LLM’er citerer dybt indhold, ikke hjemmesider

Tallene er klare. Kun 11,6% af citationerne kommer fra URL’er med en mappedybde på én. For hvert ekstra niveau vokser procentdelen – 27,5 % ved to mapper, 33,3 % ved tre. Sider med dybde på fire til ti mapper udgør tilsammen yderligere 16,2 % af citationerne.

Hvorfor AI-modeller foretrækker specifikt indhold

ChatGPT og lignende værktøjer leder ikke efter generel information på hovedsiderne. De har brug for præcise svar på specifikke spørgsmål. Når nogen spørger efter “UV-beskyttelse i sportstøj”, vil modellen foretrække en detaljeret blogartikel eller produktside frem for generisk tekst om sportstøj.

Undersøgelsens resultater viser, at succesfulde brands skaber indhold netop til denne type søgning.

Detaljerede FAQ-sektioner, tekniske produktspecifikationer, datastudier og long-tail indhold giver AI-modeller materiale, de kan henvise til.

Source: Similarweb

Struktur bestemmer synligheden

Walmart og Temu giver et godt eksempel på, hvordan formatering påvirker resultater. Walmart bruger en separat “Om denne vare”-sektion på produktsider med punktlister og klare karakteristika. Temu lægger det meste information i produkttitlen.

Forskellen i resultater er betydelig. Walmart optræder i 59% af relevante AI-svar. Temu er praktisk talt usynlig. Årsagen er enkel – LLM-modeller behandler struktureret indhold med klare sektionsetiketter bedre.

Source: Similarweb

Hvad dette betyder for din e-shop

Skab specialiseret indhold , der besvarer dine kunders specifikke spørgsmål. I stedet for en generel “Sådan vælger du løbesko”-side, lav fem separate artikler til begyndere, maratonløbere, vinterløb, folk med ledproblemer og ultralet fodtøj.

Brug klare strukturer – H2- og H3-overskrifter, punktlister for funktioner og separate sektioner for specifikationer. AI-modeller skal vide, hvor de kan finde specifik information.

Analyser, hvilke spørgsmål kunderne stiller. Long-tail søgninger er din mulighed – konkurrencen er lavest her, og citationschancen er højest.