Exempel
Exempel på en AI-synlighetsanalys
Ett anonymiserat case från ett SaaS-bolag i mellanstor kategori. Vi visar vad analysen tittar på, vilka mönster som dök upp, hur rapporten formulerades, vilka åtgärder som prioriterades och hur AI-svaren förändrats över ett kvartal efter implementation.
30 minuter. Inga förpliktelser. Ni får en konkret bild av vad ChatGPT, Perplexity och Gemini säger om er idag.
Företaget och utgångsläget
Kunden var ett mellansvenskt SaaS-bolag som säljer en specialiserad tjänst inom dokumenthantering till medelstora B2B-organisationer. Bolaget har funnits i 9 år, är lönsamt och har en tydlig position på den nordiska marknaden, men marknadschefen hade börjat se att deals tappade i de tidigaste faserna utan att de kunde förklara varför.
En kollega som suttit i en upphandling hade berättat att en av de tre kandidaterna i finalen blivit nedröstad utan att inköparen någonsin hade pratat med dem. När någon på inköpssidan i förklaringsfasen sa "vi tittade på det företaget men hittade inte den informationen vi behövde", utan att precisera var de tittat, väcktes frågan om AI-sök.
Utgångsläget var alltså: misstanke om förlorade affärer på grund av otydlig digital närvaro, ingen tydlig bild av hur AI faktiskt beskrev bolaget, och en ledningsgrupp som behövde en faktabaserad rapport för att alls fatta beslut om budget för åtgärder.
Frågorna vi ställde mot AI
Vi designade en frågekarta på 32 prompts uppdelade i fyra kategorier: direkt varumärkesfråga ("Vad är [bolagsnamn] och vad gör de?"), kategorifrågor ("Vilka leverantörer av dokumenthanteringssystem för medelstora bolag finns i Norden?"), jämförelsefrågor ("Jämför [bolaget] med [konkurrent A] och [konkurrent B]") och rekommendationsfrågor ("Vilket dokumenthanteringssystem rekommenderar du för en organisation med 200-500 anställda?").
Varje fråga kördes mot ChatGPT, Perplexity, Gemini och Copilot, totalt 128 svarspunkter. Vi dokumenterade var bolaget nämndes, hur det beskrevs, vilka konkurrenter som dominerade i varje kategori och vilka externa källor svaren citerade.
Vad vi fann i AI-svaren
Resultatet var påtagligt asymmetriskt. Vid direkta varumärkesfrågor beskrev tre av fyra AI-modeller bolaget rimligt korrekt, men ChatGPT hade information som var två versioner gammal och nämnde funktioner bolaget inte längre erbjöd. Perplexity hänvisade till en partnersajt där bolagets prissättning var fel.
Vid kategorifrågor var situationen sämre: bolaget nämndes i tre av tio möjliga svar i ChatGPT, två av tio i Gemini, fem av tio i Perplexity. Två konkurrenter dominerade, vi noterade dem som konkurrent A (nämndes i 9/10) och konkurrent B (nämndes i 8/10).
Vid rekommendationsfrågor var bolaget nästintill osynligt: 1 av 10 i ChatGPT, 0 av 10 i Gemini. Det här var den värsta indikatorn: när någon faktiskt frågar AI vilket system att välja, finns bolaget i praktiken inte med i diskussionen.
Rotorsaks-analysen
Skillnaden mellan bolaget och de två dominerande konkurrenterna gick att spåra till tre konkreta asymmetrier.
Den första var entitetstydlighet. Bolagets hemsida beskrev tjänsten i termer av branschspecifika nischanvändningsfall snarare än kategori-bredd, vilket gjorde det otydligt för AI att placera dem i rätt kategori när någon frågade brett om dokumenthanteringssystem. Konkurrent A hade en mer kategori-tydlig första rubrik.
Den andra var citerings-fotavtryck. Konkurrent A var listad i nio externa källor som AI-modellerna konsekvent citerade, Capterra, G2, Software Advice, tre branschmedia och tre partnerkataloger. Bolaget fanns på fyra av dessa, alla med ofullständiga uppgifter.
Den tredje var FAQ-strukturen. Konkurrenterna hade välstrukturerade FAQ med fråga-svar-format kring de jämförelsefrågor köparen faktiskt ställer. Bolaget hade FAQ men i bloggformat, inte maskinläsbart, inte kring köparfrågorna.
Optimeringsplanen
Vi prioriterade åtgärderna efter trolig påverkan och tid till effekt. Sex åtgärder kom i topp:
För det första: skriva om hemsidans första sektion så kategoritillhörighet blev tydlig redan i första meningen. Snabb åtgärd, hög effekt på kategorifrågor.
För det andra: bygga en strukturerad FAQ kring de tio jämförelsefrågor vi identifierat som mest köpkritiska, med korrekt FAQPage-schema. Medelhög effort, hög effekt på Perplexity och Gemini.
För det tredje: korrigera och komplettera listningarna i de fem externa kataloger som AI-modellerna citerade, fyra rättade och en ny tillagd. Låg effort, medelhög effekt över tid.
De tre övriga åtgärderna handlade om schema-markup på tjänstesidor, en jämförelsesida med konkurrent A som AI kunde citera, och en uppdatering av en kundcase-sida som var tre år gammal.
Implementationen
Implementationsfasen tog totalt sju veckor. Veckan efter rapportleveransen genomförde vi de tre kortaste åtgärderna, hemsidans första sektion, partnerkatalog-uppdateringarna och schema-markup. De påverkade Perplexity-svaren märkbart inom 10 dagar.
FAQ-strukturen och jämförelsesidan tog längre, fyra veckor från utkast till publicerat innehåll, eftersom kundens marknadsteam ville granska och justera tonen flera gånger. Det är typiskt och en av anledningarna till att vi alltid bygger in flexibilitet i tidsplanen.
Kundens eget tekniska team genomförde de tekniska delarna med vår vägledning, schema-markup, JSON-LD, meta-data. Innehållsdelarna gjorde Fenyon själva, koordinerade med kundens produktteam för korrekta funktionsbeskrivningar.
Resultatet efter ett kvartal
Tre månader efter implementation körde vi om samma 32 frågor mot samma fyra AI-modeller. Resultatet var inte spektakulärt, det är det sällan. Men det var konsekvent, mätbart och förbättrat.
Mention rate (kategorifrågor) gick från 30 procent till 55 procent, en mer än fördubbling i ChatGPT specifikt, mindre dramatisk i Gemini. Citation rate (där AI citerade en specifik källa) gick från 12 procent till 28 procent. Accuracy rate (att beskrivningen var korrekt vid direkt fråga) gick från 60 procent till 85 procent, den föråldrade ChatGPT-informationen var nu uppdaterad i tre av fyra svar.
Viktigast: rekommendationsfrågorna. Bolaget gick från 1/10 till 4/10 i ChatGPT. Det är fortfarande inte förstavalet, men det är från osynlighet till att alls vara en kandidat. Och det är där affärsvärdet realiserades, inom det första halvåret efter analysen rapporterade marknadschefen tre kvalificerade leads som specifikt nämnt att de hittat bolaget via en AI-sökning.
Vad Fenyon kan och inte kan
Företaget och alla detaljer är anonymiserade på begäran av kunden. Mönstren, åtgärderna och resultaten är dock representativa för det vi ser i flera kunder med liknande utgångsläge. Konkurrenter i exemplet är fiktiva och introducerade enbart för att illustrera analystypen, de motsvarar inte specifika verkliga aktörer.
Vanliga frågor
Ja, mönstret är representativt. Det vi konsekvent ser är att mätbar förflyttning av mention rate och citation rate börjar synas inom 4-12 veckor beroende på modell, och att rekommendations-frågor (hårdaste mätet) typiskt rör sig långsammare än kategori- och varumärkesfrågor. Vissa kunder ser snabbare resultat i specifika modeller; andra långsammare. Den största variabeln är inte vår metod utan hur konkurrensutsatt kategorin är.
Vi tillhandahåller anonymiserade exempel på leveransformatet och rapporterna före beställning. Specifika kundnamn och detaljer delar vi bara efter explicit godkännande från kunden i fråga. Den här sidan är resultatet av en kund som specifikt godkände publicering i anonymiserad form.
Den slutliga rapporten är typiskt 25-40 sidor, formaterad för ledningsgruppspresentation. Första delen sammanfattar nuläget med 5-10 nyckeltal. Mittendelen går igenom rotorsakerna med konkreta exempel från AI-svaren. Sista delen är åtgärdsplanen med prioritering och bedömd effekt. Vi visar exempel under första genomgången.
Ja, vid första kontakten kan vi visa ett exempel som ligger närmare er specifika kategori och storlek om vi har ett relevant case att visa. För särskilt hårt konkurrensutsatta kategorier är resultaten mer modesta över ett kvartal, den största förflyttningen sker över 6-12 månader och kräver löpande arbete snarare än ett enda implementationsuppdrag.
Läs vidare
Relaterat innehåll
AI-synlighetsanalys
Tjänsten som det här exemplet är hämtat från. Beställ en analys som ger ett liknande resultat för er.
Läs mer →Fenyons metodik
De fem faserna i AI-synlighetsarbete: analys, kartläggning, optimering, implementering och uppföljning. Det exemplet ovan visar i praktiken.
Läs mer →Felaktiga AI-svar om ert företag
Närbesläktat problem som ofta avslöjas i analyssteget. Många kunder kombinerar de två arbetsspåren.
Läs mer →Redo att ta kontroll över era AI-svar?
Boka 30 minuter rådgivning. Vi går igenom era specifika utmaningar inom AI-synlighet och hur ni bäst kan adressera dem.
Inga förpliktelser. Vill ni hellre börja gratis? Testa er AI-synlighet