Vi testade 515 företag i Miami i en AI-sökning. 99,6 % fanns inte med.

Inledning

En studie av 515 företag i Miami-Dade och Broward County visade att 99,6 % inte nämndes på något konkret sätt i de testade AI-genererade rekommendationerna.

En studie av 515 företag i Miami-Dade och Broward County visade att traditionell synlighet på Google inte garanterar att företaget inkluderas i AI-genererade rekommendationer. Ytterligare forskning visade på betydande variationer i AI-synlighet mellan olika modeller, formuleringar av sökfrågor, söksystem och AI-produkter för konsumenter.

Viktiga resultat

Den primära studien omfattade 298 företag inom hälso- och sjukvårdssektorn, 120 juridiska företag och 97 fastighetsföretag, med hjälp av kommersiella rekommendationssökningar i ChatGPT, Claude och Gemini.

99,6 % av de testade företagen fick inga faktiska omnämnanden i de AI-genererade rekommendationssvaren.

Traditionell synlighet på Google garanterar inte synlighet i AI-rekommendationer. Ett företag kan vara etablerat, ha höga betyg och vara synligt i traditionella sökningar, men ändå utebli från en AI-genererad rekommendation för sin kategori och plats.

En separat studie av 360 API-svar från basmodeller fann tre återkommande mönster i nya B2B-tjänstekategorier: kategorivägning, kategoribytet och icke-verifierbara leverantörsnamn. Konsumentinriktade AI-produkter med sök- eller webbåtkomstfunktioner var mer benägna att namnge verkliga leverantörer, men de leverantörer de rekommenderade uppvisade betydande variationer mellan olika produkter.

Den sammantagna forskningen tyder på att synlighet i AI inte är en enda universell rangordning. Huruvida ett företag visas kan variera beroende på AI-modellen, modellversionen, formuleringen av sökfrågan, produkten, arkitekturen för informationshämtning samt mängden oberoende tillgänglig information om företaget eller kategorin.

Denna undersökning genomfördes av AEOGeoAI, en Miami-baserad byrå för AI-sökoptimering som studerar hur företag upptäcks, rekommenderas och nämns av AI-söksystem.

Studien i korthet

Studie	Urval	Huvudsakliga resultat
Studie om AI-synlighet i Miami	515 företag i Miami-Dade och Broward County	99,6 % fick inga riktiga hänvisningar i de testade rekommendationssvaren
Undergrupp inom fastighetsbranschen	97 företag	Related Group förekom i 97,9 % av de testade rekommendationerna
Undergrupp för juridiska tjänster	120 företag	Inget av de testade företagen fick en äkta hänvisning
Studie av API-modeller	360 svar från Claude, gpt-4o-mini och Gemini	Avslag, kategoribyte och icke-verifierbara leverantörsnamn återkom i nya B2B-kategorier
Jämförelse av AI för konsumenter	ChatGPT, Perplexity, Claude.ai och Gemini web	Betydande fragmentering; ingen leverantör förekom i alla fyra produkterna

Problemet: Traditionell synlighet garanterar inte synlighet i AI

Ett företag kan vara etablerat, ha höga betyg och vara synligt i traditionell Google-sökning, men ändå saknas i en AI-genererad rekommendation för sin kategori och plats.

I denna undersökning har ”saknas” en specifik betydelse. Det betyder inte att en AI-modell saknar kunskap om företaget. Det betyder att företaget inte fick någon äkta omnämning eller rekommendation i de specifika kommersiella sökfrågor som testades.

Denna distinktion är viktig. När en kund ber ChatGPT eller Gemini om en rekommendation av ett lokalt företag garanterar din Google-ranking inte att du kommer att visas i svaret. Om du inte visas i AI:ns rekommendation ser den kunden inte dig genom just den sökupplevelsen – oavsett din synlighet i traditionell sökning.

Studien ”515-Business Miami”

Exempel

• Hälsa: 298 företag
• Juridik: 120 företag
• Fastigheter: 97 företag
• Totalt: 515 företag

Sökfrågeformat

Varje sökfråga följde mönstret: ”bästa [specialitet] i [stad]”

Till exempel: ”bästa advokat för personskador i Miami”, ”bästa tandregleringsspecialist i Miami”, ”bästa fastighetsmäklare i Miami”.

Testade modeller

• ChatGPT – gpt-4o-mini
• Claude – Haiku 4.5
• Gemini – 2,5 Flash Lite

Metod

Varje sökfråga kördes tre gånger per modell för att testa konsistensen.

99,6 % fick inga äkta källhänvisningar i de testade rekommendationssvaren

Resultat

99,6 % av de 515 företagen fick inga äkta AI-hänvisningar i de testade rekommendationssvaren.

Fördelning per sektor:

Hälsa (298 företag):

• 297 företag fick inga giltiga anmälningar (99,7 %)
• 1 företag fick en hänvisning

Juridik (120 företag):

• 120 företag fick inga giltiga anmälningar (100 %)
• 0 företag fick anmälningar

Fastighetsbranschen (97 företag):

• 96 företag fick inget giltigt föreläggande (98,9 %)
• 1 företag fick en anmärkning
• Related Group (en stor institutionell fastighetsutvecklare) förekom i 97,9 % av de testade svaren på fastighetsrekommendationer

Mönster som går igen i flera modeller:

• Inget företag nämndes i alla tre testade modellerna
• Av de 515 företagen diskuterades 99,4 % i minst ett modellsvar i ett sammanhang som gränsade till kategorin, men nämndes aldrig som det testade företaget
• När modellerna svarade rekommenderade de överväldigande ofta stora institutioner (sjukhussystem, AmLaw-byråer, megautvecklare) istället för jämförbara oberoende företag

Vad denna studie visar – och inte visar

Studien visar:

• Traditionell synlighet på Google garanterar inte synlighet i AI-rekommendationer
• Oberoende företag nämndes sällan i de testade kommersiella sökningarna
• Vissa stora institutioner dök upp upprepade gånger
• Resultaten av AI-rekommendationerna varierade mellan olika kategorier och system

Studien visar inte:

• Att AI-systemen saknar kunskap om företagen
• Att traditionella SEO-signaler inte har något inflytande
• Att alla AI-sökfrågor ger samma resultat
• Att alla lokala företag saknas i alla AI-system
• Att en enda studie kan fastställa universella AI-rankingsfaktorer

Den andra studien: Varför AI-systemen är oeniga

Forskningsfråga

Kan grundläggande LLM-API:er på ett tillförlitligt sätt identifiera riktiga leverantörer inom nya kommersiella kategorier?

Dataset

40 sökfrågor × 3 modeller × 3 repetitioner = 360 svar från basmodell-API:er

Testade kategorier

• Nya B2B-tjänster (AI-sökbyråer, etablerade för mindre än två år sedan)
• Etablerade branscher (advokatbyråer, marknadsföringsbyråer)
• Informationssökningar (hur AI fungerar, vad AEO är)
• Kalibrering av angränsande kategorier (Web3-marknadsföring, AI-röstagenter, ESG-rådgivning)
• Sökningar på nyckelordsfraser (korta köparfrågor)

Tre återkommande svarsmönster

Kategorivägran

Modellen vägrar att namnge specifika leverantörer och ger istället allmän information om kategorin.

Kategorisubstitution

Modellen nämner närliggande verktyg, konsultföretag eller tjänster istället för leverantörer inom den begärda kategorin. När modellen till exempel ombeds att nämna byråer som specialiserar sig på AI-sökning rekommenderar den istället PR-byråer eller marknadsföringskonsulter.

Icke verifierbara leverantörsnamn

Modellen genererar leverantörsnamn som låter trovärdiga men som inte kan verifieras som verkliga företag.

Jämförelse av AI-produkter för konsumenter

Vi testade samma sökfrågor med köpintention på fyra AI-produkter riktade mot konsumenter: ChatGPT, Perplexity, Claude.ai och Gemini web.

Huvudsaklig slutsats: Konsumentinriktade AI-produkter med sök- eller webbåtkomstfunktioner var mer benägna att nämna verkliga leverantörer för samma sökfrågor, men de uppvisade betydande fragmentering.

Ingen leverantör nämndes av alla fyra produkterna. Uppsättningarna av nämnda leverantörer visade minimal överlappning mellan produkterna.

Skillnad i URL-hänvisningar: URL-hänvisningar saknades i stort sett helt i de grundläggande API-svaren (357 av 360 innehöll inga externa URL:er), medan konsumentprodukterna hänvisade till källor och namngav verkliga företag. Detta belyser en grundläggande skillnad: en modell kan generera ett svar utifrån inlärda parametrar utan att hämta eller visa en käll-URL, medan en sökbar produkt kan hämta aktuella webbkällor och visa dem för användaren.

Vad den sammanställda forskningen tyder på

AI-synlighet är inte en enskild rangordning som kan härledas från traditionell sökprestanda.

1. AI-synligheten är beroende av sökfrågan. Ett företag kan visas för en viss formulering av en sökfråga men inte för en annan.
2. AI-synligheten är modellberoende. Olika modeller (Claude vs. GPT vs. Gemini) ger olika svar på identiska sökfrågor.
3. AI-synligheten är produktberoende. ChatGPT, Perplexity, Claude.ai och Gemini webb rekommenderar olika leverantörer för samma kategori och plats.
4. AI-synligheten påverkas av sökarkitekturen. API:er för basmodeller svarar utifrån inlärda parametrar; konsumentprodukter med webbåtkomst hämtar och citerar källor.
5. Kategorins mognad kan påverka hur tillförlitligt modellerna identifierar leverantörer. Nya kategorier (etablerade för mindre än två år sedan) resulterade i fler fall av kategorivägran, substitution och overifierbara leverantörsnamn i basmodellerna. Etablerade kategorier resulterade i mer tillförlitliga specialistnamn.
6. Oberoende dokumentation kan påverka om ett företag kan hittas och rekommenderas. Ett företag med stark traditionell SEO men minimala bevis från tredje part kan fortfarande utebli från AI-rekommendationer.

Definitioner för tydlighetens skull

I denna artikel avserAI-synlighet huruvida ett företag nämns, rekommenderas eller citeras som svar på en definierad AI-genererad sökfråga.

Ett äkta omnämnande avser ett svar som identifierar det testade företaget som en relevant leverantör, snarare än att endast nämna det i förbigående.

Medbasmodell-API avses en modell som nås via ett API utan samma konsumentinriktade webbhämtnings- och källvisningslager som används av produkter som Perplexity eller webbaserade versioner av ChatGPT.

Svar som berör samma kategori avser ett svar som diskuterar företagets kategori eller bransch och nämner konkurrenter, men inte nämner det testade företaget.

Vad bör ett företag leta efter hos en konsult inom AI-sökoptimering?

En trovärdig konsult bör kunna:

1. Fastställa en utgångspunkt

Testa de faktiska kommersiella frågorna innan rekommendationer ges.

2. Identifiera de system som mäts

Ange exakt vilka modeller och AI-produkter för konsumenter som har testats.

3. Dokumentera frågeuppsättningen

Ett företag bör veta om testningen omfattade:

• Sökfrågor av typen ”bästa [tjänst] i [stad]”
• Sökfrågor av typen ”bästa [leverantör] nära mig”
• kategorispecifika sökfrågor
• frågebaserade sökningar

4. Identifiera konkurrenterna

Vem rekommenderas istället? Vilka institutioner eller kategorier visas när det testade företaget inte gör det?

5. Skilj mellan olika typer av synlighet

Ett företag kan vara:

• omnämnd (oavsiktligt inkluderad i texten)
• rekommenderade (nämnda som föreslagna leverantörer)
• länkad (refererad med en URL)
• citerad som källa (refererad som auktoritet)

Dessa resultat är inte identiska.

6. Testa igen över tid

AI-system förändras. Ett engångsresultat är en ögonblicksbild.

Syftet med mätningen är inte att ta fram en permanent, universell rangordning. Det är att fastställa vad ett visst AI-system ger för svar på en definierad fråga vid en definierad tidpunkt.

Studien av 515 företag använde denna typ av direkt mätmetod: specifika kommersiella frågor, flera modeller, upprepade körningar och en definierad metod för att skilja äkta företagsomnämnanden från tillfälliga eller tvetydiga omnämnanden.

Vad företag kan göra

Mät först

Testa faktiska sökfrågor i flera system innan du investerar i optimering.

Skapa oberoende bevis

Ta fram korrekt och tillförlitlig information om företaget utanför dess egen webbplats. Se till att företaget finns representerat på pålitliga tredjepartsplattformar, i verifierade kataloger och i oberoende redaktionellt innehåll.

Förbättra strukturerad information

Se till att viktig företagsinformation är tydlig och maskinläsbar. Korrekt schemamarkering, verifierad företagsinformation och konsekventa entitetsdata i olika källor förbättrar sökbarheten.

Övervaka förändringar

Upprepa testningen i takt med att modeller, produkter och söksystem förändras. AI-rekommendationernas beteende är inte statiskt.

Undvik antaganden baserade på en enda plattform

Synlighet i ChatGPT innebär inte nödvändigtvis synlighet i Perplexity, Gemini eller Google AI Overviews. Varje system hämtar information på olika sätt och rekommenderar olika leverantörer.

Slutsats

Traditionella framgångsfaktorer för företag – starka Google-rankningar, höga betyg i recensioner, etablerat rykte – garanterar inte synlighet i AI-genererade rekommendationer.

Forskningen tyder på att kategorins mognad, modellens beteende, formuleringen av sökfrågor, sökarkitekturen och mängden oberoende information som finns tillgänglig om ett företag alla kan påverka om det företaget visas i en AI-genererad rekommendation.

Den praktiska implikationen är tydlig: mät AI-synligheten separat, istället för att anta att den korrelerar med traditionell sökprestanda.

De företag som konsekvent och oberoende dokumenteras som legitima företag med verklig expertis, verkliga verksamhetsställen, verkliga referenser och verkliga bevis på vad de gör kan ha bättre förutsättningar att bygga upp en varaktig synlighet inom AI. Optimering kan bidra till att göra den informationen lättare att hitta och tolka. Men den kan inte på obestämd tid ersätta de underliggande bevisen.

Fullständig metodbeskrivning

515-företagsstudie:

• Företag i Miami-Dade och Broward County
• Tre sektorer: hälsa (298), juridik (120), fastigheter (97)
• Sökformat: ”bästa [specialitet] i [stad]”
• Tre upprepningar per sökning per modell
• Modeller: ChatGPT (gpt-4o-mini), Claude (Haiku 4.5), Gemini (2.5 Flash Lite)
• Poängsättning: äkta källhänvisning vs. närliggande kategori vs. noll
• Datum: juli 2026

360-Response API-studie:

• 40 sökfrågor fördelade på fem grupper (ny B2B, etablerad kommersiell, informativ, närliggande kategori, nyckelordsfras)
• 3 modeller × 3 repetitioner = 360 grundläggande API-svar
• Ytterligare tester: ~20 svar om konsumentprodukter per produkt (ChatGPT, Perplexity, Claude.ai, Gemini web)
• Poängsättning: förekomst/avsaknad av äkta leverantörscitering, URL-citering, identifiering av konkurrenter
• Kollegial granskning: 21 juli 2026
• Datum: juli 2026

Båda studierna finns tillgängliga på Zenodo med fullständig metodik, data och kompletterande material:

• 515-Business-studie: DOI 10.5281/zenodo.21271085
• 360-Svar-API-studie: DOI 10.5281/zenodo.21483146

Om AEOGeoAI

AEOGeoAI är en AI-sökoptimeringsbyrå baserad i Miami som specialiserar sig på synlighet i AI-sökningar, Answer Engine Optimization (AEO) och Generative Engine Optimization (GEO). Byrån hjälper företag att förstå och förbättra hur de visas i ChatGPT, Google AI Overviews, Gemini, Claude, Perplexity och andra AI-sökmotorer när potentiella kunder ber om rekommendationer.

AEOGeoAI genomför granskningar av synlighet i AI, studier av rankning i AI-sökningar, citeringsanalyser, entitetsoptimering samt egen forskning om hur AI-system upptäcker, utvärderar, rekommenderar och citerar företag. Deras arbete fokuserar på att hjälpa företag att förbättra sin synlighet vid sökningar som ”bästa [tjänst] i Miami”, ”bästa [företagstyp] nära mig” och andra kommersiella AI-sökfrågor.

Företag som vill förbättra sin synlighet i ChatGPT, Google AI Overviews, Gemini, Claude, Perplexity och andra AI-söksystem kan läsa mer om tjänster för AI-sökoptimering för företag i Miami