Den traditionella marknadsföringstratten känns helt trasig med AI-sök – hur anpassar alla sin kundresestrategi?

Du är inte ensam. Det här är DEN diskussionen som pågår på alla marknadsledningsmöten just nu.

Den grundläggande förändringen:

Den traditionella tratten byggde på sekventiella kontaktpunkter där du kunde påverka köpare i varje steg. AI-sök komprimerar detta till det jag kallar “simultan intentionslösning”.

När en köpare frågar Perplexity en komplex fråga uttrycker de:

• Behov av medvetenhet (“Vilka lösningar finns?”)
• Behov av övervägande (“Hur jämförs de?”)
• Behov av beslut (“Vilken passar min specifika situation?”)

…allt på en gång. AI sammanställer allt och levererar en rekommendation. Din tratt är nu en enda interaktion du inte styr över.

Data är tydliga:

• 90 % av B2B-köpare använder nu generativ AI under köpresan
• 83 % av köpresan sker innan kontakt med sälj
• Traditionella attributionsmodeller missar det mesta av detta

Den nya tankemodellen:

Sluta tänka “trattsteg” och börja tänka “AI-rekommendationsduglighet”.

Ditt mål är inte att flytta köpare genom steg – det är att vara det varumärke AI rekommenderar när köpare slår ihop alla steg till en enda fråga.

Vi strukturerade om hela vår go-to-market kring denna verklighet för 6 månader sedan.

Vad vi kallar “AI-erans tratt”:

Istället för TOFU/MOFU/BOFU tänker vi nu i termer av:

1. AI-synlighetslager

• Nämns vi när köpare frågar AI om vår kategori?
• Vad är vår andel AI-röst jämfört med konkurrenter?
• Hur positioneras vi i AI-rekommendationer?

2. Varumärkesförstärkningslager

• När AI nämner oss, kommer köparen ihåg oss?
• Är vårt varumärke tillräckligt starkt för att överleva AI-sammanfattningar?
• Syns vi i flera AI-kontaktpunkter?

3. Konverteringslager

• När köpare anländer (förutbildade av AI), konverterar vi dem?
• Är vår webbplats optimerad för AI-informerade besökare?
• Vet sälj hur de ska hantera AI-utbildade prospekts?

Mätvärden vi följer:

• AI-citeringsfrekvens (veckovis via Am I Cited)
• Andel AI-röst per kategori
• Trend för varumärkesrelaterade sökningar
• Korrelation AI-till-varumärkessök
• Konverteringsgrad för “förutbildade” prospekts

Vi kan inte spåra mitten, så vi fokuserar på att vara synliga i input (AI-rekommendationer) och optimera output (konverteringar).

Attributionsspecialist här. Låt mig bekräfta dina farhågor med data.

Problemet med “attribution dark matter” är verkligt:

Vi analyserade våra senaste 500 stängda affärer:

• 34 % visade “direkt” som första kontakt
• Av dessa nämnde 78 % AI-research när vi frågade hur de hittade oss
• Traditionell attribution gav NOLL kredit till AI-medvetenhet

Matteproblemet:

Om en prospekt frågar ChatGPT om vår kategori, blir rekommenderad, och sedan skriver in vår URL direkt – då är det “direkt trafik” i GA4. Men i verkligheten är det AI-genererad efterfrågan.

Hur vi anpassar oss:

1. Efterköpsenkäter – Bara att fråga “Hur hörde du först talas om oss?” avslöjar AI:s roll

2. Korrelation varumärkessök – När vår AI-synlighet ökar, följer varumärkessök 2–3 veckor senare

3. Marketing Mix Modeling (MMM) – Statistiska modeller som drar slutsatser om påverkan utan att spåra individuella vägar

4. AI-citeringsspårning – Använder Am I Cited för att mäta det vi inte kan spåra via traditionell analys

Den obekväma sanningen:

Traditionella trattmått (MQL, SQL, touched attribution) mäter i allt större utsträckning aktivitet, inte påverkan. Den verkliga påverkan sker i konversationer vi inte kan se.

Så här har vi omstrukturerat innehållsstrategin för AI-tratten:

Gammalt tillvägagångssätt (trattsteg-innehåll):

• Medvetenhet: “Vad är [kategori]?"-bloggar
• Övervägande: Jämförelseguider, funktionslistor
• Beslut: Produktsidor, kundcase

Nytt tillvägagångssätt (AI-citerbart innehåll):

Omfattande intentionsinnehåll

• Enskilda sidor som besvarar hela köparens fråga
• Täck vad det är, hur lösningar jämförs och vem som ska använda vad
• Strukturerat för AI-extraktion (tydliga rubriker, direkta svar, stödjande data)

Auktoritetsinnehåll

• Egen forskning som AI kan citera
• Expertperspektiv som AI kan citera
• Branschspecifika användningsfall

Valideringsinnehåll

• Kundbevis på tredjepartswebbplatser
• Optimering av närvaro på recensionssajter
• Features i branschpublikationer

Den viktigaste förändringen:

Vi slutade tänka “vilket trattsteg tjänar detta innehåll?” och började tänka “vilken fullständig fråga besvarar detta innehåll?”

För AI bryr sig inte om dina trattsteg. Det handlar om att ge heltäckande svar på användarens frågor.

Säljperspektiv på denna omställning:

Det som förändrats i prospektens samtal:

Köpare brukade komma med frågor. Nu kommer de med AI-informerade åsikter.

De har redan:

• Lärt sig om kategorin
• Jämfört leverantörer
• Bildat preferenser
• Identifierat farhågor

Ibland är deras AI-drivna research korrekt. Ibland inte. Men de är självsäkra oavsett.

Hur vi anpassar oss:

1. “Vad sa AI till dig?"-upptäcktsfrågor – Vi frågar nu tidigt i samtalen vilken AI-research de gjort och vad de fått veta. Det avslöjar missuppfattningar vi behöver rätta till.

2. AI-informerad invändningshantering – Vanliga AI-drivna invändningar dokumenteras och bemöts proaktivt.

3. Snabbare säljcykler – Köpare kommer längre fram, så vi optimerar för kortare cykler med AI-utbildade prospekts.

4. Vinst/förlust-analys inkluderar AI – Vi spårar nu om AI nämnt oss (eller konkurrenter) i förlorade affärer.

Den ljusa sidan:

När AI rekommenderar oss positivt kommer prospekts som varma leads med implicit förtroende. Dessa affärer stängs snabbare och till högre värden.

Utmaningen är att säkerställa att AI rekommenderar oss korrekt och positivt från början.

Startup-perspektiv – det här är faktiskt BRA för mindre företag.

Traditionella trattfördelar:

• Stora varumärken med omfattande innehållsbibliotek
• SEO-auktoritet byggd över år
• Varumärkeskännedom i varje kontaktpunkt

AI-trattfördelar:

• Relevans är viktigare än storlek
• Bästa svaret vinner, inte största budgeten
• Nykomlingar kan rekommenderas bredvid etablerade aktörer

Vad vi gör:

1. Nischar oss aggressivt – AI rekommenderar specialister framför generalister för specifika frågor

2. Svarar bättre, inte rankar bättre – Vi kan inte konkurrera om traditionella rankningar, men vi kan skapa det bästa svaret på specifika frågor

3. Fokus på tredjepartsvalidering – Bli omnämnda i recensioner, jämförelser och diskussioner som AI litar på

4. Övervakar AI-rekommendationer maniskt – Vi använder Am I Cited för att spåra varje omnämnande och justera strategin veckovis

Våra resultat:

Vi nämns tillsammans med konkurrenter 10 gånger vår storlek eftersom AI inte bryr sig om företagsstorlek – det handlar om relevans för frågan.

Spelplanen är mer jämn än någonsin.

Jag är konsult inom denna omställning för stora företag. Här är ramverket jag använder:

Strategin för den “kollapsade tratten”:

Lager 1: Var hittbar

• Optimera för AI-upptäckt (strukturerat innehåll, heltäckande svar)
• Bygg närvaro på plattformar som AI citerar (Wikipedia, Reddit, G2, branschpublikationer)
• Säkerställ konsekvent och korrekt information överallt

Lager 2: Var rekommenderbar

• Positionera tydligt för specifika användningsfall
• Samla tredjepartsvalidering
• Bemöt jämförelsefrågor direkt
• Bibehåll stark närvaro på recensionssajter

Lager 3: Var konverterbar

• Optimera sajten för AI-utbildade besökare
• Möjliggör snabb självutvärdering
• Träna sälj för kortare, mer avancerade samtal

Lager 4: Var mätbar

• Spåra AI-synlighet som primärt mått
• Använd MMM för inflytelserik attribution
• Korrelera AI-omnämnanden med nedströms mått

Implementeringsverkligheten:

De flesta företag kan inte förändras över en natt. Börja med mätning – spåra AI-synlighet. Arbeta dig sedan bakåt genom lagren.

Om du inte kan se din AI-synlighet kan du inte förbättra den.

Motargument här – Jag tror inte trattmodellen är död, bara omvandlad.

Köpare går fortfarande genom steg:

• De blir medvetna om problem
• De överväger lösningar
• De fattar beslut

Det som förändrats är VAR dessa steg sker och HUR SNABBT de komprimeras.

Den nya tratten är inte “ingen tratt” – det är “accelererad tratt i AI-miljöer”:

• Medvetenhet sker i AI-konversationer
• Övervägande sker i AI-jämförelser
• Beslut sker i AI-rekommendationer

Praktisk konsekvens:

Du behöver fortfarande innehåll för varje steg – men det måste finnas DÄR AI kan hitta det och vara strukturerat SÅ AI kan använda det.

Trattens psykologi är densamma. Implementeringen är helt annorlunda.

Den här diskussionen har fundamentalt förändrat mitt tankesätt kring vår strategi.

Viktiga omformuleringar jag tar med mig:

1. Från trattsteg till AI-rekommendationsduglighet – Målet är att bli det varumärke AI rekommenderar, inte att flytta folk genom steg vi kontrollerar

2. Från innehåll-för-steg till heltäckande svar – Enskilda innehåll som besvarar hela köparfrågor slår steg-specifikt innehåll

3. Från attributionsspårning till påverkningsmätning – Acceptera att traditionell attribution är trasig, använd proxies som AI-synlighet och varumärkessök-korrelation

4. Från trafikmått till AI-andel av röst – Att bli omnämnd är viktigt även utan klick

5. Från SEO-optimering till ryktesbyggande – Auktoritet över webben är viktigare än enskilda sidrankningar

Det jag ändrar:

1. Sätter upp AI-synlighetsövervakning med Am I Cited
2. Går igenom allt innehåll för AI-heltäckning istället för trattstegstänk
3. Bygger in AI-citeringsspårning i vår dashboard bredvid traditionella mått
4. Lägger till “hur beskrev AI oss?” i vinst/förlust-analys
5. Föreslår MMM-investering till ledningen för bättre påverkningsmätning

Den obekväma acceptansen:

Tratten jag optimerat i åratal var en mental modell för en annan era. Dags att bygga nya mentala modeller för AI-eran.