Slik tenker jeg om AI Visibility Audits med citelayer®

Per juni 2026. En AI Visibility Audit er ikke en testprompt i ChatGPT. Hvis du spør én gang «Anbefal leverandører av X» og merkevaren din ikke dukker opp, har du en indikasjon. Ikke et funn ennå. Hvis du dukker opp, har du også bare en indikasjon. Ingen seier ennå.

Det er nettopp her det egentlige arbeidet begynner. AI Visibility måler ikke bare om en merkevare blir nevnt et sted. Det spør: Blir den forstått riktig? Hvilke kilder danner dette bildet? Hvilke konkurrenter blir anbefalt i stedet? Hvilke tekniske signaler hjelper, og hvilke er bare pen teatertåke? Og hvilke hull kan faktisk lukkes uten å fornærme nettet med tynt KI-fyllstoff?

Kortversjonen

• En AI Visibility Audit er en undersøkelse, ikke et orakel. Den undersøker hvordan KI-svarsystemer for øyeblikket oppfatter en merkevare, et produkt eller en tjeneste.
• Én enkelt prompt er ikke nok. Plattform, modell, tidspunkt, spørsmålsformulering og kildesituasjon kan endre resultatene.
• Flere nivåer måles: faktiske omtaler, kilder, konkurrenter, tydelighet i merkevare og entitet, innhold, teknikk og prioriteringer.
• Tekniske signaler er viktige, men ikke alene avgjørende. Schema, llms.txt, Markdown, robots.txt og tilgang for crawlere hjelper bare når selve innholdet er tydelig, oppdatert og dokumenterbart.
• En poengsum er et kart, ikke terrenget. Den hjelper med prioritering. Den erstatter ikke en faglig vurdering.
• For WordPress er dette særlig praktisk: Mange av de underliggende forholdene kan forbedres konkret: sentrale sider, interne lenker, strukturerte data, forfattere, kategorier, utdatert innhold og maskinlesbare formater.

Mitt syn er at en god gjennomgang ikke gjør deg avhengig av et verktøy. Den synliggjør hvilke antakelser som holder akkurat nå, hvilke som ikke gjør det, og hvor de neste fornuftige stegene ligger.

Hva er en AI Visibility Audit?

En AI Visibility Audit undersøker om og hvordan en merkevare opptrer i KI-svarsystemer. Synlighet betyr mer enn at «navnet står et sted». Det kan bety at merkevaren blir nevnt, beskrevet korrekt, brukt som kilde, sammenlignet med konkurrenter, anbefalt eller forbigått.

Det viktige er kombinasjonen. En gjennomgang ser ikke bare på svargrensesnittet, men også på årsakene bak: nettstedstruktur, tydelighet i merkevare og produkt, ekstern dokumentasjon, strukturerte data, regler for crawlernes tilgang, søkedata, innholdshull og konkurrentenes tilstedeværelse. Først da oppstår et bilde det går an å arbeide med.

Forskjellen fra en tradisjonell SEO-gjennomgang er ikke at SEO plutselig er uviktig. Tvert imot. Google skriver selv at SEO-grunnlaget fortsatt er relevant for generative KI-funksjoner i Google Search. Men AI Visibility stiller tilleggsspørsmål: Hvilke kilder bruker systemet? Hvilket svar oppstår uten klikk? Hvilke konkurrenter nevnes selv om du rangerer? Og hvor tydelig er entiteten bak navnet ditt?

Hva som ikke er en gjennomgang

Et skjermbilde fra ChatGPT med overskriften «Vi er usynlige» er ingen gjennomgang. En poengsum fra et verktøy uten kilder, tidsperiode og plattformopplysninger er ingen gjennomgang. Og en liste med 50 anbefalinger der alt høres like presserende ut, er heller ingen gjennomgang.

KI-svar varierer. De avhenger av forespørsel, språk, sted, modell, tidspunkt for innhenting, tilgjengelige kilder og noen ganger også grensesnittet. Derfor må en gjennomgang dokumentere nøyaktig hva som er undersøkt. Ellers blir et øyeblikksbilde til en dom det ikke har grunnlag for.

En god gjennomgang skiller også mellom funn, tolkning og tiltak. «Merkevaren ble ikke nevnt i 8 av 20 prompter» er et funn. «Merkevaren er uklar som entitet» er en mulig tolkning. «Oppdatere om oss-siden, produktsiden, eksterne profiler og Schema-grafen slik at de er konsekvente» er et tiltak. Dette skillet høres tørt ut. Men det hindrer at hvert måleresultat straks utløser aktivitet for aktivitetens skyld.

De fem spørsmålene jeg stiller først

I audit- og produktarbeidet mitt med citelayer® har fem innledende spørsmål vist seg nyttige. De er bevisst enkle. Nettopp derfor avdekker de raskt om vi står overfor et reelt synlighetsproblem, et måleproblem eller et posisjoneringsproblem.

1. Hva skal merkevaren være synlig for? En kategori, et bestemt produkt, en lokal tjeneste, et problem, en anbefaling eller et faglig spørsmål?
2. Hvem eller hva er merkevaren? En person, bedrift, et produkt, en utvidelse, metode, nettbutikk, et studio eller flere entiteter som må knyttes tydelig sammen?
3. Hvilke kilder beskriver merkevaren nå? Eget nettsted, Search Console, strukturerte data, tredjepartsprofiler, anmeldelser, offentlige kodekataloger, markedsplasser, presse, videoer og bransjelister.
4. Hvilke konkurrenter dukker opp i stedet? Ikke bare i Google, men også i ChatGPT, Perplexity, Claude, Gemini og Google AI.
5. Hvilket hull er det viktigst for virksomheten å tette først? Mangler det en definisjon, dokumentasjon, en sammenligningsside, teknisk tilgang, en sentral tilbudsside eller et tydelig svar på spørsmål før et kjøp?

Det er her AI Visibility blir behagelig uromantisk. Ikke enhver manglende omtale er dramatisk. Ikke enhver omtale er verdifull. Og ikke enhver teknisk optimalisering har samme effekt.

Hvorfor én plattform ikke er nok

ChatGPT, Claude, Perplexity, Gemini og Google AI Search fungerer ikke likt. De har forskjellige grensesnitt, logikk for innhenting, crawlere, kildepreferanser, sikkerhetsregler og svarstiler. En merkevare kan være godt representert i Perplexity, mangle i ChatGPT og bare være kilde i Google AI Overviews uten å bli anbefalt.

Nettopp derfor skiller jeg svarene fra de ulike plattformene. Et samlet mål kan være nyttig for å se trender. Men for selve diagnosen er det viktig hvor problemet oppstår. Mangler merkevaren overalt? Da tyder det snarere på et problem med grunnlaget. Mangler den bare på én plattform? Da må vi se nærmere på plattformens tilgang, kilder, kildehenvisninger og svarlogikk.

Google har dessuten flyttet temaet videre: Siden juni 2026 har Google rullet ut egne Search Console-rapporter for generative KI-funksjoner. Det er viktig fordi KI-synlighet dermed ikke lenger bare diskuteres gjennom manuelle prompttester og tredjepartsverktøy. Men også her gjelder det at Search Console viser Google. Ikke automatisk ChatGPT, Claude eller Perplexity.

Merkevare og entitet: Blir det forstått hvem det siktes til?

I AI Visibility er «merkevare» i første omgang ikke et designbegrep. Det handler om identifisering. Et system må kunne forstå at et navn tilhører en bestemt person, bedrift, nettside, tjeneste eller et produkt. Hvis denne koblingen vakler, vakler alt som kommer etter.

Dette gjelder særlig små bedrifter, studioer, praksiser, lokale leverandører, SaaS-produkter og WordPress-utvidelser. Mennesker forstår ofte konteksten gjennom samtaler, anbefalinger eller erfaring. KI-systemer trenger offentlige, tilgjengelige og konsekvente signaler. Skrives produktnavnet alltid likt? Finnes det en sentral side? Stemmer organisasjon, grunnlegger, merkevare, domene, sosiale profiler og strukturerte data overens? Brukes gamle navn fortsatt? Finnes det ekstern dokumentasjon?

Her leter en gjennomgang ikke etter skjønnhet, men etter entydighet. Når flere entiteter flyter over i hverandre, kan et system gjette. Og maskiner gjetter noen ganger med bemerkelsesverdig selvsikkerhet.

Kilder, kildehenvisninger og konkurrenter

Et KI-svar er sjelden bare et speilbilde av nettstedet ditt. Særlig ved spørsmål om anbefalinger teller tredjepartskilder: sammenligningslister, anmeldelser, forumer, markedsplasser, GitHub, YouTube, presse, bransjekataloger, dokumentasjon og andre nettsteder som vurderer deg eller konkurrentene dine.

Derfor er det ikke nok å telle om URL-en din ble brukt som kilde. En kilde kan bli sitert og likevel styrke konkurrentene. I artikkelen om Sammenligningslister og listicles i AI Search beskrev jeg nettopp denne risikoen: Lister som fremmer avsenderen selv, kan i noen tilfeller gi en KI en pent sortert konkurrentliste uten at egen merkevare vinner på det.

I gjennomgangen er jeg derfor opptatt av tre spørsmål samtidig: Hvilke kilder brukes? Hvilke merkevarer nevnes? Og hvilken rolle har merkevaren din i svaret: kilde, alternativ, anbefaling, parentes eller helt fraværende?

Teknikk: Schema, llms.txt, crawlere og kanoniske URL-er

Teknikk er viktig. Men den er ikke det magiske virkemiddelet den gjerne selges som. Schema-data kan gjøre entiteter og relasjoner tydeligere. llms.txt kan være nyttig for systemer og agenter som bruker slike filer. Markdown-formater kan gjøre innhold lettere å lese. robots.txt kan styre gjennomsøking. Kanoniske URL-er kan redusere signalkonflikter. For WordPress har jeg gått gjennom dette tekniske nivået separat: Gjør WordPress lettere å lese for KI-systemer.

Men Google skriver uttrykkelig at det ikke trengs spesielle ekstra maskinlesbare filer for å vises i AI Overviews og AI Mode. Samtidig opphever ikke det praksisen til andre systemer, agenter og tekniske hentemåter. Nettopp denne spenningen må forklares tydelig. Ellers havner man enten i «alt er tull» eller «installer fil X og bli synlig». Begge deler er for lettvint.

I metoden min behandles tekniske signaler derfor på to måter: Noen inngår i vurderingen når de beviselig forbedrer tydelighet, struktur eller tilgang. Andre forblir varsler eller diagnostiske punkter. At en llms.txt finnes, er for eksempel ikke bevis på synlighet. Manglende tilgangsregler for KI-crawlere kan likevel være et praktisk problem hvis søkeboter ikke når viktig offentlig innhold.

Innhold: Fan-Out, beslutningsspørsmål og hull

AI Visibility svikter sjelden bare på grunn av en manglende fil. Svært ofte mangler svarene som en anbefaling i det hele tatt kan bygge på. Det er nettopp her Query Fan-Out hjelper som tankemodell: Ett spørsmål deles opp i delspørsmål. Systemer leter ikke bare etter hovedsøkeordet, men etter definisjoner, risiko, alternativer, priser, dokumentasjon, målgrupper, begrensninger og neste steg.

Derfor undersøker en gjennomgang om nettstedet ditt svarer på de relevante beslutningsspørsmålene. Ikke alle. De relevante. Forskjellen er viktig. Den som blindt behandler ethvert mulig delspørsmål, produserer fort innholdsgrøt. Den som svarer ordentlig på de reelle beslutningsspørsmålene, bygger substans.

For WordPress betyr det konkret at hovedartikler, temaklynger, FAQ, produktsider, tilbudssider, kategorier og interne lenker må arbeide sammen. En god side forklarer ikke bare «hva er dette», men også «hvem er det nyttig for», «hvor går grensene», «hvordan kjenner jeg igjen kvalitet» og «hvorfor skal jeg stole på denne kilden».

En liten sjekkliste for en minigjennomgang av WordPress

Hvis du ikke vil gjøre en fullstendig analyse, kan du begynne med en liten stikkprøve. Den erstatter ikke en grundig gjennomgang, men viser raskt hvor det butter.

1. Definer tre kjernespørsmål: Hva vil du bli nevnt for? For eksempel «beste WordPress-byrå for WooCommerce», «SEO-utvidelse for små nettbutikker» eller «AI Visibility Audit for B2B».
2. Test flere plattformer: Still lignende spørsmål i ChatGPT, Perplexity, Claude, Gemini og Google AI Search. Dokumenter dato, språk, nøyaktig spørsmål og resultat.
3. Noter mer enn ja eller nei: Blir merkevaren din nevnt? På hvilken plassering? Med hvilken setning? Hvilke konkurrenter dukker opp? Hvilke kilder nevnes?
4. Undersøk den sentrale entitetssiden din: Finnes det en side som tydelig forklarer merkevare, tilbud, målgruppe, sted, personer, produkter og dokumentasjon?
5. Kontroller strukturerte data: Stemmer organisasjon, person, artikkel, produkt, FAQ eller LocalBusiness med det synlige innholdet?
6. Kontroller indeksering og tekstutdrag: Kan viktige sider indekseres, er de ikke feilaktig merket med noindex, og er de i utgangspunktet tilgjengelige i Google Search med tekstutdrag?
7. Se på robots.txt og KI-crawlere: Blokkerer du søkeboter selv om du vil være synlig? Skiller du mellom søk, trening og brukerutløste hentinger? Grunnlaget står i artikkelen om KI-crawlere, robots.txt og innholdssignaler.
8. Se etter innholdshull: Hvilke spørsmål svarer konkurrentene synlig bedre på? Hvor mangler sammenligninger, dokumentasjon, prisrammer, målgruppe, begrensninger eller eksempler?
9. Vurder tredjepartskilder: Finnes det profiler, anmeldelser, omtaler, dokumentasjon, repositorier eller bransjekilder som gir uavhengig støtte til bildet av merkevaren din?
10. Prioriter strengt: Hva er det neste steget med størst nytte: forbedre den sentrale siden, rydde opp i Schema, utvide temaklyngen, oppdatere gammelt innhold eller bygge ekstern dokumentasjon?

Det fine med denne listen er at den tar AI Visibility ut av tåkemaskinen. Plutselig handler det ikke lenger om «GEO-vibber», men om helt konkrete spørsmål, sider og signaler.

Hvordan citelayer®-utvidelsen og gjennomgangen virker sammen

citelayer® for WordPress fyller nettopp dette gapet mellom en tradisjonell SEO-utvidelse og AI Visibility. Utvidelsen gjør WordPress-innhold mer maskinlesbart: Schema.org, llms.txt, Markdown-formater, UCP Discovery, WebMCP og kompatibilitet med SEO-utvidelser som Yoast, Rank Math eller All in One SEO (AIOSEO). Dette er det tekniske grunnlaget.

Den citelayer® AI Visibility Audit er det diagnostiske nivået over dette. Den spør ikke bare om teknikken finnes, men om merkevaren blir forstått, nevnt, brukt som kilde eller forbigått i relevante KI-svarsituasjoner. Det omfatter plattformtester, sammenligning med konkurrenter, kildeanalyse, strukturerte data, innholdsarkitektur, crawlerregler og en prioritert plan for videre arbeid.

Dette skillet er viktig for meg fordi det er ærlig: En utvidelse kan forbedre tekniske signaler. En gjennomgang kan synliggjøre og prioritere hull. Ingen av delene erstatter selve arbeidet med merkevare, innhold og dokumentasjon. Dessverre. Det hadde vært enklere. Jeg ville også gjerne hatt det slik. Men det er ikke virkeligheten.

Grenser: Hva ingen gjennomgang ærlig kan love

En seriøs gjennomgang lover ingen garantert omtale i ChatGPT, Claude, Perplexity, Gemini eller Google AI. Ingen kan garantere hvilken kilde en modell velger i morgen. Den som hevder det, selger snarere beroligelse enn analyse.

Det en gjennomgang kan gjøre, er å dokumentere dagens situasjon, gjenkjenne mønstre, finne tekniske og redaksjonelle hindringer, synliggjøre hull i forhold til konkurrentene og prioritere tiltak. Den kan også hindre at man bruker mye tid på pene sidesignaler mens selve merkevaren forblir uklar.

Derfor ser jeg poengsummer som beslutningsstøtte. Ikke som en dom over verdien av en merkevare. Ikke som et trofé. Og slett ikke som en erstatning for sunn fornuft. En poengsum er nyttig når den forklarer hvorfor den er som den er, og hvilken handling som følger av den.

FAQ

Trenger jeg en AI Visibility Audit når SEO-tallene mine er gode?

Kanskje. Gode SEO-tall er en fordel, men svarer ikke automatisk på om KI-systemer nevner merkevaren din korrekt, anbefaler den eller bruker den som kilde. Særlig ved spørsmål om anbefalinger, sammenligninger og beslutninger kan en gjennomgang lønne seg.

Er det nok å teste merkevaren min i ChatGPT?

Nei. Det er en god start, men ingen gjennomgang. Du trenger flere spørsmål, flere plattformer, dokumenterte resultater, kildeanalyse og en vurdering av årsakene.

Er llms.txt en rangeringsfaktor?

For Google Search sier Google uttrykkelig at llms.txt ikke er nødvendig og ignoreres av Google Search. For andre systemer, agenter og maskinlesbare arbeidsflyter kan en godt vedlikeholdt llms.txt likevel være nyttig. Derfor vurderer jeg den ikke som en mirakelbryter, men som et teknisk signal i sammenheng.

Hva er viktigst: Schema eller innhold?

De fyller ulike oppgaver. Innholdet gir substansen. Schema hjelper med å strukturere denne substansen mer entydig. Hvis innholdet er tynt, gjør ikke Schema det plutselig nyttig. Hvis innholdet er godt, kan ryddig Schema gjøre relasjoner og entiteter tydeligere.

Kan en liten bedrift i det hele tatt bygge AI Visibility?

Ja. Ikke nødvendigvis for store, generelle begreper, men absolutt for konkrete nisjer, lokale spørsmål, spesialtilbud, produktkategorier og beslutningsspørsmål. Særlig små leverandører har ofte reell erfaring, men for lite offentlig, godt strukturert dokumentasjon.

Kilder og verifisering

Denne vurderingen bygger på mitt audit- og produktarbeid med citelayer® og på offentlige primærkilder. Egne analyser bruker jeg som faglige vurderinger. Offentlige faktapåstander kan etterprøves gjennom kildene nedenfor.

• Google Search Central: AI features and your website.
• Google Search Central: Optimizing your website for generative AI features on Google Search.
• Google Search Central Blog: Introducing Search Generative AI performance reports in Search Console.
• Google Search Central: Introduction to robots.txt.
• OpenAI Developers: Overview of OpenAI crawlers.
• Anthropic Privacy Center: Does Anthropic crawl data from the web?.
• Perplexity Docs: Perplexity Crawlers.
• citelayer®: AI Visibility Plugin for WordPress.
• citelayer®: AI Visibility Audit.
• Eget audit- og produktarbeid med citelayer®: Plattformtester, kildeanalyse, kontroll av entiteter, tekniske WordPress-signaler, Query-Fan-Out-hull og prioritering inngår som praktisk metode i denne vurderingen.