Varför de flesta GEO-råd förmodligen är fel
AI-hänvisad trafik kan växa snabbt. I en analys av 19 GA4-egendomar ökade AI-referred sessions med 527% mellan januari och maj 2025.
På användarsidan är volymerna redan stora: OpenAI:s Sam Altman har sagt att ChatGPT passerade “över 1 miljard” dagliga queries/prompts (dec 2024), och senare rapporterades ännu högre nivåer.
Men för de flesta sajter är AI-trafik fortfarande en väldigt liten del av totalen. BrightEdge-data (återgiven av branschpress) pekar på att AI-driven search referrals låg under 1% under 2025. Ahrefs har dessutom visat att AI-referrals i snitt kan vara runt tiondelar av en procent för många sajter.
Det betyder att många GEO-insatser i praktiken är en optimering för framtida beteenden – ibland på bekostnad av det som redan fungerar idag. Det kan absolut vara rätt satsning. Men det är fortfarande en satsning.
Problemet med typiska GEO-råd
Det vanligaste mönstret ser ut så här:
Någon ändrar rubriker, lägger till schema, flyttar om innehåll, “front-loadar” ett svarblock – och sedan ökar citeringar i ett par prompts. Alltså funkade det.
Fast… gjorde det verkligen det?
Modeller uppdateras. UI:n förändras. Konkurrenter publicerar nytt. Prompt-mix och säsong varierar. Utan kontrollgrupp eller någon form av experimentdesign mäter du ofta inte effekt – du råkar bara observera en förändring och fyller i en berättelse efteråt.
Och nästan ingen pratar om risk.
- En omstrukturering som gör dig “lättare att extrahera” kan samtidigt göra sidorna sämre att läsa.
- Ett aggressivt “svarsblock först”-upplägg kan öka citerbarhet men sänka engagemang och konvertering.
- En stor “GEO-audit” kan starta en 6-månaders ombyggnad… och efteråt vet ingen vad som faktiskt gav effekt.
Vad Google själva signalerar
Google har varit ovanligt tydliga här: för AI Overviews och AI Mode gäller i princip samma SEO-grunder som tidigare, och de säger att det inte finns några extra krav eller “specialoptimeringar” för att synas där.
Det är inte ett argument för att ignorera GEO. Men det är ett argument för att vara skeptisk till universella hacks och “gör X så vinner du”-listor.
Vad vi gör annorlunda
Vi byggde AutoRank med en enkel idé: ersätt gissningar med bevis.
1) Vi mäter så nära verkligheten som möjligt
I stället för att approximera via API:er kör vi riktiga webbläsarsessioner som speglar vad användare faktiskt ser när de frågar ChatGPT, Gemini eller när de möter Google AI-funktioner. Poängen är inte “mer data” – poängen är att mäta det som sker i praktiken (inklusive hur svaret presenteras och vilka länkar/citeringar som visas).
2) Vi följer konkurrensläget, inte bara “rank”
Vi mäter Share of Voice och Mention Rate per modell, så att ni kan se var ni står mot konkurrenter – och i vilka typer av frågor ni tappar (eller vinner). Det gör att insatser kan prioriteras efter faktiska luckor, inte efter magkänsla.
3) Rekommendationer som tar hänsyn till verkligheten på sajten
Vår rekommendationsmotor använder tool calling för att fatta mer kontextmedvetna beslut. Den kan t.ex. anropa check_site_inventory innan den föreslår nytt innehåll, eller fetch_competitors för att hitta referenser hos era konkurrenter. Rekommendationer ges i kontexten av hur ni kan vinna mot era direkta konkurrenter för just ert segment och er lokala marknad.
Små steg, mätbara resultat
Misstaget vi ser team göra är att behandla GEO som en guldrush: beställ en stor audit, få en 40-sidig lista, riv upp allt på en gång.
Vi tror på inkrementella förändringar med tydlig attribution:
- Mät först (nuläge per modell + per query-klass). AutoRank stödjer att ni kopplar Google Analytics eller Adobe Analytics till vår plattform och börjar jobba med just ert data.
- Identifiera en konkret lucka (t.ex. ni syns aldrig på “jämför X vs Y” inom en kategori) - eller låt AutoRank automatiskt hitta de enklaste content-luckorna.
- Gör en isolerad förändring (en sida, ett kluster, en template – men med kontroll).
- Mät igen – och utvärdera både AI-mått och klassiska KPI:er (organisk trafik, CTR, konvertering, lästid).
Källor
David Bell
Amanda Silberling
Danny Goodwin
