Så såg ett team en ökning på 80 % av företagsleads genom att använda AEO
AI-start: Marknadsföringsledare har svårt att börja med AI-projekt på grund av överväldigande valmöjligheter och osäkerhet kring de första stegen.
Förbättringar med stor effekt: CroMetrics använder små AI-förbättringar med stor effekt för att hantera utmaningar i arbetsflöden i stället för att sträva efter perfekta strategier.
Optimering för AI-sökning: CroMetrics optimerar innehåll för stora språkmodeller och ser fler hänvisningar av företagskunder från AI-drivna plattformar som ChatGPT.
Balans mellan människa och AI: AI hjälper till med research och tidig utveckling hos CroMetrics, men mänsklig översyn säkerställer kvalitet och enhetlighet i varumärket.
Identifiera friktion: Ledare bör prioritera att minska friktionspunkter i arbetsflöden för att uppnå effektivitet innan de inför bredare AI-funktioner.
De flesta marknadschefer vet att de borde göra något med AI. Problemet är inte bristande medvetenhet. Det handlar om att inte veta var man ska börja.
”Jag upplever att ledare och organisationer nästan blir så överväldigade av AI att det blir förlamande”, säger Gwen Hammes, med-VD för Cro Metrics, en digital marknadsföringsbyrå som arbetar med varumärken som Bombas, Starz och Intuit. Hennes råd är att börja i liten skala.
Hammes beskriver detta som regeln ”1 % bättre varje dag”, ett tankesätt som bygger på konsekventa, stegvisa framsteg snarare än på att ta fram en heltäckande plan innan man vidtar någon åtgärd alls. I stället för att jaga en perfekt AI-strategi fokuserar Cro Metrics på små förbättringar med stor effekt och på att lösa friktionspunkter i arbetsflöden.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
När AI blir din förvärvskanal
Förra året ställdes Cro Metrics inför samma fråga som alla marknadsorganisationer ställde: hur gör man sök bra när sökandet genomgår en grundläggande förändring?
Googles trafik minskade och stora språkmodeller besvarade frågor direkt i chattgränssnitt. Beteendet utan klick började bli norm och den gamla SEO-metoden fungerade inte längre lika bra.
Vi integrerade AEO/GEO i vårt tekniska SEO-erbjudande och började med att testa det på vår egen verksamhet.
Hammes förklarar att deras avsikt var att optimera innehåll inte bara för sökmotorer, utan för själva de stora språkmodellerna.
Teamet integrerade Answer Engine Optimization (AEO) och Generative Engine Optimization (GEO) i sitt tekniska SEO-arbetssätt och testade det sedan på den egna verksamheten innan det lanserades hos kunderna.
Hon beskriver sitt arbete på Cro Metrics och säger ”vårt arbete omfattar komplexa kundresor, ekosystem med flera kanaler och tillväxtprogram på företagsnivå där strategi, genomförande och data måste fungera som ett enda system.”
Arbetet fokuserade på att göra innehåll mer tolkningsbart för AI-system genom strukturerad data, tydliga sammanfattningar och tydlig information om författaren. Allt detta är signaler som hjälper stora språkmodeller att förstå och hänvisa till innehåll med säkerhet.
Från filosofi till process
Metoderna är tillräckligt enkla. Genom att börja med strukturerad data, TLDR:er och detaljerad information om författaren såg de ett momentum. ”Många företag säger: okej, hur optimerar vi vår webbplats för människor, såväl som för botar och stora språkmodeller?”, konstaterar hon. Det teamet såg som resultat var minst sagt imponerande.
Vi såg en ökning på 80 % av AI-driven hänvisningstrafik, tillsammans med mätbara förbättringar i synlighet i sökresultat och direkttrafik som omvandlades till kvalificerade inkommande potentiella kunder och försäljningspipeline.
Som kontext betraktar de flesta organisationer fortfarande AEO som något att överväga i framtiden, något man återkommer till när SEO-grunderna är på plats. Cro Metrics behandlade det som en konkurrensfördel här och nu, och trafikdata återspeglar den tajmingen.
Men det som överraskade Hammes mest var typen av hänvisningstrafik.
Vi ser hänvisningar som kommer direkt från verktyg som ChatGPT och Claude. Och intressant nog kommer en stor del av den trafiken från stora företag.
Företagsköpare experimenterar inte bara med stora språkmodeller. I stället använder de dem för att hitta och utvärdera leverantörer. Om ditt innehåll inte är optimerat för AI-sökningar är du därför osynlig för en växande andel potentiella kunder med högt värde.
Att bygga en beslutsmotor
Framgången med AEO återspeglar en bredare filosofi på Cro Metrics: att använda AI där det skapar hävstång, samtidigt som människor behåller de områden där omdömet är avgörande.
Företaget byggde ImpactLens, en egen prediktiv motor för prioritering. ”Vi använder den för att utvärdera beteendesignaler, historiska experimentdata och kundspecifika indata för att förutsäga vilka experiment som sannolikt kommer att driva mätbar tillväxt”, förklarar Hammes. ”Det gör att vi kan prioritera med betydligt större precision innan vi avsätter resurser.”
Men det finns en gräns: hennes team förlitar sig inte helt på AI. I stället hjälper den till att avgöra var fokus bör ligga och vad som kan fungera, medan strategi, kundansvar, kreativitet och slutliga beslut ägs av människor. Hammes menar att ”tillväxt fortfarande kräver kontext, omdöme och originellt tänkande.”
Detta är mönstret som skalar från experiment till produktivt införande av AI. AI hanterar mönsterigenkänning i stor skala. Människor tar hand om de delar som kräver kontext, relationshantering och bedömningar när data är tvetydig.
Där AI fortfarande brister
Hammes konstaterar att människor också har ansvar för kvalitetssäkring när det gäller tydlighet kring varumärket. Hon drar gränsen genom att förklara att "AI ännu inte har levererat den tillförlitlighetsnivå som krävs för helt autonomt genomförande av produktionsklara experiment eller kreativt material av hög kvalitet på en nivå som passar företagsvarumärken" för Cro Metrics. Det finns dock områden där hennes team använder det för att göra stora framsteg.
AI påskyndar forskning, syntes och tidig utveckling på ett meningsfullt sätt, men mänsklig tillsyn är fortfarande avgörande för att säkerställa hög kvalitet och varumärkesintegritet.
För byråer som arbetar med företagskunder, eller företag som riktar sig till denna grupp, kan AI fortfarande kringgå den kvalitetsnivå som krävs för produktionsklart kreativt material eller strikta varumärkesstandarder. Det innebär att resultatet fortfarande behöver granskas av en människa innan det används någonstans.
Det handlar om arbetet och effekten, men det handlar så mycket om relationer. Jag brukar alltid säga att så länge det finns mänskliga kunder på andra sidan bordet kommer företag som vårt alltid att finnas.
Professionella tjänster bygger på förtroende, på att läsa av ett rum, förstå vad en kund verkligen behöver jämfört med vad de säger att de behöver och fatta bedömningar som data inte kan lösa. Det här är inte luckor som AI sannolikt kommer att fylla inom den närmaste framtiden, och det smarta är att se det som den differentierande faktor det är snarare än som en begränsning att kringgå.
Börja med friktionen
För organisationer som försöker lista ut var de ska börja föreslår Hammes att ledare fokuserar på friktionen först. "I stället för ett specifikt marknadsföringssystem bör ledare identifiera återkommande friktionspunkter i arbetsflödena, där små ineffektiviteter staplas på varandra och tar oproportionerligt mycket tid," råder hon.
Cro Metrics undersökte sitt eget team för att identifiera var AI kunde ha störst effekt. Svaren var inte särskilt glamorösa. De handlade om godkännanden, efterlevnadsgranskningar och innehållsutveckling i ett tidigt skede.
Ett av våra första mål var enkelt. Eliminera de små irritationsmoment som dränerar kapaciteten, så att teamen kan ägna mer tid åt strategiskt tänkande, kreativitet och arbete med större effekt som driver tillväxt.
Det här är motsatsen till den AI-strategi som de flesta organisationer följer. I stället för att börja med möjligheterna, och fråga vad AI kan göra, bör man börja med problemområdena och fråga var tiden slösas bort utan att man ser någon avkastning på investeringen.
Det är här många AI-implementeringar spårar ur. Ledare börjar med möjligheterna och noterar vad ett verktyg kan göra, men har svårt att koppla det till ett konkret affärsbehov för varje avdelning.
Du behöver inte stöd från ledningen för att testa AI för att påskynda efterlevnadsgranskningar eller ett budgetgodkännande för att använda ChatGPT till att sammanställa ett första utkast. Om behovet redan finns handlar det bara om att hitta rätt verktyg för det.
Handlingskraft framför bästa praxis
Hammes känner sig bekväm med experimenterande tack vare ett tidigare kapitel i karriären, då hon arbetade med team i Mexiko som saknade etablerade arbetsmetoder. Hon minns hur "det fanns en sådan handlingskraft och hur alla gick samman, listade ut hur det skulle göras och fick det gjort". I stället var teamet maniskt fokuserat på målet och den övergripande riktningen.
Ingenting skrämmer eller överväldigar mig egentligen. Kanske för att jag har haft den erfarenheten, men också för att jag har varit i den här branschen i över 20 år. Man har sett och gått igenom mycket, och man vet alltid att vi kommer att nå dit till slut. Det finns en lösning på allt, och uthållighet är verklig.
En skapares inställning är särskilt värdefull nu. Det finns ännu inga etablerade bästa praxis för AI – bara experiment, vissa lyckade och de flesta inte. Organisationerna som väntar på arbetsmetoden kommer att ligga flera år efter dem som är villiga att testa och iterera.
Mikroåtgärdernas mandat
Hammes erfarenhet på Cro Metrics ger en färdplan för organisationer som känner sig fast mitt i AI-hypen.
Börja först med friktion, inte strategi (tips – du kan kartlägga ditt team för att upptäcka detta). Hennes råd till ledare som känner sig överväldigade är att hålla det enkelt och börja i liten skala.
Vilka är de där små mikrohandlingarna? Och det du upptäcker är att de snabbt börjar läggas ihop. Det värsta är att inte göra någonting alls – då blir du bara paralyserad och fortsätter på sätt och vis att vidmakthålla problemet du har.
Testa sedan på dig själv innan du rullar ut det till kunder. Sök efter ditt eget varumärke i ChatGPT, Perplexity och Claude. Gör det mer än en gång och kör flera olika sökfrågor för att se var ditt varumärke dyker upp.
Sök sedan direkt efter ditt företagsnamn. Följ upp genom att söka efter problemen du löser, kategorin du konkurrerar inom och specifika frågor som dina kunder brukar ställa innan de köper. Dokumentera dina resultat med skärmdumpar.
Du letar efter ett mönster, inte bara närvaro.
Du ser om du dyker upp i rätt sammanhang eller om ditt företag lyfts fram på sätt som stämmer överens med din faktiska positionering. Det organiska sökavtryck du har byggt upp under årens lopp kan ha nästan ingen överlappning alls med hur LLM:er för närvarande representerar din kategori.
Skillnaden mellan var du dyker upp och var du vill vara är din utgångspunkt för AEO. Det är också ett snabbare sätt att argumentera för investeringar i innehåll än vad de flesta attribueringsmodeller någonsin kommer att kunna ge dig.
Filosofin om att bli 1 % bättre fungerar eftersom den tar bort pressen att ha en komplett AI-strategi innan du börjar. Du behöver inte veta var du kommer att vara om ett år. Du behöver bara veta vad du ska prova i dag.
"Jag tror starkt på att bli 1 % bättre varje dag," säger Hammes. Ta det första steget.
Den 80-procentiga ökningen av företagsleads som hennes team såg kom inte från en rigid AI-strategi, och den skedde inte över en natt. Den kom av att ta ett steg, mäta resultatet och ta nästa.
Det här är inte bara goda råd för att införa AI. Det är goda råd för allt som är värt att göra.
Vad händer härnäst?
Delta i The CMO Club för att hålla dig uppdaterad om trender och få de senaste tipsen, resurserna och guiderna direkt till din inkorg.
