Fremkomsten af AI-genererede søgninger og opdagelser får handlende til at vurdere deres produkters synlighed på disse platforme. Mange søgeoptimeringsværktøjer forsøger at anvende konventionelle målinger som trafik fra generativ AI og placeringer i AI-svar, men begge tilgange mangler. Trafik: At fokusere på trafik overser AI-svarenes kernefunktion, nemlig at opfylde et on-site behov frem for at generere klik. AI-genererede svar mangler ofte links til branded websites. For eksempel linker Googles AI-overviews nogle gange produktnavne til organiske søgelister. Derfor oversætter synlighed ikke nødvendigvis til trafik. En handlendes produkter kan dukke op i et AI-svar, men modtage ingen klik. Placeringer: AI-svar inkluderer ofte lister, hvilket får mange sælgere til at forsøge at overvåge placeringer for at ligge i top eller nær toppen. Men at spore sådanne placeringer er urealistisk. AI-svar er naturstridigt uforudsigelige. En Sparktoro-undersøgelse viste, at AI-platforme anbefaler forskellige mærker og i forskellige rækkefølger hver gang samme spørgsmål stilles af den samme person. Bedre AI-målinger Nedenfor følger forbedrede målinger til at evaluere AI-synlighed. Produkt- eller mærkeposition i træningsdata for LLM Træningsdata er afgørende for AI-synlighed, fordi store sprogmodeller primært baserer sig på deres indlærte viden. Selv når man spørger Google eller andre kilder, bruger LLM’er ofte deres træningsdata til at forme søgetermer. Derfor er det vigtigt at overvåge, hvad LLM’er husker om dit mærke og dine konkurrenter, især fejl eller forældet information. Prioriter derefter at levere manglende eller korrigerede data på din hjemmeside og på alle dine ejede kanaler. Manuel promptning i ChatGPT, Claude, Gemini og lignende platforme kan hjælpe med at identificere disse mangler. Nyttefulde prompts inkluderer: - “Hvad ved du om [MIT PRODUKT]?” - “Sammenlign [MIT PRODUKT] med [MIN KONKURRENCES PRODUKT]. ” AI-synligheds-trackingværktøjer som Profound og Peec AI kan automatisere disse prompts for løbende at overvåge produktplaceringer. Husk at: AI-sporingsværktøjer sender prompts gennem LLM-API’er.

Men mennesker modtager ofte forskellige resultater pga. personalisering og variation mellem AI-modeller. API-genererede resultater er bedst til at vurdere træningsdata, da LLM’er typisk vender tilbage med information fra deres træningsdata (i stedet for live søgninger) for at spare ressourcer. Synlighedsscorene i disse værktøjer er fuldstændig afhængige af de anvendte prompts. Opdel branded prompts i separate mapper, da de ofte scorer 100 %. Prioriter også non-branded prompts, der afspejler dit produkts værditilbud; irrelevante prompts scorer normalt nul. Most Cited Sources LLM-platforme foretager i stigende grad live-søgninger, når de genererer svar, og søger i kilder som Google, Bing – eller endda fællesskaber som Reddit. Organisk søgning påvirker faktisk AI-synlighed. Citat fra disse live-søgninger, som artikler og videoer, påvirker AI-svar. Men citater varierer meget, fordi LLM’er udforsker mange forskellige (og ofte urelaterede) spørgsmål. Derfor er det urealistisk at stræbe efter at blive nævnt i hver citeret kilde. Alligevel producerer visse prompts gentagne gange de samme indflydelsesrige kilder, hvilket bør overvejes med hensyn til at inkludere dit mærke eller produkt. AI-synligheds-værktøjer kan sammenstille de mest citerede URLs relateret til dit mærke, produkt eller branche. Brand mentions og branded search-volume Brug Search Console eller lignende traditionelle analyserværktøjer til at overvåge: - Søgninger indeholdende dit mærkenavn eller variationer heraf. - Klik fra disse søgninger. - Impressions relateret til disse søgninger. Jo flere AI-svar der indeholder et mærkenavn, desto større er sandsynligheden for, at brugere vil søger efter det. I Search Console kan du anvende en filter i “Ydeevne”-sektionen for at analysere data fra branded queries.