Vi spurgte fire AI-motorer om 465 danske virksomheder: teknikken afgør om du citeres — ikke om du anbefales

Vi stillede fire AI-motorer 576 spørgsmål om 465 danske virksomheder. Teknisk opsætning forudsiger stærkt, om din side bliver brugt som kilde — men intet om, hvorvidt din virksomhed bliver anbefalet. To udfald, to svar.

Vi stillede fire AI-motorer 576 spørgsmål om 465 danske virksomheder i tre brancher — firmaer man kan google sig frem til i 12 danske byer. Resultatet delte sig i to: teknisk opsætning forudsiger stærkt, om din side bliver brugt som KILDE (p=0,000). Den forudsiger intet om, hvorvidt din virksomhed bliver ANBEFALET (p=0,988).

Det er to spørgsmål, der plejer at blive slået sammen til ét. Vi gjorde det selv, da vi begyndte at regne — og fandt først "teknikken betyder ingenting", hvilket var forkert. Den betyder noget. Bare ikke det, man tror.

Udgangspunktet var det, forskningen allerede havde vist. Princeton-studiet bag begrebet GEO fandt, at målrettet optimering af en side kan løfte dens synlighed i AI-svar med op til 40 % (Aggarwal et al., KDD '24). Men det er målt på, hvor ofte en side indgår i svaret — ikke på, om en virksomhed bliver anbefalet.

Den anden pejling er nyere: Ahrefs sammenholdt i maj 2025 75.000 brands med deres synlighed i Google AI Overviews og fandt, at omtaler af brandet ude på nettet hang tættere sammen med synligheden (0,664) end backlinks gjorde (0,218) — analysen ligger her. Vi vender tilbage til den længere nede, for den skal læses med forbehold.

Ingen af de to svarer på det, en dansk håndværker eller revisor faktisk spørger om: bliver jeg bragt op, når kunden spørger en AI? Det er dét, vi har målt.

Sådan målte vi

Vi spurgte ikke motorerne om de enkelte virksomheder. Vi stillede de spørgsmål, en almindelig kunde stiller — "Hvilke VVS-firmaer kan du anbefale i Aalborg?" — i 12 danske byer, med fire spørgsmålsvarianter, til ChatGPT, Gemini, Claude og Perplexity med websøgning slået til. Derefter målte vi, hvilke af branchens virksomheder motorerne selv bragte op.

To ting blev talt separat: om virksomheden blev nævnt ved navn i svaret, og om dens domæne blev citeret som kilde.

De to tal skal læses forskelligt, og det er vigtigt nok til at stå her og ikke kun i metodenoten. Navnene i svarteksten er motorens egne — det er ChatGPT, Gemini, Claude og Perplexity, der selv bringer virksomheden op. Kilde-URL'erne er det ikke i alle fire tilfælde. ChatGPT, Gemini og Claude blev kørt med websøgning gennem OpenRouter, hvor et fælles søge-plugin (Exa) henter kilderne og giver dem videre til modellen. For de tre betyder "citeret" derfor: søgelaget fandt siden og lagde den foran modellen — ikke at ChatGPT, Gemini eller Claude hver især har fundet den. Perplexity søger selv, og er dermed den eneste af de fire, hvor citationen er motorens egen.

Hvor mange blev nævnt?

Branche	Målbare	Nævnt ved navn	Citeret som kilde
Advokater	106	60 (57 %)	59 (50 %)
VVS	162	62 (38 %)	90 (45 %)
Revisorer & bogholdere	127	41 (32 %)	46 (31 %)
I alt	395	163 (41 %)	195 (42 %)

Cirka fire ud af ti blev nævnt af mindst én motor. Spredningen mellem brancher er markant: en advokat havde næsten dobbelt så stor sandsynlighed for at blive nævnt som en revisor.

Teknisk score forudsagde ikke, hvem der blev anbefalet

Vi har en teknisk score for hvert site i forvejen — læsbar tekst uden JavaScript, llms.txt, robots.txt-adgang for AI-crawlere, strukturerede data, H1 og meta-beskrivelse. Hvis den score afgjorde, hvem AI anbefaler, skulle de nævnte ligge højere.

Branche	Score, nævnt	Score, ikke nævnt	p-værdi
VVS	77,9	78,8	0,66
Revisorer	76,5	72,7	0,22
Advokater	70,8	67,3	0,30
Samlet	74,9	74,3	0,70

Ingen af brancherne er i nærheden af signifikans. llms.txt gik endda den forkerte vej i to af tre: blandt VVS-virksomhederne havde 6 % af de nævnte filen mod 13 % af de ikke-nævnte; hos revisorerne 10 % mod 16 %.

Den oplagte indvending er, at der ikke er spredning nok: 41 % af de scannede sites ligger på nøjagtig samme score, fordi de allerede har det basale på plads. Så vi delte feltet op i score-bånd og målte nævnt-andelen i hvert:

Teknisk score	Virksomheder	Nævnt af AI
Under 60	59	36 %
60–74	104	43 %
75–84	37	32 %
85–100	195	44 %

Kurven er flad. Der er 101 virksomheder under 70 point i materialet, så spredningen findes — og de bliver nævnt omtrent lige så ofte som dem i toppen. Manglende varians forklarer det altså ikke alene.

Det betyder ikke, at teknikken er ligegyldig. Det betyder, at den ligner en adgangsbillet mere end en konkurrencefordel: nødvendig for at komme i betragtning, men ikke det, der afgør valget blandt dem der allerede er inde. Vores data kan ikke sige, hvordan det ser ud for de sites der ligger under bundlinjen — de er per definition ikke søgesynlige og indgår derfor ikke.

Men teknikken afgør noget andet — og det er vigtigt

Da vi delte de to udfald op, blev billedet et helt andet. Teknisk opsætning forudsiger stærkt, om din side bliver brugt som KILDE. Den forudsiger ingenting om, hvorvidt din virksomhed bliver ANBEFALET.

Udfald	Teknisk score	JSON-LD	p-værdi
Citeret som kilde	77,9 mod 72,7	68 % mod 57 %	0,000
Nævnt som anbefaling	74,9 mod 74,9	63 % mod 61 %	0,988

Det er to forskellige spørgsmål, og de har hver sit svar:

• "Bruger AI min side som kilde?" — her betyder teknikken meget. Forskellen er 5,2 point og stærkt signifikant. Strukturerede data og læsbar HTML gør din side brugbar for en model.
• "Anbefaler AI min virksomhed?" — her betyder teknikken intet målbart. Scoren er identisk på begge sider af skillelinjen.

Man kan altså godt være den side, AI læser og henviser til, uden at være den virksomhed, AI peger på. Det tekniske arbejde er ikke spildt — det virker bare på et andet udfald end det, de fleste tror.

Til gengæld holder én ting ikke: indholdslængde. Citerede sider har i snit 1.083 ord mod 895 hos ikke-citerede, men forskellen er ikke statistisk holdbar (p=0,32). Vi nævner det, fordi "skriv længere tekster" er et udbredt råd — vores data understøtter det ikke.

Hvad AI faktisk citerede

Der blev henvist til 4.034 kilder fordelt på 494 domæner. Fordelingen overraskede os:

• 61 % var virksomhedernes egne websites (2.457 citationer).
• 16 % var kataloger og anmeldelsessider (630).
• 23 % var anden tredjepart — brancheportaler, medier, andre firmaers sider (1.237).

Egne websites dominerer altså. Det er værd at holde fast i, hvis man er ved at konkludere, at AI kun kigger på omtale andre steder — det gør den ikke.

Hvor de 4.034 kilder kom fra, delt op: 1.874 (46 %) er Perplexitys, hentet af motoren selv, med i snit 13 kilder pr. svar. De resterende 2.160 (54 %) fordeler sig med præcis 720 på hver af ChatGPT, Gemini og Claude — nøjagtigt fem pr. svar, fordi søge-pluginnet bag dem afleverer fem. At tallet er ens for de tre er ikke et sammentræf: de fik den samme liste. Et udsagn som "ChatGPT citerede 720 kilder" er derfor et udsagn om søgelaget, ikke om ChatGPT.

Hvilke kilder gik igen i alle tre brancher?

Ud af 494 domæner blev kun seks citeret i alle tre brancher. Alle seks er kataloger eller registre.

Domæne	Citationer	Hvad det er
krak.dk	103	Erhvervskatalog
findformig.dk	78	Katalog med anmeldelser
Trustpilot	73	Anmeldelsesplatform
cvrexplorer.com	23	CVR-registerspejl
LinkedIn	22	Virksomhedsprofiler
degulesider.dk	17	Erhvervskatalog

Alt andet var branchespecifikt. Det er den mest handlingsrettede observation i datasættet: uanset om man er advokat, revisor eller VVS'er, blev der trukket på det samme lille sæt kataloger — og en katalogprofil er noget, man kan gøre noget ved på en eftermiddag.

Men de seks kataloger er stort set Perplexitys alene, og det ændrer, hvem rådet gælder. Deler man de 316 katalog-citationer op på motorerne, står Perplexity for 294 af dem (93 %):

• krak.dk, degulesider.dk, cvrexplorer.com og LinkedIn: samtlige citationer kom fra Perplexity. ChatGPT, Gemini og Claude henviste til dem nul gange tilsammen.
• findformig.dk: 59 af de 78 var Perplexitys; de sidste 19 fordelte sig med 6-7 på hver af de tre andre.
• Trustpilot: 70 af de 73 var Perplexitys — de tre andre citerede den én gang hver.

Forklaringen er den samme som ovenfor: de tre kørte på det samme søge-plugin, og dét plugin pegede overvejende på virksomhedernes egne websites frem for kataloger. Så katalogrådet er ikke forkert — det er bare mere målrettet, end tabellen antyder: en katalogprofil er først og fremmest en Perplexity-investering, målt her. Vil du rykke på de tre andre, er dit eget website den flade, kilderne faktisk blev hentet fra.

Vær opmærksom på, hvad det her ikke siger. Vi har målt, hvilke kilder AI citerede — ikke at en profil i de kataloger får dig nævnt. Til det skulle vi følge de samme virksomheder over tid og se, om ændringer i katalogerne flytter noget. Den måling har vi ikke lavet endnu.

Hvad siger andre målinger om omtaler kontra links?

Vores eget datasæt siger intet om, hvorfor nogle virksomheder bliver bragt op. Den nærmeste eksterne pejling er Ahrefs-analysen fra indledningen: 75.000 brands, offentliggjort 26. maj 2025, holdt op mod deres synlighed i Google AI Overviews. Målt med Spearmans rangkorrelation hang omtaler af brandet tættere sammen med synligheden (0,664) end antallet af backlinks gjorde (0,218).

Det er værd at kende. Men det skal læses med fire forbehold — de tre første gør Ahrefs selv opmærksom på:

• Det er Google AI Overviews. Ikke ChatGPT, Claude eller Perplexity. Én flade, ikke "AI-synlighed" bredt — og det er en vigtig forskel, når tallet bliver citeret.
• Sammenhængen er ikke stærk i sig selv. Ahrefs beskriver alle de undersøgte faktorer som moderate til meget svage. 0,664 er en tydelig sammenhæng, ikke en forklaring på det meste.
• Korrelation er ikke årsag. Kendte brands bliver både omtalt mere og bragt op mere. Undersøgelsen kan ikke skille de to ad, og forfatterne påstår det heller ikke.
• Undgå multiplum-formen. Tallet cirkulerer bredt som et forhold: at omtaler skulle virke tre gange så meget som backlinks. Det er 0,664 divideret med 0,218 — og to korrelationstal kan ikke divideres med hinanden på den måde. Forholdet mellem dem siger ikke, at effekten er tre gange så stor. Gengiv de to tal hver for sig, ikke forholdet.

Sammenholdt med vores egne tal peger de to i samme retning uden at modsige hinanden: omtale andre steder end på dit eget site betyder noget. Men de seks kataloger, motorerne faktisk citerede i dansk lokalsøgning, er et mere konkret sted at begynde end en generel jagt på omtaler — og de er målt på netop det marked, du sælger i. Ahrefs' analyse ligger her.

Hvad vi ikke kan svare på

Vi kan sige med rimelig sikkerhed, hvad der ikke afgør synligheden: den tekniske score, blandt sites der allerede er søgesynlige. Vi kan ikke sige, hvad der så gør.

Vi har ikke målt anmeldelsesantal, alder, virksomhedsstørrelse eller markedsføringsbudget. Enhver forklaring på hvorfor advokater klarer sig bedre end revisorer ville være et gæt fra vores side. Det er en måling vi gerne vil lave — og vi offentliggør den, uanset hvad den viser.

Den praktiske konsekvens er den samme uanset forklaringen: du kan ikke regne dig frem til, om AI nævner din virksomhed. En teknisk tjekliste kan sige, om du har det basale på plads — men ikke om motorerne rent faktisk bringer dig op, når en kunde spørger. Det er to forskellige spørgsmål, og kun det ene kan besvares ved at måle.

Ofte stillede spørgsmål

Forudsiger en god teknisk GEO-score, at AI nævner din virksomhed?
Nej — men den forudsiger, om AI bruger din side som kilde. Det er to forskellige udfald. Blandt 465 danske virksomhedssites (Geoa, 26. juli 2026) havde de virksomheder AI ANBEFALEDE en teknisk score på 74,9 mod 74,9 hos de øvrige — ingen forskel (p=0,988). Men de sider AI CITEREDE som kilde scorede 77,9 mod 72,7, og den forskel er stærkt signifikant (p=0,000).

Hvad er forskellen på at blive citeret og at blive anbefalet af AI?
At blive citeret betyder, at AI bruger din side som kilde til sit svar. At blive anbefalet betyder, at AI nævner din virksomhed som et konkret valg for kunden. I vores data hænger teknisk opsætning stærkt sammen med det første og slet ikke med det andet. Man kan altså godt være den side, AI læser, uden at være den virksomhed, AI peger på.

Hjælper llms.txt så med at blive nævnt af AI?
Vores data viser ingen positiv sammenhæng. Blandt de søgesynlige VVS-virksomheder havde 6 % af de nævnte en llms.txt mod 13 % af de ikke-nævnte; hos revisorerne 10 % mod 16 %. Det beviser ikke at filen skader — tallene er små, og udsnittet er begrænset. Men påstanden om at llms.txt får AI til at nævne dig, kan vi ikke bakke op med egne målinger.

Hvilke kilder bruger AI så, når den anbefaler lokale virksomheder?
Der blev citeret 4.034 kilder fordelt på 494 domæner. 61 % var virksomhedernes egne websites. Kun seks domæner gik igen på tværs af alle tre brancher, og de var alle kataloger eller registre: krak.dk (103 citationer), findformig.dk (78), Trustpilot (73), cvrexplorer.com (23), LinkedIn (22) og degulesider.dk (17). Vær opmærksom på fordelingen: 294 af de 316 katalog-citationer kom fra Perplexity, som er den eneste af de fire motorer der selv søger. ChatGPT, Gemini og Claude kørte via et fælles søge-plugin (Exa), der leverede fem kilder pr. svar og næsten aldrig pegede på katalogerne.

Hvor stor forskel er der mellem brancher?
Stor — langt større end mellem tekniske scorer. Af de målbare virksomheder blev 57 % af advokaterne nævnt af mindst én motor, mod 38 % af VVS-virksomhederne og 32 % af revisorerne. Branchen betød altså mere for synligheden end sitets tekniske opsætning.

Må jeg citere tallene?
Ja. Angiv "Geoa, juli 2026, n=465 virksomheder, 576 AI-svar" og link gerne til analysen. Bruger du kilde-tallene, så tag forbeholdet med: tre af de fire motorer fik deres kilder fra et fælles søge-plugin, kun Perplexity søgte selv. Vi noterer dato ved hver opdatering, så ældre citater kan spores til den version, de blev taget fra.