Forutsier AEO-signaler på nettstedet om en bedrift dukker opp i AI-svar? Vi målte 62 bedrifter

Nei, ikke i denne studien. Blant 62 lokale bedrifter i Japan viste vår AEO-poengsum for selve nettstedet (strukturerte data, llms.txt, tilgang for crawlere og lignende signaler) ingen sammenheng med hvor ofte Perplexity nevnte eller siterte en bedrift når den ble bedt om anbefalinger: Spearman ρ = 0.03 (95% KI −0.23 til 0.28, p = 0.834). Med 62 bedrifter kunne studien bare pålitelig påvise korrelasjoner på omtrent |ρ| ≥ 0.35, så en svakere sammenheng kan ikke utelukkes.

Publisert 28. oktober 2026. Data målt 24. oktober 2026. Nurevo lager AEO-verktøy, deriblant poengsummen som testes her; se «Vår interessekonflikt» nedenfor.

Sammendrag

  1. Spørsmål: Dukker bedrifter med nettsteder som scorer høyere på Nurevos AI-lesbarhetspoengsum (0 til 100), oftere opp i AI-svar på spørsmål som ikke nevner dem ved navn?
  2. Svar: Ikke støttet. ρ = 0.03 totalt, og fortsatt 0.03 etter justering for bransje og by.
  3. Totalt dukket bedriftene opp i 21.0% av svarene på søkespørsmål; 25 av de 62 dukket opp minst én gang.
  4. Heller ingen enkeltdel av poengsummen (strukturerte data, llms.txt, dekning og så videre) viste noen sammenheng etter korrigering for multiple tester.
  5. Det vi tar med oss: Strukturerte data hjelper AI med å lese en bedrifts fakta riktig, men avgjør ikke alene om bedriften blir nevnt. Andre faktorer betyr mer – svært sannsynlig blant annet hva andre nettsteder sier om bedriften. Det siste punktet er en hypotese denne studien ikke har testet.

Hvorfor vi gjennomførte studien

Råd om AEO (answer engine optimization), også våre egne, sier at et nettsted som er lett for AI å lese (strukturerte data etter schema.org, en llms.txt-fil, tilgang for AI-crawlere og serverrendret innhold), hjelper en bedrift å dukke opp i AI-svar. Nurevo selger en poengsum som bygger på nettopp disse signalene. Vi ville ha ærlig dokumentasjon på om poengsummen følger det eierne faktisk bryr seg om: å bli nevnt av AI. Vi låste hypotesen, analysen og beslutningskriteriene før vi samlet inn noen svar, og forpliktet oss til å publisere resultatet uansett utfall.

Metode

  1. Utvalg: 72 lokale bedrifter med egne offisielle nettsteder, valgt ut via nettsøk (portalnettsteder utelatt) innen 5 bransjer (tannklinikker, restauranter, skjønnhetssalonger, skatterådgivere, overnatting) og 4 japanske byer (Tokyo, Osaka, Fukuoka, Sapporo). 10 ble utelatt fordi poengsummen ikke kunne beregnes for nettstedet deres, slik at 62 gikk inn i analysen.
  2. Poengsum: Hvert nettsteds forside, robots.txt og llms.txt ble vurdert med samme kode som Nurevos offentlige poengsum: strukturerte data (30 poeng), dekning (25), lesbarhet (20), llms.txt (15) og konsistens (10), med en terskel for crawlertilgang, edge-blokkering og serverrendring (de som ikke består, får maks 15).
  3. Motor: Perplexity via deres Agent API med forhåndsinnstillingen «fast» (ett nettsøk, deretter et svar) – samme adapter som Nurevos betalte abonnement bruker for AI-synlighet. Bare én motor; se begrensningene.
  4. Spørsmål: tre «søkespørsmål» per bedrift som nevner området og typen virksomhet, men ikke selve bedriften (for eksempel «Anbefal en tannlege i Umeda»), felles for alle bedrifter i samme bransje og område, pluss ett «navngitt» spørsmål om bedriftens adresse og åpningstider. Hvert spørsmål ble stilt tre ganger.
  5. Utfall: En bedrift «dukket opp» i et svar hvis navnet sto i svaret eller dens eget domene var blant de siterte kildene. Synlighetsraten er andelen av bedriftens søkesvar der den dukket opp.
  6. Kontroll av detektoren: I svarene på de navngitte spørsmålene ble bedriftens navn oppdaget i 84.3% av tilfellene, over terskelen på 70% vi hadde satt for å stole på detektoren.
  7. Analyse: Spearmans rangkorrelasjon med permutasjons-p-verdi og bootstrap-konfidensintervall; partiell korrelasjon med bransje og by som faste effekter; en permutasjonstest innenfor strata; og en logistisk regresjon med faste effekter for bransje og by og en kvasibinomial korreksjon, fordi gjentatte svar på samme spørsmål ikke er uavhengige. De seks komponenttestene er Holm-korrigert.

Kriteriet for «støttet» ble satt på forhånd: ρ ≥ 0.3, p < 0.05, et 95% KI over null og en positiv justert korrelasjon. Selve svarteksten ble ikke lagret; bare om et navn forekom, om domenet ble sitert, og siteringens plassering.

Resultater

Konklusjonen er «ikke støttet». Alle tester av poengsummen mot synlighet gir en korrelasjon nær null:

n = 62 bedrifter. Målt på Perplexity 24. oktober 2026.
TestResultatp-verdi
Poengsum mot synlighetsrate (Spearman ρ, primær)0.03 (95% KI −0.23 til 0.28)0.834
Samme, justert for bransje og by (partiell korrelasjon)0.030.845
Samme, permutasjonstest innenfor strata0.030.829
Poengsum mot at navnet nevnes (søkespørsmål)−0.040.782
Poengsum mot at eget nettsted siteres (søkespørsmål)0.180.149
Poengsum mot at eget nettsted siteres (navngitte spørsmål)−0.030.813
Logistisk regresjon med faste effekter for bransje/by, kvasibinomial: odds per +1 SD i poengsum (18.81 poeng)×1.01 (95% KI 0.62 til 1.64)0.972

Den største koeffisienten, 0.18 mellom poengsummen og at bedriftens eget nettsted siteres, kan ikke skilles fra null (p = 0.149) og bør ikke leses som et funn.

Etter poengintervall

Nurevo viser poengsummen som rød, gul eller grønn. De fleste nettstedene i utvalget var røde, og ingen nådde grønn, så denne studien sier ingenting om svært høye poengsummer.

IntervallBedrifterGj.snittlig synlighetsrateDukket opp minst én gang
Rød5420.8%22
Gul822.2%3
Grønn0--

Etter delene av poengsummen

Ingen av delene av poengsummen hadde sammenheng med synlighet. Etter Holm-korrigering er alle p-verdier 1.000. Disse testene var utforskende.

Holm-korrigert p = 1.000 for alle deler.
DelSpearman ρ med synlighetsrate
Strukturerte data (schema)0.08
Dekning0.12
Lesbarhet−0.17
llms.txt−0.02 (oddsratio 1.41, 95% KI 0.79 til 2.52)
Konsistens0.06
Terskel (crawlertilgang, edge, serverrendring)61 bestod: 21.3% synlighet; 1 strøk: 0%

Etter bransje og by

Synligheten varierte mer etter bransje og by enn etter poengsum. Dette er beskrivende tall fra små grupper, ikke testede forskjeller.

Radene for bransjer og radene for byer dekker hver for seg de samme 62 bedriftene.
GruppeBedrifterGj.snittlig poengsumSynlighetsrate
Skatterådgivere1327.9210.3%
Overnatting1321.0823.9%
Tannklinikker1340.1525.6%
Skjønnhetssalonger824.258.3%
Restauranter1524.2030.4%
Osaka1526.2715.6%
Sapporo1729.419.8%
Tokyo1525.5331.1%
Fukuoka1529.2728.9%

Begrensninger

  1. Tverrsnittsdesign: Én måling av mange nettsteder viser sammenheng, ikke årsak. Om en forbedring av et nettsted endrer synligheten, krever en før-og-etter-studie av de samme nettstedene.
  2. Statistisk styrke: Med 62 bedrifter ville en korrelasjon svakere enn omtrent |ρ| = 0.35 ofte bli oversett. Bedrifter i samme område og bransje deler de samme svarene, så det effektive utvalget er enda mindre. «Ikke funnet» betyr her ikke «finnes ikke».
  3. Én motor, én uke: Perplexity med forhåndsinnstillingen «fast», målt 24. oktober 2026. ChatGPT, Gemini, Googles AI Overviews og Copilot bruker andre søkeindekser og modeller; resultatene kan ikke overføres til dem.
  4. Uobserverte forstyrrende faktorer: Anmeldelser, merkevarekjennskap, annonsering, antall år i drift og oppføringer på andre nettsteder ble ikke målt. Det ble bare justert for bransje og by.
  5. Utvalg: Bedriftene ble funnet via nettsøk og heller derfor mot bedrifter som allerede er lette å finne. Ingen nettsteder scoret grønt. 5 bransjer og 4 byer i Japan er ikke nødvendigvis representative for andre bransjer, regioner eller språk.

Hva det betyr for en bedrifts nettsted

Strukturerte data, llms.txt og tilgang for crawlere gjør fortsatt nytte: De lar AI lese en bedrifts fakta (adresse, åpningstider, telefonnummer, tjenester) direkte og riktig i stedet for å gjette. Det er verdt å gjøre, og det er en annen oppgave enn å bli anbefalt. I denne studien ble et nettsted som var lettere å lese, ikke nevnt oftere.

Vår arbeidshypotese er at kilder utenfor nettstedet (anmeldelser og kartoppføringer, lokale medier, kataloger og andre nettsteder som nevner bedriften) veier tungt når en AI avgjør om den skal nevne en bedrift i svaret på et anbefalingsspørsmål. Denne studien målte ikke disse kildene, så dette er en hypotese som må testes, ikke et resultat.

I praksis: Hold grunnleggende orden på ditt eget nettsted, fordi det gjør det AI sier om deg, riktig – og mål om AI faktisk nevner deg, i stedet for å utlede det fra en lesbarhetspoengsum.

Vår interessekonflikt, og hva vi endrer

Nurevo lager AEO-verktøy, og poengsummen som testes her, er et av våre produkter. Et resultat som viser at poengsummen ikke forutsier synlighet, er ikke et vi selv ville ha valgt. Vi publiserer det fordi kriteriene ble satt før dataene kom inn, og fordi eiere bør vite hva en poengsum kan og ikke kan fortelle dem.

Dette gjør vi: Vi presenterer ikke AI-lesbarhetspoengsummen som en prediktor for synlighet i AI-svar. I stedet måler vi synlighet direkte: Pro-abonnementet måler hvor ofte Perplexity nevner eller siterer et nettsted (beta), og vi legger til en liten månedlig synlighetssjekk for nettsteder på Free og Standard. Vi utvikler også en ny versjon av poengsummen som kombinerer målt AI-synlighet med signalene på nettstedet, i stedet for å bygge på signalene på nettstedet alene.

Navn og nettsteder til de målte bedriftene publiseres ikke.

Vanlige spørsmål

Får strukturerte data AI til å nevne bedriften min?

I denne studien av 62 lokale bedrifter på Perplexity fant vi ingen sammenheng mellom signaler på nettstedet, som strukturerte data, og hvor ofte en bedrift ble nevnt (ρ = 0.03). Strukturerte data hjelper AI med å lese faktaene dine riktig, men forutsa ikke alene om du ble nevnt.

Hjelper llms.txt en bedrift med å dukke opp i AI-svar?

Vi fant ingen sammenheng i denne studien: ρ = −0.02 mellom llms.txt-delen og synlighetsraten (Holm-korrigert p = 1.000). Studien var liten og brukte én motor, så den beviser ikke at llms.txt aldri har betydning.

Betyr dette at AEO er meningsløst?

Nei. AEO på nettstedet gjør det AI sier om en bedrift, riktig. Studien tyder på at det ikke er nok til å bli anbefalt, og at om man blir nevnt, bør måles direkte i stedet for å utledes fra en lesbarhetspoengsum.

Hvilken AI-motor ble målt?

Bare Perplexity, via deres Agent API med forhåndsinnstillingen «fast», 24. oktober 2026. Resultatene kan ikke overføres til ChatGPT, Gemini, Googles AI Overviews eller Copilot.