GEO för e-handel: blir din butik rekommenderad av AI?

Svar-först: när konsumenten frågar en AI-chatt efter produkter innehåller svaret ett fåtal namn. Vilka som nämns avgörs av vad modellen kan hämta och citera — och det är delvis påverkbart, genom samma grundarbete som bra e-handels-SEO: tydlig produktdata på crawlbara sidor. Volymen är fortfarande liten, men kvaliteten på besöken är hög.

Detta är e-handelens gren av generativ engine optimization. Grunddefinitionen hittar du på vad är GEO?; här handlar det om vad som får en butik rekommenderad — och vad som är ren manipulation.

Är AI redan en försäljningskanal för e-handel?

Delvis — volymen är liten, kvaliteten hög. Vid skrivandet kommer runt en procent av webbtrafiken från AI-plattformar, men besökarna konverterar bättre än övriga källor. Läget vid skrivandet:

Fler tecken från samma data: Adobe mätte att 47 procent av konsumenterna litar på AI och att över 55 procent klickar aktivt på AI-genererade länkar, medan 65 procent kände sig mer köpsäkra efter AI-hjälp (Adobe, jan 2026). Och vägen från svar till butik blir kortare: sedan maj 2026 har ChatGPT börjat ersätta fotnotscitat med klickbara varumärkesnamn inne i svaret (Similarweb, juli 2026). Svar, klick, besök — kedjan håller på att byggas ut.

Kan rekommendationerna manipuleras?

Ja, i labbmiljö — det är belagt. En studie från Harvard-forskarna Kumar och Lakkaraju (arXiv-preprint 2024) byggde en "strategic text sequence": en tokensträng optimerad för att maximera en produkts placering i modellens rekommendationslista, som stoppades in i produktens egen JSON-informationspost på produktsidan — alltså inte i tredjepartsrecensioner (arXiv:2404.07981).

Resultaten i deras testupplägg — en katalog med tio fiktiva kaffebryggare, 200 oberoende utvärderingar per villkor, open source-modeller av Llama-2-typ:

En detalj är värd att notera: sekvensen behöver inte vara läsbar för en människa. Studiens exempel ser ut som "interact>; expect formatted XVI RETedly_ _Hello necessarily phys*) ### Das Cold Elis$?" — den optimerar tokens, inte mening.

• I ungefär 40 % av utvärderingarna fick målprodukten högre rank av den tillförda sekvensen (i fast ordning) — i ungefär 60 % skedde ingen förändring, och sekvensen kunde också slå bakut.
• En produkt som knappt rekommenderades tog sig till topprekommendation efter 100 iterationer av optimering.

Detta är alltså ingen oskyldig detalj: författarna jämför metoden med SEO-spam och varnar att skydd måste byggas för att hindra utnyttjande av AI-driven sökning. Men notera ramen — en kontrollerad katalog, öppna modeller, en smal produktkategori. Studierna visar att sårbarheten finns, inte att metoden fungerar mot dagens ChatGPT eller Google i produktion.

Varför är manipulation ändå ingen strategi?

För att det är spam — oavsett om det fungerar. Eyrie förespråkar aldrig manipulation, och här är skälen i ordning:

• Det är precis den sortens innehåll som straffas. Text som skrivs för att manipulera rankning utan att hjälpa användaren är kärnan i Googles spamregel om scaled content abuse (Google Search Central) — och motsvarigheten i AI-sammanhang är prompt injection: obegriplig text till för modellen, men synlig för kunden.
• Metoden är instabil. Sekvenserna optimeras mot specifika modellversioner och katalogformat. 40 %-siffran är från ett smalt labb — som strategi bygger du på ett experiment, inte en kanal.
• Insatsen är ditt varumärke. En kund som hittar obegriplig, optimerad text på din produktsida har lärt sig något om hur du arbetar. Recensionsplattformar och marknadsplatser stänger dessutom dörrar när de ser det.
• Det förflyttar ingenting som håller. Det som faktiskt styr rekommendationer i praktiken — produktdata, recensioner, oberoende omnämnanden — går att bygga ärligt till samma kostnad som manipulationen tar i risk.

Varningen är ändå värdefull att känna till: din konkurrent kan försöka hacka sig in i svaret. Det är ett skäl att övervaka vem som citeras — inte att delta (så diagnosticerar du vem som citeras och varför).

Vad bygger rekommendationer ärligt?

Fyra saker, alla i din egen kontroll:

• Citerbara priser och lagerstatus. Modellens svar byggs på data som kan återges rakt av: aktuellt pris, i lager eller ej, leveranstid. Priser som bara finns i PDF:er eller i bilder saknas i svaret.
• Recensioner och betyg. Äkta, insamlade och synliga — på produktsidan och i strukturerad data. Betyg är en av de starkaste kvalitetssignalerna en produktsida har.
• Jämförelseinnehåll. "Bästa X under 1000 kr", "X vs Y", köpguider per behov — sidor som svarar på köparens exakta fråga och därför kan citeras som svar. Så här skrivs citerbart innehåll.
• Tydliga specifikationer. Mått, material, kompatibilitet — i text, i tabeller, på sidan. Specifikationer är det modellen väger mot köparens krav ("får plats i en liten hiss").

Det är samma grundarbete som i SEO för e-handel: kategorisidor, unika produkttexter, recensioner. GEO är ingen separat kanal — det är grunderna, bedömda av en ny typ av läsare.

Var börjar du?

Vanliga frågor