Hvordan optimerer du dine produkter til AI-search? (ChatGPT og Google AI Mode)

Jeg kørte mere end 6.000 produktsøgninger gennem ChatGPT, Google AI Mode og Gemini. Jeg gik ind til det på jagt efter ét sæt regler for, hvordan man optimerer produkter til “AI-søgning”.

Jeg kom ud med tre forskellige maskiner. De anbefaler forskellige brands, læser forskellige kilder og er uenige om de fleste af dem. En sejr i ét system flytter ikke de andre.

Og det, de fleste webshops bruger mest tid på, produkttitlen, viste sig at være adgangsbilletten og ikke placeringen. Et bedre titelmatch gav ikke én eneste ekstra visning i nogen kategori.

Opsætningen var den samme for alle tre systemer. Tre modekategorier, kjoler, jeans og t-shirts, blev hver udvidet til 24 til 32 opfølgende søgninger, og hver søgning blev stillet tre gange. Brands og forhandlere i undersøgelsen er britiske, så eksemplerne nedenfor er det også. Principperne gælder for enhver webshop.

Nedenfor gennemgår jeg de 19 fejl, jeg så igen og igen, delt op i fem områder. For hver fejl står der, hvad der går galt, og hvordan du retter det.

De tre systemer har hver sin tidshorisont. Google AI Mode slår op. Gemini svarer mest ud fra det, den allerede har lært. ChatGPT citerer kun det, den allerede har besluttet at nævne. Det betyder, at du skal arbejde forskelligt med hver af dem.

	Google AI Mode	ChatGPT	Gemini
Sådan virker det	Slår op	Citerer kun det, den nævner	Husker
Det citerer det	Shopping-produktkort er 58 % af kilderne. Artikler under 5 %	Brandenes egne webshops er 81 % af kilderne. Kategorisider mest citeret (53 %)	Kun 34 til 55 % af anbefalingerne har en kilde. Kategorisider mest citeret (46 %)
Det spørger det om	Pris, materiale, vægt og hvor produktet sælges	Pris, størrelse og petite, tall eller plus i op til 89 % af svarene	Pris
Reddit og YouTube	Nej	Nej	Ja
Det flytter det	Produktfeed og kategorisider	Produktfeed og kategorisider	Omtale, guides og fora, over tid
Mål igen	Månedligt	Månedligt	Kvartalsvis

01. AI behandlet som én kanal

De tre systemer anbefaler forskellige brands og er uenige om de fleste af dem. En sejr i ét system flytter ikke de andre, så ét samlet tal for “AI-synlighed” fortæller dig meget lidt. Jeg så det samme mønster, da jeg sammenlignede ChatGPT og AI Mode på tværs af tre lande.

Sådan retter du det: Vælg hvilket system du prioriterer ud fra, hvem du er som brand. Mål og rapportér pr. system, aldrig samlet.

02. At forvente hurtige resultater i Gemini

Kun 34 til 55 % af Geminis anbefalinger har overhovedet en kilde. Resten er brands, den har lært om under træningen, og derfor flytter ændringer i dit produktfeed den ikke.

Sådan retter du det: Arbejd med omtale, guides og fora. Du skal ind i modellens træningsdata, og det tager tid. Planlæg i kvartaler, ikke uger.

03. At forvente klik fra digital PR

81 % af ChatGPTs kilder er brandenes egne webshops, og 58 % af AI Modes kilder er Shopping-produktkort. Artikler udgør under 5 % af kilderne i begge.

Sådan retter du det: Brug presse og redaktionel omtale til at gøre dit brand relevant for din kategori. Det øger chancen for at blive nævnt. Men brug feedet og kategorisiderne til rent faktisk at blive vist og få klikket.

04. At gå ud fra, at designerbrands er udelukket

Designerbrands udgjorde 0 til 1 % af resultaterne i ChatGPT og AI Mode for kjoler og jeans. For t-shirts var det 15 %, fordi AI Mode selv skabte et luksussegment.

Sådan retter du det: Stil kategorisøgningen fem gange, og skriv ned, hvilke segmenter systemet foreslår. Findes dit segment, kan det vindes.

Titlen er adgangsbilletten, ikke placeringen. Den afgør, om et produkt overhovedet kommer i betragtning, men når det først er med, flytter en bedre titel det ikke op.

05. Farve, materiale og pris i titlen

Hvert femte viste produkt havde farven i titlen. Men farve og materiale læses fra feedets egne felter, og pris optrådte i 0 % af titlerne på de viste produkter.

Sådan retter du det: Flyt farve, materiale og pris over i deres egne felter. Brug pladsen i titlen på det, der rent faktisk afgør noget.

06. Katalogets nøgleattribut mangler

9 ud af 10 viste produkter havde katalogets nøgleattribut i titlen. Længde for kjoler, pasform for jeans, køn for basisvarer.

Sådan retter du det: Find den attribut, din kategori er inddelt efter i Google Shopping og i forhandlernes navigation. Sæt den i titlen på hvert eneste produkt.

07. Anledningen skrevet som et ord

“Work” og “wedding” optrådte i kun 12 % af titlerne. Systemerne udleder anledningen fra snittet: skræddersyet, skjortekjole, pailletter, gallakjole.

Sådan retter du det: Beskriv snittet frem for anledningen. “Skræddersyet skjortekjole” siger kontor. “Gallakjole med pailletter” siger fest.

08. At tro, at titlen afgør placeringen

Et bedre titelmatch gav ingen ekstra visninger i nogen kategori. De produkter, der blev ved med at dukke op, havde ikke bedre titler.

Sådan retter du det: Se titlen som adgangskravet. Hold den kort og korrekt, og brug kræfterne på produktdata og kategorisider.

Hvert system stiller et fast sæt spørgsmål om et produkt, og det stiller dem hver gang. Et tomt felt kan ikke svare.

09. Tomme felter for farve, materiale og pris

Systemerne spørger om de samme ting hver gang. Pris altid, materiale og vægt i AI Mode, størrelse i ChatGPT. Et tomt felt giver ikke noget svar.

Sådan retter du det: Udfyld alle strukturerede felter i dit produktfeed. Gør prisniveauet synligt på kategorisiden, fx “under 500 kr.”

10. Ingen størrelsesvarianter

ChatGPT spørger til petite, tall og plus i op til 89 % af sine svar. Mangler de som attributter, falder produktet ud.

Sådan retter du det: Markér petite, tall, plus og curve som selvstændige attributter, ikke kun som størrelser på en liste.

11. Produkter uden deres eget navn

Alle de produkter, AI Mode viste gentagne gange, blev også nævnt i selve svarteksten. “Black Midi Dress” giver systemet intet at skrive om.

Sådan retter du det: Giv hvert produkt et navn og én tydelig identitet, fx “Hobbs Elowen Dress”. Det skal kunne nævnes i en sætning.

12. Usynlige forhandlere

AI Mode er det eneste system, der spørger, hvor et produkt sælges. Next, M&S og ASOS var i kernen i alle tre kategorier.

Sådan retter du det: Vis forhandlerne på produktsiden og i feedet. Distribution gennem store multibrand-forhandlere er en genvej.

Kategorisider, guides og fora er der, hvor kilderne kommer fra, og hvert system læser sin egen slags. Er en side ikke indekseret, findes den ikke for dem.

13. Kategorisider der ikke er indekseret

Kategorisider er den mest citerede sidetype i Gemini (46 %) og ChatGPT (53 %). Filtersider, der ikke er indekseret, findes simpelthen ikke for dem.

Sådan retter du det: Byg indekserbare kategorisider med et tydeligt navn, synlige priser og produkter, fx “Sorte midikjoler”.

14. Fravær i guides og fora

Hver fjerde kilde i Gemini er en artikel, og Gemini er det eneste af de tre systemer, der bruger Reddit og YouTube.

Sådan retter du det: Kom med på “bedste X”-lister, i Reddit-tråde og på nicheblogs i din kategori. Det er sådan Gemini lærer dig at kende, og det styrker både dit brands relevans og troværdighed.

15. Flere navnevarianter

“M&S”, “Marks & Spencer” og “M&S Collection” tælles hver for sig. Varianter spreder synligheden tyndt ud og slører brandet.

Sådan retter du det: Brug ét brandnavn, konsekvent overalt. Titler, feed, Om os-side og presse.

16. Kun brede søgninger dækket

AI Mode besvarede “jeans” uden et eneste brandnavn i teksten. Kun smallere søgninger som “dark wash slim fit jeans” gav omtaler.

Sådan retter du det: Dæk kombinationer af attributter i produktdata og på kategorisider, fx “sort midikjole til arbejde”. Det er der, konkurrencen er lavest.

AI-svar ændrer sig fra kørsel til kørsel. Ét kig er tilfældigt. En andel af gentagelser er et resultat.

17. Ét skærmbillede som resultat

Stil AI Mode den samme søgning tre gange på en dag, og den viser som regel nye Shopping-produkter hver anden gang. Gemini gentog sig selv halvdelen af gangene.

Sådan retter du det: Kør mindst 10 gentagelser pr. søgning. Rapportér “til stede i 7 ud af 10 kørsler”, aldrig bare “til stede”.

18. Ét tal for tre forskellige ting

At blive nævnt i teksten, citeret som kilde og vist i Shopping bevæger sig ikke i takt. Ét samlet tal skjuler, hvad der virkede.

Sådan retter du det: Mål de tre hver for sig, pr. system og pr. søgelag. Skeln mellem “nævnt og citeret” og “nævnt uden kilde”.

19. Ingen baseline

Den første kørsel viser dit niveau, ikke effekten af noget, du har gjort. Uden gentagelser kan en ændring ikke skilles fra støjen.

Sådan retter du det: Gentag månedligt for AI Mode og ChatGPT og kvartalsvis for Gemini. Den første kørsel er din baseline.

Før du omskriver en eneste produkttitel, så start med det spørgsmål, der afgør alt det andet: Hvilket af de tre systemer betyder faktisk noget for dit brand, og måler du dem hver for sig?

Derefter er rækkefølgen ret enkel:

1. Mål din baseline pr. system med gentagne kørsler (fejl 17 til 19).
2. Udfyld produktfeedet og giv produkterne navne (fejl 9 til 12). Det rammer både ChatGPT og AI Mode.
3. Byg indekserbare kategorisider for de attributkombinationer, dine kunder søger på (fejl 13 og 16).
4. Ryd op i titlerne, så nøgleattributten står der, og farve, materiale og pris ligger i deres egne felter (fejl 5 til 8).
5. Start det lange arbejde med omtale, guides og fora, hvis Gemini er vigtig for dig (fejl 2, 3 og 14).

Vil du køre den samme type analyse på dine egne produktkategorier og dit eget marked, kan du gøre det gratis i CiteWhy.

Har du kørt noget lignende i din egen kategori, så skriv til mig på LinkedIn. Jeg er især nysgerrig efter, om mønstrene holder uden for mode.