Framväxten av AI-genererad sökning och upptäckt uppmanar handlare att bedöma hur synliga deras produkter är på dessa plattformar. Många sökmotoroptimerare försöker tillämpa konventionella mätvärden som trafik från generativ AI och placeringar i AI-svar, men båda metoderna räcker inte till. Trafik: Att fokusera på trafik missar AI-svarens kärnfunktion, som är att tillfredsställa ett behov på webbplatsen snarare än att driva klick. AI-genererade svar saknar oftast länkar till varumärkessajter. Till exempel länkar Google’s AI-översikter ibland produktnamn till organiska söklistor. Därför ökar inte synligheten nödvändigtvis trafiken. En handlares produkter kan dyka upp i ett AI-svar men få inga klick. Placeringar: AI-svar inkluderar ofta listor, vilket gör att många säljare försöker övervaka sina placeringar för att hamna högt upp eller i topp. Men att spåra sådana placeringar är opraktiskt. AI-svar är i sin natur oförutsägbara. En studie från Sparktoro visar att AI-plattformar rekommenderar olika varumärken och i olika ordning varje gång samma fråga ställs av samma person. Bättre AI-mått Nedan följer förbättrade mätvärden för att bedöma AI-synlighet. Produkt- eller varumärkesplacering i LLM-träningsdata Träningsdata är avgörande för AI-synlighet eftersom stora språkmodeller främst förlitar sig på sin inlärda kunskap. Även när man söker på Google eller andra källor använder LLM ofta sin träningsdata för att forma söktermer. Därför är det viktigt att övervaka vad LLM behåller om ditt varumärke och dina konkurrenter, särskilt eventuella felaktigheter eller inaktuell information. Prioritera att tillhandahålla saknade eller korrigerade data på din webbplats och i alla egna kanaler. Manuell prompting i ChatGPT, Claude, Gemini och liknande plattformar kan hjälpa till att identifiera dessa luckor. Användbara prompts inkluderar: - “Vad vet du om [MITT PRODUKT]?” - “Jämför [MITT PRODUKT] med [MIN KONKURRENTS PRODUKT]. ” AI-synlighetsverktyg som Profound och Peec AI kan automatisera dessa prompts för att övervaka produktpositionering över tid. Kom ihåg att: AI-övervakningsverktyg skickar prompts via LLM-API:er.

Men människor kan ofta få andra resultat tack vare personalisering och variation mellan AI-modeller. API-genererade resultat är bättre för att bedöma träningsdata eftersom LLM vanligtvis returnerar information från denna data (inte live-sökningar) för att spara resurser. Synlighetsbetyg i dessa verktyg beror helt på vilka prompts som används. Separera varumärkesinriktade prompts i egna mappar eftersom de brukar ge 100%. Prioritera även icke-varumärkesprompts som reflekterar ditt produkters värdeerbjudande; irrelevanta prompts ger ofta noll. De mest citerade källorna LLM-plattformar utför i allt större utsträckning live-sökningar när de genererar svar, genom att fråga källor som Google, Bing eller till och med forum som Reddit. Organisk sökning påverkar också AI:s synlighet. Citat från dessa live-sökningar, som artiklar och videor, påverkar AI-svaren. Men citaten varierar mycket eftersom LLM utforskar många olika (och ofta oväntade) frågor. Därför är det orealistiskt att försöka synas i alla citerade källor. Men vissa prompts återkommande ger samma inflytelserika källor, vilka är värda att beakta för att inkludera ditt varumärke eller produkt. AI-synlighetsverktyg kan sammanställa de mest citerade URL:erna relaterade till ditt varumärke, produkt eller bransch. Varumärkesnämnd och sökvolym för varumärken Använd Search Console eller liknande traditionella analysverktyg för att spåra: - Sökningar som innehåller ditt varumärkesnamn eller variationer. - Klick från dessa sökningar. - Impressions kopplade till dessa sökningar. Ju mer AI-svar innehåller ett varumärkesnamn, desto större är sannolikheten att användare söker efter det. I Search Console kan du tillämpa ett filter i avsnittet “Prestanda” för att analysera data från varumärkesbaserade sökningar.