Kan man optimera för AI?

Nja. Först måste man ta reda på vad man egentligen försöker påverka.

Vi använder redan AI i vardagen. När vi söker information, jämför alternativ eller fattar beslut filtrerar AI bort, prioriterar och sammanfattar innan vi ens ser alternativen. Men landskapet är fragmenterat. Användare möter olika AI-system i olika sammanhang, via olika gränssnitt och olika språkmodeller, ofta utan att själva reflektera över det.

Det gör frågan ”kan man optimera för AI?” både rimlig och problematisk.

Rimlig, eftersom AI påverkar utfallet. Problematisk, eftersom den förutsätter att AI är ett tydligt mål att optimera mot.

Det är den inte.

AI är inte en kanal. Det är flera urvalssystem.

När vi pratar om AI som om det vore en kanal missar vi något grundläggande. Det finns inte en AI som väljer svar eller formar rekommendationer. Det finns flera system, med olika logiker, olika källpreferenser och olika sätt att väga information.

I praktiken betyder det att:

• samma fråga kan ge olika svar i olika AI-miljöer
• samma varumärke kan vara tydligt närvarande i ett system och helt frånvarande i ett annat
• samma innehåll kan fungera i ett sammanhang men vara irrelevant i ett annat

Detta är inte ett kvalitetsomdöme. Det är en beskrivning av hur systemen faktiskt fungerar.

Varför generella råd om AI-optimering inte räcker

När AI fortfarande upplevs som nytt och svårgripbart är det naturligt att söka generella svar. Många vill veta hur man “anpassar sitt innehåll för AI” eller hur man “syns i AI-svar”.

Problemet är inte viljan att förstå. Problemet är att frågorna ofta ställs för tidigt.

De förutsätter att man redan vet:

• vilka AI-modeller som är relevanta för den egna målgruppen
• i vilka sammanhang kunder faktiskt använder dem
• hur det egna varumärket redan väljs eller väljs bort där

I de flesta fall vet man inget av detta. Och utan den förståelsen blir optimering ett antagande, inte ett nästa steg.

Ingen vet säkert vilken AI som påverkar kundernas beslut

En insikt som sällan sägs högt är denna:
De flesta organisationer kan i dag inte med säkerhet säga vilken AI som påverkar deras kunders beslut, i vilka situationer eller med vilken tyngd.

Det är inte ett misslyckande. Det är en rimlig konsekvens av att teknik, beteenden och distributionsytor fortfarande är i rörelse.

Därför är det heller inte rationellt att:

• välja en enskild AI och optimera hårt mot den
• bygga spets för ett system vars betydelse snabbt kan förändras
• behandla AI som ett statiskt mål

Det rationella är att acceptera osäkerheten och arbeta strukturerat inom den.

Från ”rätt AI” till rätt ordning

När man inte vet exakt vilken AI som betyder mest för ens kunder uppstår en viktigare fråga:

Var finns hävstången just nu?

Det handlar till exempel om:

• i vilka AI-miljöer vi är helt osynliga
• var vi är närvarande men inte valda
• var konkurrenter framstår som tydligare eller mer begripliga
• var relativt små förändringar kan få faktisk effekt

Detta är inte en optimeringsfråga. Det är en analysfråga.

Därför måste analys komma före optimering

När man optimerar innan man förstår sitt nuläge leder det nästan alltid till:

• spridda insatser
• fokus på fel system
• åtgärder som känns aktiva men saknar riktning

Eftersom AI dessutom reducerar urvalet innan användaren ens ser alternativen blir detta ännu viktigare. Om vi inte vet var vi väljs, var vi väljs bort och på vilka grunder arbetar vi i praktiken utan karta.

Här uppstår behovet av systematisk analys. Inte för att skapa kontroll över AI, utan för att skapa orientering.

Att vara lite stark i flera LLM är ofta rätt startpunkt

I ett tidigt och fragmenterat landskap är det ofta klokare att:

• bygga grundläggande styrka i flera AI-miljöer
• identifiera var gapen är störst
• arbeta där hävstångseffekten är tydligast just nu

När det är gjort kan man gå vidare, fördjupa och optimera mer specifikt. AI-arbete är inte linjärt. Det är iterativt.

Så slutfrågan blir igen. Kan man optimera för AI?

Ja. Men inte som första steg.

Vi använder redan AI för att söka, jämföra och fatta beslut. Frågan är därför inte om AI påverkar utfallet, utan hur och var. Problemet är att få i dag med säkerhet kan säga vilken AI som faktiskt påverkar deras kunders beslut, i vilka sammanhang och med vilken tyngd. 

Därför är det rationella första steget inte optimering, utan förståelse.

Vi behöver ta reda på:

• hur varumärket beskrivs och väljs i olika AI-system
• hur AI-systemen reducerar och presenterar alternativ
• var nästa insats ger störst effekt för att stärka valbarheten

Share of Answer analyserar hur varumärken väljs och omnämns i alla de dominerande språkmodellerna. Det ger ett faktabaserat nuläge och gör det möjligt att arbeta där hävstången är störst just nu.

Börja med att ta reda på om du är valbar.