Kort forklaret: Hvad er AI-synlighedsanalyse, og hvorfor er det vigtigt?

AI-synlighedsanalyse er en systematisk måde at måle, hvor ofte og hvordan din virksomhed optræder i svar fra ChatGPT, Perplexity, Google AI Overviews og andre AI-modeller. Analysen ser både på omtale, citater, konkurrenter og kvaliteten af svarene, så du kan styre synlighed, troværdighed og forretningsværdi i det nye AI-søgelandskab.

Hvor SEO tidligere handlede om Google-søgeresultater, handler AI-synlighed om at være blandt de brands og kilder, som AI-modellerne foreslår, forklarer og anbefaler, når potentielle kunder stiller spørgsmål. Hvis du ikke er med dér, eksisterer du i praksis ikke i en voksende del af kundernes researchfase.

Resten af artiklen går konkret igennem:

• en enkel model for AI-synlighed og de vigtigste metrics
• hvordan du laver en robust baseline-måling
• et eksempel på en AI-synlighedsrapport til ledelsen
• hvilke kilder der faktisk påvirker AI-svar i Danmark
• hvordan du omsætter måling til en prioriteret handleplan
• budget-overvejelser og kobling til leads og omsætning

Hvad er AI-synlighedsanalyse?

AI-synlighedsanalyse er processen, hvor du måler, hvordan dit brand klarer sig i AI-svar på tværs af modeller som ChatGPT, Perplexity og Google AI Overviews. Du ser på, hvor ofte du nævnes, om du bliver citeret med kilde, hvordan du står ift. konkurrenter, og om svarene er positive og fagligt rigtige.

Praktisk fungerer AI-synlighed som et samlet mål for:

• Hvor ofte du er med i relevante svar (kendskab)
• Hvor tydeligt dine ydelser og styrker beskrives (positionering)
• Hvor troværdigt du fremstår gennem kilder og omtale (tillid)
• Hvem du reelt konkurrerer mod i AI-svar (konkurrencebillede)

Et robust setup bygger typisk på fem kerne-metrics:

Analysen giver først for alvor værdi, når den kobles til beslutninger: Hvem ejer KPI’erne, hvor ofte følger I op, og hvilke konkrete ændringer laver I på website, indhold og eksterne signaler.

Mentions vs. citations: hvad er forskellen, og hvad skal du styre efter?

Mentions er, når AI nævner dit brand i et svar. Citations er, når AI samtidig henviser til din hjemmeside eller andre kilder, der kan tilskrives dig. Mentions driver kendskab, mens citations er forudsætningen for klik, måling og konkret forretningsværdi.

I AI-synlighedsanalyse bruges de to metrics forskelligt:

• Mentions: God indikator for, om du overhovedet er med ved bordet, når kunder spørger efter leverandører eller løsninger.
• Citations: Afgørende, hvis du vil kunne koble AI-svar til trafik, leads og pipeline, fordi der her er en konkret kilde.

Adfærden er forskellig fra motor til motor:

• ChatGPT nævner ofte brands, men har relativt lav andel af klikbare citater (vejledende omkring 20 % af mentions har link, og tallet ændrer sig over tid).
• Perplexity citerer typisk 4 – 8 kilder med links i hvert svar.
• Google AI Overviews viser kilder visuelt, men mange brugere klikker ikke videre (no-click).

Det betyder, at du skal vægte metrics efter forretningsmål:

For mange virksomheder giver det mening at måle alle metrics, men at rapportere forskelligt til fx marketing (mentions/citations) og direktion/bestyrelse (share of voice, sentiment, fejl).

ChatGPT, Perplexity og AI Overviews: derfor skal du måle dem hver for sig

ChatGPT, Perplexity og Google AI Overviews opfører sig fundamentalt forskelligt, når de vælger og viser kilder. Derfor skal AI-synlighed måles separat for hver motor, selv om prompts er de samme. Ellers blander du æbler og pærer i rapporten.

De vigtigste forskelle i praksis:

Derudover har motorerne forskellige styrker geografisk og sprogligt, og deres adfærd ændrer sig løbende. Ét stabilt datapunkt i dag kan være forældet om 6 måneder.

Sådan bør du tænke måling pr. motor:

• ChatGPT: Fokus på mention rate, share of voice og nøjagtighed. Bruges til at forstå, hvem AI ser som de typiske spillere i din kategori.
• Perplexity: Fokus på citation rate og top-kilder. Bruges til at se, hvilke sider og domæner der “bærer” dit brand.
• AI Overviews: Fokus på, om du er med i de udvalgte kasser, og hvilke sider der citeres. Her er koblingen til klassisk SEO tydeligst. Suppler gerne med viden fra fx guiden om AI search.

Sådan måler du AI-synlighed i praksis

Du måler AI-synlighed ved at definere et sæt realistiske kunde-spørgsmål (prompts), teste dem flere gange i hver AI-model, registrere mentions, citations, sentiment og nøjagtighed og samle resultaterne i en baseline, du kan gentage hvert kvartal eller halvår.

1. Vælg 10 – 15 centrale prompts

En god baseline starter med 10 – 15 spørgsmål, der afspejler virkelige købesituationer. De kan fordeles på fem typer:

• Kategori: “Hvilke virksomheder i Danmark tilbyder [ydelse] til [målgruppe]?”
• Sammenligning: “Hvilke alternativer er der til [produkt/leverandør] for [segment]?”
• Persona/use-case: “Jeg er [rolle] i en [branche]-virksomhed. Hvilke løsninger bør jeg overveje til [problem]?”
• Problem/jobs-to-be-done: “Hvordan kan en mindre virksomhed håndtere [problem] uden at øge faste omkostninger for meget?”
• Direkte brand: “Hvad tilbyder [dit brand] inden for [område], og hvem konkurrerer de med?”

For B2B kan du med fordel bruge eksisterende viden om købemotiver og pains fra fx kortlægning af B2B-købemotiver til at formulere realistiske prompts.

2. Test hver prompt 3 – 5 gange pr. motor

Generative modeller varierer i svarene. Hvis du kun tester én gang, risikerer du at konkludere på støj. En praktisk tommelfingerregel er:

• Kør hver prompt 3 – 5 gange i hver motor (ChatGPT, Perplexity, Google-søgning med AI Overviews).
• Skift lidt i formuleringen, men bevar samme intention (fan-out).
• Notér forskelle i synlighed og kilder mellem gentagelser.

Har du fx 25 prompts, der køres 5 gange, ender du med 125 datapunkter per motor. Det er nok til en brugbar baseline uden at drukne i arbejde.

3. Registrér svarene systematisk

Brug et enkelt registreringsark (regneark eller BI-dashboard), så du kan gentage og sammenligne resultater senere. En simpel struktur kan se sådan ud:

Du kan senere koble dette til dashboards i fx data- og BI-setup, som beskrevet i kategorien om dataanalyse og BI.

4. Hvornår er din baseline “god nok”?

En baseline skal ikke være perfekt. Den skal være:

• repræsentativ for dine vigtigste kunde-spørgsmål
• gentaget nok gange til, at mønstre går igen
• dokumenteret så godt, at du kan gentage testen om 3 – 6 måneder

Hvis du kan forklare resultaterne kort til ledelsen og gentage samme måling senere, er baseline typisk tilstrækkelig. Brug hellere energi på at handle på klare mønstre end på at jagte marginal forbedring i målemetoden.

Sådan ser en AI-synlighedsrapport ud

En god AI-synlighedsrapport samler de vigtigste prompts, metrics, kilder, konkurrenter og anbefalede handlinger i ét overblik, så ledelsen hurtigt kan se status, udvikling og næste skridt. Rapporten skal være kort nok til at blive læst, men konkret nok til at kunne styre prioriteter og budget.

1. Executive summary på én side

Start med et kort overblik, der kan sendes til direktion og evt. bestyrelse:

• 3 – 5 hovedkonklusioner (fx “vi nævnes kun i 30 % af relevante prompts”)
• nuværende share of voice i 2 – 3 nøgle-scenarier
• største risici (fx alvorlige fejl i beskrivelser af produkt eller priser)
• 3 vigtigste anbefalinger for næste kvartal

Her kan du trække på principperne fra sider om performancestyring og målstyring, så rapporten passer ind i jeres eksisterende rapporteringsrytme.

2. Scorecard over prompts og synlighed

Næste niveau er et simpelt scorecard, der samler dine vigtigste prompts:

Tal kan her være simple gennemsnit på tværs af dine 3 – 5 gentagelser. Det vigtigste er, at du kan se forskelle mellem prompts, ikke at hver procent er perfekt.

3. Kilde- og konkurrenceoversigt

Til sidst bør rapporten have en kort oversigt over:

• Top-kilder der bliver citeret, når du nævnes (fx din egen hjemmeside, branchemedier, myndigheder)
• Hyppigste konkurrenter pr. prompt-type
• Huller: Spørgsmål hvor konkurrenter nævnes, men du ikke gør

En enkel tabel kan være:

Rapporten afsluttes med en konkret actionplan og tydelig KPI-ejerskab: Hvem gør hvad inden næste måling, og hvordan følges der op.

Hvilke kilder påvirker AI-svar mest i Danmark?

AI-modeller trækker typisk på en blanding af egne sider, tredjepartsomtaler, anmeldelser, kataloger, presse og autoritative kilder. I Danmark spiller især troværdige brand-domæner, branchemedier, myndigheder og lokale virksomhedsdata en stor rolle for, hvordan din virksomhed præsenteres.

En praktisk måde at tænke det på er at dele kilder i fem grupper:

1. Egne kilder
   Din hjemmeside, blog, whitepapers, rapporter, eventuelt YouTube-kanal m.m. Her har du fuld kontrol. Klart og opdateret indhold på eget domæne er ofte den vigtigste driver for både citations og nøjagtighed.
2. Autoritative tredjepartskilder
   Branchemedier, fagportaler, større nyhedsmedier, institutioner, universiteter og anerkendte blogs. De fungerer som “uafhængige vidner” på, at du eksisterer og ved noget om dit felt.
3. Myndigheder og brancheorganisationer
   Officielle registre, myndighedssider, brancheforeninger og standardiseringsorganer. AI-modeller har en tendens til at stole på information herfra, særligt om virksomhedsdata, regler og fakta.
4. Lokale kataloger og firmaprofiler
   Google Business Profile, Krak og andre virksomhedsdatabaser. For lokale og servicebaserede virksomheder er konsistente oplysninger her en nøgle til at blive forstået korrekt. Læs evt. mere i indholdet om SEO og synlighed, da mange signaler overlapper.
5. Anmeldelser og sociale signaler
   Trustpilot, Google-anmeldelser, sociale medier, fora. AI kan bruge både ratings og tekstindhold til at vurdere sentiment og risici.

Det afgørende er konsistens og troværdighed på tværs af kilder. Hvis din adresse, ydelser eller prisniveau fremstår forskelligt på hjemmeside, GBP og kataloger, er det sværere for AI at konkludere noget klart – og så nævnes du ofte slet ikke eller kun meget forsigtigt.

Særlige fokuspunkter for lokale og flerlokations-virksomheder

Lokale virksomheder bliver i høj grad vurderet på tydelighed, konsistens og anmeldelser. For flerlokations-virksomheder er udfordringen større: de skal sikre, at alle lokationer er opdateret og ensartet beskrevet på tværs af platforme, så AI ikke blander adresser, åbningstider og ydelser sammen.

For én lokation

• Sørg for, at Google Business Profile er komplet: kategori, ydelser, åbningstider, billeder.
• Hold oplysninger på hjemmesiden, GBP, Krak og andre kataloger 100 % ens (navn, adresse, telefon).
• Gør det krystalklart, hvilke ydelser du tilbyder, og hvilket geografisk område du dækker.
• Arbejd aktivt med anmeldelser og svar på dem, da disse ofte indgår i sentiment-vurderingen.

For flere lokationer eller kæder

• Beslut, hvad der skal være identisk (brandnavn, overordnet beskrivelse) og hvad der må variere (lokale ydelser, åbningstider).
• Byg en struktur på sitet, hvor hver lokation har sin egen side med tydelige lokale oplysninger.
• Sørg for, at alle lokationer har korrekt og opdateret profil i GBP og relevante kataloger.
• Overvej et simpelt internt lokations-tjekskema, der gennemgås kvartalsvis.

For lokale virksomheder bør prompts i baseline-målingen indeholde lokation: “bedste VVS i [by]”, “revisor til mindre virksomheder i [område]” osv. Det giver et langt mere realistisk billede af din faktiske AI-synlighed.

Fra måling til handling: sådan prioriterer du din AI-handleplan

AI-synlighedsanalyse giver først reel værdi, når den munder ud i konkrete ændringer. En god tommelfingerregel er at starte med at rette de signaler, AI allerede bruger, derefter styrke content og kilder, og først derefter gå i gang med finjustering og løbende monitorering.

Trin 1: Ret fejl og datakonsistens

Start med de mest kritiske problemer:

• åbenlyse fejl i AI-svar om jeres ydelser, priser, lokation eller målgrupper
• uoverensstemmelse mellem oplysninger på hjemmeside, GBP, kataloger og myndighedsregistre
• gamle navne, brands eller produkter, AI stadig refererer til

Løsningen er sjældent at “rette” AI direkte, men at:

• opdatere og tydeliggøre de primære sider på jeres eget domæne
• rette oplysninger i de kataloger og registre, AI sandsynligvis bruger
• publicere klar forklaring på fx navneskifte eller produktændringer

Trin 2: Styrk indhold og struktur

Når fundamentet er i orden, handler næste skridt om at give AI bedre materiale at arbejde med:

• lav dybdegående sider, der matcher de vigtigste prompts (kategori, problem, use-case)
• sørg for klare strukturer og overskrifter, så det er tydeligt, hvad siden handler om
• byg indhold, der understøtter din faglige autoritet – fx ved at tænke i thought leadership, som beskrevet i guiden om B2B thought leadership

Trin 3: Arbejd med off-site signaler og omtale

Når dine egne sider er stærke, bliver eksterne signaler løftestangen:

• få omtale i branchemedier og relevante niche-sider
• styrk anmeldelser og case-historier, der kan citeres
• tænk PR og synlighed som noget, der også påvirker AI-svar – ikke kun mennesker

Trin 4: Etabler løbende monitorering

Når første runde forbedringer er gennemført, giver det mening at:

• gentage baseline-målingen hver 3 – 6 måneder
• opdatere scorecard og actionplan løbende
• indarbejde AI-synlighed som fast punkt i jeres performance- og målstyringssetup

Her kan det betale sig at koble emnet på jeres arbejde med AI-transformation og AI og ledelse, så der er tydeligt ejerskab og governance omkring både måling og handling.

Hvad koster AI-synlighedsanalyse, og hvordan tænker du budget?

Budgettet til AI-synlighedsanalyse afhænger primært af antal modeller, antal prompts, hvor dyb rapporteringen skal være, og om analysen også skal inkludere implementering og løbende monitorering. Tænk det som et investeringsspænd, ikke en fast pris.

Vejledende spænd (ikke listepriser, men typisk niveau i markedet):

• Light baseline (få modeller, begrænset prompt-sæt, enkel rapport): ca. 15.000 – 25.000 kr.
• Udvidet analyse (flere modeller, flere markeder, handlingsplan): ca. 30.000 – 70.000 kr.
• Enterprise-setup (inkl. benchmarking, dashboard, integration i rapportering): ca. 50.000 – 150.000 kr.
• Løbende monitorering (månedlig/kvartalsvis): typisk 8.000 – 20.000 kr. pr. måned afhængigt af omfang.

Pris-driverne er bl.a.:

• antal AI-modeller, der skal måles systematisk
• antal prompts og sprog/markeder
• dybden af rapportering og governance (fx bestyrelsesniveau)
• om der også skal laves implementering og indholdsproduktion

For mange mindre og mellemstore virksomheder giver det mening at starte med en enkel baseline og handleplan, og først derefter vurdere, om der er behov for tungere enterprise-setup.

Hvordan kobler du AI-synlighed til leads, pipeline og omsætning?

AI-synlighed påvirker forretningen ved at gøre dig synlig i de øjeblikke, hvor kunder researcher løsninger og leverandører. Koblingen til omsætning sker typisk via flere led: først omtale, så trafik, dernæst leads og til sidst pipeline og salg.

En praktisk model at arbejde med:

1. Synlighed i AI-svar
   Højere mention rate og share of voice i relevante prompts.
2. Interesse og klik
   Flere citations til dine sider øger sandsynligheden for besøg fra brugere, der er midt i en købsproces.
3. Leads og dialog
   På dine sider bliver besøgende til nyhedsbrevs-tilmeldinger, kontaktformularer, webinar-tilmeldinger eller direkte henvendelser. Arbejdet med at kvalificere og modne disse kan kobles til jeres eksisterende salgsproces og indsatser inden for fx relationer til B2B-kunder og opsøgende salg.
4. Pipeline og omsætning
   Leads bliver til sager i CRM, tilbud og ordrer – her er attribution sjældent perfekt, men du kan følge tendenser over tid.

Direkte at sige “1 % højere AI-share of voice = X kr. mere omsætning” er sjældent realistisk. I stedet kan du arbejde med proxy-metrics:

• udvikling i branded search (flere søger på jeres navn)
• udvikling i direkte trafik og henvisningstrafik fra domæner, du kan se er citeret i AI-svar
• udvikling i antal kvalificerede leads fra indhold, der tydeligt matcher dine prompts

Det vigtigste er at få AI-synlighed integreret i jeres samlede marketing- og salgsrapportering, ikke at opfinde en separat “AI-økonomi”, der lever sit eget liv uden for KPI’erne for pipeline og omsætning.

Metodiske forbehold og governance

AI-synlighedsdata er stærke som pejlemærker, men har nogle indbyggede begrænsninger:

• svar varierer fra dag til dag, så du arbejder med tendenser, ikke eksakte tal
• motorernes adfærd ændrer sig løbende; benchmarks skal ses som vejledende
• direkte attribution fra AI-svar til omsætning er sjældent fuldstændig

Derfor er governance vigtig:

• udpeg en ejer for AI-synligheds-KPI’er (typisk marketing eller digital ansvarlig)
• fastsæt en kadence for måling og rapportering (fx halvårlig baseline, kvartalsvis status)
• sørg for, at arbejdet passer ind i jeres eksisterende struktur for performance og målstyring
• hav øje for compliance og informationssikkerhed, når der bruges eksterne AI-værktøjer; se fx kategorien om compliance og governance

Konkrete næste skridt for din virksomhed

Hvis du vil i gang uden at gøre det større end nødvendigt, kan du bruge denne korte tjekliste:

1. Vælg 10 – 15 realistiske prompts, der matcher dine vigtigste kunder og ydelser.
2. Test dem 3 – 5 gange i ChatGPT, Perplexity og Google-søgning (med AI Overviews) og notér resultaterne i et simpelt ark.
3. Lav et kort scorecard med mention rate, citation rate, share of voice, sentiment og nøjagtighed.
4. Identificer de 3 største huller (fx kritiske fejl, manglende synlighed på vigtige prompts, stærke konkurrenter) og definér konkrete handlinger.
5. Aftal, hvem der ejer opfølgningen, og hvornår næste baseline køres.

Når først metoden er på plads én gang, er resten et spørgsmål om disciplin: at få måling, prioritering og handling til at køre som en del af jeres normale styringscyklus – på linje med andre nøgletal.