Slik gjennomfører du en GEO-revisjon: Følg med på synligheten din i AI-søk

Innledning

De fleste markedsføringsteam sjekker sin AI-synlighet på samme måte: noen åpner ChatGPT, skriver inn «beste [kategori] i [by]» og leser svaret. Hvis merkevaren dukker opp, kan alle puste lettet ut. Hvis ikke, oppstår det panikk i en Slack-kanal. Uansett har man nesten ikke lært noe – en enkelt forespørsel, utført én gang, på én plattform, er bare en anekdote.

En GEO-revisjon erstatter anekdoten med en repeterbar måling. GEO – generativ motoroptimalisering – er fagområdet som handler om å få et merke til å dukke opp, nøyaktig, i AI-genererte svar. Denne veiledningen går gjennom de fem trinnene i en fullstendig revisjon: å lage et fast spørsmålspanel, kjøre det konsekvent på tvers av plattformer, vurdere svarene, kartlegge kildene svarene baserer seg på, og kjøre det på nytt etter en fast tidsplan. Til slutt vil du ha en referanseverdi du kan forsvare, og en prosess du kan gjenta neste måned uten å måtte starte på nytt.

Hva en GEO-revisjon faktisk måler

Grunnen til å ta dette på alvor nå er enkel: AI-svar har i det stille blitt en kjøpskanal. Potensielle kunder som en gang åpnet ti blå lenker, leser nå ett syntetisert svar og handler ut fra det. Merkevarene i det svaret deler på etterspørselen; alle andre deler på det som er igjen. De fleste bedrifter har ingen anelse om hvilken side av den linjen de befinner seg på.

Før vi går inn på trinnene, er det nyttig å være presis når det gjelder måleenhetene, fordi det ikke dreier seg om rangeringer.

En GEO-revisjon måler fire ting. For det første omtale: nevner assistenten merkevaren din i det hele tatt når en kjøper stiller den typen spørsmål som dine kjøpere stiller? For det andre henvisning: peker den til nettstedet ditt, eller til noen andres, når den kommer med påstander om deg? For det tredje, beskrivelse: når den snakker om deg, er det den sier sant – din kategori, din beliggenhet, din prisklasse, din kjernetjeneste? For det fjerde, kildeavhengighet: hvilke sider fra tredjeparter støtter assistenten seg på når den utformer svaret sitt, og sier disse sidene det du ønsker at de skal si?

Disse fire faktorene fungerer uavhengig av hverandre. Et merke kan nevnes overalt uten å bli sitert noe sted. Det kan bli sitert og beskrevet på en dårlig måte. Det kan bli beskrevet godt fordi én utdatert anmeldelsesside tilfeldigvis er smigrende dette kvartalet. Å beregne et gjennomsnitt av alt dette til én enkelt «AI-score» skjuler de problemene du aller mest trenger å se. Hold de fire faktorene adskilt, så blir revisjonen diagnostisk: hver feilmodus har en egen løsning.

En ting til vi må bli enige om før vi starter: en revisjon er et øyeblikksbilde av et system i bevegelse. Modeller oppdateres, hentingskilder endres, og svarene endrer seg. Verdien ligger ikke i en enkelt kjøring, men i å kjøre den identiske testen igjen senere og se forskjellen. Alt i trinnene nedenfor er utformet for å gjøre denne repetisjonen rimelig og pålitelig.

Trinn 1: Lag et fast spørsmålspanel

Grunnlaget for revisjonen er et panel med 20 til 30 spørsmål skrevet slik ekte kjøpere snakker, ikke slik markedsføringsteamet ditt snakker. Dette er vanskeligere enn det høres ut, fordi interne team ofte skriver spørsmål som inneholder deres eget merkevarevokabular – som ingen kjøper bruker, og som gjør revisjonen meningsløs.

Et godt spørsmålsutvalg består av fem typer spørsmål. Kategorispørsmål: «Hvilke byråer i Jakarta tilbyr generativ søkemotoroptimalisering?» Problemspørsmål: «Hvorfor nevner ChatGPT aldri selskapet mitt?» Sammenligningsspørsmål: «Sammenlign de tre beste alternativene for X.» Lokale eller språkspesifikke spørsmål, på alle språkene kjøperne dine faktisk bruker. Og spesifikasjonsspørsmål som nevner en funksjon, et prisintervall eller et krav, fordi det er disse spørsmålene som ligger nærmest et kjøp. Et verktøy for søkeordanalyse er nyttig her: søkeordene folk allerede skriver inn i Google, er det beste utgangspunktet for spørsmålene de vil stille til en assistent.

Slik ser et lite utdrag fra et ekte panel ut for et B2B-tjenestemerke:

• «Hvilke GEO-byråer er best for et mellomstort e-handelsfirma?» – «Hva koster en GEO-revisjon, og hva bør den omfatte?» - «Er [merke] eller [konkurrent] bedre for internasjonal SEO?» - «Agensi digital di Jakarta yang paham AI search?» (samme intensjon, på kjøperens andre språk) - «Hvorfor anbefaler Perplexity [konkurrent], men ikke [merke]?»

Legg merke til at ingen av disse nevner merkevarens slagord, produktnavn eller intern terminologi. Det er poenget.

Tre regler sikrer at panelet forblir objektivt. Skriv spørsmål basert på salgssamtaler og supportforespørsler, ikke fra idémøter – den formuleringen kjøpere bruker overfor en selger, er den samme de bruker overfor en assistent. Ta med noen spørsmål der du vet at du bør vinne, og noen der du forventer å tape; et panel du vinner over på alle punkter, gir deg ingen informasjon. Og lås listen. Den vanligste årsaken til at disse undersøkelsene går galt, er at man i all stillhet bytter ut spørsmålene med enklere versjoner hver måned, noe som får enhver trendlinje til å stige. Bli enige om panelet én gang, skriv det ned, del det med interessentene, og ikke rør det mellom gjennomføringene.

Trinn 2: Kjør panelet på tvers av plattformer, konsekvent

Kjør hvert spørsmål på alle plattformene kjøperne dine bruker. For de fleste merkevarer i dag betyr det ChatGPT, Gemini, Google AI Overviews, Google AI Mode, Perplexity, Copilot, Claude og Grok – men la dine egne analyser og kundebasen avgjøre, ikke vaner.

Konsistens er viktigere enn dekning. Bruk en ren økt for hver plattform: ingen personalisering ved innlogging der du kan unngå det, ingen tilpassede instruksjoner, og de samme innstillingene for sted og språk ved hver gjennomføring. Dokumenter disse innstillingene én gang og bruk dem på nytt, fordi de påvirker svarene. Kjør hvert spørsmål tre ganger per plattform, ikke én gang – én enkelt kjøring kan gi deg et for flatterende eller skremmende inntrykk, mens tre kjøringer avslører hvor stabilt et svar faktisk er. Hvis et spørsmål gir merket ditt to av tre ganger, er det et annet funn enn tre av tre.

Ikke hopp over språk. Det samme spørsmålet på engelsk og på bahasa indonesia kan gi to helt forskjellige kortlister, fordi de underliggende kildene modellene henter fra, varierer fra språk til språk. Ethvert merke som selger i mer enn ett språkmarked, gjennomfører i praksis én revisjon per språk.

Logg alt underveis: spørsmål, plattform, kjøringsnummer, dato, fullstendig svartekst eller et skjermbilde. Loggføringen kan føles kjedelig den første uken, men blir det mest verdifulle dokumentet du har i den tredje måneden, når noen spør hvorfor et tall har endret seg.

En enkel loggstruktur er nok. Én rad per kjøring, med kolonner for dato, plattform, spørsmåls-ID, kjøringsnummer, nevnt (ja/nei), eventuelt sitert URL, beskrivende sammendrag, synlige kilder og en lenke til hele svaret. Regneark er bedre enn dashbord på dette stadiet; formatet vil endre seg etter hvert som du lærer hva interessentene dine faktisk spør om, og et regneark tilpasser seg endringer.

Trinn 3: Gi poeng til omtaler, sitater og beskrivelser

For hvert svar registrerer du fire felt.

Omtale: ble merkevaren nevnt, ja eller nei. Sitering: inneholdt svaret en lenke til nettstedet ditt, og hvis det lenket til noe, hvor. Beskrivelse: en kort merknad om hvordan merkevaren ble karakterisert – kategori, beliggenhet, posisjonering, prisklasse. Kilder: hvilke eksterne sider svaret synlig baserte seg på, der plattformen viser dem.

To mønstre fortjener spesiell oppmerksomhet. En omtale uten henvisning betyr at modellen kjenner navnet ditt, men ikke har koblet det til dine egne kilder – vanligvis et tegn på at ditt eget nettsted ikke er det beste svaret på spørsmålet som stilles. En henvisning med feil beskrivelse er verre enn begge deler: assistenten sender trygt kjøpere til deg samtidig som den gir feil opplysninger om hva du gjør, hvor du befinner deg eller hva du koster. Team undervurderer dette. En assistent som nevner deg, men oppgir feil beliggenhet, prisklasse eller kjernetjeneste, gjør mer skade enn en som utelater deg, fordi den skaper skuffede kjøpere i stor skala.

Motstå fristelsen til å slå sammen plattformene til ett gjennomsnitt. Plattformene oppfører seg så forskjellig at gjennomsnittet er ren fiksjon. I vårt arbeid med kunder ser vi rutinemessig at et merke dukker opp i hundrevis av Google AI Overviews og AI Mode-svar, mens det samme spørsmålspanelet gir noen titalls omtaler på tvers av Copilot, Perplexity, Gemini og ChatGPT til sammen. Et merke som kun ser på det sammenslåtte tallet, vil tro at dets AI-synlighet er «middels overalt», mens den i virkeligheten er sterk i Googles tjenester og nesten fraværende i de frittstående assistentene – to problemer med helt forskjellige løsninger.

Trinn 4: Kartlegg kildene svarene bygger på

Dette er trinnet som gjør målingen om til en arbeidsplan.

Når en assistent siterer en kilde for en påstand om din kategori, skriv ned kilden. Gjennom et fullstendig panel vil du samle en liste: anmeldelsesplattformer, sammenligningsartikler, bransjekataloger, Wikipedia, Reddit-tråder, nyhetsdekning, dine egne nettsteder. Den listen er selve slagmarken. Modeller finner ikke på meninger om merkevarer; de henter frem og komprimerer det som allerede står på nettet.

Les gjennom kildelisten din med tre spørsmål i tankene. Hvilke av disse sidene kontrollerer vi, enten direkte eller gjennom relasjoner? Hvilke sider er unøyaktige, utdaterte eller utelater oss – og hva må til for å rette dem opp? Og hvilke kilder dukker opp for konkurrentene, men ikke for oss?

Et konkret eksempel: La oss si at sammenligningsspørsmålet «beste X for Y» konsekvent støtter seg på én kjent anmeldelsesside og én bransjekatalog. Merket ditt er fraværende på begge; tre konkurrenter er til stede på begge. Gjennomgangen har nettopp gitt deg en presis opplysning – assistentene ignorerer deg ikke, de rapporterer trofast om et nett der du er fraværende på de to sidene som er av betydning for dette spørsmålet. Løsningen er like presis: Sørg for en nøyaktig og oppdatert tilstedeværelse på disse to sidene. Ingen omskriving av teksten på hjemmesiden din ville ha endret det svaret.

Dette er også grunnen til at GEO og klassisk SEO ender opp med å dele det meste av verktøykassen sin: kildene som rangeres, er ofte de kildene som hentes inn. Digital PR, gjestartikler i pålitelige publikasjoner, nøyaktige oppføringer i kataloger og anmeldelser fra ekte kunder er lite glamorøst arbeid som tilfeldigvis er akkurat det som påvirker AI-svarene. Det er også kjernen i det vi gjør hos Arfadia for merkevarer som bygger sin tilstedeværelse i AI-søk.

Trinn 5: Rett opp, og kjør deretter en ny gjennomgang etter en fast tidsplan

En gjennomgang som ender i en presentasjon, endrer ingenting. Omgjør funnene til en liste over tiltak, sortert etter innflytelse: Korriger først feilaktige beskrivelser på kilder med høy autoritet, bygg deretter tilstedeværelse på kilder som driver kategorisvar, og styrk deretter dine egne sider slik at de blir det beste søkeresultatet for spørsmålene du bør eie.

Kjør deretter det identiske panelet på nytt – samme spørsmål, samme plattformer, samme innstillinger, de samme tre gjennomføringene – med fast hyppighet. Månedlig fungerer for de fleste merkevarer; kvartalsvis er minimum. Sammenlign gjennomføring med gjennomføring, plattform for plattform, måleparameter for måleparameter. Det du ser etter, er ikke et tall som går opp. Du ser etter endringer i spesifikke svar: sammenligningsspørsmålet som nå inkluderer deg, beskrivelsen som endelig er nøyaktig, Perplexity-svarene som nå henviser til nettstedet ditt i stedet for en tre år gammel anmeldelse.

Avklar forventningene med interessentene tidlig: endringer i AI-svarene kommer flere uker til måneder etter det underliggende arbeidet, fordi modellene og deres hentingslag oppdateres etter egne tidsplaner. En flat første gjentakelse etter en måned med rettelser er normalt, ikke en dom.

Rapportering fortjener et eget kapittel. Interessenter som er vant til SEO-rapporter, vil be om AI-ekvivalenten til en rangsporingsverktøy: ett tall som går oppover. Gi dem noe bedre – en kort rapport per plattform, med de fire måleparametrene separat, to eller tre ordrette utdrag fra svarene og listen over rettelser med status. Ordrette utdrag bidrar mer til troverdigheten enn noe diagram, fordi ingen kan argumentere mot et skjermbilde av en assistent som beskriver selskapet ditt feil.

Det hjelper også å kjøre den klassiske SEO-målingen parallelt i stedet for i stedet for. Rangeringer, organisk trafikk og AI-synlighet svarer på forskjellige spørsmål: hvor du står på resultatsidene, og hva maskinene sier om deg når de blir spurt direkte. De to deler i økende grad innspill, så å spore dem side om side – søkeordposisjonene dine i en rangsporingsverktøy, omtalene og sitatene dine i revisjonsloggen – viser deg hvilken faktor som påvirket hvilket resultat.

Kan du automatisere en GEO-revisjon?

Delvis. Å kjøre panelet og loggføre svarene kan automatiseres, og for store paneler bør det gjøres – de samme AI-baserte SEO-verktøyene som sporer synlighet, kan planlegge kjøringene. Å lese svarene bør ikke automatiseres, i hvert fall ikke helt: å bedømme om en beskrivelse er subtilt feil – riktig tjeneste, feil marked; riktig pris, feil nivå – er fortsatt en menneskelig oppgave, og det er her de dyreste feilene gjemmer seg. Et fornuftig oppsett er automatisert innsamling med menneskelig vurdering, med samme faste frekvens.

Vanlige feil som i det stille ødelegger GEO-revisjoner

De fleste mislykkede revisjonene mislykkes på de samme få måtene. Å redigere spørsmålspanelet mellom gjennomføringene, noe som skaper falsk fremgang. Å teste én plattform – vanligvis ChatGPT – og generalisere dette til «AI». Å teste én gang i stedet for tre ganger og jage etter støy. Å tolke omtaler som suksess uten å sjekke om beskrivelsen var nøyaktig. Å ignorere språk, for så å konkludere med at merkevaren er usynlig når den bare er usynlig på engelsk. Og å beregne et gjennomsnitt av alt til én poengsum, noe som skjuler den eneste informasjonen det er verdt å handle på.

Alt dette er prosessfeil, ikke verktøyfeil. De er også enkle å unngå, og det er grunnen til at en disiplinert manuell revisjon slår en slurvete automatisert revisjon.

Hvor lang tid tar det før rettelsene vises i AI-svarene?

Regn med uker til måneder, ikke dager. Egne sider kan gjennomsøkes på nytt raskt, men tredjepartskildene som driver de fleste kategorisvarene, oppdateres etter egne tidsplaner, og modellatferden følger etter med en forsinkelse. Dette er et argument for å starte revisjonen nå i stedet for å vente: det tar en uke å bygge opp referansepunktet, og hver måned uten et slikt er en måned med avvik du ikke kan se.

Avsluttende tanker

En GEO-revisjon er ikke glamorøs. Det er en fast liste over kjøper spørsmål, som kjøres nøye gjennom assistentene kundene dine bruker, leses med oppmerksomhet på omtale, sitater, beskrivelser og kilder, og deretter kjøres på samme måte igjen neste måned. Merkevarer som gjør dette, lærer hvor de faktisk står og hva de må rette opp. Merkevarer som fortsetter å stikkprøve enkeltstående spørsmål, fortsetter å basere seg på følelser i stedet for data.

Tessar Napitupulu, grunnlegger og administrerende direktør i Arfadia.

Faget er såpass nytt at de fleste kategorier ikke har noen etablert referanseverdi i det hele tatt – noe som betyr at det første teamet i en kategori som måler ærlig, vanligvis er det første som forbedrer seg. De to bøkene jeg har gitt ut om dette temaet, «Found Before They Search» om det indonesiske digitale landskapet og «Cited or Silent» om GEO og AI-synlighet, tar begge utgangspunkt i det samme premisset som denne veiledningen: du kan ikke vinne en kamp hvis du nekter å lese resultattavlen.

Sett sammen panelet, fastsett det, kjør det, og la svarene fortelle deg hvor arbeidet må gjøres.