AI-sök & Strategi
Varför vissa varumärken redan finns med i AI-sök innan sökningen ens börjar

Jag såg nyligen ett experiment som gjorde mig lite avundsjuk (otroligt nerd alert) att jag inte kom på det själv.
Gaetano DiNardi öppnade devtools i Chrome och läste av nätverkstrafiken bakom en ChatGPT-konversation om AI-agent builders. Tänk Microsoft Copilot Studio, Salesforce Agenforce, Google Vertex AI… blablabla.
DiNardi ville se exakt vilka sökningar systemet gjorde innan det svarade. 16 sökningar visade det sig. Ingen av dem var en bred kategorisökning för att ta reda på vilka leverantörer som finns på marknaden. Alla 16 var redan riktade mot specifika varumärken, funktioner och prissättning.
Query fan-out i sig är inte nyheten här. För er som inte spenderar kvällar för att lära sig om denna mekanism, så säger Google själva att AI-översikt (AI Overviews) och AI Mode båda använder en ‘query fan-out’-teknik. En komplex fråga bryts ner i flera mindre sökningar. Det är egentligen inte konstigare än att en säljare ställer fem följdfrågor innan hen svarar på en kunds behov.
Det som är intressant är inte ATT ChatGPT gjorde 16 sökningar. Det är att varumärkena redan fanns på plats i sökningarna innan en enda sökning hade körts.
Hur visste systemet vilka varumärken det skulle söka efter, innan det hade sökt efter vilka varumärken som finns?
Jag tror den frågan är viktigare än den vi brukar ställa. Hittills har hela AI-sök diskussionen (GEO, AEO, kalla det vad ni vill) kretsat kring retrieval. Alltså hur innehåll struktureras, citeras och hämtas. Allt det spelar givetvis roll, men det finns potentiellt ett problem som uppstår långt tidigare i kedjan.
AI-systemet måste ha en anledning att överväga er överhuvudtaget, innan det börjar leta efter bevis.
Query fan-out förklarar inte var kandidaterna kommer ifrån
Query fan-out löser egentligen ett ganska mänskligt problem. Traditionell sökning har tränat oss i att pressa ihop komplexa behov till korta fraser. Tänk “golfdriver”, “löparskor dam” och “robust jäkla barnvagn”. En AI-assistent slipper övningen. Användaren kan bara säga vad den egentligen menar.
Säg att någon frågar:
“Vilken golfdriver passar mig om jag har runt 105 mph svinghastighet, spinner bollen för mycket och ofta missar höger?”
För att svara vettigt behöver systemet reda ut flera saker samtidigt.
- Vilka drivers är byggda för lägre spin?
- Vilka passar högre svinghastighet?
- Vilka är förlåtande för någon med ett återkommande högermiss?
- Hur skiljer sig till exempel Titleist, TaylorMade och Callaway åt här?
Det är där query fan-out gör sitt jobb. Flera sökningar som tillsammans samlar in det modellen behöver.
MEN! Titta på vad som redan hänt i mitt eget exempel. Jag skrev Titleist, TaylorMade och Callaway innan en enda sökning gjorts. Om ett AI-system genererar en sökning typ “Titleist GT3 low spin forgiveness” måste Titleist och GT3 redan ha blivit kandidater någonstans. Makes sense right?
Retrieval tar vid därefter, för att hämta aktuell information om just den modellen. Men själva kandidaten upptäcktes inte genom sökningen. Det är precis det DiNardis experiment synliggör.
Flödet var inte:
Fråga -> bred kategorisökning -> upptäck leverantörer -> undersök dem -> svar
Det var:
Fråga -> specifika leverantörer redan valda -> verifiera och komplettera via sökning -> svar
Ett enda experiment bevisar förstås inte att ChatGPT alltid jobbar så, och det ska jag vara tydlig med längre ner. Vill också säga att när denna artikel publiceras så just know att jag sitter i kammaren och labbar med detta. Men experimentet pekar på en mekanism värd att ta på allvar. Kandidatsgeneringen (insert buzzword) kan i vissa flöden ske innan den externa informationsinhämtningen börjar.
Modellen kan redan “känna till” kategorin, och ändå missa den när det gäller
Nu börjar vi komma närmare skillnaden mellan språkmodellen och hela AI-söksystemet.
Under träningen lär sig en språkmodell statistiska relationer mellan ord och begrepp (tipsar om att läsa min artikel “Nej, Schema Markup ökar inte din synlighet i AI-sök” för mer info om träningsdata). Informationen lagras inte i en databas med ett register över företag och kategorier. Mönstren komprimeras in i modellens parametrar. Säg att varumärket Taylormade återkommande dyker upp tillsammans med golf, drivers, PGA Tour och club fitting i träningsdatan, kan modellen redan ha en stark intern koppling mellan TaylorMade och kategorin golfdrivers. Det är samma anledningen till att du kan fråga en språkmodell om ett stort etablerat varumärke utan att den googlar något och ändå får ett rimligt svar.
Det betyder INTE att modellen har ett “Knowledge Graph” där TaylorMade ligger som en nod med snyggt definierade relationer. Den jämförelsen dyker upp titt som tätt i AI-sök-debatten, men den blandar ihop två helt olika sätt att representera information. Google har ett Knowledge Graph. Språkmodellens parametriska (byggs på statistiska mönster och associationer) är något annat, mer som en vag association än en rad i en tabell.
Att en språkmodell “vet” något betyder inte att den faktiskt plockar fram det när det gäller. Det här är det riktigt intressanta enligt mig.
Googles egna forskare undersökte exakt det här under namnet “recall-problemet”. De testade om språkmodeller som Gemini och GPT misslyckas med faktafrågor eftersom informationen aldrig lärts in, eller eftersom den finns där men inte går att komma åt. Resultatet: 95-98% av fakta var inlärda (encoded), men modellerna kunde ändå inte återge 26-34% av dem när de tillfrågades direkt. What?!
Forskarna själva kallar det skillnaden mellan “tomma hyllor” (informationen finns aldrig) och “borttappade nycklar” (informationen finns, men modellen hittar den inte just då). Översatt till vårt sammanhang: ett varumärke kan mycket väl vara representerat i modellens parametrar utan att dyka upp som kandidat i just det ögonblick en AI-assistent resonerar kring en kategori. Det är en helt annan typ av problem än att “inte finnas med i träningsdatan”.
Kandidatsgenering och retrieval är två olika problem
Säg att två återförsäljare av golfutrustning vill synas när någon frågar ChatGPT om golfutrustning.
Den första nämns konsekvent tillsammans med golf ute på webben. Tänk tester, guider och diskussioner. Kunder söker efter varumärket. Det har byggt ett tydligt digitalt fotavtryck inom kategorin under flera år. Den andra har tekniskt bättre produktsidor, men nästan inget fotavtryck utanför den egna domänen. Om båda saknas i ett AI-svar kan orsaken vara helt olika.
Det första är kandidathämtningsproblem. AI-systemet behöver över huvud taget identifiera varumärket som relevant för frågan. Om kopplingen mellan varumärke och kategori är svag kan problemet uppstå innan systemet börjar undersöka vad som faktiskt står på produktsidan.
Det andra är bevisproblemet. Systemet känner redan till kandidaten, men retrieval-steget hittar inte tillräckligt bra underlag för att kunna rekommendera den. Tänk egenskaper, målgrupp, jämförelser och trovärdiga källor.
Båda problemen ger exakt samma symptom. Konkurrenten rekommenderas, ni gör inte det. Ding ding… knock out. “Vi syns inte i ChatGPT” är därför en väldigt dålig diagnos. Det är lite som att gå till doktorn och säga “jag mår dåligt” och sedan bli förnärmad när ni inte går därifrån med ett recept. För det är ungefär som att säga att vi inte får någon organisk trafik utan att veta om det är indexering, sökvolym eller att sidan helt enkelt inte finns.
Retrieval kan användas för att bekräfta det modellen tror sig veta
Om systemet redan hade specifika leverantörer i åtanke och sedan sökte efter deras funktioner och priser, fungerade retrieval i det fallet som ett bevislager. Modellen “visste” redan att till exempel Salesforce byggde agent-produkter. Den kunskapen behöver inte innehålla något om den senaste versionen, retrieval hämtade in det färska lagret ovanpå.
Det finns ett betydligt större och mer kvantifierat exempel på samma mönster. Suganthan Mohanadasan, en grym SEO:are, analyserade nätverkstrafiken bakom 57 ChatGPT-konversationer (3 554 hämtade sidor, varav 110 citerade) och testade specifikt vilka varumärken som fanns med redan i modellens första sökfråga, innan något hämtats.
- Varumärken som fanns med i den första frågan dök upp i det slutgiltiga svaret i 68,9% av fallen
- Varumärken som bara hämtades under sökningen utan att finnas med i frågan var bara 2,1%
- Skillnaden är i runda slängar 33 gånger
Det här publicerades i Search Engine Journal i augusti 2026, och jag vill vara ärlig om vad det är och inte är. En studie baserad på ett enda konto, tungt viktad mot mjukvaru- och AI-kategorier. Författaren skriver själv att siffrorna är “riktningsvisande och inte definitiva”. Det är inte ett naturvetenskapligt bevis, eftersom jag eller du, inte skulle kunna genomföra samma experiment och få samma utfall. MEN det är en indikation som pekar åt exakt samma håll som DiNardis, att kandidatsgeneringen verkar ofta hända innan retrieval.
Todd, är detta eventuellt hokus pokus?
Jag fattar vad du menar. AI-sök är nytt och SEO som bransch har inte kunnat haft ett sämre rykte än de senaste 5 åren. Denna bransch är generellt dålig på att hålla isär “intressant mönster” och “bevisat faktum”, så jag undviker att göra samma misstag.
SparkToro körde nyligen en betydligt större studie. 2961 promptkörningar, 600 deltagare, 12 olika prompts, över olika plattformar som ChatGPT, Claude och Googles AI. Studien visar att ChatGPT eller Googles AI ger exakt samma lista av varumärken två gånger i rad är mindre än 1 på 100. Chansen att ordningen också blir identisk är närmare 1 på 1000.
Det betyder att varken DiNardis 16 sökningar eller Mohanadasans 57 konversationer är ett naturlag. Deras experiment är observationer av ett system som i grunden är probabilistiskt, inte deterministiskt. De varumärken som poppar upp i språkmodellen inre “parametriska kunskap” skiftar hela tiden. Ett AI-svar du ser idag skulle lika gärna kunna försvinna om un minuto, oavsett vad du gör på din sajt.
| Bevis | Vad observerades? | Vad kan vi säga? | Vad kan vi inte säga? |
|---|---|---|---|
| DiNardi | 16 sökningar var riktade mot specifika varumärken, egenskaper och priser | Kandidatsgeneringen skedde före extern retrieval i den observerade körningen | Att ChatGPT alltid arbetar så |
| Mohanadasan | 68,9% vs 2,1% beroende på om varumärket fanns i första queryn | Pre-retrieval inclusion hade mycket stark association med slutlig representation i datasetet | Att relationen är kausal eller generaliserbar till alla kategorier |
| Google Research | 95–98 % av testad fakta var encoded, men 26–34 % kunde ändå inte återges direkt | Att finnas i parametrisk kunskap ≠ att informationen alltid återkallas | Att samma procentsatser gäller brand candidate generation |
| SparkToro | Exakta brandlistor reproducerades <1 % av gångerna | Brand recommendations är kraftigt probabilistiska/instabila | Att en enskild promptkörning representerar permanent AI visibility |
Okey, jag börjar fatta nu, men vad får ett varumärke att tillhöra en kategori?
Truth be told, vi vet inte exakt vilka faktorer som avgör om ett varumärke hamnar bland kandidaterna för en given fråga i exempelvis ChatGPT. Olika AI-söksystem använder olika modeller, index och datakällor. Men vi kan titta på vilken information som finns tillgänglig för dem. Det gör frågan actionable.
Ta ett etablerat varumärke inom löparskor. Det existerar inte bara på den egna webbplatsen. Det förekommer hos återförsäljare, i tester, på YouTube, i tidningsartiklar, på Reddit, i jämförelser. Över tid upprepas samma grundrelation tusentals gånger från olika håll.
- Varumärke <-> löparskor
- Produktmodell <-> stabilitet
- Produktmodell <-> långdistans
- Produktmodell <-> pronation
Det här är egentligen i grund och botten samma idé som Byron Sharp kallar för “mental availability”. Ju fler och starkare mentala kopplingar ett varumärke bygger till en kategori, desto lättare plockas det fram när kategorin blir relevant. Det här betyder INTE att varje omnämnande är en “LLM-signal”, eller att fler mentions per automatik ger fler rekommendationer. Vi har inget belägg för denna slutsats. Men det förklarar varför AI-synlighet snabbt blir större än den egna sajten. Helt klart en annan utgångspunkt än att smattra mer text på en landningssida.
E-handlare har två problem att diagnostisera
Om jag ska göra det här praktiskt snarare än teoretiskt skulle jag dela upp AI-synlighet i två lager.
Kandidatsproblem: är varumärket eller produkten tydligt kopplad till kategorin och de problem den löser? Hur ser det digitala fotavtrycket ut utanför den egna sajten?
Bevisproblemet: om AI-systemet väl undersöker produkten, finns det information som krävs för att rekommendera den? Är sidorna crawlbara? Finns egenskaperna i vanlig HTML och inte bara gömda i typ JavaScript crawlers aldrig når? Besvarar sajten de frågor kunder ställer?
Det här är en förenklad modell. Ett verkligt AI-söksystem itererar, introducerar nya kandidater under vägen och kombinerar flera källor. Men den hjälper er ställa en bättre fråga än “hur optimerar vi den här sidan för ChatGPT?”. Av ren nyfikenhet här, ställ denna fråga till er byrå och se om deras svar går i linje med tidigare slides.
| Kandidatproblem | Bevisproblem | |
|---|---|---|
| Frågan | Överväger systemet oss? | Finns tillräcklig information för att välja oss? |
| Problemet uppstår | Före/under candidate generation | Vid retrieval, jämförelse och urval |
| Undersök | Category association, entitetsförståelse, digitalt fotavtryck, tredjepartsnärvaro | Crawlability, produktdata, use cases, jämförelser, kundfrågor, förstahandserfarenhet |
| Exempel | Titleist kommer aldrig med bland alternativen | Titleist övervägs, men systemet hittar inte tillräckligt stöd för att rekommendera GT3 |
| SEO-frågan | Varför skulle systemet tänka på oss? | Varför skulle systemet välja oss? |
Wrap it up, Todd!
Okey, AI-sök gör SEO större, inte mindre. Det är den slutsats jag landar i. Mycket av AI-sök-diskussionen har handlat om nya taktiker. Lägg till schema, skapa en llms.text (don’t fucking do this), skriv fler FAQ:er, strukturerar stycken på ett visst sätt. Vissa av delarna är bra av helt andra anledningar. Andra är tveksamma (läs: llms.txt).
Om modellen jag beskrivit hittills stämmer, även bara delvis, är jobbet betydligt större.
- Teknisk SEO avgör om informationen kan crawlas och hämtas
- Produktinnehåll avgör vilken förstahandsinformation systemen har att jobba med
- Digital PR, tester och externa diskussioner bygger informationsmiljön runt varumärket
- Traditionellt varumärkesarbete (min hjärtefråga) avgör vilka företag människor känner till och pratar om
Man kan ju dock tro att SEO plötsligt äger hela marknadsavdelningen nu, men tack och lov det gör det inte. Men det innebär att om du genuint vill etablera synlighet i språkmodeller, blir det svårt att klämma in arbetet i en teknisk checklista.
E-handlare gör detta: publicera den produktkunskap ni redan sitter på men aldrig gjort tillgänglig, och se till att varumärket existerar utanför den egna domänen.
Källor:
- Gaetano DiNardi — "ChatGPT Defaults to Branded Search for 'X Best Software'" (Marketing Advice, 17 augusti 2026)
- Suganthan Mohanadasan — "ChatGPT Already Knows Who It'll Recommend Before It Searches" (Search Engine Journal, 14 augusti 2026)
- Google Developers — "AI Features and Your Website" (query fan-out, officiell dokumentation)
- Google Research — "Empty shelves or lost keys? Recall is the bottleneck for parametric factuality"
- SparkToro — "New Research: AIs are highly inconsistent when recommending brands or products"
- Byron Sharp — How Brands Grow (begreppet "mental availability")
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


