Du påvirker ChatGPTs merkepreferanse ved å forme kildene modellen lærer av og henter fra: konsistente merkebeskrivelser overalt der merket omtales, ekte omtale i kanalene som veier tyngst (YouTube, fora, redaksjonelle medier), egne sider som besvarer kategorispørsmål direkte, og en fast måling som viser om preferansen flytter seg. Det finnes ingen betalt plassering og ingen fil som tvinger frem en anbefaling; preferanse er summen av det modellen har lest om deg. Den gode nyheten er at summen er påvirkbar, og at de fleste konkurrenter ikke jobber systematisk med den ennå. Her er hva dataene sier at fungerer, og en plan du kan starte på denne uken.
Hva er merkepreferanse i ChatGPT, helt konkret?
Merkepreferanse er noe mer enn å bli nevnt. Det er hvilket merke modellen trekker frem først når kunden ber om en anbefaling, hvordan merket beskrives (“kjent for kvalitet” mot “et rimelig alternativ”), og hvilke bruksområder modellen knytter merket til. To merker kan begge være synlige, men det ene får anbefalingen og det andre får fotnoten.
Preferansen dannes i to lag. Treningskunnskapen: modellen har lest tusenvis av tekster om kategorien din, og mønsteret i dem (hvem omtales, i hvilken sammenheng, med hvilke ord) blir modellens “mening”. Og søkelaget: når ChatGPT søker, henter den ferske kilder og lar dem farge svaret, med egne preferanser for kildetyper. Profounds analyse av 680 millioner sitater viser at Wikipedia alene tar 47,9 % av ChatGPTs topp 10-sitater, med Reddit (11,3 %) og redaksjonelle medier bak.
Begge lagene er påvirkbare, men med ulik tidshorisont: søkelaget i uker, treningslaget i måneder. En plan som skal virke, jobber med begge samtidig.
Hva sier dataene at preferansen styres av?
Det største og mest relevante datasettet er Ahrefs’ korrelasjonsstudie av 75 000 merkevarer, som målte hvilke faktorer som henger sammen med synlighet i AI-svar. Tre funn bør styre prioriteringene dine.
YouTube-omtale er den sterkeste enkeltfaktoren (korrelasjon 0,737), med merkeomtale på det åpne nettet like bak (0,66 til 0,71). Klassiske lenkefaktorer (backlinks, domenerating) ligger nederst; SEO-arven din hjelper deg ikke her. Og ChatGPT fremsto som mindre styrt av etablert merkedominans enn de andre motorene, som betyr at et mindre merke med konsistent, konkret omtale kan slå et større merke med diffus omtale.
Oversatt til praksis: preferanse bygges med omtale, ikke med lenker, og innholdet i omtalen (hvilke ord, hvilke bruksområder, hvilke fakta) er selve råstoffet modellen former sin beskrivelse av deg fra.
Steg 1: finn ut hvilken preferanse modellen har i dag
Du kan ikke flytte noe du ikke har målt. Bygg et panel med 20-30 kategorispørsmål fra SQSEO, vårt gratis verktøy for longtail- og AI-søkeresearch: ett frøsøkeord gir hundrevis av spørsmål gruppert etter intensjon, inkludert samtaleformuleringene folk bruker i ChatGPT. Gratis for alltid, uten registrering.
Kjør panelet i ChatGPT i to moduser: med søk (viser søkelaget og sitatene) og uten (viser treningskunnskapen). Noter tre ting per spørsmål: hvilke merker som nevnes og i hvilken rekkefølge, hvordan ditt merke beskrives ordrett, og hvilke kilder som siteres. Beskrivelsene er gullet: lagre dem som tekstkopier, for endringen i ordvalg over tid er selve målingen av preferanse.
Oppsettet for et slikt panel, med regler for rene chatter og fast rytme, har vi beskrevet i guiden om sporing av ChatGPT-omtale for B2B; metodikken er identisk for forbrukermerker.
Steg 2: rydd i merkefortellingen der modellen leser
Modellen lærer beskrivelsen av merket ditt fra alle stedene det omtales, og sprikende informasjon gir en utvannet preferanse. Gjennomgå de viktigste kildene med ett spørsmål for øyet: forteller de samme historie?
Sjekklisten: samme merkenavn og skrivemåte overalt, samme kjernebeskrivelse (hva dere er best på, for hvem) på egne sider, i kataloger, hos forhandlere og i profiler, oppdaterte fakta (priser, sortiment, lokasjoner) i alle kilder som siteres i din kategori, og en tydelig “om oss”-side som besvarer hvem, hva og for hvem i ren tekst. Wikipedia-oppføringen, hvis merket kvalifiserer for en, skal være korrekt og nøktern; med 47,9 % av toppsitatene er det den tyngste enkeltkilden i ChatGPT-laget.
Dette steget er kjedelig og undervurdert. Men modellen kan ikke foretrekke et merke den ikke klarer å beskrive konsistent, og opprydding her koster bare arbeidstimer. Sett en kvartalsvis påminnelse på gjennomgangen, for kilder eldes: en prisendring eller et nytt sortiment gjør fjorårets korrekte omtale til årets feilinformasjon.
Steg 3: bygg omtalen som former preferansen
Nå selve byggingen, prioritert etter måledataene. YouTube først: sørg for at produktene og ekspertisen din finnes i ekte tester, gjennomganger og fagvideoer; norske nisjekanaler har lav terskel for samarbeid, og korrelasjonen på 0,737 er den sterkeste som er målt. Fora og Reddit deretter: delta åpent under eget navn der kategorien diskuteres, bidra med fakta og erfaring, og rett opp feilinformasjon om merket saklig. Redaksjonell omtale til slutt: fagpresse, bransjekåringer og sammenligninger, der beskrivelsen av merket ditt får autoritet.
Vær bevisst på ordene du selv bruker konsekvent i alt dette: bruksområdene og styrkene du vil at modellen skal knytte til merket. “Best for små verksteder”, “laget for norske vintre”, “reservedeler på lager i Norge”: konkrete, etterprøvbare påstander som gjentas på tvers av kilder, er nøyaktig det mønsteret modellen plukker opp og gjengir.
Og den eneste harde regelen: aldri kjøpte omtaler eller falske tråder. De oppdages, slettes og forgifter kildene modellene stoler på, med merkevaren din som avsender.
Steg 4: gjør egne sider til svarkilder
Preferansen forsterkes når modellen siterer deg som kilde i kategorispørsmålene. Det krever sider som besvarer spørsmål direkte: åpne hver seksjon med svaret, skriv tallene inn i setningene og bruk spørsmålsformulerte mellomtitler. GEO-studien fra KDD 2024 målte opptil 40 % høyere synlighet i generative motorer etter at tekster fikk statistikk, sitater og kildehenvisninger.
Sjekk samtidig de tekniske grunnkravene: OpenAIs roboter må slippe til i robots.txt og CDN, og innholdet må være lesbart uten JavaScript. Hvordan du bygger slike svarsider og kobler dem til produktene, har vi gått gjennom i guiden om å få produkter inn i AI-oversikten til Google; passasjene som fungerer der, fungerer likt i ChatGPT.
Tiltakene rangert etter effekt
| Tiltak | Lag det påvirker | Datastøtte | Tidshorisont |
|---|---|---|---|
| Ekte YouTube-omtale | Trening + søk | Sterkeste korrelasjon, 0,737 (Ahrefs) | Måneder |
| Konsistent merkefortelling i alle kilder | Trening | Merkeomtale 0,66-0,71, konsistens er råstoffet | Uker å rydde, varig effekt |
| Forum- og Reddit-deltakelse | Trening + søk | Reddit 11,3 % av ChatGPTs toppsitater | Uker til måneder |
| Svarsider på kategorispørsmål | Søk | Opptil 40 % synlighetsløft (KDD 2024) | 2-6 uker |
| Redaksjonell omtale og kåringer | Trening | Redaksjonelle medier høyt i sitatmønsteret | Måneder |
| Lenkebygging | Ingen av dem | Svakeste korrelasjon i studien | Feil verktøy her |
Tabellens siste rad er verdt en pause: budsjettet som i gamle dager gikk til lenker, gjør mer nytte som testeksemplarer til anmeldere og tid i fagfora. Regn på det: én lenkekampanje koster gjerne det samme som ti testeksemplarer og et år med ukentlig forumdeltakelse.
Hva med negativ omtale? Preferansens bakside
Preferanse kan også påvirkes nedover, og det bør inn i målingen. Hvis modellen gjengir en svakhet (“kjent for lang leveringstid”), er kilden nesten alltid sporbar: en forumtråd, en anmeldelse eller en gammel artikkel som fortsatt siteres. Reaksjonen som virker, er den samme som ellers, bare speilvendt: rett faktafeil saklig og åpent i kilden, løs det reelle problemet hvis kritikken stemmer, og bygg ny, konkret omtale som dokumenterer forbedringen.
Det som ikke virker: å forsøke å fjerne kritikk med press eller å drukne den i kunstig positiv omtale. Modellene leser mønstre over tid, og et merke med ti år gamle problemer og to års dokumentert forbedring beskrives i økende grad etter forbedringen, gitt at forbedringen faktisk er omtalt der modellen leser.
Steg 5: mål om preferansen flytter seg
Kjør panelet månedlig, samme spørsmål, samme rekkefølge, og les tre nivåer. Nevnes merket oftere? Rykker det frem i rekkefølgen når flere merker anbefales? Og endres beskrivelsen i riktig retning, mot ordene og bruksområdene du bygger?
Vurder trender over minst tre målinger, og noter datoer for store modelloppdateringer, siden de kan flytte preferanser uavhengig av innsatsen din. Trenger du et mer strukturert oppsett uten betalte verktøy, viser guiden om gratisalternativet til Otterly for AI-sporing hvordan du bygger hele målesystemet i et regneark.
Realistiske forventninger: sitater og synlighet i søkelaget kan flytte seg på 2 til 6 uker, mens beskrivelsen i treningslaget typisk endrer seg over måneder og modellversjoner. Preferanse er et maraton med delmål, ikke en kampanje.
Et eksempel: fra fotnote til førstevalg
Slik ser prosessen ut for et tenkt, men typisk norsk merke: en produsent av arbeidsklær som selger via forhandlere. Panelmålingen viser at merket nevnes i 4 av 25 kategorispørsmål, alltid sist i listen, med beskrivelsen “et rimeligere alternativ”. Konkurrenten som alltid nevnes først, beskrives som “kjent for slitestyrke”. Kildene som siteres, er to YouTube-kanaler, ett byggfagforum og en kåring i et fagblad.
Diagnosen: merket har ingen tilstedeværelse i noen av de tre kildene, og egne sider beskriver produktene med ord som “god kvalitet til riktig pris”, altså akkurat den posisjonen modellen gjengir. Ordvalget modellen bruker, er et speil av merkets eget.
Planen over seks måneder: merkefortellingen strammes til rundt to etterprøvbare påstander (forsterkede knær som standard, størrelser tilpasset norske kropper), og gjentas på egne sider, hos forhandlere og i kataloger. Testplagg sendes til de to YouTube-kanalene panelet viste. Produktsjefen svarer ukentlig i byggfagforumet under fullt navn. Og to svarsider bygges for panelets vanligste spørsmål om slitestyrke og størrelser, med måltall i teksten.
Ved sjette måling nevnes merket i 9 av 25 spørsmål, nå oftere midt i listen, og beskrivelsen har begynt å inkludere “forsterkede knær”. Ikke førstevalg ennå, men retningen er målbar, og den kom fra kildene, ikke fra flaks.
Tre feil som ødelegger arbeidet
Den første: å optimalisere for merkespørsmålet. Hvordan modellen svarer på “fortell om merke X” er irrelevant; preferansen avgjøres i kategorispørsmålene der kunden ikke nevner deg. Mål og bygg der.
Den andre: å sprike i budskapet. Tre ulike beskrivelser av hva merket er best på, i tre ulike kanaler, gir modellen tre svake signaler i stedet for ett sterkt. Velg de to-tre påstandene du kan stå for, og gjenta dem alle steder.
Den tredje: å behandle dette som en engangsjobb. Modellene oppdateres, konkurrenter våkner, og kilder eldes. En time i uken, hver uke, slår et skippertak hvert kvartal, fordi både trenings- og søkelaget belønner jevn, akkumulert tilstedeværelse.
Ofte stilte spørsmål (FAQ)
Hvordan påvirker jeg ChatGPTs merkepreferanse?
Ved å forme kildene modellen lærer av og henter fra: konsistent merkefortelling overalt der merket omtales, ekte omtale på YouTube, i fora og fagmedier, egne sider som besvarer kategorispørsmål direkte, og månedlig måling med et fast spørsmålspanel fra SQSEO. Det finnes ingen betalt snarvei; preferansen er summen av det modellen har lest om deg.
Kan man betale for å bli anbefalt av ChatGPT?
Nei, det finnes ingen betalt plassering i de organiske svarene. Det du kan investere i, er tilstedeværelsen modellen plukker opp: testeksemplarer til anmeldere, tid i fagfora, korrekte data hos forhandlere og kataloger, og svarsider på egne domener. Vær skeptisk til aktører som selger garanterte anbefalinger.
Hvor lang tid tar det å endre ChatGPTs oppfatning av merket mitt?
Søkelaget flytter seg på 2 til 6 uker når tekniske krav og svarsider er på plass. Treningslaget, altså hvordan modellen spontant beskriver og rangerer merket, endres over måneder og følger modelloppdateringene. Mål månedlig og vurder trend over minst tre målinger før du konkluderer.
Hvorfor anbefaler ChatGPT konkurrenten min i stedet for meg?
Fordi konkurrenten omtales oftere, mer konsistent eller mer konkret i kildene modellen bruker. Kjør kategorispørsmålene dine med søk på og se hvilke kilder som siteres: det er kartet over hvor konkurrentens preferanse bygges, og dermed over hvor du skal sette inn innsatsen. Lenker forklarer sjelden forskjellen; omtale gjør det.
Hvilke ord bør jeg bruke om mitt eget merke?
To-tre konkrete, etterprøvbare påstander som gjentas konsekvent i alle kanaler: bruksområde, målgruppe og den målbare styrken din (“passer små verksteder”, “reservedeler på lager i Norge”). Modellen gjengir mønstre; jo tydeligere og mer samstemt mønsteret er, desto mer presist blir merket ditt beskrevet og anbefalt.
