AI SEO och GEO utan myter: vad som faktiskt fungerar

Till svaren från ChatGPT, Gemini, Perplexity och AI Overview tar sig ett varumärke främst via två vägar som går in i varandra, och AI SEO är arbete med båda:

1. Via sökning. Modellen söker på webben medan den svarar och citerar en del av de sidor den hittade. Här gäller samma sak som i SEO: tillgång för robotar, index, synlighet på sökordet och dess varianter samt textavsnitt som svarar på frågan utan resten av sidan. Effekten syns, precis som i SEO, efter veckor eller månader.
2. Via modellens minne. Modellen svarar utifrån det den lärde sig före träningens slut, och det minnet påverkar också vilka den nämner när den söker på webben. Här räknas vad andra har skrivit om varumärket och en enda sammanhängande beskrivning av det i många källor. Takten på förändringar i minnet har jag inte mätt, så på ett kvartals sikt lovar jag inget här.

De flesta ”GEO-knep” saknar belägg, och en del av dem har jag testat på mina egna data. För filen llms.txt och strukturerad data finns inga belägg för att de ger citeringar. Fler rubriker lyfte inte sidor till topp 3 i mitt test. Testet av om placeringen på delfrågor förutspår citering bättre än placeringen på huvudsökordet avgjorde ingenting, och min första slutsats av det motbevisades av korskontrollen. Belägg för var och en av dessa meningar finns längre ned.

Vad är AI SEO och vad kallas det?

AI SEO är arbetet med att få ett varumärke att dyka upp i svar som genereras av AI: i AI Overview och AI-läget i Google, i ChatGPT, Gemini, Perplexity och Copilot. Samma arbete har flera namn, och skillnaderna mellan dem är mest marknadsföring:

Namnet GEO har ett vetenskapligt ursprung, och grunden för hela det här arbetet är densamma som i SEO. GEO kommer från en vetenskaplig artikel från november 2023, antagen till konferensen KDD 2024. Dess författare, Pranjal Aggarwal med kollegor, visade på sin egen testmängd att ändringar i innehållet kan öka en källas synlighet i generativa svar med upp till 40 % (arXiv). Google skriver i sin dokumentation att optimering för generativ sökning fortfarande är SEO (Google Search Central). Cyrus Shepard på Zyppy svarar liknande på frågan om ett företag behöver en separat GEO-strategi:

Inte heller människor har ett gemensamt namn på det här arbetet, och det syns i Googles resultat. Frågan ”Vad kallas SEO för AI?” finns i avsnittet ”Liknande frågor” i de polska resultaten, motsvarande frågor finns i resultat från Tyskland, Spanien och Finland, och den engelska frågan ”What is AI SEO called now?” finns i resultat från USA, Sverige och Singapore. Frågan om skillnaden mellan GEO (eller LLMO) och SEO dyker upp på 9 av 27 undersökta marknader, från Brasilien till Japan.

Vilket namn som dominerar beror på marknaden. I Japan är 72 % av de cirka 16 730 sökningarna per månad i det här ämnet LLMO, och själva sökordet ”llmo” har cirka 12 100 sökningar, fler än ”ai seo” i USA (cirka 6 600). I Tyskland och Frankrike dominerar GEO (64 % och 66 %), i Sydkorea 83 %. I Polen är 58 % av cirka 2 265 sökningar per månad AI SEO, med sökordet ”ai seo” och polska beskrivningar (”pozycjonowanie ai”, ”pozycjonowanie w ai”), och GEO 32 %. I USA ligger AI SEO och GEO jämsides: 42 % och 39 % av cirka 25 400 sökningar, och i Spanien är det lika (44 % och 44 %). I Tjeckien finns det i data ingen efterfrågan på något av namnen.

Sökordet ”ai seo” är tvetydigt, så andelen AI SEO behandlar jag som en övre gräns. På ”ai seo” visar Google vid sidan av texter om AI SEO också AI-verktyg och guider om hur man gör SEO med hjälp av AI: i USA är det mer än hälften av resultaten i topp 10, i Danmark minst 6 av 8. AI Overview för det sökordet beskriver i USA och Danmark dock AI SEO som optimering för AI-svar, så Google behandlar det som ett namn på det här arbetet. Utan just det sökordet leder GEO på 25 av 26 marknader på min blogg, och i Japan blir LLMO kvar. I Polen har entydiga polska beskrivningar (”pozycjonowanie ai”, ”pozycjonowanie w ai”) tillsammans cirka 580 sökningar per månad, och GEO cirka 725. AI-verktyg för SEO ägnar jag en separat text.

Själva sökordet ”aeo” räknar jag inte, eftersom det i Polen främst betyder tullcertifikat och i USA en del av resultaten är börsnoteringar för klädkedjan American Eagle. På ”aeo” i polska Google är tre av de fyra första resultaten sidor från finansministeriet. Sökord med hela namnet, till exempel ”answer engine optimization”, räknar jag i serien ”Övrigt”.

Varje språkversion av den här texten använder det namn som människor söker på i respektive land. Den japanska versionen talar om LLMO, den tyska och den franska om GEO, och den polska om ”pozycjonowanie w AI” och AI SEO. Den här svenska versionen använder AI SEO tillsammans med GEO, eftersom AI SEO står för 66 % av de cirka 710 sökningarna per månad i Sverige i det här ämnet och GEO för 31 %.

Hur väljer AI källorna till sina svar?

Modellen svarar utifrån sökning eller minne, och av det beror vad du över huvud taget kan ändra. När den söker på webben delar den upp frågan i flera sökningar, hämtar resultat, väljer ut textavsnitt ur dem och citerar en del av dem. Google kallar det i dokumentationen ”query fan-out”: systemet skickar många relaterade sökningar om delämnen och från olika källor (Google Search Central). När modellen inte söker svarar den utifrån det den lärde sig under träningen, och då ändrar sidans placering i Google ingenting.

Vägarna går in i varandra, eftersom modellens minne också påverkar svar där modellen sökte på webben. Dan Petrovic på Dejan skriver att ett omnämnande av ett varumärke i själva svarstexten främst bygger på modellens tidigare kunskap, och att en enskild sida knappt flyttar det (Dejan, 7 juli 2026). Därför mäter jag båda vägarna för sig men arbetar med dem parallellt.

Hur ofta modellen söker på webben beror på modellen: i mitt test från 10 till 94 sökord av 94. Jag kontrollerade det via API:et på 94 sökord från projekt som jag driver, på engelska och polska, natten mellan 3 och 4 oktober 2026 och en andra gång på morgonen. I texten om SEO-strategi beskrev jag samma effekt på fem guidefrågor, här finns den på en större mängd.

• 93 av 94Så många gånger Gemini 2.5 Flash tog till sökning i första omgången (i den andra 94 av 94).Mitt test via API, 3-4 oktober 2026
• 71 av 94Så många gånger Gemini 3.5 Flash sökte (i andra omgången 69 av 94).Mitt test via API, 3-4 oktober 2026
• 25 av 84Så många gånger Gemini 3.1 Pro sökte (10 anrop slutade med ett gränsfel; i andra omgången 32 av 94).Mitt test via API, 3-4 oktober 2026
• 10 av 94Så många gånger Gemini 3.8 Flash sökte (i andra omgången 15 av 94). Vid de övriga sökorden svarade den ur minnet.Mitt test via API, 3-4 oktober 2026

I den här konfigurationen sökte nyare versioner av Gemini Flash mer sällan, men Gemini 3.1 Pro passar inte in i mönstret. Pro har ett äldre versionsnummer än 3.5 Flash och sökte mer sällan än den. Det är en modellfamilj och en API-konfiguration, inte den Gemini-app som användaren ser, så siffrorna behandlar jag som en signal och inte som en regel. De räcker ändå för att jag vid varje mätning ska kontrollera på hur många frågor modellen över huvud taget söker.

Modellernas minne om ett nytt polskt varumärke visade sig vara glest, och en del modeller hittade på en beskrivning av det. I samma projekt bedömdes cirka 500 svar på frågor om de varumärken jag arbetar för blint av en separat modell. Ett av de nya polska varumärkena i urvalet var okänt för alla granskade modeller, och i 9 av 12 svar om det var beskrivningen påhittad. Andelen påhitt berodde på modellen: från 5 % till 77 % av svaren om alla varumärken. Svaren bedömdes av en enda domarmodell, så skillnader under cirka 10 procentenheter behandlar jag som brus.

Samma domän kan vara synlig på den ena vägen och osynlig på den andra. En av sajterna citerades i Googles AI-läge vid 10 av 13 par av sökord, men i modellernas svar utan sökning dök den inte upp en enda gång (0 av 13). Det är en domän och 13 par, så det är en illustration och inte en regel.

Ett besläktat fenomen syns i en undersökning i större skala. Dan Petrovic refererar en undersökning från Google Research på 13 modeller och 2 150 fakta från Wikipedia: de främsta av modellerna, som Gemini 3 Pro och GPT-5, har 95-98 % av den kunskapen i vikterna men kan inte återge 26-34 % av den (Dejan, 17 augusti 2026). Det är encyklopediska fakta och inte kunskap om varumärken, men slutsatsen för ett varumärke är liknande: att uppgiften finns i träningsdata garanterar inte att modellen säger den.

Hur kommer du med i AI-svar via sökning?

På vägen via sökning gäller samma sak som i SEO, med en skillnad. Google skriver att en sida för att komma med i AI Overview och AI-läget måste finnas i indexet och kunna visas i resultaten med ett textutdrag, och att inga ytterligare tekniska krav finns (Google Search Central). Skillnaden är att modellen ställer flera frågor på en gång, så en sida som är synlig bara på ett huvudsökord har färre chanser att bli citerad än en sida som också är synlig på dess varianter. ChatGPT har dessutom en egen sökrobot (mer om den nedan), så synlighet i Google överförs inte direkt till den.

Tillgång för AI-robotar

Robotar från AI-sökmotorer kan vara blockerade utan att sajtens ägare vet om det. En brandvägg eller en inställning i innehållsleveransnätverket (CDN) kan blockera dem, ofta först när antalet förfrågningar passerar en tröskel, så ett enskilt test visar ingenting. Jag kontrollerar med en serie förfrågningar med namnen på robotar från Google, OpenAI, Perplexity och Anthropic och jämför serverns svar med det som en vanlig webbläsare får.

Att blockera träning av modeller är ett annat beslut än att blockera sökning. OpenAI skiljer på rollerna: GPTBot samlar in innehåll som kan hamna i träningen av modeller, och OAI-SearchBot avgör närvaron i sökresultaten i ChatGPT. OpenAI skriver att sajter som blockerar OAI-SearchBot inte visas i sökresultaten i ChatGPT, och att en blockering av GPTBot inte ändrar det (OpenAI). På samma sätt styr Google-Extended hur Gemini-modellerna använder innehåll, men enligt Google påverkar den varken närvaron eller placeringen i sökmotorn (Google Search Central). Den som blockerar alla AI-robotar med en enda omkopplare kan förlora närvaron i ChatGPT:s sökning, som hen inte alls ville lämna ifrån sig.

Placering på sökord och delfrågor

Jag vet inte om en högre placering ökar chansen till citering, eftersom mina data inte avgör det. I texten om SEO-strategi beskrev jag, i steget med hypoteser, en artikel som på fem mycket närliggande sökord citerades i AI Overview bara på ett, och det var på det där den stod lägst. Delfrågorna formuleras av modellen och kan vara olika vid varje svar, så det finns ingen fast lista över ”delfrågor för sökordet X”. I min mängd med 94 sökord genererade modellen i en omgång 493 olika delfrågor, i genomsnitt drygt fem per sökord.

Jag kontrollerade om placeringen på delfrågor förutspår citering bättre än placeringen på huvudsökordet, och mitt första resultat klarade inte korskontrollen. På par av sökord och sida från projekt som jag driver skrev jag ner regeln innan jag räknade fram resultatet. Måttet var arean under ROC-kurvan, alltså hur väl en signal skiljer citerade sidor från icke citerade (0,5 är myntkastning, 1 är en separation utan fel). Delfrågorna skulle vinna om deras area var minst 0,10 större. På 29 par som lagts åt sidan för AI Overview-testet blev skillnaden 0,44, alltså ett ”godkänt” test.

Korskontrollen visade att jag hade jämfört två mätningar med olika noggrannhet. Granskaren, som räknade om allt från noll, återskapade mina siffror ner till sista siffran men noterade att jag hade tagit placeringen på huvudsökordet från en enda hämtning av Googles resultat och citeringen från fem. När placeringen räknades från samma fem hämtningar sjönk skillnaden till 0,04, med ett intervall från -0,28 till +0,36. Jag har alltså inte visat att delfrågorna är bättre än placeringen, och inte heller att de är sämre. Båda signalerna säger något, så jag arbetar med båda.

Placeringen från en enda hämtning från DataForSEO visade sig vara ett lotteri mellan flera varianter av resultaten. När jag hämtade samma 94 sökord tre gånger med cirka en timmes mellanrum hade två hämtningar av samma sökord i median få gemensamma adresser i topp 10: Jaccard-indexet, ett mått på överensstämmelse mellan två mängder från 0 till 1, blev 0,14-0,15. En del av varianterna är sannolikt resultat som en människa i webbläsaren inte ser, eftersom webbläsaren på 5 sökord stämde med en av dem. AI Overview var däremot stabil: dess förekomst stämde mellan hämtningarna i 97-99 %. Därför räknar jag i dag placeringen från det verktyget som en andel av cirka 10 hämtningar som skickas samtidigt. Andra verktyg har jag inte kontrollerat på det sättet.

Textavsnitt som svarar på egen hand

Modellen använder oftast inte hela sidan utan de textavsnitt som svarar på dess fråga. Därför skriver jag så att varje avsnitt går att förstå utan resten av sidan: svaret i första meningen under rubriken, konkreta siffror med nämnare och datum, namn i stället för ”det” och ”den”. Varje stycke i den här texten börjar med en mening med slutsatsen just därför. Det är god skrivpraxis som också hjälper människor, och inte en separat teknik för AI.

Det betyder inte att innehållet ska hackas i små bitar eller att rubrikerna ska bli fler. Google skriver rakt ut att det inte finns något krav på att dela upp innehåll i små bitar för att AI ska förstå det bättre (Google Search Central). Jag kontrollerade också om fler rubriker hjälper en sida in i topp 3. På 632 sidor i topp 10 för 119 sökningar på engelska inom nischen affärsprogramvara (USA, 26 september 2026) blev oddskvoten 0,95 (konfidensintervall 95 %: 0,81-1,12), och efter hänsyn till textens längd 1,00. Andelen sidor i topp 3 var nästan densamma i tre grupper från minsta till största antal rubriker: 32 %, 34 % och 32 %. Det är samma test som jag skriver om i texten om SEO-strategi: en nisch och en mätdag. Det räcker ändå för att jag inte ska lägga till rubriker för att förbättra placeringen: en rubrik ska säga vad avsnittet under den handlar om.

Polska frågor, engelska delfrågor

I min mängd var en del av delfrågorna till polska frågor på engelska. 81 av 277 delfrågor som genererats till polska sökord hade inga drag av polska. Till exempel blev en polsk fråga om en rangordning av produkter i en kategori en engelsk sökning med årtal i. Det är en grov tumregel på en enda mängd, men det räcker för att jag hos ett polskt varumärke också ska kontrollera vad engelskspråkiga källor säger om det.

Hur kommer du in i modellens minne?

Modellens minne ändrar du inte med din egen sajt ensam: det som räknas är vad andra skriver om dig. Modellen lär sig av stora textmängder som samlats in före träningens slut. Om det mest är varumärket självt som skriver om det, och andras källor är gamla eller motsägelsefulla, upprepar modellen en gammal eller motsägelsefull bild. Jag har ingen mätning av hur snabbt modellernas minne uppdateras. Jag antar att det sker först i kommande versioner, så på ett kvartals sikt lovar jag inget här.

På mitt eget varumärke ser jag båda felkällorna på en gång. Gemini beskrev mig i presens med en arbetsgivare från några år tillbaka och rogala.pro som en sajt ”under uppbyggnad”. De två beskrivningar som modellerna upprepade oftast om mig kommer ordagrant från min biografi i en branschtjänst som visas högt i Google på mitt namn. Den arbetsgivaren anges däremot inte som nuvarande på någon av de 26 sidor jag kontrollerade i resultaten på mitt för- och efternamn, så felet sitter sannolikt i modellens minne. Jag kontrollerar det med samma frågor när biografin har uppdaterats.

Vad en modell minns om ett varumärke kan du kontrollera själv, utan verktyg för synlighet i AI. Ställ frågor om varumärket utan tillgång till sökning, helst via API:et utan sökverktyg. Fråga vad varumärket gör, för vem och sedan när det har funnits, och ställ varje fråga tre gånger. Jämför sedan svaren med fakta och skriv ner separat vad som är aktuellt, vad som är föråldrat och vad som är påhittat.

Omnämnanden utan en sammanhängande definition av varumärket upprepar den gamla beskrivningen, så jag börjar med identiteten. Min ordning:

• en definition av varumärket, densamma på sajten, i profilerna och i biografierna på andras sajter;
• strukturerad data med identifierare som jag har kontrollerat för hand;
• poster i kunskapsbaser som Wikidata, bara där det finns källor som bekräftar dem;
• först därefter omnämnanden och publiceringar på platser som någon annan redigerar.

En identifierare måste öppnas och läsas innan den hamnar i sidans kod. Den 5 oktober 2026 upptäckte jag att identifieraren från Knowledge Graph, som sedan dagen innan stod i den strukturerade datan på rogala.pro, leder till en panel för en skådespelare med samma för- och efternamn. I ungefär ett dygn deklarerade min sajt för sökmotorerna att jag var skådespelare. Kontrollen tar en minut: adressen google.com/search?kgmid= med identifieraren efter visar vem den egentligen tillhör.

Wikidata köper inte en plats som det inte finns källor till. Wikidata kräver källor för uppgifter om levande personer, så man kan inte deklarera där en specialitet som ingen annan än du har skrivit om. Därför började jag själv med publiceringar på platser som andra redigerar, och inte med en post i en databas.

Vad fungerar i AI SEO och vad är myter?

Påståenden om GEO delar jag efter hur starka beläggen är. Dokumenterat betyder att sökmotorns dokumentation bekräftar det, och min mätning är ett resultat från en konfiguration som jag upprepar. Motbevisat och inte visat är sådant som jag har kontrollerat på mina egna data och som antingen inte höll eller inte avgjorde något. Utan belägg är populära råd som ingen mätning ligger bakom, och ibland ligger motsatta belägg bakom.

Det finns inga belägg för att filen llms.txt och Markdown-versioner av sidor hjälper till att komma med i AI-svar. Google skriver att man för att finnas i dess sökmotor inte behöver skapa nya filer för maskiner, textfiler för AI, märkning eller Markdown (Google Search Central). När jag i juli 2026 kontrollerade 10 domäner i min portfölj var det ingen som levererade en Markdown-version till AI-agenter. På rogala.pro har varje sida sedan den 8 oktober en Markdown-version och en llms.txt-fil, och fram till den 8 november mäter jag i serverloggarna om någon över huvud taget hämtar dem. I Polen har sökordet ”llms txt” cirka 720 sökningar per månad, så det ämnet beskriver jag separat.

Strukturerad data beskriver varumärket för sökmotorn, men det finns inga belägg för att den ger citeringar. Google skriver att strukturerad data inte krävs i generativ sökning och att det inte finns några särskilda schema.org-märkningar som måste läggas till (Google Search Central). Matt Buxbaum på Seer Interactive analyserade 8 500 sökord med AI Overview och 6 354 sidor som fick sin första citering i dem: schema och E-E-A-T-signaler hängde svagast ihop med en vinst, och sidor med flest FAQ- och HowTo-märkningar presterade cirka 10 gånger sämre (Seer Interactive, 28 maj 2026). Det är en korrelation, så jag vet inte om märkningarna skadar, men jag läser inte de data som belägg för nytta. Strukturerad data använder jag för att beskriva entiteter (vem, vad, var, med vilka identifierare), eftersom det är vad den är till för. Något eget test av hur den påverkar AI-svar har jag ännu inte avslutat.

Omnämnande och citering är två olika saker, och många rapporter blandar ihop dem. Petrovic skiljer på tre händelser: sidan som systemet hämtade som underlag för svaret, citeringen, alltså sidan som visas som källa, och omnämnandet, alltså varumärkets namn i svarstexten, som användaren läser och minns (Dejan, 7 juli 2026). Ett varumärke kan citeras utan att omnämnas i texten och nämnas utan att en sida citeras. Därför mäter jag de två sakerna för sig och lägger inte ihop dem till ett enda ”resultat för synlighet i AI”.

Hur kontrollerar du om AI SEO fungerar?

Utan ett utgångsläge kan du inte tillskriva någon ändring en effekt, så jag skriver ner det före den första rättelsen. I utgångsläget ingår frågorna ordagrant, namn och versioner på modellerna, datum och marknad. Frågorna sätter jag ihop utifrån data om efterfrågan och från Search Console, och de flesta innehåller inte varumärkets namn, eftersom namnet i frågan ger modellen svaret. Frågeunderlaget i två grupper efter placering beskriver jag i texten om SEO-strategi.

Fem saker mäter jag för sig, eftersom var och en kan gå åt sitt håll:

1. Omnämnande av varumärket i svarstexten.
2. Citering av sidan som källa.
3. Om modellen över huvud taget sökte på webben, alltså sökning och minne för sig.
4. Trafik från AI-assistenter i analysverktyget, som alltid är en nedre gräns, eftersom en del besök kommer utan uppgift om källa.
5. Trafik från Google under samma period, så att en ändring för AI inte sker på bekostnad av de vanliga resultaten.

Svar från chattar är slumpmässiga, så samma fråga ställer jag tre gånger samtidigt. AI Overview är stabil, och för den räcker en hämtning. Ett tal från ett verktyg för synlighet i AI läser jag alltid tillsammans med nämnaren: det är en andel i mitt frågeunderlag och inte en ”andel av AI-marknaden”, som ingen känner till.

Vad gör jag på min egen sajt och vad vet jag ännu inte?

Jag har talat offentligt om AI i sökning sedan 2016, men något eget varumärke i AI-svar har jag ännu inte, och det var därifrån mitt experiment började. Utgångsläget den 26 juli 2026: rogala.pro hade inte en enda citering på någon av de 7 AI-ytor som kontrollerades i Ahrefs för Polen, och i 6 kontroller på tre plattformar, i frågor utan mitt namn, nämnde ingen modell mig. På en fråga om mig med namn upprepade modellen en beskrivning från några år tillbaka. Det är en mätning och utan ChatGPT, eftersom verktyget jag samlade svar med inte returnerade några resultat för den, så jag behandlar den som en startpunkt och inte som ett belägg.

Ordningen på arbetet följer av data: först identiteten, sedan räckvidden. Jag har ordnat en definition i profilerna (på LinkedIn i 30 språkversioner), kontrollerat identifierarna i den strukturerade datan (därav missen med skådespelaren) och byggt sajten och bloggen på 27 språk med versioner i Markdown. Räckvidden, alltså publiceringar och omnämnanden i andras medier, kommer först därefter.

Jag vet ännu inte om det fungerar. Den första upprepade mätningen av AI-svar har jag planerat från den 1 november 2026, och resultatet av mätningen av Markdown-filerna kommer efter den 8 november. Resultaten lägger jag till i den här texten, även om de blir noll.

Vanliga frågor om AI SEO och GEO

Var ska du börja?

De tre första stegen kostar ingenting utom tid. Kontrollera om robotarna från AI-sökmotorer får din sajt. Ställ tre gånger samtidigt några frågor som dina kunder ställer, utan ditt varumärkes namn, och skriv ner vem som nämns och vem som citeras. Läs vad Googles resultat säger om ditt varumärke på själva namnet, eftersom modellerna använder samma källor. Om resultatet överraskar dig är det ett bra ämne för en konsultation.