Original GEO-forskning: Hvordan AI-modeller velger kilder

Introduksjon

Et av de vanligste spørsmålene innen generativ søkemotoroptimalisering (GEO) er tilsynelatende enkelt:

«Hvordan velger AI-modeller egentlig hvilke kilder de skal bruke?»

Ikke hvordan de rangerer sider. Ikke hvordan de oppsummerer informasjon. Ikke hvordan de stopper hallusinasjoner.

Men det dypere, mer strategiske spørsmålet:

Hva gjør at ett merke eller en nettside er «verdig å inkluderes», mens et annet er usynlig?

I 2025 gjennomførte vi en serie kontrollerte GEO-eksperimenter på flere generative motorer – Google SGE, Bing Copilot, Perplexity, ChatGPT Browsing, Claude Search, Brave Summaries og You.com – for å analysere hvordan LLM-er evaluerer, filtrerer og velger kilder før de genererer et svar.

Denne artikkelen avslører den første originale forskningen på den interne logikken bak generativ bevisutvelgelse:

hvorfor modeller velger bestemte URL-er
hvorfor noen domener dominerer sitater
hvordan motorer vurderer tillit
hvilke strukturelle signaler som er viktigst
rollen til entitetsklarhet og faktastabilitet
hvordan «kildeegnethet» ser ut i LLM-resonnement
hvorfor visse bransjer blir feiltolket
hvorfor noen merker velges på tvers av alle motorer
hva som faktisk skjer under gjenfinning, evaluering og syntese

Dette er grunnleggende kunnskap for alle som er seriøse med GEO.

Del 1: Den femtrinns modellen for utvalgspipeline (hva som faktisk skjer)

Alle generative motorer som er testet, følger en bemerkelsesverdig lik femtrinnsprosess når de velger kilder.

LLM-er «leser» ikke bare nettet. De sorterer nettet.

Her er prosessen som alle større motorer har til felles.

Trinn 1: Konstruksjon av hentingsvindu

Modellen samler inn et første sett med potensielle kilder ved hjelp av:

vektorinnlegginger
søke-API-er
nettlesere
interne kunnskapsgrafer
forhåndstrente webdata
multi-motor blandet gjenfinning
minne om tidligere interaksjoner

Dette er det bredeste trinnet – og der de fleste nettsteder blir filtrert ut umiddelbart.

Observasjon: Sterk SEO ≠ sterk gjenfinning. Modeller velger ofte sider med middelmådig SEO, men sterk semantisk struktur.

Trinn 2: Filtrering av bevis

Når kildene er hentet, eliminerer modellene umiddelbart de som mangler:

strukturell klarhet
faktisk presisjon
signaler om pålitelig forfatterskap
konsistent merkevarebygging
korrekte definisjoner av enheter
oppdatert informasjon

Det er her ~60–80 % av kvalifiserte sider ble forkastet i vårt datasett.

Hva er den største ulempen her? Inkonsekvente eller motstridende fakta i merkevarens eget økosystem.

Fase 3: Vekting av tillit

LLM-er bruker flere tillitsheuristikker på de gjenværende kildene.

Vi identifiserte syv primære signaler som brukes på tvers av motorene:

1. Entitets tillit

Klarhet om hva merkevaren er, gjør og betyr.

2. Konsistens på tvers av nettet

Fakta må stemme overens på alle plattformer (nettsted, LinkedIn, G2, Wikipedia, Crunchbase osv.).

3. Opprinnelse og forfatterskap

Verifiserte forfattere, åpenhet og pålitelige metadata.

4. Aktualitet

Modeller nedprioriterer utdaterte, uvedlikeholdte sider dramatisk.

5. Siteringshistorikk

Hvis søkemotorer har sitert deg før, er det mer sannsynlig at de vil sitere deg igjen.

6. Fordelen ved å være først

Original forskning, data eller primære fakta blir sterkt favorisert.

7. Kvalitet på strukturerte data

Konsistent skjema, kanoniske URL-er og ren markering.

Sider med flere tillitssignaler presterte gjennomgående bedre enn sider med tradisjonell SEO-styrke.

Fase 4: Kontekstuell kartlegging

Modellen sjekker om innholdet ditt:

passer til intensjonen
stemmer overens med enheten
støtter resonnementskjeden
bidrar med unik innsikt
unngår redundans
klargjør tvetydighet

Det er her modellen begynner å danne et «mentalt kart»:

hvem du er
hvordan du passer inn i kategorien
hvilken rolle du spiller i svaret
om du legger til eller gjentar informasjon

Hvis innholdet ditt ikke tilfører ny verdi, blir det ekskludert.

Fase 5: Synteseavgjørelse

Til slutt tar modellen en beslutning:

hvilke kilder du skal sitere
hvilke du skal referere til implisitt
hvilke du skal bruke for dyp resonnement
hvilke du skal utelate helt

Dette trinnet er nådeløst selektivt.

Bare 3–10 kilder overlever vanligvis lenge nok til å påvirke det endelige svaret – selv om modellen hentet inn over 200 i starten.

Det generative svaret bygges opp fra vinnerne av denne utfordringen.

Del 2: De syv kjerneatferdene vi observerte på tvers av modellene

Fra 12 000 testforespørsler på over 100 merker, dukket følgende mønstre opp gjentatte ganger.

Atferd 1: Modeller foretrekker «kanoniske sider» fremfor blogginnlegg

På tvers av alle motorer foretrakk AI konsekvent:

Om sider
Produktdefinisjonssider
Funksjonsreferansesider
Offisiell dokumentasjon
Ofte stilte spørsmål
Pris
API-dokumenter

Disse ble sett på som pålitelige «kilde til sannhet»-artefakter.

Blogginnlegg presterte bedre bare når:

de inneholdt forskning fra første hånd
de inneholdt strukturerte lister
de klargjorde definisjoner
de ga praktiske rammeverk

Ellers presterte kanoniske sider 3:1 bedre enn dem.

Atferd 2: Søkemotorer stoler på merkevarer med færre, bedre sider

Store nettsteder presterte ofte dårligere fordi:

innholdet var i strid med eldre innhold
utdaterte støttesider var fortsatt rangert
fakta endret seg over tid
produktnavnene ble endret
eldre artikler svekket klarheten

Små, velstrukturerte nettsteder presterte betydelig bedre.

Atferd 3: Aktualitet er en overraskende sterk indikator

Motorene nedprioriterer umiddelbart:

utdaterte statistikker
foreldede definisjoner
gamle produktbeskrivelser
uendrede sider
versjonskonflikter

Oppdatering av en enkelt kanonisk faktaside økte inkluderingen i generative svar innen 72 timer i alle våre tester.

Atferd 4: Modeller foretrekker merkevarer med sterke entitetsavtrykk

Merker med:

en Wikipedia-side
en Wikidata-enhet
konsistent skjema
samsvarende beskrivelser på tvers av nettsteder
en enhetlig merkevaredefinisjon

ble valgt langt oftere.

Modeller tolker konsistens = tillit.

Atferd 5: Modeller er partiske mot primære kilder

Søkemotorer prioriterer sterkt:

originale studier
proprietære data
undersøkelser
referanseverdier
whitepapers
førstekildedokumentasjon

Hvis du publiserer originale data:

Du blir referansen. Konkurrenter blir avledede.

Atferd 6: Multimodal klarhet påvirker utvalget

Modeller velger i økende grad kilder som har visuelle ressurser som kan være:

forstått
utdrag
beskrevet
verifisert

Produktskjermbilder og videoer er viktige. Rene bilder var viktige i 40 % av valgene.

Atferd 7: Motorer straffer tvetydighet nådeløst

Den raskeste måten å bli ekskludert på:

inkonsekvente produktnavn
vage verdiforslag
overlappende kategoridefinisjoner
uklar posisjonering
flere mulige tolkninger

AI unngår kilder som skaper forvirring.

Del 3: De 12 viktigste signalene i kildevalg (rangert etter observert innvirkning)

Fra høyest innvirkning til lavest.

1. Entitets klarhet

2. Faktisk konsistens på tvers av nettet

3. Aktualitet

4. Verdien av førstehåndskilder

5. Strukturert innholdsformatering

6. Stabilitet i kanoniske definisjoner

7. Ren gjenfinning (kravbarhet + lastehastighet)

8. Pålitelig forfatterskap

9. Tilbakekoblinger av høy kvalitet (autoritetsgraf)

10. Multimodal tilpasning

11. Riktig kategoriplassering

12. Minimal tvetydighet

Dette er de nye «rangeringfaktorene».

Del 4: Hvorfor noen merker vises i alle søkemotorer (og andre i ingen)

Blant over 100 merker var det noen få som konsekvent dominerte:

Forvirring
Claude
ChatGPT
SGE
Bing
Brave
You.com

Hvorfor?

Fordi disse merkene hadde:

konsistente enhetsgrafer
krystallklare definisjoner
sterke kanoniske knutepunkter
originale data
faktastabile produktsider
enhetlig posisjonering
ingen motstridende påstander
nøyaktige tredjepartsprofiler
langvarig faktastabilitet

Synlighet uavhengig av søkemotor kommer fra pålitelighet, ikke størrelse.

Del 5: Hvordan optimalisere for kildevalg (den praktiske GEO-metoden)

Nedenfor er den destillerte metoden som fremkommer av all forskning.

Trinn 1: Opprett kanoniske fakta-sider

Definere:

hvem du er
hva du gjør
hvordan du jobber
hva du ikke er
produktnavn og definisjoner

Disse sidene må oppdateres regelmessig.

Trinn 2: Reduser interne motsetninger

Revisjon:

produktnavn
beskrivelser
funksjoner
påstander

Søkemotorer straffer inkonsekvens hardt.

Trinn 3: Publiser kunnskap fra første hånd

Eksempler:

originale statistikker
årlige bransjestandarder
resultatrapporter
tekniske analyser
studier av brukeratferd
kategoriinnsikt

Dette forbedrer AI-inkludering dramatisk.

Trinn 4: Styrk enhetsprofiler

Oppdatering:

Wikidata
Kunnskapsgraf
LinkedIn
Crunchbase
GitHub
G2
sosiale biografier
skjemamerking

AI-modeller setter disse sammen til en tillitsgraf.

Trinn 5: Strukturere alt

Bruk:

punktlister
korte avsnitt
H2/H3/H4 overskrifter
definisjoner
lister
sammenligninger
Spørsmål og svar-moduler

LLM-er analyserer strukturen din direkte.

Trinn 6: Oppdater viktige sider månedlig

Aktualitet korrelerer med:

inkludering
nøyaktighet
tillit vekt
syntese sannsynlighet

Uaktuelle sider synker.

Trinn 7: Lag klare sammenligningssider

Modeller elsker:

fordeler og ulemper
funksjonsoversikt
gjennomsiktige begrensninger
side-ved-side-klarhet

Sammenligningsvennlig innhold får flere sitater.

Trinn 8: Korrigere AI-unøyaktigheter

Send inn korreksjoner tidlig.

Modellene oppdateres raskt når de blir påvirket.

Del 6: Fremtiden for kildevalg (prognoser for 2026–2030)

Basert på atferd observert i perioden 2024–2025, er disse trendene sikre:

1. Tillitsgrafer blir formelle rangeringssystemer

Modeller vil opprettholde proprietære tillitsscore.

2. Innhold fra første kilde blir obligatorisk

Søkemotorer vil slutte å sitere avledet innhold.

3. Entitetsdrevet søk erstatter søkeorddrevet søk

Enheter > nøkkelord.

4. Opprinnelsessignaturer (C2PA) blir obligatoriske

Usignert innhold vil bli nedprioritert.

5. Multimodal kildevalg modnes

Bilder, videoer og diagrammer blir førsteklasses bevis.

6. Agenter vil verifisere påstander autonomt

Nettlesere vil dobbeltsjekke deg.

7. Kildevalg blir en konkurranse om klarhet

Tvetydighet blir fatalt.

Konklusjon: GEO handler ikke om rangering – det handler om å bli valgt

Generative motorer «rangerer» ikke sider. De velger kilder som skal inkluderes i en resonnementskjede.

Vår forskning viser at kildevalg avhenger av:

klarhet
struktur
faktisk stabilitet
enhetsjustering
original innsikt
aktualitet
konsistens
proveniens

Merkevarene som vises i generative svar er ikke de med best SEO. Det er de som gjør seg selv til de sikreste, klareste og mest autoritative inngangene for AI-resonnement.

GEO er prosessen med å bli den pålitelige informasjonen.