Fredag den 6. november blev et banner for virksomheder spottet i ChatGPT. Løftet er enkelt: bekræft, at virksomheden er din, og du vil se, hvor mange gange den optrådte i svar, og hvor mange mennesker der klikkede sig videre til din hjemmeside. I min artikel om den opmærksomhed, dine analyser ikke kan se, skrev jeg, at kun den platform, der viser svaret, har sådanne signaler. Platformen begynder at dele dem, og det er gode nyheder. Spørgsmålet er, hvad du vil aflæse fra denne tæller, og hvad du aldrig vil aflæse fra den.
Hvad blev der præcist spottet, og hvorfor er det gode nyheder?
Funktionen kaldes Business Hub. Den er endnu ikke tilgængelig, og OpenAI har ikke officielt annonceret den. Banneret og de første rapporter antyder, at en verificeret virksomhed (et eksempel er at forbinde en onlinebutik) vil se to daglige tal på en graf: eksponeringer i svar og klik på links til dens hjemmeside. Oven i det kommer opdaterede produkt- og virksomhedsdetaljer samt en agent, der besvarer kunder i en kontekst, virksomheden kontrollerer. Panelet vil ikke vise de spørgsmål, folk stillede, konkurrenter eller nogen rangering.
Dette er gode nyheder, fordi en kanal, der hidtil ikke har efterladt spor, får en tæller. Søgning gik denne vej tidligere: Google Search Console har vist eksponeringer og klik i årevis, og marketingfolk har lært at træffe beslutninger på det grundlag. Den værste situation i AI-kanalen forsvinder derfor, den hvor kundens beslutning træffes, og dashboardet forbliver tomt.
Tælleren bekræfter, at chancen for opmærksomhed i en models svar eksisterer og kan tælles, men den siger ikke, hvor den chance kom fra.
Tælleren måler det sidste skridt på vejen til opmærksomhed
I den tidligere artikel opdelte jeg vejen til opmærksomhed i AI-kanalen i fire trin. Det første er et fast sæt kundespørgsmål uden brandnavnet. Det andet er de fem niveauer, der aflæses fra indholdet af svarene, som tilsammen udgør chancen for opmærksomhed: tilstedeværelse, konkurrence, position, retning og overlevering. Det tredje er research, der involverer mennesker, som bekræfter, at opmærksomhed virkelig skete, og det fjerde er forretningsmæssig indvirkning: trafik fra svar, forespørgsler og salg. Eksponeringer og klik fra platformens panel tilhører det fjerde trin.
Hvorfor er det ikke nok? Panelet vil fortælle dig, at brandet optrådte i svar tusind gange. Det vil ikke fortælle dig i hvilke spørgsmål, ved siden af hvem eller i hvilken position. Det vil heller ikke fortælle dig, om modellen anbefalede brandet eller blot nævnte det, om den beskrev det præcist, eller hvor den sendte kunden hen. De fem spørgsmål om chancen for opmærksomhed forbliver ubesvarede.
Forestil dig to brands med en identisk tæller. Det første dukker op i spørgsmål om kategorien, og modellen anbefaler det tydeligt. Det andet dukker op i spørgsmål om lederens svagheder, som et billigere alternativ sidst på listen. Grafen viser den samme søjle, men det er to helt forskellige situationer. Michał Grzebyk beskrev forskellen mellem en omtale og en anbefaling i en separat artikel.
Platformen viser, at brandet var i svaret. Uafhængig måling viser hvorfor, og ved siden af hvem.
Hvorfor vil paneldata og måledata aldrig stemme overens?
Panelet tæller hver samtale fra alle, der bruger platformen, sammen med deres historie, hukommelse og personalisering. Uafhængig måling stiller et fast sæt kundespørgsmål til modellerne, uden brandnavnet og uden personalisering, med modelversion og dato ved siden af hvert tal. Det første er en tæller, det andet er en forskningsprøve, og begge beskriver det samme fænomen fra to forskellige sider.
Ingen af målingerne ophæver den anden, fordi hver især besvarer et forskelligt spørgsmål. Tælleren fortæller dig, hvad der skete i rigtige menneskers samtaler. Prøven fortæller dig, hvad modellen har tendens til at gøre, når en kunde spørger om kategorien, og af hvilken grund. Begge tal er værd at holde side om side, på en tidslinje, men aldrig lægge dem sammen.
Tip: når begge grafer bevæger sig i samme retning, er ændringen sandsynligvis reel. Når de divergerer, er det endnu ikke en fejl, blot et spørgsmål, der er værd at undersøge. En divergens siger normalt noget om, hvem der spørger, på hvilket sprog eller i hvilken model.
Er en stigende tæller brandets fortjeneste?
Efter den første stigning i tælleren vil bestyrelsen spørge direkte, om det er resultatet af virksomhedens arbejde. En stigning kan have mindst tre årsager, og hver af dem fører til en forskellig beslutning. Den kan komme fra brandets egne handlinger, såsom nyt indhold, nye kilder eller opryddede fakta.
Det kan også komme fra en ny modelversion, der uden nogen kampagne begyndte at nævne brandet oftere. I vores målinger ser vi, at en versionsændring kan ændre resultatet mærkbart, i begge retninger. Endelig kan det komme fra markedet selv, fordi flere og flere mennesker bruger assistenter. Platformens panel kan ikke skelne disse årsager fra hinanden, fordi det ikke ved, hvad brandet gjorde, og det viser ikke modelversionen.
Tre ting gør det muligt at skelne dem fra hinanden: en dateret log over, hvad brandet gjorde, en markør for hver modelversionsændring på den samme tidslinje og en støjtærskel, under hvilken en ændring ikke er en ændring. Uden dem ser panelets graf pæn ud, men siger intet. Så det er værd at starte aktivitetsloggen i dag, før panelet når din virksomhed.
Én assistent er endnu ikke AI-kanalen
OpenAIs panel vil vise ChatGPT, mens kunder også spørger Gemini, Claude, Perplexity eller Copilot. I Google Søgning læser de i stigende grad et genereret svar over resultaterne, før de klikker på et link. Hver af disse modeller bygger sin liste forskelligt og peger på kilder forskelligt.
For brands, der er til stede på mange markeder, kommer sprog oveni. En model citerer den kilde, der passer til situationen for den person, der spørger, på den persons sprog og kontekst. Det samme produkt kan derfor få helt forskellige svar og forskellige henvisninger på tysk og på tjekkisk.
En tæller fra én platform er et mål for én platform. AI-kanalen måles på tværs af alle modeller på én gang, på de samme spørgsmål.
Profil, produkter og agent, eller stedet hvor brandet taler for sig selv
Den anden del af banneret er lige så vigtig for brands, fordi virksomheden får plads til aktuelle produkter og detaljer, plus en agent, der besvarer kunder i en kontekst, virksomheden kontrollerer. For første gang har et brand et sted inde i assistenten, hvor det taler med sin egen stemme.
Lad mig gentage princippet, vi følger hos Brand Semantics: vi styrer ikke modellernes svar, vi måler effekterne af ændringer. Profilen og agenten er et sted for fakta, ikke for overtalelse. Modellen vil alligevel kontrollere dem mod kilder, og kunden vil kontrollere dem mod virkeligheden.
Så hvad skal du forberede? En liste over brandfakta, der skal være konsistente overalt: produkter, priser eller prisintervaller, lokationer, certificeringer, kontaktpersoner. En fejl mod brandets fakta i en models svar er et andet tab end at blive udeladt. Et brand, der udelades, mister en chance, mens et brand, der beskrives forkert, mister kundens tillid.
Hvad skal du gøre, før panelet når din virksomhed?
Verifikation via en onlinebutik antyder, at funktionen vil starte med e-handel, så en B2B-virksomhed måske skal vente længere. Det gør dette til et godt tidspunkt at gøre sig klar til at aflæse tælleren.
- Mål nu, med spørgsmål der ikke nævner brandet, på tværs af flere modeller og på dine kunders sprog. Når panelet lanceres, har du en dateret baseline.
- Før en aktivitetslog og noter i den, hvad der blev offentliggjort eller ændret, og hvornår, på din hjemmeside og i dine kilder.
- Adskil trafik fra assistenter i dine analyser som særskilte henvisningskilder, så du kan sammenligne klik fra panelet med sessioner på dit websted.
- Få styr på brandets fakta i de kilder, modellerne citerer. Profilen og agenten vil senere trække på de samme fakta.
- Registrer hvert tal med modelversion og dato, og hold paneldata adskilt fra måledata, uden at lægge dem sammen.
Tælleren afslutter AI-kanalens usynlighed, men ikke marketingmedarbejderens arbejde
En tæller fra platformen er en god ændring, fordi den afslutter den tid, hvor AI-kanalen var usynlig for analyser, men den fritager ikke marketingmedarbejderen fra at spørge om årsager. Platformen viser, at brandet var i svaret. Uafhængig måling viser hvorfor, og ved siden af hvem. Opmærksomhed forbliver valutaen, og modellen uddeler stadig chancer for det til de brands, der giver den en grund.
Hvis du ønsker en baseline, før et platformspanel når din virksomhed, stiller Semantio modeller spørgsmål, der ikke nævner brandet, og viser, om modellen introducerer det, hvem den placerer det ved siden af, hvor stærkt den anbefaler det, og hvor den sender kunden hen, med modelversion og dato ved siden af hvert tal. Du kan starte med en 7-dages prøveperiode.
