. Svaret, gjennom tre øyeblikksbilder i april, mai og juni 2026, var mer interessant enn et enkelt tall.

#Måler en API-proxy ekte siteringer i ChatGPT?

Før noe funn, forbeholdet som omramming alle de andre. Det finnes to vanlige måter å måle hvor ofte en AI siterer deg, og de er ikke enige.

Den billige måten er en API-proxy. Du sender promptene dine gjennom en modells API, leser teksten som kommer tilbake, og teller merkenevnelser og lenker. Den er repeterbar og nesten gratis, og derfor er den overalt. Svakheten er at API-banen ikke er produktet en kunde bruker. Publiserte sammenligninger anslår kildeoverlappet mellom API-svar og forbrukernettgrensesnittet til lave ensifrede prosenter, så en proxy kan fortelle deg at en modell kjenner navnet ditt i det abstrakte, mens den ikke forteller deg noe pålitelig om hva en ekte bruker ser.

Den ærlige måten er å overvåke de ekte forbrukerutdataene, de samme svarene en person får i ChatGPT- eller Perplexity-grensesnittet, inkludert hvilke kilder produktet faktisk viser. Det koster mer og er vanskeligere å automatisere. Det er også det eneste tallet som svarer til et tapt eller vunnet besøk.

Jeg brukte tre varianter av den første og ikke én eneste gang den andre. Det er den mest gjenbrukbare lærdommen i denne rapporten: gjennom et helt kvartal målte jeg noe annet enn det jeg sa jeg målte, og jeg oppdaget det først da jeg satte meg ned for å skrive ut hvor hvert enkelt tall kom fra.

#Merkevareomtaler i ChatGPT målt via API-proxy

Mitt første øyeblikksbilde, 6. april, var en API-proxy-kjøring. Hovedtallene, over 26 spørringer mot ChatGPT:

MåltallResultat
Merkenevneandel7,7 prosent (2 av 26)
URL-siteringsrate0 prosent
Sterkeste kategoriTillegg, 14,3 prosent nevnelse
Transaksjonell kategori12,5 prosent nevnelse
Informasjonell og lokal0 prosent nevnelse

En nevneandel under åtte prosent og en siteringsrate på null leses som en katastrofe. Den mer nyttige detaljen er hvem som ble sitert i stedet for meg. Da modellen grep etter en kilde om polsk WordPress-arbeid, navnga den kataloger og jobbportaler: pracuj.pl dukket opp tre ganger, sammen med clutch.co, olx.pl, home.pl, nazwa.pl og en annonse for en utvikler-meetup. Det er ikke konkurrenter som skrev bedre enn meg. Det er aggregatorer som modellen stoler på som generiske svar på et kommersielt spørsmål. Det mønsteret, at assistenten faller tilbake på en katalog i stedet for en spesialist, viste seg å være den egentlige historien, og finpuss på siden fikser det ikke.

Rapporten selv bar advarselen jeg vil at du også skal bære: API-proxy, kun retningsgivende trender, omtrent fire prosent kildeoverlapp med nettgrensesnittet. Jeg forsto ennå ikke hvor mye den advarselen betydde.

#Hvordan tomme rader forvrenger AI-siteringsraten

Mai-kjøringen 11. mai var ingen kjøring. Panelet for den uken er et regneark i repoet: tjue spørringer fordelt på ChatGPT, Perplexity, Bing Copilot og Claude, en tom resultatkolonne ved siden av hver, og øverst en linje Owner: _______ som ingen noen gang signerte. Ingen fylte det ut. Tabellen skriptet mitt produserte fra det, så derimot akkurat ut som en måling:

MotorRader i arketUtfyltResultat i rapporten
ChatGPT60uavklart
Perplexity60uavklart
Bing Copilot40uavklart
Claude40uavklart

Hver rad kom tilbake som uavklart, men ikke fordi instrumentet sjekket noe og holdt igjen en dom. scripts/compute-ai-citation-metrics.mjs leser en celle, teller den som sitering hvis den matcher yes, y, true, 1 eller x, som manglende sitering hvis den matcher no, n, false eller 0, og skriver unknown i alle andre tilfeller. En tom celle matcher ingenting, så den får unknown. Tjue uavklarte resultater er tjue rader ingen så på. Det finnes ingen grounding-deteksjon i den pipelinen, og det har det aldri gjort.

Siste linje i rapporten er verre. Siteringsraten regnes ut som siteringer med ja delt på alle rader, så de tjue tomme radene havnet rett i nevneren, og den genererte filen kunngjør: siteringsrate 0 prosent. Et tomt regneark gikk inn i skriptet og kom ut på den andre siden som en pent formatert rapport med en null i overskriften og en fordeling på fire motorer under.

Slik ser denne feilmodusen ut innenfra. Ikke et instrument som ærlig melder at det ikke ser noe. Et instrument som gjør manglende data om til et resultat og legger det fram med samme selvsikkerhet som en måling. Jeg anklager dashbord for AI-synlighet for nettopp dette noen avsnitt lenger ned, så det er bare rimelig å si det rett ut: min egen pipeline gjorde akkurat det, ingen la merke til det, og mai-nullen lå i repoet hele tiden og så ut som et funn. Et tall trenger ikke være oppdiktet for å villede. Det holder at det er pent formatert.

#Måler Geoboard AI-synlighet med direkte nettsøk?

  1. juni byttet jeg instrument. Jeg beskrev det den gangen for meg selv som et skifte fra API-et til ekte modellutdata. Det var det ikke. Jeg koblet på Geoboard, seks modeller deriblant ChatGPT, Claude, Gemini, Perplexity, Grok og DeepSeek, mot et sett kjøpsnære prompter. Det er en annen leverandør, ikke en annen type måling: klienten min for det, scripts/geoboard-pull.mjs, er et drøyt dusin linjer som pakker curl rundt et REST-API. Et forbrukergrensesnitt finnes ikke i det på noe punkt.

Geoboards eget metodenotat sier for øvrig det jeg ikke sa: kjøringen spør modellene uten direkte nettsøk, og måler dermed gjenkalling fra treningsdata. En ekte ChatGPT og en ekte Gemini søker direkte og ville funnet det kjørende nettstedet. Juni-kjøringen målte altså ikke om AI siterer meg. Den målte om modellene husker meg fra treningen, og for et nisjepreget enkeltpersonforetak i B2B ligger det nær null av konstruksjon. Jeg hadde byttet én blindsone mot en annen og tok det en kort stund for framgang.

Bildet ble skarpere likevel, for to blindsoner på ulike steder viser mer sammen enn én gjør alene. For én smal spørring, et polsk studio som betjener utenlandske WordPress-kunder, rangerte jeg først i fem av de seks testede modellene. Med direkte nettsøk avslått betyr det noe bestemt, og sterkere enn jeg hadde antatt: assosiasjonen sitter i modellene selv, ikke i søkeresultater som stiftes på i farten. Det er en spesifikk identitetspåstand med lite konkurranse, akkurat den typen spørring en spesialist bør eie.

For transaksjonelle WooCommerce-spørringer, spørringene nærmest inntekt, var jeg nær usynlig. Modellene svarte selvsikkert og grep ikke etter meg. ChatGPT var konsekvent den svakeste kanalen for merket, uten et eneste treff i hele det testede settet. Perplexity kom sterkest ut.

Og her var jeg nær ved å gjøre nøyaktig den feilen denne rapporten handler om. Den nærliggende forklaringen på Perplexity-forspranget er at Perplexity lener seg hardt på direkte nettsøk. Forklaringen er elegant, den passer med alt man vet om produktet, og den holder ikke her: ingen modell i den kjøringen hadde direkte nettsøk. Hva enn som ga Perplexity forspranget, var det ikke direkte nettsøk. Jeg vet ikke hva det var. Å gjette ville gjort et metodeforbehold jeg selv hadde på papiret om til en setning som låter som en konklusjon, og det ville vært samme grep som mai-nullen, bare bedre kledd.

Konkurrentene som faktisk dukket opp, var stort sett generelle SEO- og SEM-byråer som markedsfører seg som “AI SEO”-leverandører, ikke WooCommerce-spesialister. Gapet er altså autoritet og assosiasjon, ikke sidekvalitet.

#Hvorfor AI-siteringsraten avhenger av målemetoden

Lest sammen sier kvartalet tre ting klart.

For det første er metoden en del av tallet. De tre kjøringene spenner over rundt ni og en halv uke, fra 6. april til 11. juni, og nettstedet sto ikke stille i mellomtiden: jeg lanserte nye seksspråklige beslutningsguider i det vinduet, rettet nettopp mot gapet målingen hadde avdekket. Jeg kan altså ikke si det jeg gjerne skulle sagt, nemlig at metoden flyttet tallet og ikke virkeligheten. Jeg mangler kontrollen for det, for virkeligheten flyttet seg også. Jeg kan si noe svakere og sikrere: disse tre metodene spriker så kraftig at ingen av tallene kan tolkes uten metoden som produserte det. Hvis et verktøy gir deg en AI-siteringsrate uten å fortelle deg om det leste API-et eller produktet, og om modellen hadde direkte nettsøk på, mistro det.

Førstepartsmåling er hele poenget med denne øvelsen, og det er den samme disiplinen jeg bruker på kundearbeid: et tall du ikke kan gjenskape er ikke bevis. Jeg lærte den samme lærdommen den harde veien med et eksperiment med et syntetisk merke, der en modell selvsikkert beskrev et selskap som ikke eksisterte. Å måle et ekte merke har den motsatte feilmodusen, å selvsikkert rapportere null når sannheten er ukjent, og mai-skriptet mitt gjorde nettopp det bokstavelig. Begge kommer tilbake til den samme plikten: sjekk instrumentet før du stoler på avlesningen, også, og særlig, når du har skrevet instrumentet selv.

For det andre er identitetsspørringer mulige å vinne og transaksjonelle er det ikke, i hvert fall ikke på siden. Jeg holder den smale posisjoneringsspørringen fordi den er spesifikk og lite omkjempet. Jeg taper de kommersielle spørringene fordi modellene lener seg på kataloger og brede byråer, og ingen mengde renere HTML endrer hvem en modell allerede assosierer med “WooCommerce-utvikler”. Det er et autoritetsproblem utenfor siden.

For det tredje betyr kanalen noe, selv når du ennå ikke kan si hvorfor. Det samme merket kom sterkest ut i Perplexity og dukket ikke opp i ChatGPT en eneste gang, i samme kjøring, på samme spørringssett, under samme innstillinger. Noen forklaring på det har jeg ikke. Det jeg har, er fordelingen per modell som viser forskjellen, og det er nok til å vite hvor man skal lete videre. En enkelt blandet “AI-synlighetsscore” skjuler nettopp informasjonen du trenger, og gir på kjøpet en falsk følelse av å ha forstått noe.

#Hva du bør registrere ved månedlig sporing av AI-siteringer

Jeg skrev ikke om sider som reaksjon på et proxy-tall, for det ville være å optimalisere for et instrument i stedet for en kunde. I stedet endret målingen hvor jeg legger innsatsen.

  • Jeg låste spørringssettet og kadensen: en stabil liste med identitets-, informasjons- og transaksjonsspørringer, registrert månedlig, med motoren, datoen og signaturen til den som fylte ut raden. Linjen Owner er ikke lenger pynt.
  • Jeg merker hvert tall med instrumentet og innstillingene, inkludert om modellen hadde direkte nettsøk, og setter ikke tall fra to ulike instrumenter ved siden av hverandre.
  • Mai blir stående i serien merket som manglende data, ikke som null. Skåringsskriptet teller fortsatt tomme rader inn i nevneren for siteringsraten, og inntil jeg retter det, går ingen null fra den pipelinen inn i en rapport uten at noen sjekker hvor mange rader som faktisk ble fylt ut.
  • Jeg flyttet arbeidet med transaksjonell synlighet utenfor siden, fordi gapet der er assosiasjon og autoritet, ikke innhold på siden, og det er dokumentert i tilnærmingen min for GEO og LLMO i stedet for i en ny omskriving.
  • Jeg fortsetter å servere alt i tjenertegnet HTML, som er forutsetningen for å være siterbar i det hele tatt, og temaet for notatet mitt om hvorfor vestlige assistenter leser rå HTML.

#Hvordan måle synlighet i ChatGPT og Perplexity

Du trenger ikke budsjettet mitt for å starte. Det ærlige minimumsoppsettet er en fast liste med ti til tjue spørringer ekte kunder ville stilt, kjørt én gang i måneden, med tre kolonner registrert hver gang: motoren, datoen og om merket ditt ble navngitt eller URL-en din lenket. Legg til en fjerde kolonne for hvilke andre domener som ble sitert, fordi det forteller deg hvem du faktisk konkurrerer mot i svaret, og det er sjelden den du tror. Legg til en femte for hvem som fylte ut raden. Det høres ut som byråkrati helt til du ser en rapport generert fra et ark ingen har rørt.

Hvis du bruker et automatisert verktøy, still det to spørsmål før du stoler på et eneste diagram: leser du API-et eller produktet, og hadde modellen direkte nettsøk på? Hvis det ikke kan svare, behandle utdataene som kun retningsgivende, slik alle tre kjøringene mine var. Og er verktøyet ditt eget, sjekk én ting til: hva det gjør med en tom rad. La det aldri gjøre manglende data om til en selvsikker null.

#Hvilke spørringer du bør bruke for å måle AI-siteringer

For å unngå misvisende gjennomsnittstall har jeg delt testspørringene inn i tre adskilte kategorier:

  • Merkevarespørringer (Brand Recall): Tester om modellene gjenkjenner min kjernekompetanse og mine faglige bidrag til WordPress-økosystemet.
  • Problemløsende spørringer (Problem-Solution Fit): Spesifikke tekniske feilsøkingsspørsmål der målet er å bli sitert som autoritativ fagkilde.
  • Kommersielle spørringer (Commercial Intent): Kjøpsorienterte forespørsler om byråvalg og migrasjoner, hvor konkurransen mot etablerte kataloger er hardest.

#Hvorfor låse temperatur ved API-måling av AI-svar

Når målinger kjøres via API, er det avgjørende å låse parametere som temperatur (temperature: 0.0) for å unngå tilfeldige utslag mellom testkjøringene. En standardisert prosess gir data man faktisk kan stole på over tid.

#Hvordan lagre modellsvar for å spore AI-siteringer over tid

Å samle rådata i en fast database gjør det mulig å oppdage trender over tid:

  • Lagring av modellsvar for sentimentanalyse: Ved å arkivere faktiske svar kan jeg analysere hvordan modellene beskriver mine tjenester og fange opp eventuelle faktafeil eller hallusinasjoner tidlig.
  • Månedlige sammenligninger på tvers av søkemotorer: Kontinuerlig testing gir et realistisk bilde av hvor jeg står i det nye søkelandskapet. Kunnskap om egne måledata er den beste forutsetningen for god digital synlighet.

#Oppsummering av målingen av AI-siteringer i Q2 2026

Et kvartal med å måle mine egne AI-siteringer ga ett ubehagelig tall, den transaksjonelle siteringsraten min er lav, og én genuint verdifull vane, aldri siter et AI-synlighetstall uten metoden som produserte det. Mai viste meg ikke i det hele tatt, det så bare slik ut. Juni avdekket en forsvarlig identitetsposisjon april ikke kunne se, og gjorde det mens den målte noe annet enn jeg trodde den gangen. Alle tre avlesningene ble nyttige først da jeg skrev ned hvordan hver av dem ble tatt. Før det var én av dem bare en null i en fil. Dette er rapport én. Jeg publiserer det neste øyeblikksbildet ved slutten av kvartalet, på det samme spørringssettet, slik at serien kan sammenlignes i stedet for beundres. Hvis du vil bli sitert av AI, begynn med å måle det ærlig, og bygg det inn i arbeidsflyten jeg beskriver for GEO og LLMO.

Lagdelte siteringsprompter er nytteløse uten den underliggende KI-integrasjonen i WordPress som gjør entiteter, sitater og fakta maskinlesbare i det hele tatt.

Neste steg

Gjør artikkelen om til faktisk implementering

Denne blokken styrker intern lenking og sender leseren videre til de mest relevante tjenestene og innholdet.

Vil du få dette implementert på nettstedet ditt?

Hvis synlighet i Google og AI-systemer betyr noe, kan jeg bygge innholdsarkitektur, FAQ, schema og intern lenking for SEO, GEO og AEO.

Ofte stilte spørsmål

Praktiske svar for å bruke temaet i faktisk arbeid.

Hva er en AI-siteringsrate og hvorfor måle den?#
Det er hvor ofte en AI-assistent navngir merket ditt, eller lenker URL-en din, når den svarer på et relevant spørsmål. Det er viktig fordi AI-svar i økende grad sitter mellom en søker og nettstedet ditt. Hvis assistenten siterer en katalog i stedet for deg, mister du besøket før klassisk SEO i det hele tatt slår inn. Du kan ikke forbedre det du ikke måler, så det første steget er et utgangspunkt.
Hvorfor ga de tre kjøringene så ulike tall?#
Fordi det var tre ulike instrumenter, og ingen av dem leste produktet en kunde bruker. April-kjøringen gikk gjennom et modell-API, og notatet dens eget oppgir kildeoverlapp med nettgrensesnittet til noen få prosent. Mai-panelet var et regneark ingen fylte ut, så nullen der var aldri en måling. Juni-kjøringen spurte seks modeller gjennom en leverandørs REST-API, med direkte nettsøk avslått, og målte dermed treningsminne. Det er tre ulike spørsmål, ikke tre avlesninger av samme størrelse.
Hva viste juni-kjøringen faktisk?#
En splittelse, men smalere enn jeg først antok. For den smale identitetsspørringen om et polsk studio som betjener utenlandske WordPress-kunder rangerte jeg først i fem av seks modeller. Med direkte nettsøk avslått betyr det at assosiasjonen sitter i modellene selv. For transaksjonelle WooCommerce-spørringer, der pengene er, var jeg nær usynlig. ChatGPT var den svakeste kanalen for meg og Perplexity den sterkeste, men jeg vet ikke hvorfor, for ingen modell i den kjøringen hadde direkte nettsøk.
Hvor ofte bør jeg måle AI-siteringer?#
Månedlig er nok for et lite nettsted, fordi modellatferd og ditt eget innhold begge beveger seg sakte i forhold til målestøyen. Velg et fast spørringssett, noter motoren, datoen og innstillingene ved hvert tall, og sett aldri tall fra to ulike instrumenter ved siden av hverandre. Noter også hvem som fylte ut raden, ellers kan du ikke skille fravær av sitering fra fravær av måling. Jeg publiserer et kvartalsvis øyeblikksbilde slik at serien forblir ærlig og sammenlignbar.
Er en høy AI-siteringsrate verdt å jage for hver spørring?#
Nei. Identitets- og informasjonsspørringer er lettere å vinne og verdt å holde på, men transaksjonelle spørringer er der konkurrenter og kataloger kjemper hardest, og der arbeid på siden alene sjelden flytter nålen. For dem betyr autoritet utenfor siden mer. Mål først, bruk så ressurser der gapet er reelt, ikke der tallet er lett å forbedre.

Relaterte artikler

AI-sitatsovervåking: hva spore og hvor ofte

De fleste AI-synlighetsdashbord selger ett tall. Jeg viser spørringsfamiliene, metrikkene som faktisk forutsier inntekt, overvåkingsstacken jeg kjører på eget nettsted, og kadens-tabellen innkjøpsteam bør kreve av enhver GEO-leverandør.