LLM-overvågning

I klassisk search skal I ikke selv opfinde målingen: Search Console, rank tracking og analytics fortæller jer, hvor I står, og hvad der flytter sig. I AI-search findes intet af det. ChatGPT, Copilot, Perplexity og Claude leverer ingen dashboards over, hvor ofte jeres brand nævnes, eller hvilke sider der citeres. Vil I vide det, må I måle det selv.

Det er dét, LLM-overvågning handler om: at gøre jeres synlighed i sprogmodeller til noget, I kan se, følge og handle på – i stedet for noget, I hører om, når en kunde tilfældigt nævner det.

Hvad I skal måle

Synlighed i sprogmodeller har flere lag, og de fortæller hver sit:

• Brand mentions. Bliver jeres brand nævnt, når modellen svarer på de spørgsmål, jeres kunder stiller? Det er den rå synlighed – og den kan være der, uden at en eneste af jeres sider bliver citeret, fordi modellen også kender jer fra sin træning.
• Citations. Når modellen søger på nettet, hvilke sider bygger den så svaret på? Her måler I, om jeres indhold er citérbart – og det er den del, I mest direkte kan påvirke.
• Share of voice. Hvem nævnes ellers? At I omtales i tre ud af ti svar, betyder noget forskelligt, alt efter om konkurrenten er i ni eller i to.
• Hvordan I bliver beskrevet. Hvad siger modellen faktisk om jer? En model, der beskriver jer forkert, forældet eller upræcist, er et problem, ingen rank tracker fanger – og det er ofte her, den største og hurtigste gevinst ligger.
• Effekten. Henvisningstrafik fra AI-flader kan ses i jeres analytics, og jeres serverlogs viser, om AI-crawlere som GPTBot, PerplexityBot og ClaudeBot overhovedet henter jeres sider. Lidt trafik med høj intention kan sagtens være mere værd end meget trafik uden.

Metoden: et fast prompt-sæt, kørt systematisk

Kernen i pålidelig LLM-overvågning er den samme som i al anden måling: sammenlignelighed over tid. Metoden ser sådan ud:

1. Byg et prompt-sæt, der afspejler jeres kunderejse. Tag udgangspunkt i de spørgsmål, rigtige mennesker stiller en assistent – fra det brede ("hvordan vælger man en leverandør af X") over det sammenlignende ("hvem er de bedste i Norden til X") til det konkrete ("hvad koster X typisk"). Har I lavet en klassisk søgeordsanalyse, er den et godt afsæt, men prompts skal skrives som hele spørgsmål.
2. Kør sættet på tværs af modellerne. ChatGPT, Copilot, Perplexity, Claude og gerne Google AI Overviews – fladerne vælger kilder forskelligt, så et samlet billede kræver dem alle.
3. Registrér det samme hver gang. Blev I nævnt, blev I citeret, hvem ellers, og hvordan blev I beskrevet.
4. Gentag i en fast rytme. Enkeltmålinger er øjebliksbilleder; det er kurven, der fortæller, om jeres indsats virker.

Et ærligt forbehold: sprogmodeller er ikke deterministiske. Samme prompt kan give forskellige svar fra gang til gang, og modellerne opdateres løbende. Konsekvensen er ikke, at måling er meningsløs – det er, at I skal måle på mønstre frem for enkeltsvar. Kør hvert prompt flere gange, arbejd med andele frem for absolutte tal, og lad være med at fejre eller gå i panik over ét svar.

Fra måling til handling

Overvågningen er kun det halve; værdien opstår, når resultaterne styrer jeres prioritering. I praksis peger målingerne typisk på tre slags opgaver: sider, der skal gøres citérbare, fordi konkurrenterne vinder citations på spørgsmål, I burde eje; huller i jeres indhold, hvor ingen af jeres sider kan bære et svar; og misvisende beskrivelser, der kræver, at I gør jeres egen fortælling tydeligere og mere konsistent på tværs af nettet. Den analytiske del af øvelsen har vi beskrevet som selvstændig leverance i promptanalysen, og selve optimeringsarbejdet i LLM-optimering.

Hos Bonzer kører den her disciplin ikke i hånden. Vores eget arbejde ligger på Morrison, vores AI content ops-platform, der læser hele kundens website, lærer brandet fra egne dokumenter og kobler sig på performance-data – så overvågning, analyse og eksekvering hænger sammen i stedet for at bo i hver sit regneark. Det er værktøjet bag leverancen, ikke et produkt, I skal købe: pointen er, at systematik er det, der adskiller LLM-overvågning fra at stille ChatGPT et spørgsmål i ny og næ.

Kom i gang

Start i det små, men systematisk: ti til tyve prompts, fire flader, en fast månedlig kørsel, ét regneark. Det er nok til at se mønstrene og vælge de første indsatser – og væsentligt bedre end at vente på det perfekte setup. Synlighedsmåling i klassisk search har sin egen guide i synlighedssporing, og de to hører sammen: samme kunderejse, flere flader.

Vil I have et samlet billede af, hvor I står i dag – på tværs af klassisk search og AI-search – så begynder det med en gratis SEO-analyse. Den er manuelt udarbejdet og dækker begge dele, netop fordi det efterhånden ikke giver mening at måle det ene uden det andet.