Hva synlighet i AI-søk egentlig betyr for et salgsteam
Synlighet i AI-søk handler om en enkel ting: når en kjøper stiller et kommersielt spørsmål til ChatGPT, Gemini eller Google sin AI Overview, kommer navnet ditt opp eller ikke. iovista.com, 2025 peker på at et selskap kan rangere høyt i Google og likevel være lite synlig i AI-genererte svar. Det er to forskjellige konkurranser, og de fleste B2B-selskaper måler bare den ene.
Benchmarken fra walkersands.com, 2023 setter tall på gapet. Etter en analyse av 45 millioner søkeord og 828 enterprise B2B-selskaper er funnet at medianmerket siteres i en liten brøkdel av de AI Overviews det faktisk er relevant for. Du leser det riktig: normalen er å være usynlig, ikke å være synlig.
Kjøperen har spurt en modell før du ringer
Den praktiske konsekvensen treffer selgeren, ikke markedssjefen. Når en teknisk sjef i et mellomstort norsk industriselskap skal kartlegge leverandører, starter listen ofte med et AI-svar som syntetiserer informasjon fra flere kilder og selv velger hvilke selskaper som nevnes. Er du utenfor det svaret, er du utenfor longlisten før noen har åpnet innboksen. Du merker det ikke som tapt sak, du merker det som færre inngående forespørsler og flere møter der kjøperen allerede har en formening om hvem som er de seriøse alternativene.
Fra rangering til utvalg
Tradisjonell SEO belønner posisjon. AI-søk belønner utvalg. Forskjellen er at AI-systemet trekker sammen informasjon fra flere kilder og lager ett svar, i stedet for å gi kjøperen en lenkeliste å velge fra. Det betyr at du kan ligge øverst på et søkeord og fortsatt tape, fordi modellen hentet sitt grunnlag fra en bransjeartikkel, en sammenligningsside eller en konkurrents dokumentasjon. Dette er kjernen i det generativ søkeoptimalisering forsøker å løse.
Dette er en salgsoppgave, ikke bare en markedsoppgave
Vår erfaring er at synlighet i AI-svar er en salgsoppgave like mye som en markedsoppgave. Det er selgerne som møter kjøpere som allerede har spurt ChatGPT før første kontakt, og det er selgerne som hører de faktiske formuleringene kjøperen bruker. Markedsavdelingen kan eie innholdet som til slutt blir sitert, men spørsmålene og funnene ligger nærmere salgsmøtet enn nettsiden. Når målingen beskrevet hos iovista.com, 2025 bygger på kommersielle spørsmål, er det salgsteamet som sitter på råmaterialet.
Omtale, sitering og anbefaling er tre ulike nivåer
Det vanligste målefeilen er å behandle «vi ble nevnt» som et resultat. iovista.com, 2025 deler AI-synlighet i tre nivåer: omtale, sitering og anbefaling. De tre har helt ulik kommersiell verdi, og de krever ulike tiltak. Hvis synlighetsarket ditt ikke skiller mellom dem, kommer du til å feire tall som ikke flytter noe.
| Nivå | Hva det betyr | Kommersiell verdi | Hva du gjør med funnet |
|---|---|---|---|
| Omtale | Merkenavnet forekommer i svaret, uten lenke eller vurdering | Lav. Bekrefter at modellen kjenner navnet | Sjekk at beskrivelsen er riktig og oppdatert |
| Sitering | Svaret henviser til innholdet ditt som kilde | Middels. Gir trafikk og troverdighet | Finn hvilken side som ble sitert, og lag mer av den typen |
| Anbefaling | Modellen foreslår deg som alternativ for kjøperens behov | Høy. Nærmest reell pipeline-effekt | Kartlegg hvem som anbefales i stedet, og hvorfor |
De tre nivåene i praksis
Et konkret eksempel: spør du «hvem leverer ERP til norske produksjonsbedrifter», kan du bli omtalt i en setning om markedet, sitert fordi en guide på nettsiden din forklarer et begrep, eller anbefalt fordi modellen mener du passer behovet. iovista.com, 2025 understreker at anbefalingen ligger nærmest den kommersielle verdien B2B-selskaper er ute etter. En sitering av en ordlisteartikkel er fint, men den selger ikke.
Mål anbefalinger, ikke bare omtaler
Vår erfaring er at du bør måle anbefalinger, ikke bare omtaler. En omtale uten anbefaling flytter sjelden pipeline. Praktisk betyr det at synlighetsarket får en egen kolonne for anbefaling, og at du rapporterer andel kjøperspørsmål der du blir foreslått som alternativ som hovedtall. Bruk omtale og sitering som diagnostikk: de forteller deg om modellen i det hele tatt har et grunnlag å anbefale deg fra. Målet, som også ligger bak siteringsandelen i benchmarken, er å komme fra kjent til valgt.
Tallene fra 828 B2B-selskaper og 45 millioner søkeord
Datagrunnlaget som oftest refereres i denne diskusjonen, kommer fra B2B AI Search Visibility Benchmark. Analysen dekker 45 millioner søkeord, 828 enterprise B2B-selskaper og 14 teknologibransjer. Hovedfunnet er et gap mellom tradisjonelle søkerangeringer og faktisk synlighet i AI-genererte svar.
| Funn | Tall | Hva det betyr for salg |
|---|---|---|
| Søkeresultatsider med AI Overviews der B2B-merker rangerer | Nesten 50 prosent | Halve søkeflaten har et AI-svar over lenkene dine |
| Median siteringsandel i relevante AI Overviews | En liten brøkdel av svarene | Normalen er å være usynlig, ikke å være synlig |
| Selskaper som aldri siteres i AI-genererte svar | En liten gruppe av de 828 | Noen er helt ute av svarene |
| Søkeord per selskap som utløser AI-svar | Rundt 4 500 | Flaten er for stor til å følges manuelt i det lange løp |
Medianmerket siteres nesten aldri
Medianen er ikke bunnen. Det betyr at en stor del av de analyserte selskapene gjør det dårligere enn den. walkersands.com, 2023 finner også at merker selv blant de AI-utløsende søkene i gjennomsnitt siteres i en svært liten andel av tilfellene. For et salgsteam er dette gode nyheter og dårlige nyheter samtidig: du er ikke uvanlig dårlig, men ingen av konkurrentene dine har løst dette heller. Det er sjelden et marked er så åpent.
Nesten 50 prosent av søkeflaten har et AI-svar
Andelen søkeresultatsider med AI Overviews der enterprise B2B-merker rangerer, ligger på nesten 50 prosent. Samtidig utløser rundt 4 500 søkeord per selskap AI-genererte svar. Kombinasjonen er poenget: dette er ikke en nisje i søkeflaten, det er omtrent halve flaten der du allerede har investert i rangering. Den klikkandelen du historisk har regnet med fra organisk søk, deles nå med et svar kjøperen får før lenkene.
Noen selskaper siteres aldri
En liten andel av de analyserte selskapene siteres aldri i AI-genererte svar for sine relevante søkeord. Gruppen er liten, men det er verdt å sjekke om du tilhører den, nettopp fordi tiltakene er helt forskjellige. Har du en lav, men positiv siteringsandel, jobber du med å øke andelen. Er du på null, mangler modellen et lesbart grunnlag om deg i det hele tatt, og da starter arbeidet i produktdata og innhold, ikke i målingen.
Les byrådata som retning, ikke fasit
Vår erfaring er at data om AI-synlighet fra byråer bør leses som retning og størrelsesorden, ikke som fasit, når byrået selv selger tjenesten målingen peker mot. Walker Sands er et markedsføringsbyrå, og benchmarken dekker enterprise-selskaper i teknologibransjer, ikke norske SMB-er med ti selgere. Metoden er likevel relevant: gapet mellom rangering og sitering er den mekanismen du selv skal etterprøve. Bruk funnet som hypotese, og din egen måling som svar.
Derfor gir gode Google-rangeringer ingen garanti i AI-svar
Mange salgsledere har hørt fra markedsavdelingen at «vi rangerer bra». Det kan være sant og samtidig irrelevant. iovista.com, 2025 beskriver hvordan AI-søk skiller seg fra tradisjonell SEO ved at systemet syntetiserer informasjon fra flere kilder og velger hvilke selskaper som nevnes. Rangering er en forutsetning for å være i grunnlaget, ikke en garanti for å komme gjennom utvalget.
Rangering er inngangsbillett, ikke utvalg
Tenk på det som forskjellen mellom å være på leverandørlisten og å bli invitert til møtet. Benchmarken måler nettopp merker som rangerer for søkeordet, og finner likevel en svært lav median for sitering. Posisjonen i lenkelisten er altså ikke det som avgjør. Det som avgjør, er om innholdet ditt er formulert slik at modellen kan hente ut et svar på kjøperens spørsmål, og om det finnes andre kilder som bekrefter påstanden din.
Søkeordet og spørsmålet er ikke det samme
Et søkeord er «CRM for bygg». Et kjøperspørsmål er «hvilket CRM passer et byggfirma med tjue ansatte som jobber mye i felt». Den andre formuleringen er den kjøperen faktisk skriver inn i en chat, og den er den kommersielle spørsmålstypen du må måle på. Derfor er søkeordlisten fra markedsavdelingen et dårlig utgangspunkt for en synlighetstest. Den er optimalisert for volum, ikke for kjøpsintensjon, og den inneholder sjelden de innsigelsene du hører i siste møte før signering.
Testen du kjører mandag morgen med 20 til 50 kjøperspørsmål
Dette er den delen du kan gjøre selv, uten budsjett og uten nye lisenser. iovista.com, 2025 foreslår at 20 til 50 kommersielle spørsmål gir et nyttig utvalg for en innledende synlighetssjekk. Det er lite nok til å gjøre manuelt på en formiddag, og stort nok til at mønsteret blir synlig. Du trenger et regneark, tilgang til de AI-verktøyene kjøperne dine bruker, og disiplin til å logge svaret som det står.
Vår erfaring er at du bør starte med kjøperspørsmålene du faktisk hører i salgsmøter, ikke med å kjøpe et nytt verktøy. Førstegangssjekken kan gjøres manuelt, og den manuelle runden gir deg noe et dashbord ikke gir: du leser hele svaret, ser hvem som anbefales i stedet for deg, og hører hvordan modellen beskriver kategorien din.
Hent spørsmålene fra salgsmøtene
Sett av en halvtime med de tre som har flest møter, og skriv ned spørsmålene slik kjøperen stiller dem. Du vil typisk få fire typer: kategorispørsmål («hvem leverer X i Norge»), sammenligninger («A eller B for vårt behov»), innsigelser («er X trygt med tanke på GDPR») og situasjonsspørsmål («beste løsning for et selskap med vår størrelse»). Dette er den samme intensjonslogikken som ligger bak bruk av ChatGPT i markedsføring, bare lest fra kjøpersiden. Formuler spørsmålene nøytralt, uten merkenavnet ditt, ellers tvinger du fram en omtale som ikke betyr noe.
Kjør samme spørsmål i flere modeller
Kjør hvert spørsmål i de flatene kjøperne dine faktisk bruker: ChatGPT, Gemini, Googles AI Overviews og eventuelt Perplexity. Svarene varierer mellom modellene, og de varierer over tid, så ett svar er et datapunkt og ikke en konklusjon. Logg i tillegg om spørsmålet i det hele tatt utløser et AI-svar, siden andelen søkeord med AI Overviews varierer kraftig mellom bransjer. Hvis halve spørsmålslisten din aldri utløser et AI-svar, har du allerede lært noe om hvor du bør bruke tiden.
Hva du logger for hvert svar
For hvert spørsmål logger du: ble du omtalt, ble du sitert, ble du anbefalt, hvem ble anbefalt i stedet, og hvilken kilde svaret henviste til. De tre nivåene må være egne kolonner, ellers blander du sammen funn med helt ulik verdi. Kopier inn selve svarteksten, ikke bare en hake. Når du etter noen runder skal forklare ledelsen hvorfor dere ikke dukker opp, er det sitatet fra modellen som overbeviser, ikke prosenttallet.
Dokumenter funnene i et synlighetsark salgsteamet eier
Et synlighetsark er ikke et rapporteringsverktøy, det er en arbeidsliste. Målet er at hver rad enten blir et innholdstiltak, et produktdatatiltak eller en samtaleendring i salg. Hvis arket bare måler, dør det etter andre runde.
| Kolonne | Innhold | Hvem bruker den |
|---|---|---|
| Kjøperspørsmål | Ordrett slik kjøperen stiller det | Salg |
| Flate | ChatGPT, Gemini, AI Overviews, Perplexity | Salg |
| Omtalt | Ja eller nei | Marked |
| Sitert | Ja eller nei, med URL som ble brukt | Marked |
| Anbefalt | Ja eller nei. Hovedtallet | Ledelse |
| Anbefalt i stedet | Navn på konkurrentene i svaret | Salg |
| Tiltak | Innhold, produktdata eller samtale | Eier av raden |
Hvem eier arket
Salgslederen eier arket, markedsavdelingen eier tiltakene i innholdskolonnen. Den fordelingen er viktig fordi kommersielle spørsmål er salgsmateriale, mens siteringene peker mot sider noen andre må skrive. Legg arket der salgsteamet allerede jobber, ikke i et markedsverktøy ingen selger åpner. Og hold det lite: et ark med 20 til 50 rader som faktisk oppdateres, slår et dashbord med tusen søkeord som ingen leser.
Gjenta målingen på fast rytme
AI-svar endrer seg, både fordi modellene oppdateres og fordi kildegrunnlaget endrer seg. Mål derfor på fast rytme, gjerne i samme møte der du går gjennom pipeline. Sammenlign andel anbefalinger mellom rundene, og se spesielt på spørsmål der du gikk fra anbefalt til ikke anbefalt. Siden rundt 4 500 søkeord per selskap utløser AI-svar, kommer du aldri til å dekke flaten manuelt. Det er heller ikke poenget: du følger de spørsmålene som ligger nærmest penger.
Cybersikkerhet siteres mest, profesjonelle tjenester minst
Bransjen din avgjør hvor hardt dette treffer. walkersands.com, 2023 finner at cybersikkerhetsbransjen har høyest andel merkevaresiteringer, mens profesjonelle tjenester ligger lavest. Forskjellen gjelder også hvor ofte søkene i det hele tatt utløser et AI-svar.
| Bransje | Andel søkeord med AI Overviews | Konsekvens for deg |
|---|---|---|
| Cybersikkerhet | Nesten 60 prosent | Høy AI-eksponering og høyest siteringsandel. Konkurransen er reell |
| Distribution og logistikk | Under 30 prosent | Lavere AI-eksponering. Tradisjonell SEO betyr fortsatt mye |
| Profesjonelle tjenester | Ikke oppgitt i benchmarken | Lavest andel merkevaresiteringer. Størst åpning for den som dokumenterer |
Hvorfor sikkerhetsbransjen gjør det best
Sikkerhetsleverandører publiserer teknisk dokumentasjon, sårbarhetsanalyser og definisjoner som andre kilder refererer til. Innholdet er presist, det er avgrenset, og det besvarer konkrete spørsmål. Det er sannsynligvis en god del av forklaringen på at bransjen både har nesten 60 prosent av søkeordene med AI Overviews og den høyeste siteringsandelen. Lærdommen er overførbar: modellen siterer det som er lett å verifisere, ikke det som er lett å selge.
Profesjonelle tjenester har et dokumentasjonsproblem
Rådgivning, regnskap, juss og konsulenttjenester selges på relasjon og skjønn, og nettsidene ser deretter ut: «vi skreddersyr løsninger for din virksomhet». Det er ingenting en modell kan sitere. At profesjonelle tjenester kommer lavest på merkevaresiteringer, er derfor ikke overraskende. For et norsk rådgivningsmiljø betyr det at konkrete leveranser, priser, bransjeavgrensninger og prosessbeskrivelser er mer verdt enn nok en side om verdier.
Hva salgsteamet kan gjøre uten å vente på markedsavdelingen
Mesteparten av løsningen ligger i innhold og produktdata, og det tar tid. Men noe kan salgsteamet gjøre i løpet av samme uke som målingen, og det er her forskjellen mellom en rapport og et resultat ligger.
Skriv ned svarene selgerne allerede gir
Selgerne besvarer de samme kjøperspørsmålene hver uke, muntlig. Få svarene ned i tekst, i åpent og lesbart format på nettsiden, med spørsmålet som overskrift og svaret rett under. iovista.com, 2025 knytter nettopp innholdsarbeid, produktdata, intern lenking og strukturerte data til bedre AI-synlighet. Dette er den eneste innholdsoppgaven salg kan levere nesten uten hjelp, fordi råmaterialet allerede finnes i hodet til teamet.
Bruk funnene i selve samtalen
Når du vet hvilke konkurrenter som anbefales i stedet for deg, vet du også hvilken sammenligning kjøperen har med seg inn i møtet. Det er en gave. Spør direkte: «har du sjekket dette med ChatGPT, og hva fikk du opp?» Svaret gir deg kjøperens utgangspunkt, og det avdekker feilaktige påstander om deg eller kategorien din før de blir avgjørende. Behandle AI-svaret som en innsigelse du kan forberede, på samme måte som du forbereder pris.
Mat innsigelsene tilbake til innholdet
Hver gang en modell beskriver deg feil, er det et konkret innholdsoppdrag med dokumentert behov. Lever det videre som en rad i synlighetsarket, med sitatet vedlagt, ikke som en følelse i et møte. Det gjør prioriteringsdiskusjonen med markedsavdelingen kort. Og det kobler arbeidet mot GEO-optimalisering der det hører hjemme: som en konsekvens av målte funn, ikke som et generelt ønske om å «bli mer synlig i AI».
Produktdata i PDF gjør merket vanskelig å lese
Den tekniske årsaken til usynlighet er ofte triviell: informasjonen finnes, men den ligger på et sted maskinen ikke kan bruke. iovista.com, 2025 peker på at fragmentert produktinformasjon på tvers av PDF-er, bilder og ulike systemer gjør det vanskeligere for AI-systemer å forstå og koble sammen viktig informasjon. Dette er veldig vanlig i norsk industri, grossistledd og teknisk B2B.
Fragmenteringen er problemet, ikke formatet
Spesifikasjoner i et datablad, priser i et ERP, bruksområder i en selgerpresentasjon og sertifiseringer i en skannet PDF: hver bit finnes, men ingen sammenheng er lesbar. iovista.com, 2025 bruker eksempelet med en distributør med 30 000 produkter, der kataloger og dokumenter ligger spredt. Når modellen ikke klarer å koble produkt til bruksområde til kundetype, kan den heller ikke anbefale deg for kjøperens situasjon.
PDF er ikke forbudt
Nyansen er viktig, for den sparer deg for et unødvendig prosjekt: PDF-er skader ikke AI-synlighet i seg selv, men viktig informasjon bør også finnes i tilgjengelig HTML. Du skal altså ikke rive ned dokumentarkivet. Du skal sørge for at det som avgjør et kjøp, nemlig bruksområde, kompatibilitet, pris og avgrensning, står som vanlig tekst på en vanlig side. Databladet kan fortsatt ligge ved som PDF for den som vil laste det ned.
Strukturerte data hjelper, men garanterer ingenting
Strukturerte data garanterer ikke AI-synlighet, men kan hjelpe søkemotorer å tolke innhold. Det er den riktige forventningen å ha med inn i diskusjonen med utviklerne. Schema-markering på produkter, FAQ og organisasjon er billig og fornuftig hygiene. Det er ikke en bryter som slår på anbefalinger, og enhver leverandør som selger det slik, overselger. Samme logikk gjelder intern lenking: det gjør innholdet lettere å følge, ikke garantert sitert.
Hva arbeidet koster og når et verktøy er forsvarlig
Kostnaden fordeler seg på tre poster: måletid, innholdsarbeid og eventuelle verktøy. Rekkefølgen er viktig, fordi verktøyet er den eneste av de tre som kan utsettes uten at noe stopper.
Første runde koster tid, ikke lisens
Å samle 20 til 50 kommersielle spørsmål og kjøre dem gjennom flere flater tar mindre tid enn et kundemøte med reise. Du trenger ingen avtale, ingen integrasjon og ingen innkjøpsrunde. Det er også den eneste måten å lære hva du egentlig ser etter, før du vurderer et måleverktøy. Manuell første runde er ikke en snarvei, det er opplæring.
Når et måleverktøy blir fornuftig
Automatisering blir aktuell når tre ting er sanne: spørsmålslisten er stabil, noen har ansvar for å handle på funnene, og flaten er for stor å følge manuelt. Det siste er en reell grense, siden rundt 4 500 søkeord per selskap utløser AI-genererte svar. Kjøper du verktøy før du har de to første på plass, får du et dashbord ingen eier. Spør alltid om verktøyet måler anbefalinger eller bare omtaler, og hvordan det håndterer at svarene varierer mellom kjøringer.
Regn på pipeline, ikke på synlighetspoeng
Et synlighetstall er ikke et forretningstall. Koble derfor målingen mot noe som finnes i CRM: andel inngående forespørsler der kjøperen nevner et AI-verktøy, og hvilke konkurrenter som dukker opp i de sakene. Da får du en diskusjon om pipeline-effekt i stedet for en diskusjon om prosenter. Det er også slik du unngår at arbeidet blir et markedsprosjekt med egne mål som ingen i salg kjenner igjen.
Vanlige feil når B2B-selskaper måler synlighet i AI-søk
Feilene under er de vi ser oftest når selskaper gjør denne øvelsen første gang. Alle fører til samme utfall: et tall som ser ut som innsikt, men som ikke gir noen handling.
Du spør om merkenavnet i stedet for behovet
«Hva er
Du tar et enkeltsvar som fasit
AI-svar varierer mellom modeller, mellom kjøringer og over tid. Et spørsmål der du ble anbefalt i dag, kan gi et annet svar neste uke. Derfor er andel på tvers av hele spørsmålslisten det eneste meningsfylte tallet, og derfor bør listen være på 20 til 50 spørsmål og ikke på fem. Ett skjermbilde i et ledermøte er anekdote, uansett hvilken vei det peker.
Du feirer omtale og kaller det resultat
Dette er den dyreste feilen, fordi den føles som framgang. En omtale betyr at modellen kjenner navnet ditt. En anbefaling ligger nærmere den kommersielle verdien du er ute etter. Hold de tre nivåene fra hverandre i rapporteringen, og sett anbefaling som hovedtall. Ellers rapporterer du oppover på det nivået som er lettest å oppnå.
Du forventer at tallet skal se bra ut
Mange stopper arbeidet når første måling viser nesten ingen treff. Men medianen i benchmarken på 828 selskaper er svært lav, og en liten gruppe selskaper siteres aldri. Et lavt tall er normaltilstanden i B2B, ikke et tegn på at målingen er feil. Behandle det som en baselinje du skal flytte, og sammenlign mot deg selv forrige runde.
Din situasjon og vår anbefaling
Hva du bør gjøre først, avhenger av hvor du står. Tabellen under er ment å brukes i et ledermøte, ikke leses som teori.
| Din situasjon | Vår anbefaling | Hvem eier det |
|---|---|---|
| Har aldri målt AI-synlighet | Kjør den manuelle testen med 20 til 50 kjøperspørsmål før du vurderer verktøy | Salgsleder |
| Rangerer godt i Google, få inngående forespørsler | Mål sitering og anbefaling separat. Gapet mellom rangering og AI-svar er sannsynlig årsak | Salg og marked sammen |
| Blir omtalt, men aldri anbefalt | Kartlegg hvem som anbefales i stedet, og hva svaret begrunner det med | Salgsleder |
| Produktdata ligger i PDF-er og ulike systemer | Flytt kjøpsavgjørende informasjon til lesbar HTML. Behold PDF-ene | Marked og produkt |
| Profesjonelle tjenester uten konkret innhold | Dokumenter leveranse, avgrensning og prosess. Lavest siteringsandel gir størst åpning | Daglig leder |
Rekkefølgen som faktisk fungerer
Mål først, med spørsmål fra salgsmøtene. Dokumenter i et ark salgsteamet eier. Velg deretter de spørsmålene som ligger nærmest penger, og få innholdet på plass for dem. Teknisk hygiene som strukturerte data og intern lenking kommer etter, fordi det hjelper tolkningen av innhold som finnes. Verktøy kommer sist. Det eneste du bør gjøre denne uken, er den manuelle runden, og den krever ingen godkjenning fra noen.
Ofte stilte spørsmål om synlighet i AI-søk for B2B
Spørsmålene under er de som oftest kommer opp når salgsledere setter i gang denne målingen for første gang.
Hvor mange spørsmål trenger jeg for en første test?
iovista.com, 2025 peker på at 20 til 50 kommersielle spørsmål kan gi et nyttig utvalg for en innledende synlighetssjekk. Start i nedre ende hvis du har et smalt tilbud, og i øvre ende hvis du selger flere produktlinjer til flere segmenter. Det viktigste er at spørsmålene er ordrett slik kjøperne stiller dem, ikke at listen er lang.
Er en lav siteringsandel et dårlig tegn?
En lav andel er medianen blant de 828 enterprise B2B-selskapene i benchmarken, altså normaltilstanden. En stor del av selskapene ligger under den. Så nei, et lavt tall er ikke et tegn på at noe er galt hos deg spesielt. Det er et tegn på at kategorien er umoden, og at den som dokumenterer først har en reell fordel.
Holder det å optimalisere for Google som før?
Nei. Et selskap kan rangere høyt i Google og likevel være lite synlig i AI-genererte svar, fordi AI-systemet syntetiserer flere kilder og velger hvem som nevnes. Tradisjonell SEO er fortsatt grunnlaget, særlig i bransjer der under 30 prosent av søkeordene utløser AI Overviews. Men rangering alene avgjør ikke om du blir valgt ut.
Må jeg fjerne PDF-ene fra nettsiden?
Nei. PDF-er skader ikke AI-synlighet i seg selv, men viktig informasjon bør også finnes i tilgjengelig HTML. Behold dokumentene for nedlasting, og sørg for at det kjøperen trenger for å vurdere deg, står som vanlig tekst. Det er fragmenteringen på tvers av formater og systemer som er problemet.
Hvem bør eie dette internt?
Vår erfaring er at salg bør eie målingen og marked bør eie tiltakene. Selgerne har kjøperspørsmålene og møter kjøpere som allerede har spurt en AI-modell. Markedsavdelingen har innholdet som eventuelt blir sitert. Legger du hele oppgaven i marked, blir den et SEO-prosjekt. Legger du den i salg alene, stopper den når tiltakene krever innholdsarbeid. Les gjerne gjennomgangen av GEO-optimalisering for tiltakssiden, og guiden til ChatGPT i markedsføring for hvordan samme modeller brukes aktivt internt.
Mer struktur i B2B-salget. Vi hjelper norske salgsteam med å bygge en salgsprosess som skalerer: bedre prospektering, færre no-shows og oppfølging som ikke faller mellom stolene. AI der det gir effekt, mennesker der det teller.
Book en uforpliktende samtale: vi ser på pipelinen din og peker på de raskeste gevinstene.