Enterprise AI-søkesstrategi – hvordan håndterer store selskaper intern og ekstern AI-synlighet?

Vi har løst begge utfordringene hos [Large Enterprise]. Her er vår arkitektur:

Internt AI-søk:

Implementert federert søk med RAG (Retrieval Augmented Generation):

Kilder: Sharepoint + Confluence + Salesforce + interne databaser
     ↓
Koblinger: Sanntidssynkronisering med arv av tilgangskontroller
     ↓
Vektorlager: Embedding for semantisk søk
     ↓
RAG-lag: Forankrer LLM-responser i kildedokumenter
     ↓
Grensesnitt: Naturlig språkspørring + siterte kilder

Nøkkelresultater:

• Søketid redusert med 60 %
• Ansatt-NPS for søk: 72 (var 18)
• 45 % reduksjon i gjentatte spørsmål til eksperter

Ekstern AI-synlighet:

Annet team, annen strategi:

• Markedsføring eier GEO-optimalisering
• Innholdsteamet omstrukturerer for samtaleforespørsler
• Bruker Am I Cited til overvåkning på tvers av plattformer
• Følger med på share of voice mot konkurrenter

Styringslaget dekker begge:

• Tilgangskontroller (hvem ser hva)
• Revisjonslogging (krav til samsvar)
• Menneskelig gjennomgang for sensitive avgjørelser
• Kontroll på datalagring

Kunnskapsforvaltningsperspektiv her. Problemet med intern søk er organisatorisk, ikke bare teknisk.

Rotårsaker:

• Innhold spredt over 15+ plattformer
• Ingen eierskap til tverrfaglig innhold
• Utdaterte dokumenter blir liggende for alltid
• Stamkunnskap blir aldri dokumentert

Teknisk løsning er ikke nok:

Vi innførte en god AI-søkeplattform. Bruken var 30 %.

Så gjorde vi:

1. Tildelte innholdseiere for hvert hovedtema
2. Innførte innholdslivssyklus (automatisk arkivering etter X måneder)
3. Gjorde innholdsbidrag til en del av medarbeidervurderingen
4. Opprettet “kunnskapsambassadører” i hver avdeling

Bruken økte til 78 %.

For ekstern AI-synlighet:

Samme prinsipp gjelder. Du kan ikke optimalisere for AI hvis innholdet ditt er rot. Rydd opp og strukturer først, optimaliser etterpå.

Plattformvalg-perspektiv. Vi evaluerte 8 enterprise AI-søkeplattformer.

Hva som betyr noe:

Topp plattformer vi vurderte:

• Glean (utmerket brukeropplevelse, sterke koblinger)
• Elasticsearch + egendefinert LLM-lag (maksimal kontroll)
• Microsoft Copilot for 365 (om dere bruker alt fra Microsoft)
• Coveo (sterk e-handel + kunnskap)

Vårt valg:

Glean for de fleste brukstilfeller + egendefinert Elasticsearch for sensitiv data som ikke kan forlate vårt miljø.

Hybrid tilnærming lot oss bevege oss raskt og møte sikkerhetskravene.

Markedsføringsperspektiv på ekstern AI-synlighet.

Utfordringen:

Våre konkurrenter blir sitert i ChatGPT og Perplexity for kategoriforespørsler. Vi blir ikke det. Dette er et merkevareproblem, ikke bare et trafikkproblem.

Vår tilnærming:

1. Kartlegg nåværende status – Am I Cited for å etablere synlighet
2. Innholdsrestrukturering – FAQ-format for nøkkeltemaer
3. Tankelederskap – Lederinnhold med tydelige ekspertisesignaler
4. Tilstedeværelse hos tredjeparter – Analytikerkontakt, vurderingssider, Reddit-engasjement

Målinger vi følger:

• Share of voice i AI-svar (mot 5 konkurrenter)
• Sentiment av AI-omtaler
• Siteringskilder (blir vi sitert direkte eller via tredjeparter?)
• Konverteringsrate fra AI-henvist trafikk

Resultater etter 6 måneder:

• Share of voice: 8 % → 22 %
• Direkte merkesiteringer opp 180 %
• AI-henvist trafikk nå 4 % av totalen (voksende)

Endringsledelse er den skjulte utfordringen.

Arbeidsstyrkens endring:

Ansatte er vant til søk med nøkkelord. AI-søk er samtalebasert. Endringen i tankesett er betydelig.

Hva som fungerer:

1. Opplæringsøkter – Ikke bare “hvordan bruke” men “hvordan tenke rundt forespørsler”
2. Ambassadørprogram – Superbrukere som hjelper sine team
3. Støtte fra ledelsen – Ledere som bruker og fremmer løsningen
4. Kommunikasjon om raske gevinster – Del suksesshistorier bredt

Vanlige hindringer for adopsjon:

• “Jeg stoler ikke på AI-svar” → Vis kildesiteringer
• “Mitt gamle søk fungerte bra” → Vis tidsbesparelse side om side
• “Jeg vet ikke hva jeg skal spørre om” → Gi eksempelforespørsler
• “Det er enda et verktøy” → Integrer i eksisterende arbeidsflyt

Mål 60–80 % adopsjon innen 12 måneder. Vi er på 72 % etter 10 måneder.

Datastyringsrammeverk for AI-søk.

Retningslinjer vi etablerte:

1. Dataklassifisering – Hva kan AI få tilgang til? (Offentlig, Intern, Konfidensiell, Begrenset)
2. Arv av tilgang – AI respekterer kildesystemtillatelser
3. Oppbevaring – Hvor lenge lagres forespørselslogger?
4. Grensekryssende – Krav til datalagring etter region
5. Modelltrening – Våre data trener IKKE leverandørens modeller

Implementering:

Revisjonskrav:

• Hvem spurte om hva, når
• Hvilke kilder ble brukt i svaret
• Ble svaret delt eksternt?
• Kvartalsvise tilgangsrevisjoner

La oss snakke ærlig om ROI.

Intern AI-søk ROI:

Gjennomsnittlig ROI for enterprise AI-initiativer: 5,9 % (IBM-undersøkelse)

Det virker lavt, men det er fordi mange initiativer feiler på adopsjon.

Hva vellykkede implementeringer ser:

• 60 % raskere beslutningstaking
• 2–5 timer/uke spart per kunnskapsarbeider
• 31 % forbedring i beslutningshastighet
• Færre gjentatte spørsmål til eksperter

Hvordan regne ut:

(Time spart × timepris × antall ansatte) – (plattformkostnad + implementering)

For 10 000 kunnskapsarbeidere som sparer 2 timer/uke: = 10 000 × 2 × 52 × $50/time = $52M verdi

• Plattform ($500K) - Implementering ($1M) = $50M+ årlig verdi

Ekstern AI-synlighet ROI:

Vanskeligere å måle, men følg med på:

• AI-henvist trafikk og konverteringer
• Endringer i merkevaresøk-volum
• Share of voice-trender
• Pipeline påvirket av AI-oppdagelse

Start med ledende indikatorer, gå mot omsetningsattributtering over tid.

Ser fremover: agentisk AI kommer.

Nåværende status: AI besvarer spørsmål Neste steg: AI utfører handlinger basert på svar

Enterprise-konsekvenser:

• AI-søk blir AI arbeidsflytautomatisering
• Trenger styring for autonome avgjørelser
• “Hva er vår policy?” blir “Iverksett vår policy”
• Kunnskap blir utførelse

Forbered nå:

1. Rent, autoritativt data (søppel inn = søppel ut)
2. Klare retningslinjer (AI trenger regler å følge)
3. Arbeidsflytintegrasjon (ikke bare søkegrensesnitt)
4. Mønstre for menneskelig tilsyn (når skal AI eskalere?)

Selskaper som bygger sterke AI-søk-grunnmurer nå, vil gå raskere over til agentisk AI.

Utmerket diskusjon. Her er vår veikart basert på disse innsiktene:

Fase 1: Internt AI-søk (Q1)

• Rulle ut Glean som hovedsøkeverktøy
• Egendefinert RAG-lag for sensitive systemer
• Arv av tilgangskontroll fra kildesystemer
• Lansering av endringsledelsesprogram

Fase 2: Styringsrammeverk (Q1–Q2)

• Dataklassifisering for AI-tilgang
• Implementering av revisjonslogging
• Menneskelig kontroll for konfidensielle forespørsler
• Kvartalsvise tilgangsrevisjoner

Fase 3: Ekstern AI-synlighet (Q2)

• Markedsføringsledet GEO-initiativ
• Innholdsrestrukturering for samtaleforspørsler
• Utrulling av Am I Cited-overvåkning
• Sporing av share of voice mot konkurrenter

Fase 4: Måling (løpende)

• Internt: Adopsjon, tidsbesparelse, beslutningshastighet
• Eksternt: Share of voice, siteringer, AI-henvendte konverteringer

Viktige suksessfaktorer:

• Ledelsesforankring (har det)
• Investering i endringsledelse (budsjettert)
• Rent datagrunnlag (pågår)
• Styring først-tilnærming (ikke til forhandling)

Takk til alle for praktiske innspill. Dette var akkurat det vi trengte.