Hur AI-sökmotorer anger källor efter språk och land

När någon ställer en fråga till en AI-assistent är det de källor som assistenten hänvisar till som avgör vad den personen lär sig och vilka varumärken hen stöter på. Och då insåg vi… hur väljer dessa assistenter sina källor? Skiljer sig beteendet åt mellan olika språk, länder, ämnen och AI-system?

Precis som med alla andra frågor vi hade bestämde vi oss för att undersöka saken.

Vi tog fram 400 frågor fördelade på 5 ämneskategorier och 3 detaljnivåer, skrev varje fråga på engelska, franska, spanska och japanska och lät 4 AI-system i 5 olika länder besvara dem. Det gav oss över 16 000 svar, och vi registrerade varje källa som varje system hänvisade till.

Flera mönster framträdde tydligt. Vissa handlar om hur dessa system fungerar i allmänhet, men det som är viktigast för alla varumärken som ger sig in på nya marknader är – som ni säkert gissat – språket.

Då sätter vi igång.

Hur vi genomförde studien

Vi ville att frågeuppsättningen skulle spegla äkta nyfikenhet snarare än en vanlig SEO-nyckelordslista, så vi fördelade de 400 frågorna på 5 kategorier (e-handel, SaaS, allmänbildning, globala nyheter och handledningar) och 3 olika frågelängder, från korta och allmänna till långa och specifika.

Vi genomförde sedan varje fråga i två versioner per marknad: på engelska överallt och på det lokala språket för respektive marknad (franska i Frankrike, spanska i Spanien, Argentina och USA samt japanska i Japan). De fyra systemen var GPT 5.5, Claude Haiku 4.5, Gemini Flash 3.5 och Google AI Overviews, eller Google AI Mode i Frankrike, där AI Overviews ännu inte hade lanserats vid tidpunkten för datainsamlingen.

För varje svar registrerade vi de käll-URL:er som systemet returnerade. Siffrorna nedan härrör från den här rådatauppsättningen med över 16 000 svar.

Översikter över chattbotar och AI fungerar som motsatta maskiner

Den största skillnaden i beteende fanns mellan chattbotarna och Googles AI-översikter, framför allt när det gäller hur de respektive källorna anges.

Chatbotarna hänvisar knappt till källor vid korta, allmänna frågor. Men ju mer specifik frågan blir, desto fler källor anger de. Claude anger till exempel i genomsnitt 0,12 källor vid en kort fråga och 2,96 vid en lång; ChatGPT går från 0,09 till 2,26. Gemini anger fler källor genomgående och ökar från ungefär 1,7 källor vid korta frågor till cirka 6,5 vid långa. Om du siktar på synlighet i AI-sökningar (vilket, om du läser detta, förmodligen innebär att du gör det), ökar sannolikt dina chanser att bli citerad om du optimerar ditt innehåll för specifika, långa sökfrågor.

Googles AI-översikter fungerar dock tvärtom. De citerar flest källor vid korta, allmänna sökfrågor (cirka 6 källor vardera) och antalet minskar i takt med att sökfrågan blir längre och mer specifik (ner till ungefär 4). Det är så en sökresultatsida beter sig, inte en chattbot: korta sökfrågor ger en bredd av länkar, och ju mer precis frågan är, desto mer avgränsas svaret.

Här följer en jämförelse mellan de tre chattbotarna, uttryckt som det genomsnittliga antalet källor som citeras per sökfråga:

‍

Chatbots besvarar allmänna frågor utifrån den kunskap de redan har och hämtar endast information från källor när en fråga blir mer specifik, medan AI-översikter bifogar länkar på samma sätt som en sökmotor gör.

Varumärken nämns även när ingen länk visas

I många AI-gränssnitt ser användaren det skriftliga svaret, inte en lista med länkar. Därför kan de företag som en assistent nämner i sitt svar vara lika viktiga som de URL:er som anges. Vi räknade hur många olika företag varje chatbot nämnde per sökfråga. (Googles AI-översikter har utelämnats här, eftersom vi kunde registrera de länkar som angavs men inte själva svartexten).

Genomsnittligt antal företag som nämns per förfrågan, uppdelat efter chatbot och förfrågans längd

‍

ChatGPT och Gemini nämner flera företag per sökfråga, även vid korta, allmänna frågor – samma frågor där de nästan inte anger några webbadresser alls. Ett varumärke kan dyka upp i svarstexten utan att det finns en enda länk som pekar på det, vilket innebär att det spelar roll vilken typ av företag dessa modeller redan känner igen, inte bara om det går att länka till det.

Antalet hänvisningar ökar när det gäller kommersiella och tidsaktuella ämnen

Ämnet är lika viktigt som frågans längd. När man tittar på chattbotarna kan man se att det genomsnittliga antalet källor som citeras per fråga ökade stadigt från tidlösa ämnen till kommersiella och snabbt föränderliga ämnen.

‍

Fasta, väl dokumenterade ämnen som handledningar och allmän kunskap genererar minst antal hänvisningar; modellerna besvarar dessa frågor till stor del utifrån sin träning. Kommersiella och tidsberoende ämnen som e-handel, SaaS och globala nyheter genererar flest hänvisningar, eftersom modellerna söker efter aktuell information. För alla som verkar inom en kommersiell kategori är detta den uppmuntrande delen av resultatet: det är just i dessa sökfrågor som möjligheten att bli en källa som man kan hänvisa till ligger öppen.

Engelska är fortfarande det språk som används som källa oftast

För alla tre chattbotarna genererade frågor på engelska fler källor än frågor på det lokala språket på varenda marknad vi testade.

Ställer man samma fråga på engelska hämtar dessa system in fler källor än vad de gör på det lokala språket – överallt. Engelskspråkigt innehåll har fortfarande ett strukturellt försprång när det gäller hur mycket som överhuvudtaget citeras, vilket är logiskt med tanke på att engelska fortfarande är det dominerande språket på internet. Det som förändras beroende på språk är inte om källor dyker upp, utan vilka källor det är.

{{verktygs-banner}}

Ställ frågan på det lokala språket, så blir källorna lokala

När vi ställde samma frågor på ett lokalt språk istället för på engelska, började systemen märkbart att prioritera lokala källor på det aktuella språket.

I Japan fanns 26 % av alla citerade källor på japanska (.jp)-domäner när vi ställde frågorna på japanska, jämfört med cirka 1 % när vi ställde samma frågor på engelska. Om vi även räknar med japanskspråkiga sidor på globala plattformar, framför allt ja.wikipedia.org och jp.linkedin.com, stiger siffran till 35 % jämfört med 1,3 %. Men om vi istället begränsar oss till japanska myndighets- och akademiska webbplatser (.go.jp och .ac.jp) kvarstår skillnaden: 4,26 % på japanska jämfört med 0,13 % på engelska.

Frankrike uppvisade samma trend. Sökningar på franska ledde till att 16 % av hänvisningarna gick till .fr-domäner, jämfört med 1,4 % för engelska sökningar, och totalt 30 % till franskspråkiga källor när man räknar in lokaliserade sidor på globala webbplatser. Franska myndighetswebbplatser (.gouv.fr) gick från nästan noll på engelska till 1,25 % på franska. Spanskspråkiga sökningar i Spanien genererade 7 % av hänvisningarna till .es-domäner och 26 % till spanskspråkiga källor, jämfört med 1,7 % för engelska sökningar.

Argentina utgjorde ett undantag, vilket speglar landets kultur och historia. Endast 2 % av hänvisningarna gick till .ar-domäner, men 23 % var på spanska, jämfört med 1,1 % på engelska. Argentinska användare får tillgång till spanskspråkigt innehåll från Spanien, Mexiko och lokaliserade globala webbplatser, men inte från argentinska domäner. Här kunde vi konstatera att modellerna följde språket snarare än geografin.

Samma frågor, samma ämnen, ett annat sökspråk – och systemen hämtar information från en annan uppsättning källor. Kort sagt ligger innehåll som endast finns på engelska till stor del utanför den källpool som dessa system utnyttjar när de ger svar på ett lokalt språk. Effekten är störst i Japan, den marknad som ligger längst bort från engelskan.

Varje system har sina egna källkriterier

Systemen skiljer sig också åt när det gäller vilka typer av källor de föredrar, och detta mönster var genomgående för alla språk vi testade.

Som framgår av tabellen hämtar varje system sina hänvisningar från kommersiella sidor och varumärkessidor, men när det gäller allt annat skiljer sig deras beteende åt.

Claude är till exempel helt klart den som främst fokuserar på kommersiella sidor och varumärkessidor, där nästan 9 av 10 hänvisningar går till dessa och nästan inga alls till medier. ChatGPT fördelar sina hänvisningar bredast (men inte särskilt mycket), och prioriterar fortfarande i stor utsträckning kommersiella sidor och varumärkessidor, medan globala institutioner och medier hamnar på 8,1 % respektive 9,9 %.

Gemini och Google AI Overviews förlitar sig i hög grad på källor från användargemenskaper och videokällor: Enbart YouTube och Reddit stod för 21,5 % av citaten i Gemini och 29,8 % av citaten i AI Overviews.

Om du vill bli omnämnd av Gemini eller i en AI-översikt är det en stark närvaro på YouTube och Reddit som gör den största skillnaden. Om ChatGPT och Claude är dina mål är det däremot viktigare med egna varumärkessidor och omnämnanden i etablerade publikationer.

Vilka domäner och varumärken nämns oftast?

Genomsnittsvärdena beskriver hur citaten ser ut. De specifika namnen visar vilka aktörer som fyller ut det utrymmet. Vi har tagit fram de domäner och företag som varje chatbot citerade mest inom varje ämneskategori, efter att ha uteslutit alla företag som nämndes direkt i frågorna, så att dessa siffror återspeglar vad modellerna kom fram till på egen hand. Dessa två tabeller omfattar de tre chatbottarna.

De mest citerade domänerna (de tre främsta per kategori)

‍

Här kan vi se en tydlig uppdelning.

Gemini koncentrerar sina hänvisningar till ett litet antal plattformar, där YouTube och Reddit intar de främsta platserna i nästan alla kategorier.

ChatGPT och Claude fördelar istället sina källor på många kategorispecifika auktoriteter: webbplatser för hårdvarurecensioner som Tom’s Guide och TechRadar för e-handel, samt forsknings- och referenskällor som arXiv, PubMed och Wikipedia för allmän kunskap och nyheter.

E-handel och SaaS har flest hänvisningar och ger den mest stabila bilden; antalet hänvisningar inom allmän kunskap är få, så betrakta dessa positioner som vägledande.

De mest citerade företagen (de tre främsta per kategori)

‍

HubSpot toppar SaaS-listan för alla tre chattbotarna, med Salesforce tätt efter – en ovanligt stor enighet mellan de olika modellerna – och e-handelskluster kring konsumenthårdvarumärken som Logitech, Razer och Anker.

Det är dock en blygsam ledning: HubSpot har en marknadsandel på under 3 % inom SaaS, så omnämnandena är utspridda över en lång rad företag. Att bli omnämnd handlar inte så mycket om att petas ner ett dominerande företag, som man skulle vilja göra bland de traditionella tre blå länkarna i toppen av sökresultaten inom SEO. Istället handlar det om att överhuvudtaget finnas med i bilden.

Vad detta innebär för en global expansion

Studien undersöker var dessa system söker information, inte vad en enskild webbplats bör göra. Det som data visar är att AI-systemen lokaliserar sina källor: om man ställer en fråga på ett visst språk, prioriterar de källor på just det språket.

För ett varumärke som expanderar utomlands innebär detta att innehåll på det lokala språket blir en fråga om tillgänglighet. Enkelt uttryckt kan innehåll på marknadens modersmål användas som källa när en lokal användare ställer en fråga. Men om det endast finns på engelska kan det oftast inte användas som källa. Det är ett mönster som vi har sett ur ett annat perspektiv i vår tidigare forskning om översättning och AI-synlighet, och den här studien bidrar till att förklara mekanismen bakom det.

Är du redo att nå dessa marknader på deras eget språk?

Om du vill att ditt innehåll ska kunna hittas när användare söker på sitt eget språk kan du påbörja din kostnadsfria provperiod med Weglot och få en flerspråkig webbplats igång på några minuter.