Hva er GEO? Generative Engine Optimization forklart

GEO (Generative Engine Optimization) er arbeidet med å gjøre en virksomhet synlig, korrekt beskrevet og siterbar i svarene fra generative AI-modeller som ChatGPT, Claude, Gemini og Perplexity. Der klassisk SEO handler om å rangere høyt i en liste med lenker, handler GEO om å bli kilden modellen bygger selve svaret på — og om å bli navngitt når svaret skal si hvem som er gode på noe.

Det er hele definisjonen. Resten av denne artikkelen handler om hvorfor det er blitt en egen disiplin, hvordan modellene faktisk velger kilder, hvordan AI-synlighet måles, hva llms.txt er, og hva en bedrift konkret kan gjøre. Tallene underveis er hentet fra vårt eget datasett NorGEO-Bench, der vi stilte ChatGPT, Claude og Gemini 253 norske spørsmål om norsk næringsliv.

GEO vs. SEO: hva er egentlig forskjellen?

GEO erstatter ikke SEO. De to disiplinene deler mye av det samme grunnarbeidet — teknisk ryddige sider, tydelig innhold, ekstern omtale — men de optimaliserer mot to forskjellige utfall.

Den viktigste praktiske forskjellen: i et søkeresultat kan brukeren selv vurdere ti alternativer. I et AI-svar får brukeren som regel tre til fem navn — og alt annet finnes ikke. GEO er derfor et spill om å komme innenfor en langt smalere liste.

Hvordan AI-modeller velger kilder

En moderne AI-modell svarer på ett av to grunnlag: det den husker fra treningen, eller det den henter inn med web-søk der og da. Skillet er avgjørende, fordi bare det ene kan påvirkes raskt.

Da vi testet de tre store modellene uten verktøy og uten internett, scoret den beste 61 % korrekt på spørsmål om ekte norske bedrifter. Modellene vet altså for lite om norsk næringsliv til å svare trygt fra hukommelsen — og de vet selv at de vet for lite. Derfor søker de.

Konsekvensen er enkel: det som ligger tilgjengelig om deg på nettet i det øyeblikket noen spør, er i praksis svaret brukeren får.

Kildene modellene faktisk lener seg på

NorGEO-Bench logget hvilke domener modellene oppga som kilde i 1 768 verifiserte svar. Bildet er skjevt: siteringene samler seg på et fåtall registre, kataloger og oppslagsverk.

Blant de 40 mest brukte kildene står de ti øverste alene for halvparten av siteringene, og to tredjedeler av dem er norske .no-domener. Det er en praktisk beskjed: en oppdatert LinkedIn-side, en korrekt oppføring i foretaksregistrene og en presis omtale i et oppslagsverk er GEO-arbeid — ikke bare merkevarehygiene.

Hvordan AI-synlighet måles

Det finnes ingen rangeringsliste å lese av. AI-synlighet må derfor måles ved å spørre modellene systematisk og telle hva som skjer. I NorGEO-Bench kjørte vi hver av de 253 promptene tre ganger per plattform — 2 277 kjøringer totalt — og lot en verifikator med web-søk score hvert svar. Fire mål gir det meste av bildet:

• Nevningsrate: andelen av de relevante spørsmålene der virksomheten din i det hele tatt nevnes.
• Siteringsandel: hvor ofte ditt eget domene oppgis som kilde, kontra registre og tredjeparter.
• Nøyaktighet (0–3): om det modellen faktisk sier om deg stemmer.
• Hallusinasjonsgrad (0–3): hvor mye modellen dikter opp når den er usikker.

De to siste er de som overrasker flest. En modell som ikke kjenner deg, tier ikke nødvendigvis — den gjetter.

Gemini-tallene skal leses med forbehold: plattformen svarte kun på 250 av 759 forsøk i testperioden, resten ble blokkert eller feilet. Hovedpoenget står likevel — modellene oppfører seg ulikt nok til at «er vi synlige i AI?» ikke er ett spørsmål, men tre.

I 14 av de 253 promptene klarte ingen av plattformene å sitere en eneste av de norske aktørene vi på forhånd hadde definert som riktige. Det er fjorten spørsmål der markedet står helt åpent for den som først gjør seg siterbar.

Hva er llms.txt?

llms.txt er en fil du legger i rotmappen på nettstedet — dittdomene.no/llms.txt — som i ren Markdown beskriver hva virksomheten er og hvor det viktigste innholdet ligger. Tanken er den samme som robots.txt, men målgruppen er språkmodeller i stedet for crawlere: en kort, entydig kilde en AI-agent kan lese uten å tolke seg gjennom et designet nettsted.

# Bedriftsnavn

> Én setning om hva dere gjør, for hvem, og hvor.

## Tjenester
- [Tjeneste A](https://dittdomene.no/tjeneste-a): Kort beskrivelse
- [Tjeneste B](https://dittdomene.no/tjeneste-b): Kort beskrivelse

## Om oss
- [Om selskapet](https://dittdomene.no/om-oss): Fakta, historikk, org.nr

Den ærlige vurderingen: ingen av de store modellleverandørene har bekreftet at de bruker llms.txt, og en analyse av 300 000 domener fant ingen klar sammenheng mellom å ha filen og å bli sitert. Men den koster et kvarter å skrive, og enhver AI-agent som først besøker nettstedet ditt vil finne den. Vi anbefaler den som et billig supplement — ikke som tiltaket i seg selv.

Sju konkrete GEO-tiltak

• Spør modellene om deg selv. Still ChatGPT, Claude og Gemini de spørsmålene kundene dine faktisk stiller, og noter hva som er feil. Uten en nullmåling kan du ikke se effekt senere.
• Rydd i registrene først. Foretaksregisteret, proff.no, gulesider.no og 1881 er blant de mest siterte kildene i datasettet vårt. Feil der blir til feil i svarene.
• Gjør LinkedIn-siden til et faktaark. Det er det enkeltdomenet som siteres oftest — beskrivelsen der er reell GEO-tekst, ikke bare rekrutteringsmateriell.
• Skriv én entydig «om oss»-side. Hva dere gjør, for hvem, hvor, og siden når. Modellene gjengir det som er lett å plukke ut, ikke det som er vakrest formulert.
• Publiser tall og definisjoner andre kan sitere. Egne målinger, metodikk, prisnivå. En modell siterer helst en kilde som sier noe presist.
• Bli omtalt av andre. Fagpresse, bransjekataloger og oppslagsverk er både treningsdata og søketreff.
• Mål på nytt hver måned. Modellene oppdateres, og svaret som var riktig i mai kan være feil i august.

Tre vanlige misforståelser

• «GEO erstatter SEO.» Nei. Modellene henter fra web-søk, og web-søk er fortsatt rangert. Svak SEO gir svak GEO.
• «Det holder med schema-markup.» Strukturerte data hjelper modellen å forstå deg, men den siterer kilder den finner troverdige — ikke bare maskinlesbare.
• «Kjenner ikke modellen oss, sier den ingenting.» Dette er den dyreste feilslutningen. I testene våre konstruerte den mest hallusinerende modellen en fullstendig oppdiktet historikk for et navn den ikke kjente.

Utforsk NorGEO-Bench: 253 prompter, 200 norske bedrifter, tre plattformer

Les del 1 av GEO-serien: Hvor godt kjenner AI det norske markedet?

Les del 2: Kan norsktrente AI-modeller konkurrere med GPT og Gemini?