Så här genomför du en GEO-granskning: Följ upp din synlighet i AI-sökningar

Inledning

De flesta marknadsföringsteam kontrollerar sin AI-synlighet på samma sätt: någon öppnar ChatGPT, skriver in ”bästa [kategori] i [stad]” och läser svaret. Om varumärket dyker upp kan alla andas ut. Om det inte gör det bryter panik ut i en Slack-kanal. Oavsett vilket har man nästan inte lärt sig någonting – en enda fråga, ställd en gång, på en plattform, är bara en anekdot.

En GEO-granskning ersätter anekdoten med en repeterbar mätning. GEO – generativ motoroptimering – är disciplinen som går ut på att få ett varumärke att dyka upp, korrekt, i AI-genererade svar. Den här guiden går igenom de fem stegen i en fullständig granskning: att skapa en fast panel med frågor, köra den konsekvent på olika plattformar, betygsätta svaren, kartlägga de källor som svaren bygger på och köra om granskningen enligt ett schema. När du är klar har du en baslinje som du kan försvara och en process som du kan upprepa nästa månad utan att behöva börja om från början.

Vad en GEO-granskning faktiskt mäter

Anledningen till att ta detta på allvar just nu är enkel: AI-svar har i tysthet blivit en köpkanal. Potentiella kunder som en gång öppnade tio blå länkar läser nu ett sammanfattande svar och agerar utifrån det. Varumärkena i det svaret delar på efterfrågan; alla andra delar på det som blir kvar. De flesta företag har ingen aning om vilken sida av den gränsen de befinner sig på.

Innan vi går in på stegen är det bra att vara tydlig med mätenheterna, eftersom det inte handlar om rankningar.

En GEO-granskning mäter fyra saker. För det första, omnämnande: nämner assistenten ditt varumärke överhuvudtaget när en köpare ställer den typ av fråga som dina köpare ställer? För det andra, hänvisning: pekar den på din webbplats, eller på någon annans, när den gör påståenden om dig? För det tredje, beskrivning: när den talar om er, stämmer då det som sägs – er kategori, er plats, ert prisintervall, er kärntjänst? För det fjärde, källberoende: vilka tredjepartssidor stöder sig assistenten på när den formulerar sitt svar, och säger dessa sidor det ni vill att de ska säga?

Dessa fyra faktorerna fungerar oberoende av varandra. Ett varumärke kan nämnas överallt men inte citeras någonstans. Det kan citeras och beskrivas på ett dåligt sätt. Det kan beskrivas väl eftersom en föråldrad recensionssida råkar vara smickrande just detta kvartal. Att räkna ut ett genomsnitt av allt detta till ett enda ”AI-betyg” döljer de problem du mest behöver se. Håll de fyra faktorerna åtskilda så blir granskningen diagnostisk: varje felkälla har en annan lösning.

En sak till att enas om innan vi börjar: en granskning är en ögonblicksbild av ett system i rörelse. Modeller uppdateras, källorna för informationshämtning förändras och svaren avviker. Värdet ligger inte i en enskild körning utan i att köra samma test igen senare och se skillnaden. Allt i stegen nedan är utformat för att göra den upprepningen kostnadseffektiv och tillförlitlig.

Steg 1: Skapa en fast frågepanel

Grunden för granskningen är en panel med 20 till 30 frågor skrivna på det sätt som riktiga köpare talar, inte på det sätt som ditt marknadsföringsteam talar. Detta är svårare än det låter, eftersom interna team ofta skriver frågor som innehåller deras eget varumärkesordförråd – vilket ingen köpare använder, och vilket gör granskningen meningslös.

En bra frågelista blandar fem typer av frågor. Kategorifrågor: ”Vilka byråer i Jakarta hanterar generativ sökmotoroptimering?” Problemfrågor: ”Varför nämner ChatGPT aldrig mitt företag?” Jämförelsefrågor: ”Jämför de tre bästa alternativen för X.” Lokala eller språkspecifika frågor, på alla språk som dina köpare faktiskt använder. Och specifikationsfrågor som nämner en funktion, ett prisintervall eller ett krav, eftersom det är de frågor som ligger närmast ett köp. Ett verktyg för sökordsanalys är till hjälp här: de sökfrågor som människor redan skriver in på Google är det bästa underlaget för de frågor de kommer att ställa till en assistent.

Så här ser en liten del av en verklig panel ut för ett B2B-tjänstemärke:

• ”Vilka är de bästa GEO-byråerna för ett medelstort e-handelsföretag?” – ”Vad kostar en GEO-granskning och vad bör den omfatta?” - ”Är [varumärke] eller [konkurrent] bättre för internationell SEO?” - ”Agensi digital di Jakarta yang paham AI search?” (samma avsikt, på köparens andra språk) - ”Varför rekommenderar Perplexity [konkurrent] men inte [varumärke]?”

Lägg märke till att ingen av dessa nämner varumärkets slogan, produktnamn eller intern terminologi. Det är just poängen.

Tre regler säkerställer att panelen förblir objektiv. Skriv frågor utifrån säljsamtal och supportärenden, inte från brainstorming – den formulering som köpare använder med en säljare är samma som de använder med en assistent. Inkludera några frågor där du vet att du borde vinna och några där du förväntar dig att förlora; en panel där du vinner alla frågor ger ingen information. Och lås listan. Det vanligaste sättet som dessa granskningar går fel på är att man i smyg byter ut frågorna mot enklare varje månad, vilket får alla trendlinjer att gå uppåt. Kom överens om panelen en gång, skriv ner den, dela den med intressenterna och rör den inte mellan omgångarna.

Steg 2: Kör panelen på alla plattformar, konsekvent

Kör varje fråga på alla plattformar som dina köpare använder. För de flesta varumärken idag innebär det ChatGPT, Gemini, Google AI Overviews, Google AI Mode, Perplexity, Copilot, Claude och Grok – men låt dina egna analyser och din kundbas avgöra, inte vana.

Konsekvens är viktigare än täckning. Använd en ren session för varje plattform: ingen inloggad personalisering där du kan undvika det, inga anpassade instruktioner, samma plats- och språkinställningar vid varje körning. Dokumentera dessa inställningar en gång och återanvänd dem, eftersom de påverkar svaren. Kör varje fråga tre gånger per plattform, inte bara en gång – en enda körning kan ge dig en fördelaktig bild eller skrämma dig, medan tre körningar visar hur stabilt ett svar faktiskt är. Om en fråga ger ditt varumärke som svar två gånger av tre körningar är det ett annat resultat än tre av tre.

Hoppa inte över språk. Samma fråga på engelska och på bahasa indonesia kan ge två helt olika kortlistor, eftersom de underliggande källorna som modellerna hämtar information från skiljer sig åt beroende på språk. Varje varumärke som säljer på mer än en språkmarknad genomför i praktiken en granskning per språk.

Logga allt efterhand: fråga, plattform, körningsnummer, datum, fullständig svartext eller en skärmdump. Loggningen känns tråkig den första veckan men blir det mest värdefulla underlaget du har den tredje månaden, när någon frågar varför en siffra har förändrats.

En enkel loggstruktur räcker. En rad per körning, med kolumner för datum, plattform, fråge-ID, körningsnummer, omnämnd (ja/nej), eventuell citerad URL, sammanfattning, synliga källor och en länk till hela svaret. Kalkylblad är bättre än dashboards i detta skede; formatet kommer att förändras allteftersom du lär dig vad dina intressenter faktiskt frågar om, och ett kalkylblad är flexibelt när det gäller förändringar.

Steg 3: Poängsätt omnämnanden, hänvisningar och beskrivningar

För varje svar registrerar du fyra fält.

Omnämnande: nämndes varumärket, ja eller nej. Hänvisning: länkade svaret till din webbplats, och om det länkade någonstans, vart. Beskrivning: en kort anteckning om hur varumärket beskrevs – kategori, plats, positionering, prisklass. Källor: vilka externa sidor svaret synligt baserades på, där plattformen visar dem.

Två mönster förtjänar särskild uppmärksamhet. Ett omnämnande utan källhänvisning innebär att modellen känner till ditt namn men inte har kopplat det till dina egna källor – vanligtvis ett tecken på att din egen webbplats inte är det bästa svaret på den ställda frågan. En källhänvisning med felaktig beskrivning är värre än båda de ovanstående: assistenten skickar med självförtroende köpare till dig samtidigt som den felaktigt anger vad du gör, var du finns eller vad du kostar. Team underskattar ofta detta. En assistent som nämner dig men har fel på din plats, ditt prisintervall eller din kärntjänst gör mer skada än en som utelämnar dig, eftersom den skapar besvikna köpare i stor skala.

Motstå frestelsen att slå ihop plattformarna till ett enda genomsnitt. Plattformarna beter sig så olika att genomsnittet är en fiktion. I vårt kundarbete ser vi regelbundet att ett varumärke dyker upp i hundratals Google AI Overviews och svar i AI-läget, medan samma frågepanel genererar några dussin omnämnanden i Copilot, Perplexity, Gemini och ChatGPT tillsammans. Ett varumärke som endast tittar på det sammanvägda talet skulle tro att dess synlighet i AI var ”medelstor överallt”, när den i själva verket var stark i Googles gränssnitt och nästan obefintlig i de fristående assistenterna – två problem med helt olika lösningar.

Steg 4: Kartlägg de källor som svaren bygger på

Det här är steget som förvandlar mätningen till en arbetsplan.

När en assistent citerar en källa för ett påstående om din kategori, skriv ner källan. Över en hel panel kommer du att samla en lista: recensionsplattformar, jämförelseartiklar, branschkataloger, Wikipedia, Reddit-trådar, nyhetsbevakning, dina egna webbplatser. Den listan är den faktiska stridsarenan. Modellerna hittar inte på åsikter om varumärken; de hämtar och sammanfattar vad som redan finns på webben.

Läs igenom din källförteckning med tre frågor i åtanke. Vilka av dessa sidor kontrollerar vi, direkt eller via relationer? Vilka sidor är felaktiga, föråldrade eller utelämnar oss – och vad krävs för att rätta till dem? Och vilka källor dyker upp för konkurrenterna men inte för oss?

Ett konkret exempel: Anta att jämförelsefrågan ”bästa X för Y” konsekvent stöder sig på en välkänd recensionssajt och en branschkatalog. Ditt varumärke saknas på båda; tre konkurrenter finns med på båda. Granskningen har just gett dig en tydlig insikt – assistenterna ignorerar dig inte, de rapporterar troget om ett nät där du saknas på de två sidor som är viktiga för just den här frågan. Lösningen är lika tydlig: se till att du har en korrekt och aktuell närvaro på just dessa två sidor. Ingen omskrivning av texten på er hemsida skulle ha förändrat det svaret.

Det är också därför som GEO och klassisk SEO i slutändan delar större delen av sin verktygslåda: de källor som rankas tenderar att vara de källor som hämtas. Digital PR, gästartiklar i pålitliga publikationer, korrekta kataloglistningar och recensioner från riktiga kunder är ett osexigt arbete som råkar vara precis det som påverkar AI-svaren. Det är också kärnan i det vi gör på Arfadia för varumärken som bygger upp sin närvaro i AI-sökningar.

Steg 5: Åtgärda, och kör sedan om enligt ett schema

En granskning som slutar i en presentationsserie förändrar ingenting. Omvandla resultaten till en åtgärdslista, ordnad efter prioritet: korrigera först felaktiga beskrivningar på källor med hög auktoritet, bygg sedan upp närvaro på källor som driver kategorisvar, och stärk sedan dina egna sidor så att de blir det bästa sökbara svaret på de frågor du bör äga.

Kör sedan samma panel igen – samma frågor, samma plattformar, samma inställningar, samma tre körningar – med en fast frekvens. En gång i månaden fungerar för de flesta varumärken; en gång i kvartalet är minimum. Jämför körning med körning, plattform för plattform, mätvärde för mätvärde. Det du letar efter är inte att ett tal går upp. Du letar efter specifika förändringar i svaren: jämförelsefrågan som nu inkluderar dig, beskrivningen som äntligen är korrekt, Perplexity-svaren som nu hänvisar till din webbplats istället för en tre år gammal recension.

Ställ in förväntningarna med intressenterna tidigt: förändringar i AI-svaren släpar efter det underliggande arbetet med veckor till månader, eftersom modellerna och deras söklager uppdateras enligt sina egna scheman. En oförändrad första omkörning efter en månads korrigeringar är normalt, inte ett slutgiltigt omdöme.

Rapporteringen förtjänar ett eget avsnitt. Intressenter som är vana vid SEO-rapporter kommer att be om AI-motsvarigheten till en rank tracker: ett tal som går uppåt. Ge dem något bättre – en kort rapport per plattform, med de fyra mätvärdena separerade, två eller tre ordagrant återgivna svarutdrag och listan över korrigeringar med respektive status. Ordagrant återgivna utdrag bidrar mer till trovärdigheten än något diagram, eftersom ingen kan argumentera mot en skärmdump av en assistent som beskriver ditt företag felaktigt.

Det hjälper också att köra den klassiska SEO-mätningen parallellt snarare än istället. Rankningar, organisk trafik och AI-synlighet besvarar olika frågor: var du står på resultatsidorna och vad maskinerna säger om dig när de tillfrågas direkt. De två delar i allt högre grad på indata, så att spåra dem sida vid sida – dina sökordspositioner i en rank tracker, dina omnämnanden och citeringar i granskningsloggen – visar dig vilken faktor som påverkade vilket resultat.

Kan man automatisera en GEO-granskning?

Delvis. Att köra panelen och logga svaren kan automatiseras, och för stora paneler bör det göras – samma AI-baserade SEO-verktyg som spårar synligheten kan schemalägga körningarna. Att tolka svaren bör inte automatiseras, åtminstone inte helt: att bedöma om en beskrivning är subtilt felaktig – rätt tjänst, fel marknad; rätt pris, fel nivå – är fortfarande ett jobb för människor, och det är där de dyraste felen gömmer sig. En förnuftig lösning är automatiserad insamling med mänsklig bedömning, i samma fasta takt.

Vanliga misstag som i det tysta förstör GEO-granskningar

De flesta misslyckade granskningarna misslyckas på samma få sätt. Att redigera frågepanelen mellan körningarna, vilket skapar en falsk bild av framsteg. Att testa en enda plattform – oftast ChatGPT – och generalisera resultatet till ”AI”. Att testa en gång istället för tre gånger och jaga efter brus. Att tolka omnämnanden som framgång utan att kontrollera om beskrivningen var korrekt. Att bortse från språk och sedan dra slutsatsen att varumärket är osynligt, när det i själva verket bara är osynligt på engelska. Och att räkna ut ett genomsnitt av allt till ett enda betyg, vilket döljer den enda informationen som är värd att agera på.

Allt detta är processfel, inte verktygsfel. De är dessutom lätta att undvika, vilket är anledningen till att en disciplinerad manuell granskning slår en slarvig automatiserad.

Hur lång tid tar det innan korrigeringarna syns i AI-svaren?

Räkna med veckor till månader, inte dagar. Egna sidor kan indexeras om snabbt, men de externa källor som driver de flesta kategorisvaren uppdateras enligt sina egna scheman, och modellens beteende följer efter med en fördröjning. Detta är ett argument för att påbörja granskningen nu snarare än att vänta: det tar en vecka att bygga upp baslinjen, och varje månad utan en sådan är en månad av avvikelser som du inte kan se.

Avslutande tankar

En GEO-granskning är inte glamorös. Det är en fast lista med köparfrågor som körs noggrant genom de assistenter som dina kunder använder, läses med uppmärksamhet på omnämnanden, citat, beskrivningar och källor, och sedan körs igen på samma sätt nästa månad. Varumärken som gör detta lär sig var de faktiskt står och vad som behöver åtgärdas. Varumärken som fortsätter att göra stickprovskontroller av enskilda frågor fortsätter att förlita sig på känslor istället för data.

Tessar Napitupulu, grundare och VD för Arfadia.

Området är så pass ungt att de flesta kategorier saknar etablerade riktvärden helt och hållet – vilket innebär att det första teamet i en kategori som mäter ärligt oftast är det första som förbättras. De två böcker jag har gett ut om detta ämne, ”Found Before They Search” om den indonesiska digitala marknaden och ”Cited or Silent” om GEO och AI-synlighet, utgår båda från samma premiss som denna guide: du kan inte vinna en match vars resultattavla du vägrar att läsa.

Sätt ihop panelen, lås den, kör den och låt svaren visa var arbetet behövs.