AI SEO og GEO uten myter: hva som faktisk virker

Merkevaren kommer inn i svarene fra ChatGPT, Gemini, Perplexity og AI Overview hovedsakelig via to veier som overlapper, og AI SEO er arbeidet med begge:

1. Via søk. Modellen søker på nettet mens den svarer, og siterer noen av sidene den finner. Her gjelder det samme som i SEO: tilgang for roboter, indeks, synlighet på søkeordet og variantene av det, og avsnitt som svarer på spørsmålet uten resten av siden. Effekten ser du, som i SEO, etter uker eller måneder.
2. Via modellens hukommelse. Modellen svarer ut fra det den lærte før treningen sluttet, og den hukommelsen påvirker også hvem den nevner når den søker på nettet. Her teller det andre har skrevet om merkevaren, og én samlet beskrivelse av merkevaren i mange kilder. Jeg har ikke målt hvor raskt hukommelsen endrer seg, så jeg lover ingenting her innenfor et kvartal.

De fleste «GEO-triksene» har ikke belegg, og noen av dem har jeg testet på egne data. Det finnes ikke belegg for at filen llms.txt og strukturerte data gir siteringer. Flere overskrifter løftet ikke sidene til topp 3 i testen min. Testen av om plassering på delsøk forutsier siteringer bedre enn plassering på hovedsøkeordet avgjorde ingenting, og min første konklusjon fra den ble avkreftet av krysskontrollen. Beleggene for hver av disse påstandene står lenger ned.

Hva er AI SEO, og hva kalles det?

AI SEO er arbeidet med å få merkevaren med i svar som AI genererer: i AI Overview og AI-modus i Google, i ChatGPT, Gemini, Perplexity og Copilot. Det samme arbeidet har flere navn, og forskjellene mellom dem er for det meste markedsføring:

Navnet GEO har en vitenskapelig kilde, og grunnlaget for hele dette arbeidet er det samme som i SEO. GEO kommer fra en vitenskapelig artikkel fra november 2023, som ble tatt opp på konferansen KDD 2024. Forfatterne, Pranjal Aggarwal og medforfattere, viste på sitt eget testsett at endringer i innholdet kan øke synligheten til en kilde i generative svar med opptil 40 % (arXiv). Google skriver i dokumentasjonen at optimalisering for generativt søk fortsatt er SEO (Google Search Central). Cyrus Shepard fra Zyppy svarer på samme måte på spørsmålet om en bedrift trenger en egen GEO-strategi:

Folk har heller ikke ett navn på dette arbeidet, og det ser man i Google-resultatene. Spørsmålet «Jak nazywa się pozycjonowanie w AI?» («Hva kalles AI SEO?») dukker opp i delen «Folk spør også» i de polske resultatene, tilsvarende spørsmål i resultatene fra Tyskland, Spania og Finland, og det engelske «What is AI SEO called now?» i resultatene fra USA, Sverige og Singapore. Spørsmålet om forskjellen mellom GEO (eller LLMO) og SEO dukker opp i 9 av 27 markeder jeg sjekket, fra Brasil til Japan.

Navnet som dominerer, avhenger av markedet. I Japan er 72 % av ca. 16 730 søk i måneden om temaet LLMO, og selve søkeordet «llmo» har ca. 12 100 søk, flere enn «ai seo» i USA (ca. 6 600). I Tyskland og Frankrike dominerer GEO (64 % og 66 %), i Sør-Korea 83 %. I Polen er 58 % av ca. 2 265 søk i måneden AI SEO, med søkeordet «ai seo» og polske beskrivelser («pozycjonowanie ai», «pozycjonowanie w ai»), og GEO er 32 %. I USA går AI SEO og GEO jevnt: 42 % og 39 % av ca. 25 400 søk, og i Spania er det likt (44 % og 44 %). I Tsjekkia er det ingen etterspørsel etter noen av navnene i dataene.

Søkeordet «ai seo» er tvetydig, så andelen AI SEO leser jeg som en øvre grense. På «ai seo» viser Google ved siden av tekster om AI SEO også AI-verktøy og veiledninger i hvordan man gjør SEO med hjelp av AI: i USA er det over halvparten av resultatene i topp 10, i Danmark minst 6 av 8. AI Overview på dette søkeordet beskriver likevel i USA og Danmark AI SEO som optimalisering for AI-svar, så Google behandler det som navnet på dette arbeidet. Uten dette ene søkeordet leder GEO i 25 av 26 markeder på bloggen min, og i Japan blir det LLMO. I Polen har de entydige polske beskrivelsene («pozycjonowanie ai», «pozycjonowanie w ai») til sammen ca. 580 søk i måneden, og GEO ca. 725. AI-verktøy for SEO skriver jeg en egen tekst om.

Selve søkeordet «aeo» regner jeg ikke med, for i Polen betyr det først og fremst et tollsertifikat, og i USA er en del av resultatene børskurser for en amerikansk klesbutikkjede, American Eagle. På «aeo» i polsk Google er tre av de fire første resultatene sidene til finansdepartementet. Søkeord med fullt navn, for eksempel «answer engine optimization», regner jeg i serien «Andre».

Hver språkversjon av denne teksten bruker navnet folk søker etter i det aktuelle markedet. Den japanske handler om LLMO, den tyske og den franske om GEO, og den polske om «pozycjonowanie w AI» og AI SEO. I Norge er det til sammen bare 225 søk i måneden på disse navnene (AI SEO 62 %, GEO 29 %, AEO 9 %), så etterspørselen er liten, og denne versjonen bruker AI SEO og GEO side om side.

Hvordan velger AI kildene til svarene?

Modellen svarer fra søk eller fra hukommelsen, og det avgjør hva du i det hele tatt kan endre. Når den søker på nettet, deler den spørsmålet i flere søk, henter resultatene, velger avsnitt fra dem og siterer noen av dem. Google kaller dette «query fan-out» i dokumentasjonen: systemet sender mange relaterte søk om delemner og fra ulike kilder (Google Search Central). Når modellen ikke søker, svarer den ut fra det den lærte under treningen, og da endrer ikke plasseringen til siden i Google noe.

Veiene overlapper, for hukommelsen til modellen påvirker også svaret der den søkte på nettet. Dan Petrovic fra Dejan skriver at omtalen av en merkevare i selve svaret først og fremst bygger på modellens tidligere kunnskap, og at en enkelt side nesten ikke flytter den (Dejan, 7. juli 2026). Derfor måler jeg begge veiene hver for seg, men arbeider med dem parallelt.

Hvor ofte modellen søker på nettet, avhenger av modellen: i testen min fra 10 til 94 søkeord av 94. Jeg sjekket det via API på 94 søkeord fra prosjektene jeg driver, på engelsk og polsk, natt mellom 3. og 4. oktober 2026 og om morgenen en gang til. I teksten om SEO-strategi beskrev jeg samme effekt på fem veiledningsspørsmål, her er den på et større sett.

• 93 av 94Så mange ganger brukte Gemini 2.5 Flash søkemotoren i første kjøring (i andre kjøring 94 av 94).Min test via API, 3.-4. oktober 2026
• 71 av 94Så mange ganger søkte Gemini 3.5 Flash (i andre kjøring 69 av 94).Min test via API, 3.-4. oktober 2026
• 25 av 84Så mange ganger søkte Gemini 3.1 Pro (10 kall endte med en feil på grunn av grensen; i andre kjøring 32 av 94).Min test via API, 3.-4. oktober 2026
• 10 av 94Så mange ganger søkte Gemini 3.8 Flash (i andre kjøring 15 av 94). På de øvrige søkeordene svarte den fra hukommelsen.Min test via API, 3.-4. oktober 2026

I dette oppsettet søkte de nyere versjonene av Gemini Flash sjeldnere, men Gemini 3.1 Pro passer ikke inn i det mønsteret. Pro har et eldre versjonsnummer enn 3.5 Flash, og søkte likevel sjeldnere enn den. Det er én modellfamilie og ett API-oppsett, ikke Gemini-appen som brukeren ser, så jeg leser tallene som et signal og ikke som en regel. De holder likevel som grunn til å sjekke ved hver måling på hvor mange spørsmål modellen i det hele tatt søker.

Hukommelsen til modellene om et nytt polsk merke viste seg å ha hull, og noen av modellene diktet opp beskrivelsen. I det samme prosjektet ble ca. 500 svar på spørsmål om merkene jeg arbeider for vurdert blindt av en egen modell. Ett av de nye polske merkene i settet var ukjent for alle modellene som ble sjekket, og i 9 av 12 svar om det var beskrivelsen diktet opp. Andelen oppdiktede svar avhang av modellen: fra 5 % til 77 % av svarene om alle merkene. Svarene ble vurdert av én modell som dommer, så forskjeller under ca. 10 prosentpoeng leser jeg som støy.

Samme domene kan være synlig på den ene veien og usynlig på den andre. Ett av nettstedene ble sitert i AI-modus i Google på 10 av 13 par av søkeord, men dukket ikke opp en eneste gang i svarene fra modeller uten søk (0 av 13). Det er ett domene og 13 par, så det er en illustrasjon og ikke en regel.

Et beslektet fenomen ser man i en større undersøkelse. Dan Petrovic refererer en studie fra Google Research på 13 modeller og 2 150 fakta fra Wikipedia: de ledende av disse modellene, som Gemini 3 Pro og GPT-5, har 95-98 % av denne kunnskapen i vektene, men klarer ikke å hente fram 26-34 % av den (Dejan, 17. august 2026). Det er ensyklopediske fakta og ikke kunnskap om merkevarer, men konklusjonen for en merkevare er lik: at informasjonen finnes i treningsdataene, garanterer ikke at modellen sier den.

Hvordan kommer du med i AI-svar via søk?

På veien via søk gjelder det samme som i SEO, med én forskjell. Google skriver at for å komme med i AI Overview og AI-modus må siden være i indeksen og kunne vises i resultatene med et tekstutdrag, og at det ikke finnes noen ekstra tekniske krav (Google Search Central). Forskjellen er at modellen stiller flere søk samtidig, så en side som bare er synlig på ett hovedsøkeord, har færre sjanser til å bli sitert enn en side som også er synlig på variantene. ChatGPT har dessuten sin egen søkerobot (mer om den nedenfor), så synlighet i Google overføres ikke direkte til den.

Tilgang for AI-roboter

Roboter fra AI-søkemotorer kan være blokkert uten at eieren av nettstedet vet det. En brannmur eller en innstilling i innholdsleveringsnettverket (CDN) kan blokkere dem, ofte først etter at antall forespørsler passerer en terskel, så én test viser ingenting. Jeg sjekker en serie forespørsler med navnene på robotene til Google, OpenAI, Perplexity og Anthropic, og sammenligner svaret fra serveren med det en vanlig nettleser får.

Å blokkere trening av modeller er en annen beslutning enn å blokkere søk. OpenAI skiller disse rollene: GPTBot samler innhold som kan havne i treningen av modeller, og OAI-SearchBot avgjør tilstedeværelsen i søkeresultatene i ChatGPT. OpenAI skriver at nettsteder som blokkerer OAI-SearchBot, ikke vil vises i søkesvarene i ChatGPT, og at blokkering av GPTBot ikke endrer det (OpenAI). På samme måte styrer Google-Extended hvordan Gemini-modellene bruker innholdet, men ifølge Google påvirker det verken tilstedeværelsen eller plasseringen i søkemotoren (Google Search Central). Den som blokkerer alle AI-roboter med én bryter, kan miste tilstedeværelsen i ChatGPT-søk som man slett ikke ville gi fra seg.

Plassering på søkeord og delsøk

Jeg vet ikke om høyere plassering øker sjansen for sitering, for dataene mine avgjør det ikke. I teksten om SEO-strategi, i hypotesekartet, beskrev jeg en artikkel som på fem svært like søkeord bare ble sitert i AI Overview på ett, og det var på det der den sto lavest. Delsøkene lager modellen selv, og de kan være ulike for hvert svar, så det finnes ingen fast liste med «delsøk for søkeord X». I settet mitt med 94 søkeord genererte modellen i én kjøring 493 ulike delsøk, i snitt over fem per søkeord.

Jeg sjekket om plassering på delsøk forutsier sitering bedre enn plassering på hovedsøkeordet, og det første resultatet mitt overlevde ikke kontrollen. På par av søkeord og side fra prosjektene jeg driver, skrev jeg ned regelen før jeg regnet ut resultatet. Målet var arealet under ROC-kurven (AUC), altså hvor godt signalet skiller siterte sider fra usiterte (0,5 er myntkast, 1 er perfekt skille). Delsøkene skulle vinne hvis arealet deres var minst 0,10 større. På 29 par holdt tilbake til AI Overview-testen ble forskjellen 0,44, altså en «bestått» test.

Krysskontrollen viste at jeg hadde sammenlignet to målinger med ulik nøyaktighet. Anmelderen, som regnet alt om fra bunnen av, gjenskapte tallene mine siffer for siffer, men la merke til at jeg hadde tatt plasseringen på hovedsøkeordet fra ett uttak av Google-resultater, og sitering fra fem. Da plasseringen ble regnet ut fra de samme fem uttakene, falt forskjellen til 0,04, med et konfidensintervall fra -0,28 til +0,36. Jeg har altså ikke vist at delsøkene er bedre enn plassering, og heller ikke at de er dårligere. Begge signalene sier noe, så jeg arbeider med begge.

Plasseringen fra ett uttak fra DataForSEO viste seg å være et trekk av én av flere varianter av resultatene. Da jeg hentet de samme 94 søkeordene tre ganger med ca. en times mellomrom, hadde to uttak av samme søkeord i median få felles adresser i topp 10: Jaccard-indeksen, et mål på overensstemmelse mellom to mengder fra 0 til 1, var 0,14-0,15. En del av variantene er trolig resultater et menneske i nettleseren ikke ser, for på 5 søkeord stemte nettleseren overens med én av dem. AI Overview var derimot stabil: tilstedeværelsen stemte overens mellom uttakene i 97-99 %. Derfor regner jeg i dag plasseringen fra dette verktøyet som en andel fra ca. 10 uttak sendt samtidig. Andre verktøy har jeg ikke sjekket på denne måten.

Avsnitt som svarer selvstendig

Modellen bruker vanligvis ikke hele siden, bare avsnittene som svarer på søket den stilte. Derfor skriver jeg slik at hvert avsnitt kan forstås uten resten av siden: svaret i første setning under overskriften, konkrete tall med nevner og dato, navn i stedet for «dette» og «den». Hvert avsnitt i denne teksten begynner med en setning med konklusjonen av nettopp denne grunnen. Det er god skrivepraksis som også hjelper mennesker, og ikke en egen teknikk for AI.

Det betyr ikke at du må kutte innholdet i små biter eller lage flere overskrifter. Google skriver rett ut at det ikke er noe krav om å dele innholdet i små deler for at AI skal forstå det bedre (Google Search Central). Jeg sjekket også om flere overskrifter hjelper en side inn i topp 3. På 632 sider fra topp 10 for 119 søk på engelsk fra nisjen programvare for bedrifter (USA, 26. september 2026) ble oddsratioen 0,95 (konfidensintervall 95 %: 0,81-1,12), og etter justering for tekstlengde 1,00. Andelen sider i topp 3 var nesten lik i tre grupper fra færrest til flest overskrifter: 32 %, 34 % og 32 %. Det er den samme testen som jeg omtaler i teksten om SEO-strategi: én nisje og én måledag. Det holder likevel til at jeg ikke legger til overskrifter for å forbedre plasseringen: en overskrift skal si hva avsnittet under den handler om.

Polske spørsmål, engelske delsøk

I settet mitt var en del av delsøkene til polske spørsmål på engelsk. 81 av 277 delsøk generert til polske søkeord hadde ingen trekk av polsk. For eksempel ble et polsk spørsmål om en rangering av produkter i én kategori til et engelsk søk med årstall i. Det er en grov tommelfingerregel på ett sett, men det holder til at jeg for et polsk merke også sjekker hva engelskspråklige kilder sier om det.

Hvordan kommer du inn i modellens hukommelse?

Hukommelsen til modellen endrer du ikke med ditt eget nettsted alene: det teller hva andre skriver om deg. Modellen lærer av store tekstsamlinger samlet inn før treningen sluttet. Hvis det hovedsakelig er merkevaren selv som skriver om seg, og de andre kildene er gamle eller motstridende, gjentar modellen et gammelt eller motstridende bilde. Jeg har ikke målt hvor raskt hukommelsen til modellene oppdateres. Jeg antar at det først skjer i neste versjoner, så jeg lover ingenting her innenfor et kvartal.

På min egen merkevare ser jeg begge feilkildene samtidig. Gemini beskrev meg med en arbeidsgiver fra for noen år siden i presens, og rogala.pro som et nettsted «under bygging». To beskrivelser som modellene gjentok oftest om meg, kommer ordrett fra biografien min i en bransjetjeneste som vises høyt i Google på navnet mitt. Den arbeidsgiveren oppgir derimot ingen av de 26 sidene jeg sjekket i resultatene på for- og etternavnet mitt som nåværende, så den feilen sitter trolig i hukommelsen til modellen. Jeg sjekker det med de samme spørsmålene når biografien er oppdatert.

Hva modellen husker om en merkevare, kan du sjekke selv, uten verktøy for synlighet i AI. Still spørsmål om merkevaren uten tilgang til søk, helst via API uten søkeverktøy. Spør hva merkevaren driver med, for hvem og siden når, og still hvert spørsmål tre ganger. Sammenlign deretter svarene med fakta, og skriv ned hver for seg hva som er oppdatert, hva som er utdatert og hva som er diktet opp.

Omtaler uten en samlet definisjon av merkevaren gjentar den gamle beskrivelsen, så jeg begynner med identiteten. Min rekkefølge:

• én definisjon av merkevaren, den samme på nettstedet, i profilene og i biografier på andres nettsteder;
• strukturerte data med identifikatorer som jeg har sjekket manuelt;
• oppføringer i kunnskapsbaser som Wikidata, bare der det finnes kilder som bekrefter dem;
• først deretter omtaler og publiseringer på steder som noen andre redigerer.

En identifikator må åpnes og leses før den havner i koden på siden. 5. oktober 2026 la jeg merke til at Knowledge Graph-identifikatoren, som hadde stått i de strukturerte dataene til rogala.pro siden dagen før, fører til panelet til en skuespiller med samme for- og etternavn. I ca. et døgn erklærte nettstedet mitt overfor søkemotorene at jeg er skuespiller. Det tar et minutt å sjekke: adressen google.com/search?kgmid= med identifikatoren lagt til viser hvem den faktisk tilhører.

Wikidata kjøper ikke en plass det ikke finnes kilder til. Wikidata krever kilder for opplysninger om levende personer, så man kan ikke erklære en spesialisering som ingen andre enn deg har skrevet om. Derfor begynte jeg hos meg selv med publiseringer på steder som andre redigerer, og ikke med en oppføring i databasen.

Hva fungerer innen AI SEO, og hva er myte?

Jeg deler påstandene om GEO etter styrken på beleggene. Dokumentert betyr at dokumentasjonen til søkemotoren bekrefter det, og min måling er et resultat fra ett oppsett som jeg gjentar. Avkreftet og ikke vist er det jeg har sjekket på egne data og som enten ikke overlevde eller ikke avgjorde noe. Uten belegg er populære råd som det ikke står noen måling bak, og noen ganger står det motsatt belegg bak.

Det finnes ikke belegg for at filen llms.txt og versjoner av sidene i Markdown hjelper deg inn i AI-svar. Google skriver at det for å være til stede i søkemotoren deres ikke er nødvendig å lage nye filer for maskiner, tekstfiler for AI, markeringer eller Markdown (Google Search Central). Da jeg i juli 2026 sjekket 10 domener fra porteføljen min, leverte ingen av dem en versjon i Markdown til AI-agenter. På rogala.pro har hver side siden 8. oktober en versjon i Markdown og en llms.txt-fil, og frem til 8. november måler jeg i serverloggene om noen henter dem. I Polen har søkeordet «llms txt» ca. 720 søk i måneden, så dette temaet tar jeg for meg i en egen tekst.

Strukturerte data beskriver merkevaren for søkemotoren, men det finnes ikke belegg for at de gir siteringer. Google skriver at strukturerte data ikke er påkrevd i generativt søk, og at det ikke finnes spesielle schema.org-markeringer man må legge til (Google Search Central). Matt Buxbaum fra Seer Interactive analyserte 8 500 søkeord med AI Overview og 6 354 sider som fikk den første siteringen i dem: schema og E-E-A-T-signaler hang svakest sammen med å vinne, og sider med flest FAQ- og HowTo-markeringer kom ca. 10 ganger dårligere ut (Seer Interactive, 28. mai 2026). Det er en korrelasjon, så jeg vet ikke om markeringene skader, men jeg leser ikke disse dataene som belegg for nytte. Jeg bruker strukturerte data til å beskrive entiteter (hvem, hva, hvor, med hvilke identifikatorer), for det er det de er til for. Min egen test av hvordan de påvirker AI-svar har jeg ikke fullført ennå.

Omtale og sitering er to ulike ting, og mange rapporter blander dem sammen. Petrovic skiller mellom tre hendelser: siden som systemet hentet som materiale til svaret, siteringen, altså siden som vises som kilde, og omtalen, altså navnet på merkevaren i selve svaret som brukeren leser og husker (Dejan, 7. juli 2026). En merkevare kan bli sitert uten omtale i teksten og bli nevnt uten at siden siteres. Derfor måler jeg disse to hver for seg og slår dem ikke sammen til ett «synlighetstall i AI».

Hvordan sjekker du om AI SEO virker?

Uten et utgangspunkt kan du ikke tilskrive en endring en effekt, så jeg skriver det ned før den første rettelsen. Til utgangspunktet hører spørsmål skrevet ordrett, navn og versjoner på modellene, dato og marked. Jeg bygger spørsmålene fra data om etterspørsel og fra Search Console, og de fleste av dem inneholder ikke navnet på merkevaren, for navnet i spørsmålet hinter selv til modellen om svaret. Et sett med spørsmål fra to posisjonsgrupper beskriver jeg i teksten om SEO-strategi.

Fem ting måler jeg hver for seg, for hver av dem kan gå i hver sin retning:

1. Omtalen av merkevaren i selve svaret.
2. Sitering av siden som kilde.
3. Om modellen i det hele tatt søkte på nettet, altså søk og hukommelse hver for seg.
4. Trafikk fra AI-assistenter i analyseverktøyet, som alltid er en nedre grense, fordi en del besøk kommer uten opplysning om kilden.
5. Trafikk fra Google i samme periode, så en endring for AI ikke skjer på bekostning av vanlige resultater.

Svarene fra chatbotene er tilfeldige, så jeg stiller ett spørsmål tre ganger samtidig. AI Overview er stabil, og til den holder ett uttak. Et tall fra et verktøy for synlighet i AI leser jeg alltid sammen med nevneren: det er andelen i mitt sett med spørsmål, og ikke en «andel av AI-markedet», som ingen kjenner.

Hva gjør jeg på mitt eget nettsted, og hva vet jeg ikke ennå?

Jeg har snakket offentlig om AI i søk siden 2016, og har ennå ikke min egen merkevare i AI-svar, og det var der eksperimentet mitt begynte. Utgangspunktet fra 26. juli 2026: rogala.pro hadde ikke en eneste sitering på noen av de 7 AI-flatene som ble sjekket i Ahrefs for Polen, og i 6 sjekker på tre plattformer, i spørsmål uten navnet mitt, nevnte ingen modell meg. Da modellen ble spurt om meg med navn, gjentok den en beskrivelse fra noen år tilbake. Det er én måling, og uten ChatGPT, for verktøyet jeg samlet svarene med, ga ikke resultater for den, så jeg ser på den som et startpunkt og ikke som belegg.

Rekkefølgen på arbeidet følger av dataene: først identitet, så rekkevidde. Jeg ryddet opp i én definisjon i profilene (på LinkedIn i 30 språkversjoner), sjekket identifikatorene i de strukturerte dataene (derav feilgrepet med skuespilleren), og satte opp nettstedet og bloggen på 27 språk med versjoner i Markdown. Rekkevidden, altså publiseringer og omtaler i andres medier, kommer først etter det.

Jeg vet ikke ennå om det virker. Den første gjentatte målingen av AI-svar har jeg planlagt fra 1. november 2026, og resultatet av målingen av Markdown-filene kommer etter 8. november. Jeg legger resultatene til i denne teksten, også hvis de blir null.

Vanlige spørsmål om AI SEO

Hvor bør du begynne?

De tre første stegene koster ikke noe annet enn tid. Sjekk om robotene til AI-søkemotorene slipper inn på nettstedet ditt. Still tre ganger samtidig noen spørsmål som kundene dine stiller, uten navnet på merkevaren din, og skriv ned hvem som blir nevnt og hvem som blir sitert. Les hva Google-resultatene på selve navnet på merkevaren din sier om den, for modellene bruker de samme kildene. Hvis resultatet overrasker deg, er det et godt tema for en konsultasjon.