AEO-ekspert forklarer, hvorfor trafikken styrtdykker, når du tidobler indholdet — og hvad du skal gøre ved det

Brendan Hufford er tidligere SEO-direktør og grundlagde et B2B SaaS-konsulentfirma inden for indholdsmarkedsføring og AEO kaldet Growth Sprints, hvor han hjælper organisationer med at skalere fra $10M til $100M.

Vi talte med Brendan for at lære, hvordan man bliver citeret af LLM'er. Han gav os arbejdsgangen.

At forstå AI i realtid

Jeg er Brendan Hufford, grundlægger af Growth Sprints, et B2B SaaS-konsulentfirma inden for indholdsmarkedsføring og SEO/AEO, hvor jeg hjælper organisationer med at skalere fra $10M til $100M med indholdssystemer, der klarer sig godt i søgninger, nyhedsbreve og på LinkedIn.

Min vej hertil var ikke lineær. Jeg begyndte som psykologilærer i gymnasiet, bevægede mig ind i SEO og indholdsmarkedsføring for omkring et årti siden og brugte flere år på at lære faget hos bureauer og interne teams, før jeg blev selvstændig.

Skiftet til AI inden for marketing har været det mest interessante øjeblik i min karriere indtil videre. Meget af det, jeg byggede min praksis på — traditionel SEO med placeringer og trafik som mål — begyndte at ændre sig hurtigt. Kundernes indhold dukkede op i svar fra ChatGPT og Perplexity uden at generere et eneste klik tilbage. CMO'er var nødt til at forsvare investeringer i indhold på QBR-møder og manglede ofte gode svar.

Skiftet til AI inden for marketing har været det mest interessante øjeblik i min karriere indtil videre.

Derfor genopbyggede jeg metoden omkring det, jeg nu kalder Content IP og Discovery Loops — rammer, der er designet til en verden, hvor indhold både skal gøre sig fortjent til AI-henvisninger og menneskelige konverteringer.

Jeg er helt ærligt stadig ved at finde ud af meget af det i realtid sammen med mine kunder. Men det er en del af det, der gør dette øjeblik så interessant.

Sådan måler du synlighed i AI

Jeg gentænkte, hvordan vi måler synlighed for indhold. I årevis tog vi udgangspunkt i rang­følgning og organisk trafik. Det er stadig nyttigt, men det udgør ikke længere hele billedet. Købere foretager nu en stor del af deres research i AI-værktøjer, og Google Search Console viser ikke noget af det.

Derfor opretter jeg nu et AEO-regneark til sporing af prompts for hvert kundeengagement. Vi identificerer 60 til 150 prompts med købsintention, som en reel kundeemne ville skrive i ChatGPT, Perplexity, Claude eller Gemini. Derefter sporer vi, om kunden bliver citeret, hvilke konkurrenter AI'en citerer i stedet, og hvilke kilder AI'en henter information fra. Vi kører det igen med jævne mellemrum og følger udviklingen.

Jeg opretter nu et AEO-regneark til sporing af prompts for hvert kundeengagement.

Resultaterne ændrede flere ting på meningsfulde måder:

1. Det gav mine kunder et målbart svar på et spørgsmål, som deres CEO'er og bestyrelser begyndte at stille: "Dukker vi op i AI?" Før det gættede de fleste marketingteams.
2. Det ændrede, hvad vi skaber. Når du kan se, at AI-værktøjer henter mere fra G2-anmeldelser, Reddit-tråde og analyserapporter end fra din blog, ændres dine indholdsprioriteter hurtigt. Vi begyndte at investere mere i optjente omtaler, original forskning og Content IP, som AI citerer, i stedet for bare at udgive flere SEO-indlæg i håb om at opnå en god placering.

Faktisk har jeg set organisationer forbedre deres AI-henvisninger fra 8% til 40% og seksdoble salgspipeline på et kvartal.

Sådan implementerer du en AEO-arbejdsgang

Her er gennemgangen trin for trin:

Trin 1: Indsamling af prompts. Jeg begynder med salgsteamet og deres optagelser af salgssamtaler. Jeg samler alle de spørgsmål, kundeemner stiller, alle indvendinger og alle øjeblikke, hvor nogen siger "Jeg var bare ved at undersøge..." eller "Jeg spurgte ChatGPT om..." Og jeg supplerer dette med supportsager, noter fra kundesucces samt Reddit- og G2-tråde. Målet er 60 til 150 prompts med købsintention, som et menneske ville skrive i et AI-værktøj.

Trin 2: AI-assisteret udvidelse af prompts. Jeg tager denne grundliste og bruger Claude til at udvide den. Variationer i formuleringer, forskellige stadier af købsrejsen og forskellige personaer, der stiller det samme grundlæggende spørgsmål. AI er nyttig her, fordi arbejdet handler om mønstergenkendelse, ikke original tænkning. Jeg opretter et struktureret regneark med prompts, der er kategoriseret efter købsstadie, persona og intention.

Trin 3: Manuel test af henvisninger. Jeg kører hver prompt gennem ChatGPT, Perplexity, Claude og Gemini. Jeg registrerer, om organisationen bliver citeret, hvilke konkurrenter der citeres i stedet, og hvilke kilder AI'en henter information fra (G2, Reddit, kundens blog, analyserapporter, podcasts osv.). Denne del er stadig nogle gange manuel, fordi automatiseringsværktøjer endnu ikke er pålidelige nok. Jeg bruger AI til at mærke og kategorisere resultaterne, men et menneske skal læse svarene.

Trin 4: Mønsteranalyse. Jeg bruger Claude til at analysere hele datasættet og identificere mønstre. Hvor klarer organisationen sig godt? Hvor klarer den sig dårligt? Hvilke kilder har AI-værktøjerne størst tillid til i denne kategori? Hvilke konkurrenter bliver ved med at dukke op, og hvorfor? AI gør sig fortjent til sin plads her, fordi det er en opgave, ingen mennesker har lyst til at udføre manuelt: at sammenfatte 600 AI-svar til temaer.

Trin 5: Strategisk fortolkning. Denne del er fuldstændig menneskelig. Jeg gennemgår dataene, taler med teamet og træffer beslutninger om, hvad vi skal gøre. Taber vi, fordi vi ikke har indhold om et emne, eller fordi vores indhold ikke er struktureret, så mennesker kan læse det, eller AI kan hente fra det? Skal vi investere i optjente omtaler i de kilder, AI citerer? Skal vi bestille original research for at give AI noget proprietært at henvise til? Det er på dette møde, vi udvikler strategien, og AI er ikke med i rummet.

Trin 6: Indholdsproduktion med AI i processen. Når vi ved, hvad vi skal skabe, bruger jeg AI til at sammenfatte research, lave første udkast, udarbejde strukturelle dispositioner og omformatere indhold. Det menneskelige arbejde består i vinklen, stemmen, synspunktet og den redigering, der får det til at lyde, som om et rigtigt menneske har skrevet det. AI håndterer måske 40 % af tidsinvesteringen. De resterende 60 %, som forbliver menneskelige, gør arbejdet værd at udgive.

Trin 7: Gentagen sporing efter en fast kadence. Hver 30. til 60. dag kører jeg prompt-sættet igen og sammenligner det med referencegrundlaget. Vi overvåger citeringsrate, kildemix og konkurrenternes synlighed over tid. Det omdanner arbejdsgangen til et reelt system i stedet for en engangsrevision.

Det hele erstatter det, der tidligere var en vag samtale om "AI-søgning", med en målbar og gentagelig proces.

Hvorfor AI understøtter komprimering og syntese, men ikke overbevisning eller sans

AI indgår nu i næsten alle dele af mit arbejde, men dets rolle varierer betydeligt alt efter opgaven.

Jeg er stærkt afhængig af AI til at sammenfatte research, lave første udkast til langt indhold, analysere konkurrenter, analysere transskriptioner fra salgs- og kundesamtaler, udarbejde indholdsbriefs og udføre meget af det forbindende arbejde, der tidligere slugte timevis. Det håndterer også målgruppesegmentering, udvinding af kundeindsigter og identifikation af temaer i supportsager og Gong-samtaler.

Jeg er stærkt afhængig af AI til at sammenfatte research, lave første udkast til langt indhold, analysere konkurrenter, analysere transskriptioner fra salgs- og kundesamtaler, udarbejde indholdsbriefs og udføre meget af det forbindende arbejde, der tidligere slugte timevis.

Og det udfører nu også produktionsarbejde, såsom at omdanne en researchrapport til et nyhedsbrevsudkast, generere promptbiblioteker eller omskrive indhold i brandets stemme, efter at jeg har dokumenteret den grundigt.

Opgaver, der udtrykkeligt er menneskelige, omfatter strategi, synspunkt og skabelse af indholds-IP: de rammeværk, jeg bygger, de navne, vi giver centrale problemer, de vinkler, vi anlægger i fagligt lederskab, og vurderingerne af, hvad der skal udgives, og hvad der skal droppes. AI klarer sig dårligt med dette, fordi værdien ligger i overbevisningen bag valget. Et rammeværk fungerer kun, hvis et ægte markedsperspektiv informerer det. AI søger mod gennemsnittet, hvilket er præcis det, vi forsøger at undslippe.

Relationer er også fuldstændig menneskelige: afklaringssamtalerne, workshopsene og de øjeblikke, hvor jeg siger fra over for en CMO, der er på vej til at træffe en dårlig beslutning. Jeg uddelegerer intet af dette.

Det princip, jeg vender tilbage til, er, at AI er fremragende til komprimering og syntese, mens mennesker fortsat er bedre til overbevisning og sans. Derfor bruger jeg AI til at nå et udgangspunkt hurtigere, hvorefter jeg bruger min tid på de dele, der kræver dømmekraft.

Hvor AI rammer ved siden af i indholdsproduktionen

AI's største svaghed er idéudvikling af indhold. Jeg forventede, at AI ville samarbejde med mig om at finde skarpe vinkler til indlæg og kampagner. Det gør den ikke. Resultatet er kompetent, generisk og en smule for poleret. De gode idéer kommer stadig fra salgssamtaler, supportsager, mærkelige konferencediskussioner og bagsiden af min notesbog.

AI hjælper med at udvikle en idé, når jeg først har fået den, men det er ikke en nyttig kilde til original tænkning.

Den anden svaghed er brandstemme. Selv med grundig dokumentation af stemmen kræver AI-genereret indhold skrevet i en kundes stemme en omfattende menneskelig gennemgang for at lyde som kunden. Det rammer overflademønstrene, men misser rytmen. Sjælen. Jeg forventede, at dette ville være 80 % løst på nuværende tidspunkt. Det er snarere 40 %.

Den tredje svaghed er reel strategisk dømmekraft. Positionering, forfinelse af ICP, prissætning og markedsintroduktion. AI giver mig en velorganiseret version af det, jeg allerede ved, plus nogle få forslag, der lyder intelligente, men falder fra hinanden under stresstest. Strategi kræver stadig et menneske, der har siddet med i rummet.

Strategi kræver stadig et menneske, der har siddet med i rummet.

Den fjerde svaghed er forudsigelse af AEO-citeringer. Vi kan spore, hvad der bliver citeret, og baglæns analysere mønstre, men det er stadig for det meste gætteri at forudsige, hvad der vil blive citeret.

Og den mest overraskende fejl: Måske er jeg bare dårlig til det, men AI har ikke gjort mig hurtigere til selve skrivningen. Det har gjort mig hurtigere til alt det omkring skrivningen. Selve skrivningen tager omtrent lige lang tid, fordi barren stadig er høj, og det tager omtrent lige så lang tid – eller længere – at få AI-output op på det niveau, som det tager at skrive det selv.

Hvorfor indholdsmængden er blevet en risiko

Jeg byggede en stor del af min tidlige karriere på mængde. Udgiv mere, rangér på flere søgninger, få mere trafik, vind. Det virkede i lang tid, og mange marketingstrategier – inklusive min egen – antog stiltiende, at produktionskapaciteten var begrænsningen. Hvis du kunne udgive dobbelt så meget, ville du vokse dobbelt så hurtigt.

AI ødelagde den antagelse i to retninger på én gang.

1. AI gjorde mængde billig. Alle kan udgive 10 gange mere nu. Det betyder, at mængde i sig selv ikke længere er en konkurrencefordel. De marketingfolk, der jagter den, er på vej direkte ud over kanten af en klippe.
2. AI ændrede, hvad der belønnes. Både Google og LLM'er henter indhold fra et mindre og mere betroet udvalg af kilder. De vil have substans, originalitet og et reelt synspunkt. Mængde uden disse ting er ikke bare neutral – den er aktivt skadelig. Jeg har set teams ødelægge deres organiske synlighed ved at opskalere produktionen af AI-indhold, og jeg har set mindre teams med skarpere synspunkter blive citeret overalt.

Så det er den store risiko, jeg ser lige nu: Kapløbet om at udgive AI-genereret indhold i stor skala.

Det ødelægger den organiske synlighed, fordi det bliver markeret af Googles opdateringer af hjælpsomt indhold, og det skaber nul AI-henvisninger, fordi der ikke findes nogen originale tanker, som AI-værktøjer kan henvise til.

Det er den store risiko, jeg ser lige nu: Kapløbet om at udgive AI-genereret indhold i stor skala.

Mængde uden substans klarer sig dårligere end nogensinde, og AI har gjort den forskel mere synlig, ikke mindre.

Hvorfor vindende indhold kræver indholds-IP

Hvis du vil skabe vindende indhold, skal du opbygge indholds-IP. Det indebærer at navngive rammeværk for din målgruppes centrale problemer. Interview dine 3S-teams (salg, kundesucces og support) hver måned. Send alle samtaler ind i Slack, og giv hver uge marketingrelevante opsummeringer.

Og vælg en kamp. Det meste B2B-indhold er konsensusindhold. Det er enig i det, som alle analytikere, konkurrenter og meningsdannere siger. Effektfulde tekster sætter navn på noget, andre tager fejl af, og tilbyder et klart alternativ.

Du behøver ikke være ondskabsfuld omkring det. Men du skal være villig til at tage fejl offentligt.

Hvordan arbejdsgange for indholdsproduktion bør redesignes med AI

Hvad angår indholdsproduktion, bruger de fleste teams stadig en arbejdsgang, der er bygget til 2018: Brief, udkast, redigering, udgivelse, distribution. Teams satte AI på skrivefasen og kaldte det transformation. Det var det ikke.

Redesignet omfatter tre bemærkelsesværdige lag:

1. Brieflaget er et struktureret input (ikke et Google-dokument). Det indeholder den køberprompt, som teksten sigter mod at vinde på, den indholds-IP, den understøtter, synspunktet samt kildemateriale fra transskriptioner og interne eksperter. AI sammensætter det. Et menneske godkender vinklen, før skrivningen begynder.
2. Udkastlaget bruger AI intensivt, men med en tydelig rollefordeling. AI står for syntese, strukturel udarbejdelse og omformatering. Et menneske håndterer vinklen, stemmen og redigeringsrunden. Mennesket er forfatteren hele vejen igennem, ikke en anmelder til sidst.
3. I QA-laget fokuserer de fleste teams stadig på slåfejl og brandretningslinjer. Vi har tilføjet eksplicitte kontroller af læsbarhed, trofasthed over for brandets stemme og hvorvidt teksten indtager en unik position inden for sin kategori. Hvis den ikke gør det, dropper vi den, før den udgives. Andelen, vi dropper, er høj, men det er med vilje.

Resultatet er færre udgivne tekster, højere kvalitet i hver enkelt og et målbart løft i både AEO-henvisninger og salgspipeline.

Hvis du bare sætter AI på en arbejdsgang fra 2018, får du blot resultaterne fra en indholdsspamkanon fra 2018 hurtigere.

Hvad CMO'er skal gøre for at følge med AI-transformationen

Hvis du er CMO, og vi skal drikke kaffe sammen, er her det råd, jeg ville dele:

1. Stop med at jagte AI-værktøjer, og begynd at revidere substansen i dit indhold. De teams, der taber lige nu, taber, fordi deres indhold ikke har noget særegent, som AI-værktøjer, Google eller købere kan henvise til. Hvis du ikke har et reelt synspunkt, kan intet værktøj skabe et for dig. Stop med at jagte den "perfekte" AI-stak.
2. Tag indholdets IP alvorligt. Navngivne problemer, navngivne rammeværk, proprietær research og originale perspektiver på din kategori. AI henviser til dette, det rangerer i søgninger, vinder på LinkedIn, skaffer nyhedsbrevsabonnenter og kommer med på salgsmøder. AI kan heller ikke efterligne denne del af markedsføringen, hvilket gør den mere værdifuld, ikke mindre.
3. Mål det, der betyder noget nu. Tilføj sporing af AEO-synlighed til din rapportering. Spor LinkedIns indvirkning på salgspipelinen. Fastslå sammenhængen mellem antallet af nyhedsbrevsabonnenter og lukkerater eller salgshastighed. Vær klar over, hvilke køberforespørgsler du dukker op for i ChatGPT, Perplexity og Claude, og hvilke konkurrenter AI henviser til i stedet. Hvis du ikke kan besvare det spørgsmål på dit næste QBR, vil du snart blive stillet det.
4. Brug AI dér, hvor det er godt, og stop med at tvinge det ind dér, hvor det ikke er. Det er godt til syntese, research, transskriptanalyse, udarbejdelse af udkast og omformatering. Send hver salgssamtale gennem Claude og videre til Slack, så dit team kan se den dagligt, få minutter efter den har fundet sted. AI er dårligt til originale idéer, brandstemme og strategisk dømmekraft. Opbyg din arbejdsgang omkring denne forskel i stedet for at forsøge at AI-gøre alting.
5. Udgiv mindre, og sørg for, at hvert stykke indhold vejer tungere. Kapløbet om volumen er forbi (selvom alle leverandører af AI-indholdssoftware vil påstå noget andet). De vindende teams udgiver færre og skarpere stykker indhold og får mere ud af hvert enkelt gennem genanvendelse, distribution og fortjente omtaler.
6. Og endelig: Vær ærlig over for dit team og din CEO om, hvad der ændrer sig. Mange marketingledere håber stille og roligt, at det her går over. Det gør det ikke. Købere har allerede ændret den måde, de researcher på. Den hellige treenighed er opdagelse (Google/LLM'er), sociale medier (LinkedIn, YouTube) og relationsindhold (nyhedsbrev/podcast).

Følg med

Du kan følge Brendan Huffords arbejde på LinkedIn. Og se Growth Sprints.

Flere ekspertinterviews kommer på The CMO Club!