LLM-övervakning

I klassisk search behöver ni inte uppfinna mätningen själva. Search Console, rank tracking och analytics berättar var ni står och vad som förändras. I AI-search finns inget av det. ChatGPT, Copilot, Perplexity och Gemini levererar inga dashboards över hur ofta ert varumärke nämns eller vilka av era sidor som citeras. Vill ni veta det får ni mäta det själva.

Det är vad LLM-övervakning handlar om: att göra er synlighet i språkmodellerna till något ni kan se, följa och agera på, i stället för något ni råkar höra om när en kund nämner det i förbigående.

Från ranking till omnämnande

Förr var målet att ranka först. I dag är målet minst lika mycket att vara en källa. När en modell besvarar en fråga plockar den information från de platser på nätet den bedömer som trovärdiga, och är er webbplats en av dem har ni vunnit svaret.

Det gör att ni behöver hålla koll på flera lager samtidigt, och de berättar olika saker:

• Omnämnanden. Nämns ert varumärke när modellen svarar på de frågor era kunder ställer? Det är den råa synligheten, och den kan finnas utan att en enda av era sidor citeras, eftersom modellen också känner er från sin träningsdata.
• Citeringar. När modellen söker på nätet, vilka sidor bygger den svaret på? Här mäter ni om ert content är citerbart, och det är den del ni mest direkt kan påverka. En citering med länk är guld värd.
• Share of voice. Vem nämns annars? Att ni omtalas i tre av tio svar betyder olika saker beroende på om konkurrenten ligger på nio eller på två.
• Hur ni beskrivs. Vad säger modellen faktiskt om er? En modell som beskriver er felaktigt, föråldrat eller otydligt är ett problem ingen rank tracker fångar, och det är ofta där den snabbaste vinsten ligger.
• Effekten. Hänvisningstrafik från AI-ytor syns i era analytics, och serverloggarna visar om AI-crawlers som GPTBot, PerplexityBot och ClaudeBot ens hämtar era sidor. Lite trafik med hög intention kan mycket väl vara värd mer än mycket trafik utan.

Metoden: ett fast promptset, kört systematiskt

Att sitta och fråga ChatGPT på måfå varje dag ger ingen kurva att styra efter. Kärnan i pålitlig LLM-övervakning är densamma som i all annan mätning, nämligen jämförbarhet över tid:

1. Bygg ett promptset som speglar er kundresa. Utgå från de frågor riktiga människor ställer en assistent, från det breda ("hur väljer man leverantör av X") över det jämförande ("vilka är bäst i Norden på X") till det konkreta ("vad kostar X normalt"). Har ni gjort en klassisk sökordsanalys är den ett bra avstamp, men prompts ska skrivas som hela frågor.
2. Kör setet i samtliga modeller. ChatGPT, Copilot, Perplexity, Gemini och gärna Googles AI Overviews. Ytorna väljer källor på olika sätt, så en samlad bild kräver dem alla.
3. Registrera samma saker varje gång. Nämndes ni, citerades ni, vem nämndes annars, och hur beskrevs ni.
4. Upprepa i fast rytm. Enskilda mätningar är ögonblicksbilder. Det är kurvan som berättar om arbetet fungerar.

Ett ärligt förbehåll: språkmodeller är inte deterministiska. Samma prompt kan ge olika svar från gång till gång, och modellerna uppdateras löpande. Slutsatsen är inte att mätning är meningslös, utan att ni ska mäta mönster i stället för enskilda svar. Kör varje prompt flera gånger, arbeta med andelar i stället för absoluta tal, och undvik att jubla eller drabbas av panik över ett enda svar.

Verktygen som gör jobbet skalbart

De stora SEO-plattformarna har byggt in AI-synlighet, och en rad nyare aktörer gör bara det. SE Ranking, Writesonic och Keyword.com har dedikerade funktioner för AI visibility där ni matar in era viktigaste frågor och ser hur ofta ni nämns, i vilken position i svaret ni dyker upp och hur tonen ser ut. Otterly.AI och Mentions.so är specialiserade spelare som enbart följer er närvaro i AI-chattar. Använder ni redan Ahrefs finns Brand Radar för omnämnanden på webben och AI Citations för att se när er sida används som källa i AI-genererade svar.

Titta särskilt efter fyra saker i vilket verktyg ni än väljer: visibility score eller share of voice, skillnaden mellan omnämnande och citering, sentimentet i svaren, och källspårningen som visar vilken sida modellen hämtade er ifrån. Det sista är det mest användbara av dem alla, eftersom det ofta avslöjar att er synlighet vilar på en gammal pressrelease eller en recensionssida i stället för på era egna sidor.

Mät den faktiska trafiken i GA4

Visningar och klick från AI Overviews ligger redan i er Search Console-data, de saknar bara en egen märkning. För en djupare bild vänder ni er till Google Analytics 4 och skapar en egen kanalgrupp för AI-trafik.

Där skapar ni en kanalgrupp för generativ AI med chatgpt.com, gemini.google.com, perplexity.ai och copilot.microsoft.com som källor. GA4 sorterar därefter trafiken retroaktivt, och ni ser exakt vilka landningssidor som får AI-trafik, hur länge besökarna stannar och om de konverterar. Ser ni att en enskild guide drar trafik från AI är det den sidan ni ska uppdatera först. Uppsättningen steg för steg, och hela rapportstrukturen runt den, står i search analytics och rapportering.

Kom igång

Börja smått men systematiskt: tio till tjugo prompts, fyra ytor, en fast månatlig körning och ett kalkylblad. Det räcker för att se mönstren och välja de första insatserna, och det är betydligt bättre än att vänta på det perfekta setupet. Synlighetsmätning i klassisk search har sin egen guide i synlighetsspaning, och de två hör ihop: samma kundresa, fler ytor.

Hos oss sköts den här disciplinen inte för hand. Arbetet ligger på Morrison, vår egen AI content ops-plattform, som läser hela kundens webbplats, lär sig varumärket från era egna dokument och kopplas till performance-data. Det är verktyget bakom leveransen, inte en produkt ni ska köpa. Och det är systematiken som skiljer LLM-övervakning från att ställa ChatGPT en fråga då och då. Den analytiska delen levererar vi som prompt-analys.

Och behöver ni ett nolläge att mäta ifrån täcker vår gratis SEO-analys både klassisk search och AI-search i samma genomgång, just för att det inte längre går att mäta det ena utan det andra.