AI SEO og GEO uden myter: hvad der faktisk virker

Et brand kommer med i svar fra ChatGPT, Gemini, Perplexity og AI Overview hovedsageligt via to veje, der overlapper hinanden, og AI SEO er arbejdet med dem begge:

1. Via søgning. Modellen søger på nettet, mens den svarer, og citerer en del af de sider, den finder. Her virker det samme som i SEO: adgang for robotter, indeks, synlighed på søgeordet og dets varianter og tekststykker, der svarer på spørgsmålet uden resten af siden. Effekten ser man som i SEO efter uger eller måneder.
2. Via modellens hukommelse. Modellen svarer ud fra det, den lærte, før træningen sluttede, og den hukommelse påvirker også, hvem modellen nævner, når den søger på nettet. Her tæller det, andre har skrevet om brandet, og én sammenhængende beskrivelse af brandet i mange kilder. Jeg har ikke målt, hvor hurtigt hukommelsen ændrer sig, så jeg lover ikke noget her inden for et kvartal.

De fleste »GEO-tricks« har ingen beviser, og nogle af dem har jeg testet på mine egne data. Filen llms.txt og strukturerede data har ingen beviser for, at de giver citeringer. Flere overskrifter løftede ikke siderne til top 3 i min test. Testen af, om placeringen på delsøgninger forudsiger citering bedre end placeringen på hovedsøgeordet, afgjorde ingenting, og min første konklusion fra den blev afkræftet af krydskontrollen. Beviserne for hver af disse sætninger står længere nede.

Hvad er AI SEO, og hvad kalder man det?

AI SEO er arbejdet med at få et brand frem i svar genereret af AI: i AI Overview og AI-tilstand i Google, i ChatGPT, Gemini, Perplexity og Copilot. Det samme arbejde har flere navne, og forskellene mellem dem er mest marketing:

Navnet GEO har en videnskabelig kilde, og grundlaget for hele arbejdet er det samme som i SEO. GEO stammer fra en videnskabelig artikel fra november 2023, optaget på konferencen KDD 2024. Forfatterne, Pranjal Aggarwal og medforfattere, viste på deres eget testsæt, at ændringer i indholdet kan øge en kildes synlighed i generative svar med op til 40 % (arXiv). Google skriver i dokumentationen, at optimering til generativ søgning stadig er SEO (Google Search Central). Cyrus Shepard fra Zyppy svarer på samme måde på spørgsmålet, om en virksomhed har brug for en separat GEO-strategi:

Folk har heller ikke ét navn for dette arbejde, og det kan man se i Google-resultaterne. Spørgsmålet om, hvad arbejdet hedder (på polsk »Jak nazywa się pozycjonowanie w AI?«), står i sektionen »Folk spørger også om« i de polske resultater, tilsvarende spørgsmål i resultaterne fra Tyskland, Spanien og Finland, og det engelske »What is AI SEO called now?« i resultaterne fra USA, Sverige og Singapore. Spørgsmålet om forskellen mellem GEO (eller LLMO) og SEO dukker op på 9 af de 27 undersøgte markeder, fra Brasilien til Japan.

Det navn, der dominerer, afhænger af markedet. I Japan er 72 % af ca. 16.730 søgninger om måneden om emnet LLMO, og selve søgeordet »llmo« har ca. 12.100 søgninger, flere end »ai seo« i USA (ca. 6.600). I Tyskland og Frankrig dominerer GEO (64 % og 66 %), i Sydkorea 83 %. I Polen er 58 % af ca. 2.265 søgninger om måneden AI SEO sammen med søgeordet »ai seo« og polske beskrivelser (»pozycjonowanie ai«, »pozycjonowanie w ai«), og GEO er 32 %. I USA ligger AI SEO og GEO side om side: 42 % og 39 % af ca. 25.400 søgninger, og i Spanien er der uafgjort (44 % og 44 %). I Tjekkiet er der i data ingen efterspørgsel efter nogen af navnene.

Søgeordet »ai seo« er flertydigt, så jeg læser andelen af AI SEO som en øvre grænse. På »ai seo« viser Google ved siden af tekster om AI SEO også AI-værktøjer og vejledninger i, hvordan man laver SEO ved hjælp af AI: i USA er det over halvdelen af resultaterne i top 10, i Danmark mindst 6 af 8. AI Overview på det søgeord beskriver i USA og i Danmark dog AI SEO som optimering til AI-svar, så Google behandler det som navnet på dette arbejde. Uden det ene søgeord fører GEO på 25 af 26 markeder på min blog, og i Japan bliver LLMO tilbage. I Polen har de entydige polske beskrivelser (»pozycjonowanie ai«, »pozycjonowanie w ai«) tilsammen ca. 580 søgninger om måneden, og GEO ca. 725. AI-værktøjer til SEO skriver jeg en separat tekst om.

Selve søgeordet »aeo« tæller jeg ikke med, for i Polen betyder det først og fremmest et toldcertifikat, og i USA er en del af resultaterne børskurser for tøjkæden American Eagle. På »aeo« i den polske Google er tre af de fire første resultater sider fra finansministeriet. Søgeord med det fulde navn, for eksempel »answer engine optimization«, tæller jeg i serien »Andre«.

Hver sprogversion af denne tekst bruger det navn, som folk søger efter på det pågældende marked. Den japanske taler om LLMO, den tyske og franske om GEO, og den polske om »pozycjonowanie w AI« og AI SEO. Den danske version bruger AI SEO og GEO side om side: I Danmark udgør AI SEO 52 % og GEO 45 % af ca. 620 søgninger om måneden om emnet, og som beskrevet ovenfor er andelen af AI SEO en øvre grænse.

Hvordan vælger AI kilderne til et svar?

Modellen svarer fra søgning eller fra hukommelse, og det afgør, hvad du overhovedet kan ændre. Når den søger på nettet, deler den spørgsmålet op i flere søgninger, henter resultaterne, vælger tekststykker fra dem og citerer en del af dem. Google kalder det i dokumentationen »query fan-out«: Systemet sender flere relaterede søgninger om undertemaer og fra forskellige kilder (Google Search Central). Når modellen ikke søger, svarer den ud fra det, den lærte under træningen, og så ændrer en sides placering i Google ingenting.

De to veje overlapper, fordi modellens hukommelse også påvirker svaret, når modellen har søgt på nettet. Dan Petrovic fra Dejan skriver, at omtalen af et brand i svarets tekst først og fremmest bygger på modellens tidligere viden, og at en enkelt side næsten ikke flytter den (Dejan, 7. juli 2026). Derfor måler jeg de to veje hver for sig, men arbejder på dem parallelt.

Hvor ofte modellen søger på nettet, afhænger af modellen: i min test fra 10 til 94 søgeord ud af 94. Jeg tjekkede det via API på 94 søgeord fra de projekter, jeg driver, på engelsk og polsk, natten mellem 3. og 4. oktober 2026 og en anden gang om morgenen. I teksten om SEO-strategi beskrev jeg den samme effekt på fem vejledende spørgsmål, her er den på et større sæt.

• 93 af 94Så mange gange brugte Gemini 2.5 Flash søgemaskinen i første gennemløb (i andet 94 af 94).Min test via API, 3.-4.10.2026
• 71 af 94Så mange gange søgte Gemini 3.5 Flash (i andet gennemløb 69 af 94).Min test via API, 3.-4.10.2026
• 25 af 84Så mange gange søgte Gemini 3.1 Pro (10 kald endte med en fejl på grund af kvotegrænsen; i andet gennemløb 32 af 94).Min test via API, 3.-4.10.2026
• 10 af 94Så mange gange søgte Gemini 3.8 Flash (i andet gennemløb 15 af 94). Ved de øvrige søgeord svarede den fra hukommelsen.Min test via API, 3.-4.10.2026

I denne konfiguration søgte de nyere versioner af Gemini Flash sjældnere, men Gemini 3.1 Pro passer ikke ind i det mønster. Pro har et ældre versionsnummer end 3.5 Flash, men søgte sjældnere end den. Det er én modelfamilie og én API-konfiguration, ikke den Gemini-app, brugeren ser, så jeg læser tallene som et signal, ikke som en regel. De er dog nok til, at jeg ved hver måling tjekker, på hvor mange spørgsmål modellen overhovedet søger.

Modellernes hukommelse om et nyt polsk brand viste sig at have huller, og en del af modellerne opfandt dets beskrivelse. I det samme projekt blev ca. 500 svar på spørgsmål om de brands, jeg arbejder for, bedømt blindt af en separat model. Et af de nye polske brands i sættet var ukendt for alle de testede modeller, og i 9 af 12 svar om det var beskrivelsen opfundet. Andelen af opfundne svar afhang af modellen: fra 5 % til 77 % af svarene om alle brands. Svarene blev bedømt af én dommer-model, så forskelle under ca. 10 procentpoint læser jeg som støj.

Det samme domæne kan være synligt på den ene vej og usynligt på den anden. Et af sitesene blev citeret i Googles AI-tilstand ved 10 af 13 par af søgeord, men dukkede ikke op i modellernes svar uden søgning en eneste gang (0 af 13). Det er ét domæne og 13 par, så det er en illustration og ikke en regel.

Et beslægtet fænomen ses i en undersøgelse i større skala. Dan Petrovic refererer en undersøgelse fra Google Research af 13 modeller og 2.150 fakta fra Wikipedia: de førende af dem, såsom Gemini 3 Pro og GPT-5, har 95-98 % af den viden i vægtene, men kan ikke genkalde 26-34 % af den (Dejan, 17. august 2026). Det er encyklopædiske fakta og ikke viden om brands, men konklusionen for et brand er den samme: At informationen findes i træningsdata, garanterer ikke, at modellen siger den.

Hvordan kommer du med i AI-svar via søgning?

På vejen via søgning virker det samme som i SEO, med én forskel. Google skriver, at for at komme med i AI Overview og AI-tilstand skal siden være i indekset og kunne vises i resultaterne med et tekstuddrag, og at der ikke er yderligere tekniske krav (Google Search Central). Forskellen er, at modellen stiller flere søgninger på én gang, så en side, der kun er synlig på ét hovedsøgeord, har færre chancer for at blive citeret end en side, der også er synlig på varianterne. ChatGPT har desuden sin egen søgerobot (den kommer jeg til længere nede), så synlighed i Google overføres ikke direkte til den.

Adgang for AI-robotter

AI-søgemaskinernes robotter kan være blokeret, uden at sidens ejer ved det. En firewall eller en indstilling i indholdsleveringsnetværket (CDN) kan blokere dem, ofte først når antallet af forespørgsler overskrider en tærskel, så en enkelt test viser ikke noget. Jeg sender en serie forespørgsler med navnene på robotter fra Google, OpenAI, Perplexity og Anthropic og sammenligner serverens svar med det, en almindelig browser får.

At blokere træning af modeller er en anden beslutning end at blokere søgning. OpenAI adskiller de to roller: GPTBot indsamler indhold, der kan ende i træningen af modeller, og OAI-SearchBot afgør tilstedeværelsen i søgeresultaterne i ChatGPT. OpenAI skriver, at sider, der blokerer OAI-SearchBot, ikke vises i ChatGPTs søgesvar, og at en blokering af GPTBot ikke ændrer det (OpenAI). På samme måde styrer Google-Extended, hvordan Gemini-modellerne bruger indhold, men ifølge Google påvirker det hverken tilstedeværelsen eller placeringen i søgemaskinen (Google Search Central). Den, der blokerer alle AI-robotter med én kontakt, kan miste tilstedeværelsen i ChatGPTs søgning, som man slet ikke ville afgive.

Placering på søgeordet og delsøgninger

Jeg ved ikke, om en højere placering øger chancen for citering, for mine data afgør det ikke. I teksten om SEO-strategi, i hypotesekortet, beskrev jeg en artikel, der på fem meget tætte søgeord kun blev citeret i AI Overview på ét, og det på det, hvor den stod lavest. Delsøgningerne laver modellen selv, og de kan være anderledes ved hvert svar, så der findes ikke én fast liste over »delsøgninger for søgeord X«. I mit sæt på 94 søgeord genererede modellen i ét gennemløb 493 forskellige delsøgninger, i gennemsnit over fem pr. søgeord.

Jeg tjekkede, om placeringen på delsøgninger forudsiger citering bedre end placeringen på hovedsøgeordet, og mit første resultat overlevede ikke kontrollen. På par af søgeord og side fra de projekter, jeg driver, skrev jeg reglen ned, før jeg regnede resultatet ud. Målet var arealet under ROC-kurven (AUC), altså hvor godt et signal skiller citerede sider fra ikke-citerede (0,5 er niveauet for et plat eller krone, 1 er en adskillelse uden fejl). Delsøgningerne skulle vinde, hvis deres areal var mindst 0,10 større. På 29 par, der var sat til side til AI Overview-testen, blev forskellen 0,44, altså en »bestået« test.

Krydskontrollen viste, at jeg havde sammenlignet to målinger med forskellig nøjagtighed. Den reviewer, der regnede alt om fra bunden, genskabte mine tal ned til sidste ciffer, men bemærkede, at jeg havde taget placeringen på hovedsøgeordet fra én hentning af Google-resultater og citeringen fra fem. Da placeringen blev regnet ud fra de samme fem hentninger, faldt forskellen til 0,04, med et interval fra -0,28 til +0,36. Jeg har altså ikke vist, at delsøgninger er bedre end placeringen, og heller ikke at de er dårligere. Begge signaler siger noget, så jeg arbejder på begge.

Placeringen fra én hentning hos DataForSEO viste sig at være et lotteri mellem flere varianter af resultaterne. Da jeg hentede de samme 94 søgeord tre gange med ca. en times mellemrum, havde to hentninger af det samme søgeord i medianen få fælles adresser i top 10: Jaccard-indekset, et mål for overensstemmelsen mellem to mængder fra 0 til 1, blev 0,14-0,15. En del af varianterne er sandsynligvis resultater, som et menneske i en browser ikke ser, for på 5 søgeord stemte browseren overens med én af dem. AI Overview var til gengæld stabil: Dets forekomst stemte overens mellem hentningerne i 97-99 %. Derfor regner jeg i dag placeringen fra dette værktøj som en andel ud fra ca. 10 hentninger sendt på én gang. Andre værktøjer har jeg ikke tjekket på den måde.

Tekststykker, der svarer selvstændigt

Modellen bruger som regel ikke hele siden, men de tekststykker, der svarer på dens forespørgsel. Derfor skriver jeg, så hvert tekststykke kan forstås uden resten af siden: svaret i første sætning under overskriften, konkrete tal med nævner og dato, navne i stedet for »det« og »denne«. Hvert afsnit i denne tekst starter med en sætning med en konklusion netop af den grund. Det er god skrivepraksis, der også hjælper mennesker, ikke en separat teknik til AI.

Det betyder ikke, at man skal skære indholdet i små stykker eller opfinde flere overskrifter. Google skriver direkte, at der ikke er noget krav om at dele indholdet op i små stykker, for at AI bedre kan forstå det (Google Search Central). Jeg tjekkede også, om flere overskrifter hjælper med at komme i top 3. På 632 sider fra top 10 for 119 søgninger på engelsk fra en niche for virksomhedssoftware (USA, 26. september 2026) blev oddsratioen 0,95 (95 % konfidensinterval: 0,81-1,12), og når der blev taget højde for tekstens længde, 1,00. Andelen af sider i top 3 var næsten ens i tre grupper fra færrest til flest overskrifter: 32 %, 34 % og 32 %. Det er den samme test, som jeg beskriver i teksten om SEO-strategi: én niche og én måledag. Den er dog nok til, at jeg ikke tilføjer overskrifter for at forbedre placeringen: En overskrift skal sige, hvad tekststykket under den handler om.

Polske spørgsmål, engelske delsøgninger

I mit sæt var en del af delsøgningerne til polske spørgsmål på engelsk. 81 af 277 delsøgninger genereret til polske søgeord havde ingen træk af polsk. For eksempel blev et polsk spørgsmål om en rangliste over produkter i én kategori til en engelsk forespørgsel med årstal i. Det er en grov tommelfingerregel på ét sæt, men den er nok til, at jeg ved et polsk brand også tjekker, hvad engelsksprogede kilder siger om det.

Hvordan kommer du ind i modellens hukommelse?

Du ændrer ikke modellens hukommelse alene med din egen hjemmeside: Det, andre skriver om dig, tæller. Modellen lærer af store samlinger af tekster indsamlet, før træningen sluttede. Hvis brandet mest skrives om af sig selv, og andres kilder er gamle eller modstridende, gentager modellen et gammelt eller modstridende billede. Jeg har ikke målt, hvor hurtigt modellernes hukommelse opdateres. Jeg antager, at det først sker i de næste versioner, så jeg lover ikke noget her inden for et kvartal.

På mit eget brand ser jeg begge kilder til fejl på én gang. Gemini beskrev mig med en arbejdsgiver fra for nogle år siden i nutid og rogala.pro som en side »under opbygning«. De to beskrivelser, som modellerne gentog oftest om mig, stammer ordret fra min biografi på en brancheside, der står højt i Google på mit navn. Ingen af de 26 sider, jeg tjekkede i resultaterne på mit for- og efternavn, nævner til gengæld den arbejdsgiver som nuværende, så den fejl sidder sandsynligvis i modellens hukommelse. Jeg tjekker det med de samme spørgsmål, når biografien er opdateret.

Hvad en model husker om et brand, kan du tjekke selv, uden værktøjer til synlighed i AI. Stil spørgsmål om brandet uden adgang til søgning, mest sikkert via API uden søgeværktøj. Spørg, hvad brandet laver, for hvem og siden hvornår, hvert spørgsmål tre gange. Sammenlign derefter svarene med fakta og skriv hver for sig ned, hvad der er aktuelt, hvad der er forældet, og hvad der er opfundet.

Omtale uden en sammenhængende definition af brandet gentager den gamle beskrivelse, så jeg starter med identiteten. Min rækkefølge:

• én definition af brandet, den samme på hjemmesiden, i profiler og i biografier på andres sider;
• strukturerede data med identifikatorer, som jeg har tjekket manuelt;
• opslag i vidensbaser som Wikidata, kun hvor der er kilder, der kan bekræfte dem;
• først derefter omtale og publikationer på steder, som andre redigerer.

En identifikator skal åbnes og læses, før den kommer ind i sidens kode. Den 5. oktober 2026 opdagede jeg, at Knowledge Graph-identifikatoren, der siden dagen før stod i de strukturerede data på rogala.pro, fører til et panel om en skuespiller med samme for- og efternavn. I ca. et døgn erklærede min side over for søgemaskinerne, at jeg er skuespiller. Det tager et minut at tjekke: Adressen google.com/search?kgmid= med identifikatoren efter viser, hvem den i virkeligheden tilhører.

Wikidata køber ikke en plads, som der ikke er kilder til. Wikidata kræver kilder til oplysninger om levende personer, så man kan ikke erklære en specialisering, som ingen andre end en selv har skrevet om. Derfor startede jeg hos mig selv med publikationer på steder redigeret af andre og ikke med et opslag i en vidensbase.

Hvad virker i AI SEO, og hvad er myter?

Påstandene om GEO deler jeg efter styrken af beviset. Dokumenteret betyder, at søgemaskinens dokumentation bekræfter det, og min måling er et resultat fra én konfiguration, som jeg gentager. Afkræftet og ikke påvist er de påstande, jeg tjekkede på mine egne data, og som ikke overlevede eller ikke afgjorde noget. Uden bevis er de populære råd, som ingen måling står bag, og som nogle gange har et modsat bevis imod sig.

Der er ingen beviser for, at filen llms.txt og versioner af sider i Markdown hjælper med at komme med i AI-svar. Google skriver, at man for at være til stede i dets søgemaskine ikke behøver at oprette nye filer til maskiner, tekstfiler til AI, markeringer eller Markdown (Google Search Central). Da jeg i juli 2026 tjekkede 10 domæner fra min portefølje, leverede ingen af dem en version i Markdown til AI-agenter. På rogala.pro har hver side siden 8. oktober en version i Markdown og en llms.txt-fil, og indtil 8. november måler jeg i serverens logs, om nogen henter dem. I Polen har søgeordet »llms txt« ca. 720 søgninger om måneden, så det emne beskriver jeg særskilt.

Strukturerede data beskriver brandet over for søgemaskinen, men der er ingen beviser for, at de giver citeringer. Google skriver, at strukturerede data ikke er påkrævet i generativ søgning, og at der ikke er særlige schema.org-markeringer, man skal tilføje (Google Search Central). Matt Buxbaum fra Seer Interactive analyserede 8.500 søgeord med AI Overview og 6.354 sider, der fik deres første citering i dem: schema og E-E-A-T-signaler hang svagest sammen med sejren, og sider med flest FAQ- og HowTo-markeringer klarede sig ca. 10 gange dårligere (Seer Interactive, 28. maj 2026). Det er en korrelation, så jeg ved ikke, om markeringerne skader, men jeg læser ikke de data som bevis for en gevinst. Strukturerede data bruger jeg til at beskrive entiteter (hvem, hvad, hvor, med hvilke identifikatorer), for det er det, de er til. En egen test af deres indflydelse på AI-svar har jeg endnu ikke afsluttet.

Omtale og citering er to forskellige ting, og mange rapporter blander dem sammen. Petrovic skelner mellem tre hændelser: siden, som systemet hentede som materiale til svaret, citeringen, altså siden vist som kilde, og omtalen, altså brandets navn i svarets tekst, som brugeren læser og husker (Dejan, 7. juli 2026). Et brand kan blive citeret uden omtale i teksten og nævnt uden citering af siden. Derfor måler jeg de to ting hver for sig og lægger dem ikke sammen til ét »resultat for synlighed i AI«.

Hvordan tjekker du, om AI SEO virker?

Uden et udgangspunkt kan du ikke tilskrive en ændring en effekt, så jeg skriver det ned før den første rettelse. I udgangspunktet indgår spørgsmålene skrevet ordret, navne og versioner på modellerne, dato og marked. Spørgsmålene bygger jeg ud fra data om efterspørgsel og fra Search Console, og de fleste indeholder ikke brandets navn, for et navn i spørgsmålet fortæller i sig selv modellen svaret. Sættet af spørgsmål fra to grupper af placeringer beskriver jeg i teksten om SEO-strategi.

Fem ting måler jeg hver for sig, for hver af dem kan gå i sin egen retning:

1. Omtale af brandet i svarets tekst.
2. Citering af siden som kilde.
3. Om modellen overhovedet søgte på nettet, altså søgning og hukommelse hver for sig.
4. Trafik fra AI-assistenter i analyseværktøjet, som altid er en nedre grænse, fordi en del af besøgene kommer uden oplysning om kilden.
5. Trafik fra Google i samme periode, så en ændring til AI ikke sker på bekostning af de almindelige resultater.

Chatsvar er tilfældige, så jeg stiller det samme spørgsmål tre gange på én gang. AI Overview er stabil, og til den er én hentning nok. Et tal fra et værktøj til synlighed i AI læser jeg altid sammen med nævneren: Det er andelen i mit sæt af spørgsmål og ikke »andel af AI-markedet«, som ingen kender.

Hvad gør jeg på min egen hjemmeside, og hvad ved jeg endnu ikke?

Jeg har talt offentligt om AI i søgning siden 2016, og mit eget brand er endnu ikke med i AI-svar, og det var der, mit eksperiment startede. Udgangspunktet fra 26. juli 2026: rogala.pro havde ikke en eneste citering på nogen af de 7 AI-overflader, der blev tjekket i Ahrefs for Polen, og i 6 kontroller på tre platforme, ved spørgsmål uden mit navn, nævnte ingen model mig. Når den blev spurgt om mig ud fra navnet, gentog modellen en beskrivelse fra for nogle år siden. Det er én måling og uden ChatGPT, for det værktøj, jeg indsamlede svarene med, returnerede ingen resultater for den, så jeg ser den som et startpunkt og ikke som et bevis.

Rækkefølgen af arbejdet følger data: først identiteten, så rækkevidden. Jeg ordnede én definition i profilerne (på LinkedIn i 30 sprogversioner), tjekkede identifikatorerne i de strukturerede data (deraf uheldet med skuespilleren) og byggede hjemmesiden og bloggen på 27 sprog med versioner i Markdown. Rækkevidden, altså publikationer og omtale i andres medier, kommer først efter det.

Jeg ved endnu ikke, om det virker. Den første gentagne måling af AI-svar har jeg planlagt fra 1. november 2026, og resultatet af målingen af Markdown-filer kommer efter 8. november. Resultaterne tilføjer jeg til denne tekst, også hvis de bliver nul.

Ofte stillede spørgsmål om AI SEO

Hvor skal du starte?

De tre første skridt koster ikke andet end tid. Tjek, om søgemaskinernes AI-robotter får din side. Stil tre gange på én gang nogle af de spørgsmål, dine kunder stiller, uden dit brands navn, og skriv ned, hvem der bliver nævnt, og hvem der bliver citeret. Læs, hvad Google-resultaterne på selve dit brands navn siger om dit brand, for modellerne bruger de samme kilder. Hvis resultatet overrasker dig, er det et godt emne til en konsultation.