Så här ser du vilken AI-motor som citerar vilken källa i AmICited

Inte alla AI-motorer litar på samma källor. Värmekartan Citeringar per leverantör visar exakt hur många gånger varje motor har citerat var och en av dina toppkällor — så att du kan se vilka webbplatser som formar vilken modells svar.

Vad är en AI-citering, och varför skiljer den sig mellan motorer?

En AI-citering är varje tillfälle då ett generativt AI-system — ChatGPT, Perplexity, Gemini eller Google AI Overview — nämner, länkar till eller direkt bygger på en specifik webbsida när det besvarar en användares fråga. Citeringar är råmaterialet för AI-synlighet: om en sida aldrig citeras påverkar den aldrig vad en modell berättar för användare om ett varumärke, en produktkategori eller en konkurrent. Det gör citeringsdata fundamentalt annorlunda än klassiska SEO-rankningar, där en enda algoritm avgör en enda rangordnad lista. Här bygger fyra i stort sett oberoende system vart och ett sitt eget svar, och vart och ett kan använda en helt annan uppsättning källor för att göra det.

Den skillnaden uppstår eftersom varje motor hämtar information på olika sätt. ChatGPT blandar sökresultat med mönster inlärda under träning och lutar sig mot en mix av högauktoritativa utgivare, strukturerad data och tredjepartsomnämnanden. Perplexity är byggt kring direkt hämtning från webben i realtid och tenderar att gynna nya, väl citerade sidor med tydliga faktapåståenden. Google AI Overview bygger till stor del på det befintliga Google-indexet och lyfter ofta fram samma domäner som redan rankar bra organiskt. Gemini hämtar från Googles kunskapsgraf och webbkorpus men viktar auktoritet och ämnesdjup på ett annat sätt igen. Resultatet: en källa kan vara en favoritreferens för en motor och helt osynlig för en annan, även när de besvarar nästan identiska promptar.

Det här är den praktiska grunden för generativ sökmotoroptimering (GEO) — disciplinen att göra ett varumärkes innehåll mer sannolikt att hämtas och citeras av dessa system. Du kan inte optimera för “AI-sök” som ett enda mål på samma sätt som du en gång optimerade för “Google”. Du behöver insyn i vilken motor som citerar vilken källa, eftersom lösningen för ett ChatGPT-gap (till exempel fler tredjepartsomnämnanden och strukturerad data) ofta skiljer sig från lösningen för ett Perplexity-gap (färskare, mer citerbart faktainnehåll). Utan källdata på motornivå slutar team med att gissa vilken spak de ska dra i, eller drar i alla samtidigt och slösar tid på kanaler där varumärket redan gick bra.

Källdata per motor avslöjar också konkurrensstruktur som aggregerade mått döljer. Två källor kan ha samma totala antal citeringar samtidigt som den ena bara refereras av ChatGPT och den andra är Perplexitys förstahandsval. Att känna till den skillnaden berättar inte bara om en konkurrents eller partners webbplats citeras, utan vilken modells användare som faktiskt ser den — vilket styr var du bör fokusera innehåll, PR eller tekniska åtgärder härnäst.

Var du hittar den

Det är tabellen Citeringar per leverantör på sidan Källor, med underrubriken “Hur många gånger varje AI-motor citerade dina toppdomäner i alla spårade promptar.” Tabellen bygger på samma underliggande data som resten av AmICiteds källanalys: varje citering som dina spårade promptar genererar hos Gemini, Perplexity, Google AI Overview och ChatGPT tillskrivs den exakta källa som skapade den, och sammanställs sedan per domän (eller per URL) och per motor.

Vad den mäter

Tabellen besvarar en mer avgränsad, mer handlingsbar fråga än ett enskilt citeringsantal: hur mycket förlitar sig varje enskild AI-motor på just den här källan? I stället för ett enda sammanslaget tal får du en rad med motorspecifika siffror, så att en källas totala inflytande och dess inflytande per motor båda syns samtidigt.

• Varje rad är en källa — en domän, eller en sida i vyn per URL — med din egen domän markerad dig, så att du kan hitta din egen prestation utan att skanna hela listan.
• Varje motor har en kolumn — Gemini, Perplexity, Google AI Overview, ChatGPT — med en skuggad cell som visar antalet citeringar för den källan hos den motorn.
• Cellens mörker kodar volym med en “färre → fler”-gradientförklaring, så mönster syns på ett ögonblick utan att du behöver läsa varje siffra.
• Totalt summerar en källas citeringar över alla fyra motorer, vilket ger dig en övergripande rangordning av källans betydelse.
• En kolumn för Web Vitals och ett 14-dagars linjediagram ligger bredvid citeringssiffrorna och tillför sammanhang om sidhälsa och senaste trender — en källa som ökar i citeringar men som missar Core Web Vitals är en skör ledare värd att bevaka.

Eftersom tabellen är organiserad efter källa först och motor i andra hand är den byggd specifikt för att besvara “vilken motor litar på den här källan” — en annan (och ofta mer användbar) fråga än “hur många citeringar fick jag den här månaden”.

Så här läser du den

Skanna tabellen som du skulle skanna vilken värmekarta som helst: leta efter färg, inte bara siffror. En rad som är genomgående mörk i alla fyra motorkolumner är en källa med brett inflytande över alla motorer — den typ av referens som alla modeller verkar söka sig till. En rad som är mörk i en kolumn och tom i resten är en källa med snävt, motorspecifikt inflytande, vilket vanligtvis pekar på något strukturellt: källan kanske är väl indexerad av Google men sällan hämtad live av Perplexity, eller vice versa. Din egen rad med dig är den du bör kontrollera först och oftast, eftersom den är den direkta avläsningen av ditt varumärkes AI-söksynlighet uppdelad per motor.

Så här använder du den

1. Hitta varje motors favoriter. Skanna en kolumn uppifrån och ned för att se vilka källor modellen lutar sig mest mot för dina spårade promptar. Det här är sidorna värda att baklängesanalysera — deras struktur, färskhet och auktoritetssignaler fungerar uppenbarligen för just den motorn.
2. Se var du står. Leta upp din rad med dig och läs tvärs över den: vilka motorer citerar dig, och vilka citerar dig inte alls. Det är det snabbaste sättet att upptäcka en motorspecifik blind fläck i stället för att anta att din totala synlighet är jämnt svag eller stark.
3. Rikta in dig på din svaga motor. En tom cell i din rad under en motor är ett specifikt, åtgärdbart gap — inte en vag uppgift som “förbättra AI-synligheten”, utan en konkret sådan: ta reda på varför Perplexity (till exempel) aldrig hämtar dig medan ChatGPT gör det, och justera innehållets färskhet, citeringar eller genomsökningsbarhet därefter.
4. Studera ledarna. De mörkaste raderna, utöver din egen, är källorna som dominerar ditt ämne över alla motorer — sidorna att lära från, jämföra dig mot eller sikta på att överträffa. Om en konkurrents domän visar sig mörk under varje kolumn är det en stark signal om domänauktoritet värd att undersöka direkt, inklusive vilket innehållsformat och vilken struktur den använder.

Använd växlingen Per domän / Per URL för att växla mellan hela domäner och enskilda sidor, vilket låter dig borra dig ned från “vilka webbplatser vinner hos vilka motorer” till “exakt vilken sida är det som vinner” (beskrivs i en egen guide).

Varför källdata på motornivå spelar roll för din strategi

Att behandla alla AI-citeringar som en odifferentierad pool leder till två vanliga misstag. Det första är att anta att en förbättrad synlighet hos en motor löser det överallt — team ser ibland en ökning av citeringar efter en innehållssatsning och antar att strategin fungerar brett, när det i själva verket bara var en motor som reagerade och de andra fortfarande är tomma. Det andra är att feltolka konkurrenshot: en konkurrent med ett högt totalt antal citeringar kan i själva verket vara koncentrerad helt till en enda motor, vilket lämnar tre andra vidöppna. Tabellen Citeringar per leverantör finns specifikt för att förhindra båda misstagen genom att hålla motordimensionen synlig hela tiden i stället för att slå ihop den till ett enda värde.

Den här typen av detaljerad källdata är också det som skiljer en riktig AI-rankspårare från en enkel omnämnanderäknare. Att räkna hur ofta ett varumärke nämns är en början, men att veta vilka källor varje motor citerar i stället för dig — och kunna jämföra det mot din egen trend för andel av rösten — är det som förvandlar datan till en prioriterad åtgärdslista snarare än ett skönhetsmått. Om du håller på att bygga en bredare analys av innehållsluckor är den här tabellen den naturliga utgångspunkten: den berättar exakt vilken motor du bör testa mot först, och vilka konkurrerande eller externa källor som redan har den position du försöker erövra. Team som driver AI-synlighetsarbete i byråskala, eller sköter det parallellt med traditionell SEO -rankspårning, brukar kontrollera den här vyn varje vecka — det är det snabbaste sättet att se om förra månadens innehålls- eller tekniska ändringar faktiskt gjorde skillnad hos den specifika motor de siktade på.