AI-synlighet handlar om huruvida ert företag nämns och citeras när ChatGPT, Perplexity, Claude, Gemini och Copilot svarar på frågor i er kategori. Det mäts med tre KPI:er: AI-Mention Rate (hur ofta ni nämns), AI-Citation Rank (i vilken ordning) och Source Authority Score (hur många auktoritativa källor AI bygger svaret på). Disciplinerna kallas GEO och AEO. Ni förbättrar synligheten genom citerbar struktur, schema-markup, E-E-A-T och närvaro i tredjepartskällor — inte genom mer innehåll.
När en köpare i 2026 ställer en fråga om er kategori går köparen till ChatGPT eller Perplexity i stället för Google. Svaret nämner tre leverantörer. Antingen är ni en av dem — eller så är ni inte i samtalet alls. Den här guiden visar hur ni kvalificerar er.
Du kommer att lära dig:
- Vad GEO och AEO faktiskt är — och hur de skiljer sig från klassisk SEO
- De 5 AI-motorerna som driver 95% av AI-svaren — och deras särdrag
- Vilka KPI:er som faktiskt går att mäta (och vilka som är säljpitch-snömos)
- Schema-markup, citerbar struktur och E-E-A-T för LLM-eran
- De 6 vanligaste fallgroparna — och hur ni undviker dem
- Tracking-stack: hur ni mäter AI-omnämnanden över tid utan att bli tokig
01Vad GEO och AEO faktiskt är
Tre akronymer cirkulerar och de blandas ihop dagligen. Här är skillnaden:
| Disciplin | Vad den optimerar för | Mål |
|---|---|---|
| SEO (Search Engine Optimization) | Klassisk söklista (10 blå länkar) | Klick till sajten |
| AEO (Answer Engine Optimization) | Featured snippets, "people also ask", röstsvar | Att vara det citerade svaret |
| GEO (Generative Engine Optimization) | ChatGPT, Perplexity, Claude, Gemini, Copilot | Att nämnas i AI-genererade svar |
I praktiken jobbar vi med alla tre samtidigt — men prioriteringen har förskjutits. För B2B-kategorier där köparen forskar djupt innan kontakt är GEO numera viktigaste kanalen för "övre tratten". Klassisk SEO är fortfarande grundläggande — utan det indexeras ni inte alls. Men SEO ensamt räcker inte längre.
Varför detta händer nu
Fyra saker konvergerar:
- Google SGE och AI Overviews tar 30-50% av sökresultatets vertikalyta — fler ser svaret, färre klickar.
- ChatGPT, Perplexity, Claude är där köparen ställer "research-frågorna" som tidigare gick via Google.
- Bredare källmix: AI hämtar inte bara från klassiska sajter — YouTube-transkript, Reddit-trådar, LinkedIn-inlägg och recensionssajter indexeras tungt. Köparen kan ha mött ert varumärke (eller inte) på fem ytor innan de söker.
- Gartner förutspår 25% volymtapp i traditionell sök till 2026. Tappet är inte hypotetiskt — Search Console-data hos våra kunder visar 8-18% nedgång redan Q1 2026.
Zero-click: när svaret räcker
I AI Overviews och i ChatGPT/Perplexity får köparen ofta hela svaret direkt — namn, fördelar, prisspann, kontaktväg — utan att klicka vidare. Det här är inte ett bortfall som ni "vinner tillbaka med bättre meta-titlar". Det är en strukturell flytt: klicket från SERP till sajt ersätts av citeringen i sammanfattningen. Sajten är fortsatt grunden — men den fungerar som råvarulager åt AI:n snarare än som första kontaktyta för köparen. Den som mäter framgång enbart i sessions och organic traffic kommer att underrapportera sin egen marknadsnärvaro under 2026.
Varumärken som inte syns i AI-svar förlorar inte bara trafik — de förlorar preferens. AI:n agerar de facto-rådgivare. Om er konkurrent nämns och ni inte gör det skapas en mental shortlist som ni inte ens är på.
02Från säljarstyrd era till AI-eran — fyra skiften på 25 år
Innan vi går djupare i tekniken är det värt att zooma ut. På 25 år har B2B-köpresan genomgått fyra paradigmskiften — och det fjärde händer nu. Varje skifte har omfördelat makten över vem som väljer leverantör.
Säljaren styr processen
Köparen fick fakta via säljbesök, mässor, broschyrer och offerter. Beslut byggdes på relation och magkänsla. Säljaren var grindvakten.
Google & SEO-eran
70–80% av köpresan började ske innan första säljkontakt. Den som rankade på Google blev jämförd. Säljaren kom in först på offertstadiet.
AI Search-eran
ChatGPT, Perplexity och Gemini presenterar 2–3 leverantörer i ett sammanfattat svar. Resten finns inte i samtalet.
Från rekommendation till affär
AI har redan kortat ner listan när den mänskliga köpprocessen tar vid. Den som hamnat i shortlisten har 60–80% sannolikhet att vinna.
I AI-svaret nämns 2–3 leverantörer. Är ni en av dem — eller är ni borta från shortlisten innan ni ens vet om att den finns?
Grafik: © Alba Business Group, baserat på ramverk av Johan Asklund.
Era 2 → Era 3: vad förändras egentligen?
Sökmotorn flyttade makten till köparen — AI:n flyttar makten till sig själv. Det är inte längre frågan om man syns på sida ett. Frågan är: är ni en av de få som nämns — eller är ni borta från shortlisten innan ni ens vet om att den finns? Köpresans tyngdpunkt skiftar från jämförelse till rekommendation, och rekommendationen sker av en maskin innan en människa ens har sökt.
Tre paradigmskiften — så förändras spelplanen i en mening
När AI går från "ny sökmotor" till köpresans dominerande kanal förändras tre saker fundamentalt. Triptyken är värd att memorera — den gör skiftet konkret för ledningen:
Trust signals — AI-erans nya valuta
Det här skiftet förändrar inte bara hur ni syns — det förändrar vilka signaler AI lyssnar på. Stora språkmodeller väljer leverantörer baserat på trust signals: kundbevis, recensioner, NPS-data, case-studies, expertcitat och dokumenterade kundröster. Det är exakt den valuta Alba producerar sedan 2005. Kundundersökningar och NPS-mätningar blir därför inte mindre relevanta i AI-eran — de blir kritiska, eftersom de är råvaran AI:n värderar leverantörer på. Se hur det landar konkret hos våra kundcase.
I AI-eran avgör trust signals — och där börjar Albas roll. Att producera mätbara kundsignaler är inte längre en uppföljningsuppgift; det är en distributionsstrategi.
03De 5 AI-motorerna och deras särdrag
Att säga "vi optimerar för AI" är som att säga "vi optimerar för sökmotorer". Vilka? De fem som spelar roll i Sverige idag:
ChatGPT (OpenAI)
Marknadsledare på rena LLM-svar. Använder främst sin tränade kunskap, plus webbsökning via Bing när "Browse"-läget är på. Citerar källor sparsamt — det betyder att varumärkesomnämnande är viktigare än länken. Optimera för att namnen återfinns på citerbara externa sajter (Wikipedia, branschrapporter, fackpress).
Perplexity
Mest källtransparent. Visar tydliga citationer för varje påstående. Detta gör Perplexity till den mest förutsägbara — om er sajt har djupt, strukturerat innehåll som direkt besvarar en fråga, citeras ni. Optimera för Perplexity = optimera för traditionell SEO med extra fokus på frågeformulerade rubriker.
Claude (Anthropic)
Mer försiktig med specifika varumärkesomnämnanden — föredrar att beskriva kategorier. Webbsöker via egen integrerad sökning. Påverkas främst av auktoritativ tredjeparts-content — branschanalyser, akademiska källor, etablerad fackpress.
Gemini (Google)
Använder Googles index och gynnar sajter som redan rankar väl klassiskt. Schema.org-markup väger tungt här eftersom Google läser strukturerad data nativt. Om ni är välranknade på Google har ni ett försprång i Gemini.
Copilot (Microsoft)
Använder Bing-index plus GPT-4. Mer benägen att inkludera flera källor och listformat. Stark inom B2B-frågor (Microsofts kärnsegment). LinkedIn-profiler och bolagsdata via Bing Places spelar roll här.
Ni behöver inte optimera fem gånger om — men ni behöver veta vilka 1–2 motorer som driver mest påverkan i er kategori. Det testar vi via en AI-baseline (samma fråga ställs till alla fem motorer, vi mäter omnämnandefrekvens, citation rank och source authority). Utan baseline jobbar ni i blindo.
4 kapitel kvar — KPI:er, schema-mall, fallgropar och tracking-stack
Ange din e-post så får du resten direkt på sidan. Inget formulär, ingen popup, inget säljsamtal.
Vi delar aldrig din e-post. Du får ett bekräftelsemejl + är inbjuden till framtida insikter.
04KPI:er som faktiskt går att mäta
De flesta som säljer "AI-SEO" idag har ingen mätmodell. De säger "vi syns mer" utan att kunna kvantifiera det. Här är de tre KPI:er som fungerar i praktiken — och hur ni mäter dem.
KPI 1: AI-Mention Rate
Definition: Andelen frågor (av en fast frågelista, ofta 50–100 prompts) där ert varumärke nämns explicit i svaret.
Mätning: En fast frågebank ställs månadsvis till alla 5 AI-motorer. Vi räknar binärt — nämns/nämns inte. Baseline för B2B-tillverkare i Norden brukar ligga på 8–22%. God nivå: 35%+. Marknadsledare: 60%+.
Varför det funkar: Det är observerbart, reproducerbart och förändras mätbart över tid. Alla andra metoder är intern uppskattning.
KPI 2: AI-Citation Rank
Definition: När ni nämns — kommer ni först, andra eller femte i svarets ordning?
Mätning: Position 1–5 noteras per fråga. Snittposition beräknas. Om ni ligger på position 3,8 och konkurrent A på 2,1 har ni ett tydligt gap att stänga.
Varför det funkar: Köpare läser sällan hela svaret — top-2 dominerar mental shortlist. Position spelar roll, inte bara närvaro.
KPI 3: Source Authority Score
Definition: Antal unika auktoritativa tredjeparts-källor som AI:n bygger sitt svar om er på.
Mätning: I Perplexity och Copilot syns källistan tydligt. Vi katalogiserar och poängsätter (Wikipedia=5, fackpress=3, egen sajt=2, social=1). Varumärken med score < 10 är ofta osynliga, > 30 dominerar.
Varför det funkar: Det visar var arbetet ska göras. Saknas Wikipedia? Saknas fackpress-omnämnanden? Är egna sajten otillräckligt strukturerad? Source Authority pekar ut svagheten.
"AI-traffic" från ChatGPT till sajten är meningslöst som ensam KPI — användare klickar sällan från AI-svar. Det är som att mäta tv-reklamens framgång på antalet som ringer studion. Mention Rate och Position är förmedvetenhets-KPI:er — de mäter när ni vinner i shortlist-stadiet, vilket sedan driver direkttrafik och RFQ:er senare.
05Konkreta åtgärder — schema, citerbarhet, E-E-A-T
Tre arbetsspår parallellt. Inget av dem är magi — de är systematisk hygien.
Spår 1: Schema-markup som AI faktiskt läser
Strukturerad data (Schema.org) är inte längre Google-only — alla stora LLM:er parsar JSON-LD när de läser webbsidor. Tre schema-typer som ger störst utdelning:
- Organization — vem ni är, vad ni gör, var ni finns. Grundläggande identitet.
- FAQPage — frågor & svar i strukturerat format. AI älskar detta — de är direkt citerbara.
- Article + Author — ger E-E-A-T-signaler (vem skrev, när, expertis).
Minimal Organization-schema som varje sida bör ha:
<script type="application/ld+json">
{
"@context": "https://schema.org",
"@type": "Organization",
"name": "Ert företag AB",
"url": "https://www.example.se",
"logo": "https://www.example.se/logo.png",
"description": "Vad ni gör — i 1 mening, citerbart.",
"address": { "@type": "PostalAddress",
"addressLocality": "Stad", "addressCountry": "SE" },
"sameAs": [
"https://www.linkedin.com/company/...",
"https://en.wikipedia.org/wiki/..."
]
}
</script>Spår 2: Citerbar struktur (skriv för LLM-parsing)
LLM:er extraherar fakta i form av påståenden. Ni vill skriva sajten så att en LLM kan plocka korta, citerbara meningar utan kontext.
- Frågeformulerade rubriker — "Vad kostar X?", "Hur fungerar Y?" — matchar exakt hur användare frågar AI.
- Direkt svar i första meningen — inte "Det är en lång fråga som beror på...". I stället: "X kostar typiskt 50–200 tkr beroende på Z."
- Numeriska påståenden — siffror, procentsatser, jämförelser — citeras oftare än subjektiva omdömen.
- Listor och tabeller — strukturerat innehåll vinner mot långa textstycken.
- Källhänvisningar — när ni citerar Gartner, McKinsey, branschstatistik — länka till original. AI:er betraktar källkedjan som trovärdighetssignal.
Spår 3: E-E-A-T — Experience, Expertise, Authoritativeness, Trustworthiness
Googles ramverk har blivit LLM-default. AI:er värderar:
- Experience — har ni faktiskt gjort detta? Visa case, kunder, år i branschen.
- Expertise — vem är författaren? Bilden, biografi, LinkedIn — synlig på varje längre artikel.
- Authoritativeness — hur många andra (auktoritativa) sajter länkar/refererar er? Wikipedia, branschanalyser, akademisk press.
- Trustworthiness — företagsuppgifter, GDPR, ansvarspersoner, fysisk adress — synligt och verifierbart.
Skriv en blogpost. Står det vem som skrev den, när, och vilken erfarenhet personen har? Citeras minst en extern auktoritativ källa? Finns Author-schema i HTML:en? Om svaret är nej på något — där ligger ert E-E-A-T-arbete.
06Sex vanliga fallgropar
Fallgrop 1: "Vi behöver bara en AI-sida"
Vissa byråer säljer en enstaka "AI-optimerad sida" som silver bullet. AI-synlighet bygger på helhetsstruktur över hela sajten plus extern auktoritet. En sida räcker inte — det är som att putsa ett fönster när hela huset är dammigt.
Fallgrop 2: Glömma Wikipedia
Wikipedia är den mest citerade källan i ChatGPT och Claude. Om ni saknar artikel — eller har en stub utan källor — försvagar det er Source Authority dramatiskt. Detta är inte snabbfix (Wikipedia kräver oberoende notabilitet), men det är ofta största hävstången.
Fallgrop 3: "Bara skriv mer innehåll"
Volym utan struktur ger ingen AI-synlighet. 200 dåligt strukturerade blogposts slår inte 20 välstrukturerade pillar-sidor med tydligt schema. Kvalitet × struktur > volym.
Fallgrop 4: AI-genererat innehåll utan redigering
LLM:er märker när text är genererad av en LLM (de blir "perplexitets-medvetna"). Generic ChatGPT-text rankar inte — den blir filtrerad. Använd AI för utkast, men en mänsklig expert måste redigera, lägga till verkliga case och sätta sin signatur.
Fallgrop 5: Glömma engelska
För B2B med internationella kunder svarar AI ofta på engelska — även när frågan är svensk. Om ni bara har svensk content tappar ni hela utanför-Sverige-segmentet. Spegla pillar-sidor på engelska från dag ett.
Fallgrop 6: Inte mäta över tid
Att ställa frågorna en gång ger en ögonblicksbild. AI-svar varierar — samma fråga kan ge olika svar i olika dagar. Månadsvis tracking på fast frågebank är det enda som visar trender. Annars är ni i statistisk brus.
07Tracking-stack — så mäter ni utan att bli tokig
Det finns inga "perfekta" verktyg ännu — fältet är 2 år gammalt. Men följande stack fungerar för 80% av B2B-fall:
Steg 1: Definiera frågebanken
Skapa 50–100 frågor som er målgrupp faktiskt ställer. Mix av:
- Kategorifrågor ("Vilka är de bästa leverantörerna av X i Norden?")
- Problemfrågor ("Hur löser jag Y i min produktion?")
- Jämförelsefrågor ("Vad är skillnaden mellan A och B?")
- Pris-/specfrågor ("Vad kostar typiskt en X-installation?")
Detta är fundamentet. Hela trackingen vilar på en stabil frågebank.
Steg 2: Månadsvis manuell + halvautomatisk körning
Två alternativ:
- Manuellt: En medarbetare ställer alla frågor i alla 5 motorer en gång i månaden. ~4 timmars arbete. Resultat in i Sheet.
- Halvautomatiskt: Använd ett verktyg som AthenaHQ, Profound, Otterly eller bygg eget med API-anslutningar (OpenAI, Anthropic, Perplexity APIs).
Steg 3: Dashboard med 3 KPI:er
För varje månad:
- Mention Rate (% av frågor där ni nämns)
- Citation Rank (snittposition när nämnda)
- Source Authority (poäng baserat på källistan)
Tre tal. Inte 30. Ledningen behöver kunna förstå utvecklingen på 30 sekunder.
Steg 4: Aktion-loopen
Varje kvartal: vilka 5 frågor i frågebanken har lägst Mention Rate? Vad behövs för att ändra det?
- Ny pillar-sida som direkt besvarar frågan?
- Wikipedia-redigering (med oberoende källor)?
- Branschintervju eller PR-aktivitet för att skapa fackpress-omnämnande?
- Schema-fix på existerande sida?
Detta blir er backlog — och nästa kvartals progress mäts mot just dessa 5 frågor.
"AI-synlighet är inte ett projekt — det är en disciplin. Företag som behandlar det som en kvartalsvis kampanj förlorar mot dem som behandlar det som månadsvis hygien. Skillnaden över 18 månader är dramatisk." — Johan Asklund, VD Alba Business Group
Vad ni gör nästa måndag
- Skriv ner 30 frågor er målgrupp ställer.
- Ställ dem i ChatGPT, Perplexity och Copilot. Anteckna omnämnande/position.
- Det är er baseline. Ni har precis gjort det 90% av era konkurrenter aldrig gjort.
- Boka ett 30-minuterssamtal nedan om ni vill ha hjälp att ta det vidare till en strukturerad mätning över tid.
Johan Asklund
30+ års erfarenhet av varumärkesundersökningar och digital insiktsanalys. Driver Albas AI-synlighetsmätning — Sveriges första strukturerade GEO/AEO-baseline för B2B.