AI-sök & Strategi
Vad ska vi egentligen mäta i ett AI-drivet söklandskap?

Fråga en ehandels- eller marknadschef hur sökresan ser ut och du får förmodligen en bekant beskrivning. Kunden söker, klickar sig vidare till sajten och genomför förhoppningsvis ett köp.
Det är en användbar modell. Men den fångar inte allt som påverkar kundens beslut.
En produkt kan bli jämförd, bortvald eller rekommenderad innan kunden har besökt en enda e-handel. Ibland leder det till ett klick. Ibland till en varumärkessökning senare. Ibland till ett köp hos en återförsäljare som aldrig får veta var intresset började.
För en e-handelschef skapar det ett besvärligt mätproblem. Hur avgör ni om er position stärks när delar av kundens research sker utanför den egna sajten? Och hur skiljer ni kommersiell påverkan från ännu en snygg graf i Looker Studio?
Min utgångspunkt är att behålla trafik- och konverteringsmåtten, men komplettera dem med en tydligare bild av närvaro, rekommendationer och efterfrågan. Sedan behöver vi undersöka vilka insatser som påverkar affären. Och det kräver fler perspektiv.
Zero-click förändrar vad trafiken berättar
Zero-click beskriver sökningar som inte leder vidare till ett klick. Fenomenet fanns långt före AI Overviews. Väderprognoser, kartor och direkta svar har länge hjälpt användaren utan ett efterföljande webbplatsbesök.
I SparkToros analys av Similarwebs amerikanska webbpanel slutade 68,01 procent av Google-sökningarna under januari–april 2026 utan klick enligt studiens definition. Underlaget omfattade datorer och mobila webbläsare, men inte Googles mobilapp. Siffran är därför varken en svensk uppskattning eller ett mått på all Google-användning.
Här behöver vi också hålla isär begreppen. Ett uteblivet klick och ett uteblivet klick till den öppna webben är olika saker. Klick till Googles egna tjänster ingår exempelvis bland klicken i SparkToros analys.
Den tidigare studien från 2024 använde en annan panel och delvis andra beräkningsantaganden. Jag skulle därför inte använda skillnaden mellan studierna som en exakt förändringstakt, och än mindre tillskriva hela förändringen AI.
Ahrefs ger ett mer avgränsat perspektiv. I en analys av 300 000 sökord jämförde företaget klickfrekvens på datorer i december 2023 och december 2025. För förstaplatsen på sökord med AI Overviews låg den observerade klickfrekvensen omkring 58 procent under den nivå som deras jämförelsemodell beräknade utan AI Overviews.
Det är ett tydligt samband i urvalet. Det är däremot inte ett randomiserat experiment, och resultatet betyder inte att varje svensk e-handlare förlorar 58 procent av sina organiska klick.
Framför allt säger ingen av studierna att motsvarande andel av försäljningen har försvunnit. För att förstå affärsrisken behöver vi titta på vilka frågor kunden ställer och vad som händer efter svaret.
Alla förlorade klick är inte lika mycket värda
Tänk dig en person som letar efter ett nytt matbord. Resan kan innehålla flera frågor:
- Hur stort matbord behöver man för sex personer?
- Vilket material passar bäst för en barnfamilj?
- Vilka utdragbara matbord passar i ett mindre kök?
- Vilken återförsäljare har rätt modell i lager?
Frågorna kan ingå i samma köpresa, men fyller olika funktioner.
Om den första besvaras direkt behöver det inte innebära någon större kommersiell förlust. Samtidigt ska vi inte avfärda tidig research som värdelös bara för att den inte leder till ett omedelbart köp. Den kan bygga förtroende för ditt varumärke och påverka senare val.
Risken blir mer konkret när kunden jämför produkter och återförsäljare. Om en AI-assistent föreslår tre alternativ och er butik aldrig kommer med kan ni ha förlorat möjligheten att bli övervägda.
Det syns inte nödvändigtvis som ett tapp i Analytics eller i Search Console eftersom något besök eller klick aldrig uppstod.
För e-handlare finns dessutom två skilda frågor: rekommenderas produkterna ni säljer, och rekommenderas ni som återförsäljare? Ett varumärke kan vinna uppmärksamhet samtidigt som försäljningen hamnar hos en konkurrent.
Därför bör både traditionell söksynlighet och AI-synlighet delas upp efter kategori, kundbehov och kommersiell relevans. En samlad synlighetssiffra kan annars dölja att ni vinner enkla informationsfrågor och tappar jämförelser nära köp.
Att bli omnämnd är inte samma sak som att bli rekommenderad
Wil Reynolds lyfter en användbar invändning mot hur AI-synlighet ofta rapporteras. Ett varumärke kan förekomma i ett svar samtidigt som användaren uppmanas att välja något annat. Hans exempel med Airbnb och VRBO illustrerar skillnaden mellan ett omnämnande och en rekommendation.
En rapport som bara registrerar om namnet förekommer missar den skillnaden.
Vi behöver också förstå vilken roll varumärket har i svaret. Är ni ett rekommenderat alternativ för kundens behov, ett neutralt jämförelseobjekt eller något användaren avråds från? Är beskrivningen korrekt?
Ett positivt tonläge räcker inte. En assistent kan berömma er kvalitet och ändå rekommendera konkurrenten på grund av pris, leveranstid eller ett visst användningsområde.
Reynolds använder även begreppet hardwiring för associationer mellan varumärken och ämnen. Jag ser det mer som en strategisk tankemodell. Den hjälper oss att ställa frågor om vilka egenskaper ett varumärke förknippas med, men bevisar inte hur en viss rekommendation har uppstått.
Från sökord till rekommendation
Google beskriver att AI Overviews och AI Mode kan använda query fan-out: flera relaterade sökningar över olika delämnen och datakällor för att utveckla ett svar.
En fråga om en barnvagn för terrängsanvändning kan exempelvis kräva information om vikt, hjul, hopfällning och användarerfarenheter. Det gör det relevant att undersöka vilka källor som återkommer och hur era produkter beskrivs där.
Oberoende tester, recensioner och redaktionella jämförelser kan vara värda att prioritera. Men ett omnämnande i en återkommande källa är inte ett garanterat recept på en AI-rekommendation.
Här behöver vi skilja mellan arbetet med att förbättra förutsättningarna och mätningen av resultatet.
Vad behöver vi mäta?
Jag skulle dela upp rapporteringen i fyra dimensioner: närvaro, hur ni framställs, efterfrågan och affärsutfall.
Modellen hjälper oss att hålla isär frågor som annars lätt hamnar i samma diagram.
| Dimension | Fråga | Exempel på mått | Viktig begränsning |
|---|---|---|---|
| Närvaro | Finns vi med när kunden undersöker relevanta alternativ? | Organisk synlighet, AI-exponeringar, omnämnandeandel och rekommendationsandel i ett definierat frågeurval. | Ett bevakat urval visar inte hela marknadens exponering. |
| Hur ni framställs | Rekommenderas vi för rätt behov och beskrivs vi korrekt? | Rekommendationer, avrådanden, felaktiga produktuppgifter och associationer i jämförelser. | Positivt sentiment är inte likvärdigt med en rekommendation. |
| Efterfrågan | Förändras intresset för vårt varumärke relativt konkurrenterna? | Share of Search och utvecklingen för varumärkesrelaterade sökningar. | Måtten förklarar inte vilken insats som skapade intresset. |
| Affärsutfall | Utvecklas försäljning, kundanskaffning och lönsamhet? | Nettoomsättning efter returer, nya kunder och täckningsbidrag, totalt och för relevanta segment. | Observerat eller attribuerat utfall är inte samma sak som inkrementell effekt. |
Dimensionerna behöver inte utvecklas i samma takt.
Ni kan få fler rekommendationer utan att efterfrågan ökar. Efterfrågan kan öka samtidigt som försäljningen begränsas av lagerbrist. Försäljningen kan växa medan lönsamheten försämras av rabatter och returer. Det är olika problem som kräver olika beslut. En gemensam poäng för ”SEO och AI” skulle göra det svårare att upptäcka.
Inkrementalitet hör sedan hemma som en metod för att pröva orsakssambanden mellan insatser och utfall.
Share of Search fångar en del av efterfrågan
Share of Search var relevant långt innan AI gjorde mätningen mer besvärlig. Måttet beskriver er andel av de varumärkesrelaterade sökningarna inom en definierad konkurrensgrupp:
Sökningar på ert varumärke ÷ sökningar på samtliga varumärken i gruppen.
Om ert varumärke står för 20 000 av gruppens sammanlagt 100 000 sökningar är er Share of Search 20 procent. Det är ett räkneexempel, inte ett riktvärde.
Les Binet och senare IPA arbetsgrupp har redovisat samband mellan Share of Search och marknadsandel i flera kategorier. IPA betonar samtidigt att sambanden är korrelationer. Måttets användbarhet behöver prövas i den aktuella marknaden.
För en e-handlare är avgränsningen avgörande. Jämför återförsäljare med relevanta återförsäljare. Produktvarumärken kan behöva en separat analys. En bred butik och en smal specialist konkurrerar inte om exakt samma efterfrågan.
Bestäm också hur ni hanterar stavningsvarianter, generiska varumärkesnamn och sökningar om exempelvis kundservice eller returer. Behåll definitionen över tid och dokumentera ändringar.
Google Trends kan vara en startpunkt, men dess index ska inte behandlas som absoluta sökvolymer. Jämförelser behöver göras med samma geografiska och tidsmässiga inställningar och på en gemensam skala. Små volymer och tvetydiga namn kan göra underlaget för svagt.
Följ både andelen och den absoluta efterfrågan där ni har ett användbart underlag. Er andel kan stiga därför att konkurrenterna tappar snabbare, samtidigt som intresset för er också minskar.
Och fler sökningar är inte alltid goda nyheter. En uppmärksammad produktåterkallelse kan skapa ett utmärkt diagram och en mindre utmärkt vecka.
Share of Search kan heller inte isolera AIs påverkan. En ökning kan bero på annonsering, PR, rekommendationer, butiksöppningar eller förändringar hos konkurrenterna. Kunden kan dessutom gå direkt från ett AI-svar till en återförsäljare utan att göra en ny Google-sökning.
Jag skulle därför använda måttet som en indikator på relativt varumärkesintresse, tillsammans med andra signaler.
Det här skulle jag börja mäta
Börja med de produktkategorier som betyder mest för affären. Ni behöver kunna se var ni tappar mark, vad det kan bero på och vad ni ska göra åt det. Resten kan vänta tills någon faktiskt saknar det.
1. Vad händer med synligheten och klicken i Google?
Search Console är fortfarande en bra utgångspunkt. Följ hur ofta ni visas, vilka sökningar som ger besök och hur klickfrekvensen förändras. Titta på viktiga kategorier och skilj på sökningar efter ert namn och sökningar där kunden ännu inte har valt butik.
När klicken minskar behöver ni undersöka varför. Har ni tappat positioner? Söker färre efter produkterna? Har Google börjat besvara frågan direkt? Samma nedgång i rapporten kan kräva helt olika åtgärder.
Googles separata AI-rapporter i Search Console visar också hur ofta era sidor förekommer i bland annat AI Overviews och AI Mode. De uppgifterna ingår redan i den övergripande rapporteringen, så lägg inte ihop dem och kalla summan ökad räckvidd.
Använd uppgifterna för att förstå var ni syns. För att veta hur ni framställs behöver ni också läsa svaren.
2. Blir ni rekommenderade när kunden ber om hjälp att välja?
Börja med frågor som era kunder ställer. Kundservice, sajtens interna sökningar och samtal med kunder ger ofta ett bättre underlag än en lista med hundra promptar som någon kom på efter lunch.
För en möbelbutik kan det handla om vilket sofftyg som passar med småbarn, vilka matbord som fungerar i ett litet kök eller vilken butik som erbjuder inbärning.
Kontrollera om ni nämns, om ni rekommenderas och varför. En rekommendation för fel behov behöver också fångas upp. Detsamma gäller felaktiga uppgifter om material, pris eller leverans.
Ställ frågorna flera gånger över tid. Spara svaren och notera vilken tjänst ni använde, när ni testade och vilka inställningar som kan ha påverkat resultatet. Behåll samma grundfrågor så att ni kan följa utvecklingen.
Om ni rekommenderas i 30 av 100 testsvar är det just det ni vet. Det betyder inte att ni får 30 procent av rekommendationerna som verkliga kunder ser. Verktygens automatiserade tester kan också skilja sig från kundens upplevelse.
3. Vad gör besökarna som kommer från AI-tjänster?
I GA4 kan ni följa de besök som går att identifiera som trafik från AI-tjänster. Titta på vilka sidor besökarna landar på, vad de köper och hur mycket försäljning besöken registreras för.
Men låt luckorna vara luckor. Ett besök utan känd källa kan ha flera förklaringar. Det blir inte ett AI-besök bara för att vi gärna vill hitta fler sådana.
Var också försiktig när ni jämför konverteringsgraden med andra kanaler. Besökare från en AI-tjänst kan redan ha jämfört alternativen och bestämt sig. En hög konverteringsgrad visar då att trafiken är köpbenägen, men säger mindre om hur många extra köp AI bidrog till.
Stäm av analysen mot ordersystemet och ekonomin. Vad återstår efter rabatter och returer? Hur många kunder är nya? Hur ser täckningsbidraget ut? Det är där ni ser om den lovande trafiken också blir en bra affär.
4. Kommer söktjänsterna åt innehållet och vilken information hittar de?
Här kan IT behöva hjälpa till. Serverloggarna kan visa vilka robotar som besöker sajten, vilka sidor de försöker hämta och om något hindrar dem.
Använd det för att hitta tekniska problem. Att en robot har besökt en produktsida betyder inte att produkten har rekommenderats. Än mindre att någon har köpt den.
En teknisk detalj som är värd att få rätt: Google-Extended har ingen egen HTTP-user-agent och går därför inte att hitta som en separat besökande robot i loggarna.
Titta också på vilka externa källor som återkommer i svaren på era viktigaste kundfrågor. Finns era produkter med i testerna och jämförelserna? Är uppgifterna korrekta och aktuella? Beskrivs ni som ett relevant alternativ?
Det ger ett bättre underlag för arbetet med innehåll och PR än att bara räkna hur många gånger ert namn förekommer.
5. Vad behöver ledningen veta och vad gör vi sedan?
Jag skulle följa tekniska problem löpande, gå igenom trafik och försäljning varje vecka och göra en samlad bedömning av AI-svaren och varumärkessökningarna varje månad. Takten behöver förstås passa er försäljning och säsong. Tio beställningar blir inte ett stabilt beslutsunderlag för att rapporten uppdateras varje timme.
Till ledningen skulle jag lyfta vad som har förändrats, vad vi har stöd för att säga om orsaken och vilken åtgärd jag rekommenderar.
Om ni sällan rekommenderas för en viktig produktkategori behöver ni undersöka hur produkterna och butiken beskrivs, både hos er och i andra källor. Om fler söker efter er men försäljningen står still kan problemet finnas i priset, lagret, leveransvillkoren eller själva köpet.
Rapporteringen ska hjälpa er att hitta rätt problem. Varje nedåtgående kurva behöver inte bli ett SEO-projekt.
Inkrementalitet prövar vad insatsen tillförde
Attribution fördelar värde mellan observerade kontaktpunkter. Inkrementalitet försöker besvara en annan fråga: vad hade hänt utan insatsen?
Den skillnaden blir viktig när flera saker förändras samtidigt. Ökande AI-synlighet, varumärkessökningar och försäljning är en anledning att undersöka sambandet. Det är inte tillräckligt för att fastställa orsaken.
Börja därför med en avgränsad hypotes. Exempelvis:
Om vi gör produktinformationen tydligare och hjälper kunden att jämföra alternativen i utvalda kategorier, är hypotesen att nettoförsäljningen och täckningsbidraget ökar mer där än i jämförbara kategorier som vi inte förändrar.
Välj primärt affärsmått, mätperiod och jämförelsegrupp i förväg. Bedöm om volymen räcker för att upptäcka en affärsmässigt relevant förändring. Dokumentera samtidigt prisändringar, kampanjer, lagerstatus och andra händelser som kan påverka resultatet.
Där det går är randomisering en stark utgångspunkt. För SEO kan uppdelning mellan grupper av jämförbara sidor vara användbar, men grupperna kan skilja sig åt och förändringen kan påverka fler delar av sajten. Geografiska tester kan vara relevanta för vissa marknadsinsatser, men nationell synlighet och spill mellan områden gör dem svårare.
När randomisering inte är möjlig kan en noggrant vald kontrollgrupp och analys av utvecklingen före och efter ge stöd. Slutsatsen måste då vara tydlig med antagandena och de alternativa förklaringarna.
Var också precis med vad testet prövar. Om bättre innehåll samtidigt förbättrar vanlig söksynlighet, AI-svar och köpupplevelse kan testet säga något om den samlade insatsen. Det isolerar inte automatiskt AI bidrag. Att jämföra konvertering på sidor som besöks av botar och andra sidor räcker inte. Populära, väl länkade eller ofta uppdaterade sidor kan både få fler botbesök och prestera bättre av andra skäl.
Alla företag har heller inte volym för ett övertygande experiment. Då är det rimligare att kombinera flera datakällor, redovisa osäkerheten och fatta ett proportionerligt beslut. En decimal till löser sällan ett svagt underlag.
Mätningen ska göra nästa beslut bättre
Trafik, konvertering och Search Console kommer fortsatt att vara viktiga. Men de behöver ingå i en modell som också fångar om ni blir övervägda, hur ni rekommenderas och om efterfrågan förändras.
För e-handelsledningen är frågan hur den kunskapen påverkar prioriteringarna. Behöver ni förbättra produktinformationen, stärka närvaron i relevanta jämförelser, lösa lagerproblem eller pröva om en större investering faktiskt betalar sig?
Innan ni lägger till ett mått bör ni kunna beskriva vilket beslut det kan förändra. Om svaret är oklart har ni förmodligen hittat ytterligare en graf. De flesta marknadsavdelningar har redan tillgång till sådana.
Vissa delar av kundresan kan mätas med hög precision. Andra kräver upprepade observationer, flera indikatorer och genomtänkta experiment.
Jag föredrar en rapport som visar vad vi vet, vad vi tror och vad vi behöver pröva. Det är en bättre grund för nästa investering än en exakt fördelning av värde som underlaget inte kan bära.
Källor
- SparkToro: In 2026, Less than One Third of Google Searches Still Send a Click. Amerikansk webbpanel från Similarweb, januari–april 2026, samt metod och begränsningar.
- Ahrefs: Update: AI Overviews Reduce Clicks by 58%. Publicerad den 4 februari 2026. Jämförelse av klickfrekvens på datorer för december 2023 och december 2025.
- Wil Reynolds, Seer Interactive: Re-imagining AI Visibility KPIs in a Query Fan Out world. Publicerad den 2 oktober 2026. Branschresonemang om rekommendationer, källor och mätning.
- Google Search Central: AI features and your website. Dokumentation om bland annat query fan-out.
- Google Search Central: Introducing Search Generative AI performance reports in Search Console. Publicerad den 3 juni 2026, med uppdatering om global utrullning den 31 augusti.
- Google: Common crawlers. Dokumentation om bland annat Google-Extended.
- IPA: New findings from the cross-industry IPA Share of Search think tank data. Publicerad den 12 oktober 2021. Definition, empiriska samband och metodbegränsningar för Share of Search.
Om du vill ha någon som säger att allt går bra finns det gott om sådana.
Om du vill ha någon som hittar flaskhalsen och löser den, då är det mer min gata.
Boka ett samtal med mig


