Öppnas i ett nytt fönster
När människor i dag söker information möts de allt oftare av AI-genererade svar. För företag som har satsat stort på SEO som trafikstrategi innebär det här en ny spelplan. Målet är inte längre bara att ranka högt i en lista med länkar, utan att innehållet bli valt i AI-svar. Citeringar och varumärkesomnämnanden (så kallade brand mentions) har därför blivit en ny och viktig form av synlighet för företag som vill märkas online.
Men inte alla sökfrågor som genererar ett AI-svar ger chans att bli citerad eller omnämnd. Med andra ord har inte alla typer av innehåll samma möjlighet att bli valt i AI-svar och synas – AI visar källor bara i vissa situationer. För företag innebär detta att det inte räcker med att skriva kvalitativt innehåll i största allmänhet, man behöver också förstå vilka ämnen som faktiskt kan leda till citeringar och omnämnanden i AI-svar.
För att förstå varför vissa ämnen fungerar bättre än andra behöver vi först titta närmare på vilka typer av AI-system som finns i dag och hur de fungerar.
AI-system används i dag för många olika ändamål: de kan skriva texter, generera bilder, programmera och mycket mer. Men allt fler använder dem även som alternativ till traditionella sökmotorer för att hitta information snabbt och effektivt. AI-system fungerar dock annorlunda än traditionella sökmotorer.
I den klassiska sökmotorsmodellen som vi är vana vid från Google:
Här skapas inga egna svar av sökmotorn – det är användaren som själv behöver klicka sig vidare till källorna, ta del av innehållet och hitta svaret.
AI-system som används för sök fungerar på ett annat sätt: de bearbetar information och genererar svar med hjälp av stora språkmodeller (LLM:er). Hur detta sker varierar dock mellan olika system. De skiljer sig åt i hur och när de hämtar information från webben för att generera svaret, vilket gör att vi grovt kan dela in AI-system i två kategorier: LLM-first-system och AI-sökmotorer.
Här är den stora språkmodellen (LLM) själva kärnan:
Fokus ligger på dialog och förståelse, inte på att visa källor.
LLM-first-system bygger i första hand på sin tränade kunskap, vilket innebär att de ofta använder den information de “kommer ihåg” istället för att aktivt hämta uppdaterad data från webben. I praktiken ger detta färre möjligheter för företag att bli citerade eller omnämnda.
Viktigt att känna till är att:
Därför behöver ditt innehåll besvara frågor som modellen inte redan kan utifrån sin tränade kunskap* – inte bara allmän fakta – för att ha en chans att synas i svaret.
* Obs: Alla LLM-first-system har ett kunskapsstopp (cut-off-datum). Det innebär att de saknar inbyggd kunskap om händelser och förändringar efter detta datum – till exempel har ChatGPT ett kunskapsstopp i juni 2024.
Här kombineras traditionell sök med stora språkmodeller för att skapa sammanfattade, genererade svar:
Eftersom AI-sökmotorer i grunden bygger på traditionell sökteknik och aktivt hämtar information från webben kan möjligheterna till synlighet initialt upplevas som större än i en LLM-first-kontext. I praktiken är det dock inte alltid så enkelt.
Dessa system visar inte alltid alla källor som används i svaret. Ofta lyfts endast ett begränsat urval fram – eller inga alls – och när källor visas prioriteras ofta etablerade och auktoritativa webbplatser, vilket gör det svårare för mindre och nya aktörer att synas.
Trots skillnader mellan LLM-first-system och AI-sökmotorer är det i praktiken samma typer av ämnen och innehåll som ger nya och mindre aktörer större chans att bli citerade eller omnämnda i AI-svar. Det handlar främst om ämnen som inte kan besvaras enbart utifrån tränad kunskap eller generella sammanfattningar, och som inte redan domineras av etablerade och auktoritativa webbplatser.
I det här kapitlet tittar vi närmare på exempel på ämnen som ökar chansen att bli valt i AI-svar. Exemplen är tänkta som vägledning för att förstå vilka egenskaper hos ett ämne som gör det lättare att bli uppplockad, oavsett om svaret genereras av en LLM eller en AI-sökmotor.
Ämnen som bygger på stabil, väletablerad kunskap ger sällan utrymme för synlighet i AI-svar. De förändras långsamt och kan ofta sammanfattas utan att AI behöver förhålla sig till aktuella förutsättningar eller visa tydliga källhänvisningar.
Exempel på tidlösa ämnen:
Ämnen som däremot är tidsberoende eller föränderliga har betydligt större chans att väljas som underlag i AI-svar. Det gäller särskilt ämnen som rör:
Exempel på aktuella ämnen:
Generella ämnen handlar om kunskap som är giltig i de flesta sammanhang – till exempel vad något betyder, hur något fungerar i stort eller vilka generella principer som gäller. De är ofta breda och abstrakta, vilket i AI-svar innebär att:
Exempel på generella ämnen:
När ämnet däremot blir mer specifikt och tillämpat handlar det inte längre om allmän kunskap, utan om hur något fungerar i en viss situation, för en viss målgrupp eller under särskilda villkor. Det är i dessa ämnen som AI-svar oftare behöver luta sig mot konkreta exempel, jämförelser och aktörer – eftersom svaret inte längre är universellt.
Exempel på specifika ämnen:
AI är bra på att beskriva hur saker fungerar i teorin, men har svårare att ersätta insikter som handlar om hur saker faktiskt fungerar i praktiken. Det kräver ofta underlag som inte finns i allmänna modeller eller standardbeskrivningar.
Det gäller särskilt ämnen som rör:
Här behöver AI-svar luta sig mot exempel, observationer och perspektiv från aktörer som arbetar med frågorna i praktiken – och kvalitativt innehåll som bygger på faktisk erfarenhet kan därför väga tyngre än breda, generella guider.
Exempel på erfarenhetsbaserade ämnen:
Vissa ämnen ser olika ut beroende på sammanhang. Ju mer innehållet påverkas av faktorer som plats, regelverk eller marknad, desto mindre användbar blir en generell, kontextlös beskrivning. AI-svar behöver då bygga på information som speglar rätt förutsättningar – vilket gör att innehåll från aktörer med lokal eller marknadsspecifik kunskap blir relevant som underlag.
Exempel på kontextberoende ämnen:
I dessa fall kan specialiserade och lokalt förankrade företag konkurrera på relevans snarare än storlek – eftersom rätt kontext ofta väger tyngre än bred, generell auktoritet.
När AI-svar i allt större utsträckning tar plats i sökresultaten förändras också förutsättningarna för synlighet. För företag som vill bli synliga i AI-svar räcker det inte längre att producera “bra innehåll” i största allmänhet – man behöver förstå vilken typ av innehåll som faktiskt kan bli valt i AI-svar.
Innehåll som svarar på breda, generella frågor konkurrerar direkt med AI:ns egen kunskap och med redan etablerade auktoriteter – och har därför liten chans att synas.
Innehåll som i stället:
har betydligt större chans att väljas som underlag i AI-svar.
Det är i dessa sammanhang som AI-system – oavsett typ – oftare behöver peka ut källor, exempel eller aktörer, och där företag kan bli synliga genom citeringar eller varumärkesomnämnanden.
Jobbar du aktivt med SEO och vill bredda din strategi för att även omfatta synlighet i AI-svar?
Läs även “Hur AI påverkar SEO – och hur du anpassar dig”, där vi delar en checklista baserad på fem centrala områden inom SEO som hjälper dig att både ranka i sökresultaten och bli uppplockad av Google i AI-översikter och av LLM-verktyg som ChatGPT.
