Oppkomsten av AI-genererte søk og oppdagelse oppfordrer handelsmenn til å vurdere synligheten av produktene sine på disse plattformene. Mange søkeoptimaliserere prøver å bruke konvensjonelle målinger som trafikk fra generativ AI og rangeringer i AI-svar, men begge tilnærmingene er utilstrekkelige. Trafikk: Å fokusere utelukkende på trafikk overser kjernen i AI-svar, som er å oppfylle et behov på nettstedet snarere enn å generere klikk. AI-genererte svar mangler vanligvis lenker til merkevare-sider. For eksempel kobler Google’s AI Oversikter noen ganger produktnavn til organiske søkeresultater. Derfor oversetter ikke synlighet nødvendigvis til trafikk. Et produkt kan vises i et AI-svar, men motta ingen klikk. Rangeringer: AI-svar inkluderer ofte lister, noe som får mange selgere til å forsøke å overvåke rangeringer for å komme på eller nær toppen. Imidlertid er det urealistisk å spore slike rangeringer. AI-svar er i utgangspunktet uforutsigbare. En studie fra Sparktoro fant at AI-plattformer anbefaler forskjellige merker og i ulike rekkefølger hver gang samme spørsmålStillles av den samme personen. Bedre AI-målinger Nedenfor er forbedrede målemetoder for å vurdere AI-synlighet. Produkt- eller merkevares posisjon i treningsdata for LLM Treningsdata er avgjørende for AI-synlighet fordi store språkmodeller (LLM) hovedsakelig baserer seg på sin lærte kunnskap. Selv når man søker på Google eller andre kilder, bruker LLM ofte treningsdataene sine for å forme søkeord. Derfor er det viktig å overvåke hva LLM husker om merkevaren din og konkurrenter, spesielt eventuelle unøyaktigheter eller foreldet informasjon. Prioriter å supplere med manglende eller korrigerte data på nettstedet ditt og gjennom alle dine egne kanaler. Manuell prompting i ChatGPT, Claude, Gemini og lignende plattformer kan hjelpe med å identifisere slike hull. Nyttige prompts inkluderer: - “Hva vet du om [MITT PRODUKT]?” - “Sammenlign [MITT PRODUKT] med [KONKURRENTERNES PRODUKT]. ” AI-synlighetsverktøy som Profound og Peec AI kan automatisere disse prompts for å overvåke produktplassering over tid. Husk at: AI-sporingsverktøy sender prompts via LLM-API-er.

Men mennesker kan ofte motta ulike resultater på grunn av personalisering og variasjon blant AI-modellene. API-genererte resultater er bedre for å vurdere treningsdata, ettersom LLM vanligvis returnerer informasjon fra treningsdataene sine (i stedet for sanntidssøk) for å spare ressurser. Synlighets-poengene i disse verktøyene avhenger fullt ut av hvilke prompts som brukes. Del opp merkevareprompts i egne mapper, da de har tendens til å score 100 %. Prioriter også ikke-merkebaserte prompts som reflekterer produktets verdiforslag; irrelevante prompts scorer vanligvis null. De mest siterte kildene LLM-plattformer utfører i økende grad live-søk når de genererer svar, og spør etter kilder som Google, Bing – eller til og med fellesskap som Reddit. Organisk søk påvirker faktisk AI-synlighet. Siteringer fra slike live-søk, som artikler og videoer, påvirker AI-svar. Men siteringene varierer mye fordi LLM utforsker mange forskjellige (og ofte urelaterte) søk. Derfor er det urealistisk å forsøke å ha med ditt merke eller produkt i alle siterte kilder. Likevel gir visse prompts gjentatte ganger de samme viktige kildene, noe som bør vurderes for å inkludere ditt merke eller produkt. AI-synlighetsverktøy kan samle de mest siterte URL-ene relatert til ditt merke, produkt eller bransje. Merkevarehenvisninger og søkevolum med brande Bruk Search Console eller lignende tradisjonelle analysetools for å overvåke: - Forespørsler med ditt merkenavn eller varianter. - Klikk knyttet til disse forespørslene. - Eksponeringer knyttet til disse forespørslene. Jo flere AI-svar som inkluderer et merkenavn, desto større sannsynlighet er det for at brukere vil søke etter det. I Search Console kan du bruke et filter under “Ytelse” for å analysere data fra brandeforespørsler.