Ditt varumärke sett utifrån modellen

I en värld där sökmotorer var ingången i informationsvärlden hade varumärken mer kontroll över hur de gestaltades. Det var inte bara möjligt att optimera sina sidor för sökmotorerna, man hade dessutom flera chanser att kommunicera - så länge du fanns inom de första 10 länkarna så hade du i alla fall en chans att berätta din varumärkesberättelse.

Med AI är det annorlunda. Vi går nu från 10 länkar till ett enda svar. Hur ska vi då kunna kommunicera varumärken väl? När sök ersätts av syntes försvinner möjligheten att konkurrera om utrymme. Istället konkurrerar man om att bli den enda källa som modellen litar på.

AI-modeller tränas som bekant på stora mängder data. Dessa data innehåller en enorm mängd fakta, om vetenskap, kultur och andra ämnen. De innehåller också information om varumärken, och denna information färgar naturligtvis hur modellen “tänker” om just ditt varumärke. Det skapar en helt ny typ av utmaning för företag och organisationer: för det första måste vi ta reda på vad AI-modellerna tycker om oss, och sedan fundera på om det går att påverka deras bedömning.

Om vi börjar med det första: hur tar vi reda på vad modellerna tycker om oss? Det naiva svaret är att vi kan fråga, och se hur modellen svarar. Den som vill kan använda chatbotten som en sorts varumärkeskonsult och fråga vad den tycker om varumärket och med litet användargränssnittsdesign kan man snabbt utveckla en varumärkesanalys.

Rapporten kan utformas på litet olika sätt, men kommer i princip att utgå från vad modellen har lärt sig om ditt varumärke och vad den kan hitta i övrigt.

Med några enkla handgrepp kan du undersöka hur modellen representerar varumärket - och arbeta med olika typer av analyser. Problemet med denna analys är dock att den svarar på en mer “ytlig” fråga - frågan om hur en chatbot kommer att representera ditt varumärke på en direkt fråga. Det kan vara ännu mer intressant att fundera på hur en modell representerar varumärket i sig självt. För att komma åt detta måste vi skriva en annan sorts utvärdering, en som arbetar på djupet med de enskilda modellerna, testar dem upprepade gånger och ger dig ett mer heltäckande svar. Vi testar exempel med tre open source modeller.

Och resultaten (ett sorts test som kallas “narrative completion” - modellen får avsluta en mening: narrative-completion-testet visar vilka ord, associationer och värderingar modellen spontant kopplar till ditt varumärke när den ska fortsätta en berättelse utan att du styr den.).

Den här typen av analyser kör man då för de största modellerna, och det kan ge ledtrådar om vilka produkter en sådan modell väljer om den används som grund för agenter eller andra system!

Hur skriver man för att påverka en AI?

Hur kan vi då påverka resultaten om vi inte gillar dem? Är det möjligt att “SEO-optimera” för en AI?

Här måste vi skilja på modellens minne och modellens verktyg. Modellens ”minne” – alltså de mönster som är inlärda i dess parametrar – är statiskt och förändras bara vid ny träning eller finjustering. Det har tränats in under lång tid och det går inte att “lura” modellen att ändra uppfattning genom enkla nyckelordsjusteringar. Det finns ingen algoritm att reverse-engineera på samma sätt som hos Google.

Men, de flesta moderna AI-system ”fuskar”, i bemärkelsen att de inte enbart förlitar sig på den inbyggda modellen utan kompletterar med färska fakta via sök, via sk Retrieval Augmented Generation (RAG). Här uppstår en ny möjlighet. Även om du inte kan ändra modellens grundinställning, kan du påverka den kontext den läser in för stunden. Målet är inte längre att ranka högt, utan att din information är strukturerad på ett sätt som gör den enklast för maskinen att förstå, lita på och återge. Vi går från att optimera för klick till att optimera för syntes.

Detta kräver en ny strategi: att optimera för citerbarhet. Det bästa du kan göra är att producera högkvalitativ information som är så tydlig och auktoritär att modellen väljer den som “sanningen” om ditt varumärke. Du måste alltså lära dig att kommunicera för AI.

Kvalitet före kvantitet

Den första principen är att kvalitet trumfar kvantitet på ett mer avgörande sätt än tidigare. För sökmotorer kunde ren volym - många sidor, många länkar - vara en framgångsstrategi. Språkmodeller är mer sofistikerade läsare. De tränas visserligen på enorma datamängder, men moderna träningsprocesser viktar högkvalitativt innehåll högre. En välskriven, faktarik artikel om ditt företag i en respekterad publikation väger sannolikt tyngre än hundra tunna pressmeddelanden.

Strukturerad data och maskinläsbarhet

En andra princip handlar om strukturerad data. Språkmodeller är bra på att extrahera information från löptext, men de har också lärt sig att tolka strukturerade format. Se till att din webbplats använder schema.org-markup korrekt. Publicera fakta om ditt företag i format som är lätta att parsa: organisationsinformation, produktspecifikationer, historiska milstolpar. Tänk på din digitala närvaro som en sorts kunskapsbas som en maskin ska kunna läsa och förstå.

Konsekvens och koherens

Den tredje principen är konsekvens. Om ditt varumärke beskrivs på vitt skilda sätt i olika källor - ibland som premiumalternativet, ibland som budgetlösningen - kommer modellen att lära sig denna inkonsistens. Den kan till och med börja betrakta varumärket som “förvirrande” eller svårt att placera. Arbeta för att era kärnbudskap uttrycks konsekvent över alla kanaler och i all extern kommunikation.

Saklig ton och faktabaserad kommunikation

En fjärde princip kan tyckas kontraintuitiv för marknadsförare: var saklig. Språkmodeller har tränats på allt från vetenskapliga artiklar till reklamtexter, och de har lärt sig att skilja på dessa genrer. Överdrivet säljande språk tenderar att behandlas med viss skepsis i modellernas interna representationer, medan saklig, faktabaserad information tas mer på allvar. Det betyder inte att du ska sluta berätta din historia - men att de fakta du vill att modellen ska lära sig bör presenteras rakt och tydligt, inte inbäddat i marknadsföringsjargong.

Närvaro i rätt sammanhang

Slutligen handlar det om var ditt varumärke dyker upp. Modeller lär sig inte bara vad som sägs om dig, utan i vilka sammanhang. Om ditt varumärke konsekvent nämns tillsammans med branschledare och i seriösa publikationer kommer det att färga representationen positivt. Om det främst dyker upp i klagomålsforum eller i sammanhang av kontroverser kommer det också att synas. Detta är förstås inte nytt - det är klassisk PR - men konsekvenserna har förändrats. Tidigare handlade det om vad människor såg när de googlade dig. Nu handlar det om vad AI-system “tror” om dig när de fattar beslut eller ger rekommendationer.

En tidsaspekt med två hastigheter

Tidigare brottades vi med att modeller tränas på data som kan vara månader eller år gamla. Idag är situationen mer komplex: vi lever i en värld med två hastigheter. Tack vare att moderna modeller kan söka information i realtid, kan fakta om ditt varumärke uppdateras omedelbart. Om ni lanserar en ny produkt idag, kan en AI hitta och beskriva den imorgon. Men varumärkets djupare representation – hur modellen “känner” för er, vilka ord den sannolikt associerar med er och hur den viktar er trovärdighet – ligger fortfarande inbäddat i den långsammare träningsdatan. Detta skapar en paradox: Ni kan snabbt korrigera ett felaktigt pris, men det tar fortfarande år av konsekvent arbete att tvätta bort en stämpel som “lågpris” eller “otillförlitlig” ur modellens djupt inlärda mönster.

Arbetet med AI-representation kräver därför både snabb reaktionsförmåga för fakta och tålmodig uthållighet för varumärkesbyggande. För att det ska ge resultat behöver du följa en konsistent strategi och veta vad du ska göra i varje steg.

Till sist

Naturligtvis kommer detta att förändras. Stora AI-företag funderar redan idag på hur de ska kunna hämta hem de enorma investeringar som gjorts i AI. Ett uppenbart svar är “annonsering” och vi kommer sannolikt att se flera olika modeller för annonsering - men det kommer att vara svårare än att vara lägga till några länkar vid sidan av en sökmotor. Relationen vi har till AI är personlig. Det betyder att förtroende spelar roll - och att annonsera när vi diskuterar känslor, mina tankar om karriären eller frågor om min hälsa - det kommer att upplevas nästan som ett svek av många användare.

Men att kommersialiseringen av AI:s varumärkesrepresentation kommer är närmast oundvikligt.

Lästips

Denna vecka rekommenderar vi The Image: A Guide to Pseudo-Events in America av Daniel J. Boorstin (1961).

Boorstins bok är en av de mest klarsynta analyserna av hur moderna samhällen skapar, sprider och konsumerar bilder av verkligheten snarare än verkligheten själv. Hans begrepp pseudo-event — händelser som iscensätts enbart för att bli representerade — talar direkt till dagens AI-ekosystem där varumärken inte längre konkurrerar om fysisk exponering utan om vilken bild av dem som modeller internaliserar. Boorstin visar hur institutioner, medier och organisationer under 1900-talet stegvis flyttade fokus från substans till representation, från verklig kvalitet till uppfattad kvalitet. Det är exakt denna glidning som blir central när AI-modeller nu fungerar som syntetiserade filter för hur företag uppfattas.

I relation till AI framstår Boorstin som kusligt tidig. Han skrev innan internet, innan sökmotorer, innan stora språkmodeller — men beskriver ändå ett samhälle där bilderna vi skapar börjar leva egna liv och formar våra förväntningar tillbaka på oss själva. Det är precis det vi ser när ett varumärke inte längre behöver imponera på människor först, utan på en modell som filtrerar världen åt dem. The Image hjälper oss att förstå hur representationer blir autonoma krafter och hur institutioner måste navigera i ett mediasystem där perception är verklighetens främsta konkurrent. För alla som vill förstå den långsamma evolutionen från TV till TikTok till transformerbaserade modeller — och hur varumärken blir modeller — är detta en nödvändig bok att läsa.

The Stockholm Project