Rankfors forskningsbibliotek

Forskning til bedre beslutninger i marketing.

Find ud af, hvor dit brand kommer med i AI-svar, hvad der ændrer sig på tværs af markeder, og hvilke resultater du kan stole på. Start med et forretningsspørgsmål. Følg det hen til dokumentationen.

Disse studier måler AI-svar, omtaler og kildehenvisninger. Forbrugernes valg, markedsandel og omsætning kræver separat dokumentation.

1 tidsskriftsartikel13 arXiv-preprints9 åbne datasætTidsskriftsartiklen og dens tidligere preprint udgør én studiefamilie.Tjekket 4. november 2026

Forskningskatalog

Hvad skal du beslutte?

Tidsskriftsartikel Journal of Marketing Analytics 31. oktober 2026 Endelig version, udgivet online først

Kommer dit brand på AI-shortlisten?

Fem brancher, 50 brands og 250 spørgsmål: hvert spørgsmål blev stillet fem gange til tre AI-systemer i februar og september 2026. Brandene fik næsten samme rangorden efter anbefalingsandel på begge datoer (rangkorrelation 0,994). Alle tre systemer nævnte det samme topbrand for 57,2 % af spørgsmålene i februar og 60,8 % i september.

Sådan bruger du det: Mål inklusion spørgsmål for spørgsmål. Brug resultatet til at afgøre, hvor manglende eller svag dækning skal undersøges.

Læs tidsskriftsartiklen Læs det tidligere preprint Data og kode Resumé i letforståeligt sprog Rankfors managed service til AI-søgning

Artiklens titel og versioner

The synthesised consideration set: brand inclusion and concentration in large language model recommendations across five industries and three systems

Tidligere preprint: Who Owns the AI Recommendation? A Multi-Industry Empirical Map of Brand Category Ownership Across Large Language Models

Forfattere: Dmitrij Żatuchin

arXiv:2606.23057 Version i Journal of Marketing Analytics

Brandinklusion

arXiv:2607.23893 juli 2026 Revideret 1. august 2026 (v2)

Nævner AI dine eksperter, din virksomhed eller en anden?

På tværs af 2.400 kildeforankrede svar på fire europæiske markeder nævnte svarene navne med forskellig hyppighed afhængigt af fag og system. En fast liste over fagfolk fangede meget lidt af det, svarene faktisk nævnte.

Sådan bruger du det

Læs de navne, AI faktisk kommer med. Tag personer og virksomheder med, som står uden for din nuværende konkurrentliste.

Læs preprint Data og kode

Artiklens titel og versioner

Who Gets Named: Citation Type Predicts Individual Naming by Grounded Language Models, and a Roster Instrument Captures 0.5% of It

Forfattere: Dmitrij Żatuchin

arXiv:2607.23893

Pålidelig måling

arXiv:2610.19608 oktober 2026

Holder dagens synlighed stadig næste måned?

En forhåndsregistreret test tjekkede prognoser 20,3 dage senere med én Gemini-version, tolv brands og tre sprog. Den seneste omtalehistorik pr. spørgsmål var fortsat nyttig i den test.

Sådan bruger du det

Gem historikken for hvert spørgsmål og hver modelversion. Sammenlign den næste måling med dette udgangspunkt.

Læs preprint Data og kode Forhåndsregistrering

Artiklens titel og versioner

Twenty Days Later: A Pre-Registered Test of History-Based Forecasts of Brand Mentions in Gemini Answers

Forfattere: Dmitrij Żatuchin

arXiv:2610.19608

arXiv:2609.04047 september 2026 Revideret 14. oktober 2026 (v2)

Hvor mange gange skal du spørge?

Med udgangspunkt i fem tidligere studier viser denne protokol, hvorfor ét antal gentagelser ikke passer til alle spørgsmål. Stikprøven afhænger af, hvor meget svarene varierer, og hvor stor en ændring du skal kunne opdage.

Sådan bruger du det

Start med en lille prøvekørsel. Brug variationen til at planlægge nok gentagelser til din beslutning.

Læs preprint Kør et gentaget tjek

Artiklens titel og versioner

The Dice Roll Method: A Standardized Protocol for Repeated-Query Auditing of Large Language Model Brand Recommendations

Forfattere: Dmitrij Żatuchin

Erstatter: Research Square rs-8980233, Research Square rs-9496731

arXiv:2609.04047

arXiv:2609.05059 september 2026 Revideret 23. september 2026 (v2)

Har du fundet de fleste navne i din stikprøve?

En audit af 4.500 svar på 50 købsspørgsmål viser, at skøn over fundne navne afhænger af udtræksreglerne, udvalget af spørgsmål og det afgrænsede sæt, der sammenlignes med.

Sådan bruger du det

Tjek, hvordan navnene trækkes ud, og om endnu en kørsel stadig tilføjer nye brands eller kilder.

Læs preprint

Artiklens titel og versioner

Measuring Brand and Source Discovery under Repeated LLM Queries: A Finite-Sample Audit

Forfattere: Dmitrij Żatuchin

arXiv:2609.05059

arXiv:2610.00253 september 2026

Kan ét AI-benchmark erstatte et andet?

I dette korpus bar de enkelte svar stærke fingeraftryk fra hvert system. Samlede brandmønstre overførtes ikke pålideligt mellem forskellige spørgsmålsemner.

Sådan bruger du det

Hold resultaterne adskilt efter system og spørgsmålssæt. Test igen, før du bruger et benchmark i en ny kategori.

Læs preprint

Artiklens titel og versioner

System Attribution in LLM Brand Recommendations: Single Responses Identify the System, Aggregated Brand Profiles Do Not Transfer

Forfattere: Dmitrij Żatuchin

arXiv:2610.00253

arXiv:2607.13304 juli 2026 Revideret 1. november 2026 (v2)

Blev svarene dårligere, eller ændrede scoren sig?

Studiet undersøger variation i automatiske sentimentscorer på tværs af sprog, modeller og prompts. Scorerne er ikke valideret som mål for brandomdømme på de sprog, studiet dækker.

Sådan bruger du det

Læs svarene bag en faldende score, og valider scoringsmetoden på hvert sprog, før du ændrer din marketing.

Læs preprint Answer Trail

Artiklens titel og versioner

Query Language Sensitivity in Automated Sentiment Scores of LLM Responses

Forfattere: Dmitrij Żatuchin

arXiv:2607.13304

arXiv:2610.00052 september 2026

Kan skiftende svar stadig gentage de samme valg?

På tværs af 1.184 gyldige output med seks tal gav seks konfigurationer langt mindre variation end uafhængig, ligefordelt udtrækning. Eksperimentet testede tal. Brandanbefalinger indgik ikke i testen.

Sådan bruger du det

Som auditspørgsmål: Tjek både hvor mange forskellige svar der dukker op, og hvor ofte de førende valg vender tilbage.

Læs preprint

Artiklens titel og versioner

Ask a Language Model for Lottery Numbers: Concentration in Repeated Six-of-49 Outputs

Forfattere: Dmitrij Żatuchin

arXiv:2610.00052

Kilder og markeder

arXiv:2606.25787 juni 2026

Hvilke kilder optræder sammen med svar om dit brand?

Studiet kortlægger 167.551 kildehenvisninger fra kildeforankrede svar fordelt på 128 brands, 12 hjemmemarkeder og 13 sprog. I det største datasæt, 131.514 kildehenvisninger, ændrede fordelingen af kildetyper sig knap mellem sprogene, og Wikipedia var det mest citerede domæne på 11 af 12 sprog.

Sådan bruger du det

Åbn de citerede sider. Se efter relevante huller i den information, der findes om din virksomhed og din kategori.

Læs preprint Data og kode

Artiklens titel og versioner

How Large Language Models Source Brand Reputation Across Languages and Markets

Forfattere: Dmitrij Żatuchin

arXiv:2606.25787

arXiv:2606.23165 juni 2026

Hvad ser dine kunder på andre sprog end engelsk?

En sammenligning af 35.640 kildeforankrede svar om 66 brands på 12 europæiske sprog fandt forskellige brandanbefalinger fra sprog til sprog.

Sådan bruger du det

Test de sprog, dine kunder bruger, og rapporter resultaterne hver for sig.

Læs preprint Data og kode

Artiklens titel og versioner

The Language Blind Spot: How Query Language and Brand Recognition Tier Shape AI-Constructed Brand Reputation Across Twelve European Languages

Forfattere: Dmitrij Żatuchin

arXiv:2606.23165

arXiv:2608.30052 august 2026

Ændrer markedskonteksten leverandørlisten?

En lille audit af brugerfladen fandt forskellige sæt af leverandører, når forespørgslens sprog og det sted, netværksforbindelsen gik ud fra, ændrede sig.

Sådan bruger du det

Registrer sprog og placering som testbetingelser, skift én ad gangen, og sammenlign de nævnte leverandører.

Læs preprint Data og kode

Artiklens titel og versioner

The Language of the Question Selects the Market: Query Language and Exit IP as Separable Factors in Commercial Recommendations from a Generative Search Interface

Forfattere: Dmitrij Żatuchin

arXiv:2608.30052

Køberspørgsmål og indhold

arXiv:2610.00369 september 2026

Skal den samme AI skrive og bedømme dine tekster?

En genanalyse af 21.828 offentlige sammenligningsforsøg fandt en bred præference for tekst skrevet af modeller. Ved studiets detektionstærskel kunne der ikke påvises nogen ekstra præference for en models egen tekst.

Sådan bruger du det

Når AI sammenligner to tekster, så byt om på rækkefølgen og inddrag en menneskelig vurdering, før du vælger en vinder.

Læs preprint SSRN-version

Artiklens titel og versioner

A Shared Taste for Model-Written Text: The Generator-by-Selector Matrices of "AI-AI Bias" Show No Detectable Own-Model Premium

Forfattere: Dmitrij Żatuchin

arXiv:2610.00369

arXiv:2608.30023 august 2026

Tester du de spørgsmål, købere ville stille?

PersonaGen-1M indeholder 1.031.732 syntetiske køberpersonaer og mere end fem millioner genererede forespørgsler. Datasættet giver idéer til spørgsmål. Det dokumenterer ikke observeret efterspørgsel fra kunder.

Sådan bruger du det

Brug det til at finde huller i en spørgsmålsliste. Tjek de endelige spørgsmål mod salgssamtaler og dokumentation fra kunderne.

Læs preprint

Artiklens titel og versioner

Demand-Side Measurement for Generative Engine Optimization: Constructing and Validating a Million-Persona, Intent-Annotated Buyer Corpus

Forfattere: Dmitrij Żatuchin, Daniil Dzemesjuk

arXiv:2608.30023

Gennemse data og metoder (9 datasæt)

Data og kode

Forskningsdatasæt

Data for "Twenty Days Later: A Pre-Registered Test of History-Based Forecasts of Brand Mentions in Gemini Answers"
Låst plan, 648 labels og alle målinger fra 162 Gemini-forespørgsler sendt den 13. oktober 2026, med en blind kontrol af 96 labels. Svarteksterne er ikke inkluderet.
10.5281/zenodo.23351313
Åbent datasæt
Category Ownership Map: Corrected Analyses and September Replication Outputs (2026)
Korrigerede analyser og output fra replikationen i september.
10.5281/zenodo.22927143
Åbent datasæt
Run records and collectors for "The Language of the Question Selects the Market: Query Language and Exit IP as Separable Factors in Commercial Recommendations from a Generative Search Interface"
Kørselsoptegnelser, indsamlingsscripts og analysekode fra 234 kørsler på tværs af seks forespørgselssprog og fire netværksplaceringer, august 2026.
10.5281/zenodo.22181306
Åbent datasæt
Does an AI describe your company, or your company's name? 9,600 model answers about invented and real companies
264 rigtige virksomheder på 21 markeder plus opfundne navne, der matcher i længde og fonologi.
10.5281/zenodo.21904654
Åbent datasæt
Supplementary Materials: Volume and Distribution as Separable Dimensions of Gender Bias in Large Language Model Brand Recommendation
574 svar fra tre AI-modeller på gavespørgsmål, hvor kun modtagerens køn ændres, med udtræksværktøj, kode og kontrol foretaget af mennesker.
10.5281/zenodo.21904788
Åbent datasæt
Supplementary Materials: Measuring Corporate Reputation in the Age of AI: A Multi-Industry Probe Protocol for LLM-Mediated Reputation Assessment
Korrigerede data, prompts og kode fra en test af, hvordan AI-modeller beskriver 24 børsnoterede og private virksomheder i 8 brancher. Version 3.0 erstatter versionerne fra 25. marts og 26. juli 2026. Det tilhørende manuskript er under fagfællebedømmelse.
10.5281/zenodo.19225834
Åbent datasæt
Individual Professional Visibility in Grounded LLM Answers: 2,400 Buyer-Intent Responses Across Four European Markets
Dataene bag "Who Gets Named".
10.5281/zenodo.21612690
Åbent datasæt
How LLMs Source Brand Reputation Across Languages and Markets: A Cross-Market Citation Dataset
Kildehenvisninger klassificeret efter domæne og kildetype på tværs af 12 markeder.
10.5281/zenodo.20829524
Åbent datasæt
Cross-Language AI Brand Reputation: A 66-Brand, 12-Language Dataset of LLM-Constructed Reputation
Kildeforankrede svar om de samme brands, når der spørges på tolv sprog.
10.5281/zenodo.20794390
Åbent datasæt

Dit kundespørgsmål

Hvilke køberspørgsmål bør dit brand svare på som det næste?

Tal med os om din AI-synlighed

Hvad skal du beslutte?

Kommer dit brand på AI-shortlisten?

Brandinklusion

Nævner AI dine eksperter, din virksomhed eller en anden?

Pålidelig måling

Holder dagens synlighed stadig næste måned?

Hvor mange gange skal du spørge?

Har du fundet de fleste navne i din stikprøve?

Kan ét AI-benchmark erstatte et andet?

Blev svarene dårligere, eller ændrede scoren sig?

Kan skiftende svar stadig gentage de samme valg?

Kilder og markeder

Hvilke kilder optræder sammen med svar om dit brand?

Hvad ser dine kunder på andre sprog end engelsk?

Ændrer markedskonteksten leverandørlisten?

Køberspørgsmål og indhold

Skal den samme AI skrive og bedømme dine tekster?

Tester du de spørgsmål, købere ville stille?

Forskningsdatasæt

Data for "Twenty Days Later: A Pre-Registered Test of History-Based Forecasts of Brand Mentions in Gemini Answers"

Category Ownership Map: Corrected Analyses and September Replication Outputs (2026)

Run records and collectors for "The Language of the Question Selects the Market: Query Language and Exit IP as Separable Factors in Commercial Recommendations from a Generative Search Interface"

Does an AI describe your company, or your company's name? 9,600 model answers about invented and real companies

Supplementary Materials: Volume and Distribution as Separable Dimensions of Gender Bias in Large Language Model Brand Recommendation

Supplementary Materials: Measuring Corporate Reputation in the Age of AI: A Multi-Industry Probe Protocol for LLM-Mediated Reputation Assessment

Individual Professional Visibility in Grounded LLM Answers: 2,400 Buyer-Intent Responses Across Four European Markets

How LLMs Source Brand Reputation Across Languages and Markets: A Cross-Market Citation Dataset

Cross-Language AI Brand Reputation: A 66-Brand, 12-Language Dataset of LLM-Constructed Reputation

Hvilke køberspørgsmål bør dit brand svare på som det næste?

Dit valg om cookies