> ## Content Index
> Fetch the complete content index at: https://www.copenhagen-review-of-communication.com/llms.txt
> Use this file to discover other available public pages before exploring further.

# Dit AI-omdømme fryser fast, når I holder op med at kommunikere
- URL: https://www.copenhagen-review-of-communication.com/dit-ai-omdomme-fryser-fast-nar-i-holder-op-med-at-kommunikere/
- Published: 2026-09-23T14:29:43.000Z
- Updated: 2026-09-23T14:29:43.000Z
- Author: Jonas Rugaard

Hvis du gerne vil have dit brand eller produkt med i AI-modellernes svar, så er det både vigtigt, at finde frem til kilderne bag deres svar og samtidig sikre konsistens og kontinuitet i din kommunikation. Her dykker vi ned i maskinrummet på AI-modellerne og kommer med forslag til, hvor du kan gå i gang.

AI-svar bygger på: korte, selvstændige, faktuelle "chunks" der er nemmere for en model at hente og citere korrekt end lang, sammenhængende narrativ prosa, hvor en enkelt fakta-oplysning sidder indlejret i en større fortælling.‍

En AI-model bliver ikke opdateret hver dag. Det, den "ved" om en virksomhed, stammer fra en træningsproces, der sker med måneders mellemrum. Mellem de træninger kan den kun blive frisk igen ved selv at søge, når nogen spørger — og det gør den ikke altid. Svaret ser identisk ud, uanset om det er frisksøgt eller stammer fra en træning for ni måneder siden. Man kan ikke se forskel udefra.

Det ændrer, hvad kontinuitet er værd. Bliver der ikke skrevet noget nyt om en virksomhed, og finder modellen ikke selv frem til det nye, bliver den ved med at gengive kategorien, størrelsen og løftet fra sidste træning — uanset hvor meget virksomheden har flyttet sig siden. Det ændrer også, hvad man skal blive ved med at gøre.

## Der er ikke én forside at ramme

Mange ser størst prestige i profilartiklen i det store dagblad. Færre ser pointen i notitsen i fagbladet.

Det er omvendt af det, en model faktisk trækker på. [Evertunes gennemgang af 200 millioner prompts](https://www.evertune.ai/resources/ai-search-statistics-for-generative-engine-optimization?ref=copenhagen-review-of-communication.com) finder, at intet enkelt domæne — end ikke det, der citeres allermest — tegner sig for mere end fem procent af den samlede mængde citationer. Til sammenligning fanger top ti typisk to tredjedele af klikkene i klassisk SEO. Andre undersøgelser finder højere koncentration om enkelte platforme som Wikipedia og Reddit, især i ChatGPT — men de bruger typisk bredere, almindelige forbrugerspørgsmål ("hvad er det bedste X at købe"), hvor den slags store, generelle sider naturligt fylder mere. Stiller man i stedet mere specifikke, branchefaglige spørgsmål — den slags, der er relevante for en virksomheds eget felt — bliver billedet fladere. De to fund modsiger ikke nødvendigvis hinanden; de måler formentlig forskellige typer spørgsmål. Men pointen holder på tværs: der er ikke én forside at ramme. Der er en lang liste af mindre kilder, der hver bidrager lidt.

Der findes en generel, veletableret idé i selve forskningen om RAG-systemer — den type retrieval, AI-svar bygger på: korte, selvstændige, faktuelle "chunks" er nemmere for en model at hente og citere korrekt end lang, sammenhængende narrativ prosa, hvor en enkelt fakta-oplysning sidder indlejret i en større fortælling. Det er ikke gætværk — det er en gennemgående pointe i den akademiske chunking-litteratur. Det er en af grundene til, at fagmedier og nichemedier bliver ved med at blive fremhævet som særligt vigtige: de skriver ofte kortere, mere faktuelt og mere direkte end en stor avis' portræt eller strategiske analyse, som typisk er bygget op om en fortælling, hvor det konkrete udsagn om virksomheden fylder mindre end selve fortællingen.

## Fra baggrund til praktisk metode

Det var baggrunden. Her er den praktiske metode: hvordan man konkret finder frem til, hvilke kilder der faktisk tæller for netop jeres felt.

"Fagpressen frem for Børsen" er stadig kun en tommelfingerregel. Hvilke kilder der faktisk tæller for en given virksomhed i en AI-models svar, kan analyseres på to akser, ikke gættes ud fra en generel fornemmelse af, hvad der plejer at virke.

**Første akse: relevans.** Spørger man en model "hvem leverer regnskabssoftware til danske SMV'er?", bygger svaret typisk på et par bestemte kilder: måske en artikel fra et fagmedie, en sammenligningsside, en analyse fra en brancheforening. De kilder er relevante i den forstand — ikke fordi de er fine eller anerkendte generelt, men fordi de faktisk var dem, modellen trak på, da den svarede på et spørgsmål om feltet. Kør det samme spørgsmål på tværs af flere modeller — Gemini henter typisk sine kilder via Googles søgeindeks, mens ChatGPT og Claude leder andre steder, så listen fra én model er ikke nødvendigvis listen fra en anden. Resultatet er en liste, der er specifik for netop det felt, i stedet for en generisk antagelse om, hvad "god presse" er.

> **Praktisk note:** Tjek først, at modellen rent faktisk søgte, før du stoler på kilderne — ellers ser du blot, hvad der var kendt sidste gang modellen blev trænet. Det varierer efter model og abonnement: ChatGPT vurderer det per spørgsmål, Gemini søger mere konsekvent som fast del af arkitekturen, Claude kun på betalte planer. Ingen synlige kilder eller links i svaret er tegn på, at der ikke blev søgt — bed i så fald modellen søge eksplicit.

**Anden akse: tilgængelighed.** Har mediet overhovedet åbnet døren for AI-systemerne. Det er ikke et særligt dansk fænomen — [otte ud af ti af de største nyhedssider i Storbritannien og USA blokerer mindst én AI-crawler](https://journalisten.dk/otte-ud-af-10-nyhedsmedier-blokerer-for-ai-traening/?ref=copenhagen-review-of-communication.com), viser en analyse omtalt af fagbladet Journalisten. Danmark ligger blot i den restriktive ende af det universelle mønster: [75 procent af danske medier blokerer GPTBot, og 65 procent blokerer Google-Extended](https://gknordic.com/dk/article/danske-medier-blokerer-ai-i-stor-skala-hvad-betyder-det-for-pr-og-synlighed-i-ai-soegning-2/?ref=copenhagen-review-of-communication.com).

> **Praktisk note:** GPTBot og Google-Extended styrer typisk kun adgang til *træning* af fremtidige modeller, ikke nødvendigvis om indholdet citeres i et svar i dag — OpenAI og Anthropic har adskilt de to formål i separate crawlere (søgning styres af OAI-SearchBot og Claude-SearchBot). Et medie kan altså blokere GPTBot og stadig optræde i ChatGPT Search. For Gemini-appen gælder tallet dog begge veje, fordi Google ikke har lavet samme adskillelse. Ingen har endnu opgjort, hvor mange danske medier specifikt blokerer selve søgefunktionerne.

Et medie kan ramme feltet perfekt og stadig være lukket for en models søgefunktion. Det gør ikke omtalen der værdiløs — den virker stadig på mennesker, og den kan stadig blive refereret videre af andre kilder, der ikke er blokeret — men den fodrer ikke det, en model henter direkte.

Krydser man de to akser, får man en prioriteret liste: kilder, der både rammer feltet og reelt er åbne. Det er en anden liste, end den man ville lave ud fra prestige alene, og den skal tjekkes igen med jævne mellemrum — citationsmønstre og robots.txt-filer ændrer sig begge, uafhængigt af hinanden.

‍

![](https://cdn.prod.website-files.com/69a94c4c84dd531a983339e1/6ab3d5c6cec95feed5df8bd9_to-akser-kildeanalyse.jpg)

## Konsekvensen for arbejdet

Det praktiske svar er ikke flere store historier, men flere rigtige historier, placeret ud fra den analyse. For regnskabssoftware-eksemplet ovenfor kunne det være fagmediet, sammenligningssiden og brancheforeningen — ikke fordi de er de mest prestigefyldte, men fordi de rent faktisk er dem, en model trækker på. For en anden branche er det en helt anden liste. Pointen er, at man bekræfter den for den enkelte kunde, i stedet for at antage den ud fra en generel fornemmelse af "god presse".

Og det betyder et fast tempo i stedet for spikes omkring lanceringer. En lanceringshistorie er værdifuld — det er ofte første gang, nogen andre end virksomheden selv skriver noget om den, og det materiale ligger der bagefter. Problemet opstår, når det bliver det eneste, for så fryser billedet på lanceringsåret, mens virksomheden vokser videre.

## Et eksempel på, hvad der sker, når man stopper

En virksomhed, vi har arbejdet med, byggede en linje op omkring et debatindlæg i en fagspecifik sammenhæng — tanken var at følge op løbende. Virksomheden valgte i stedet at prioritere internationalt fokus og LinkedIn.

Spørger man i dag en model om virksomhedens felt uden at nævne navnet, optræder den stort set ikke i det danske svar. Aktiviteten på LinkedIn er høj og bliver set af mange, men den efterlader ingenting i det materiale, virksomheden bliver beskrevet ud fra bagefter. Det er forskellen mellem at leje opmærksomhed og at deponere den.

## Konsistens er en strategi, ikke kun et budskab

Kontinuitet er ikke det samme som at være meget omtalt. Det er at vælge nogle få ting, man vil være kendt for, og blive ved med at få dem sagt af nogen andre end en selv, gennem mange forskellige kilder, over tid. Vælger en virksomhed for eksempel "hurtig levering" og "lokal tilstedeværelse," er opgaven at få de to ting sagt igen og igen — ikke bare at komme i avisen med hvad som helst.

Og "blive ved med" skal forstås bogstaveligt. En model skelner ikke mellem aktivt og forladt materiale. Et gammelt brancheregister, en forening man engang meldte sig ind i, en produktbeskrivelse på egen hjemmeside, ingen har opdateret — det tæller lige så meget med som fagbladsartiklen fra sidste måned. Strategisk konsistens betyder derfor også at kortlægge, hvor virksomheden overhovedet er beskrevet, læse igennem hvad der faktisk står, og rette det, der kan rettes. Man opdager det ikke ved at vente på, at nogen nævner det — man går ud og tjekker det.

Det er samtidig grunden til, at man ikke kan løse et forkert billede med volumen. Klassisk SEO kunne begrave en dårlig historie ved at producere nok nyt til, at den sank i rangeringen — søgerangering belønner eksplicit friskhed og mængde. Den retrieval, AI-svar bygger på, [matcher i sin grundform på betydning, ikke på dato eller antal](https://arxiv.org/html/2509.19376?ref=copenhagen-review-of-communication.com). Det, der fortrænger en forkert beskrivelse, er derfor ikke ti nye artikler et andet sted. Det er en rettelse af den beskrivelse, der rent faktisk står forkert.