OpenRankfor.AI
research

Category Ownership Index: Datasættet bag vores 50 brandprofiler

July 13, 2026
7 min read
n=3,750
Dmitrij Żatuchin
Category OwnershipAI RecommendationsOpen DatasetCOICompetitive VacuumCross-Model Agreement

Stil en AI-model et brandfrit købsspørgsmål ("bedste CRM til en lille virksomhed", "hvilket konsulenthus til en digital transformation"), og den nævner brands. Stil det 3.750 gange, på tværs af modeller og gentagelser, og du får et kort over, hvem der ejer hvilke spørgsmål.

Det kort er Category Ownership-datasættet. Denne artikel forklarer de tre målinger, det producerer, den ærlige overraskelse i resultaterne, og hvordan du læser de 50 offentlige brandprofiler, der er bygget på det. Data og analysekode er åbne under CC-BY-4.0 på Kaggle og Zenodo (10.5281/zenodo.20788142).

Opsætningen

250 brandfrie kategori-købsspørgsmål på tværs af fem brancher: SaaS, konsulentydelser, fintech, e-handel og sundhedsteknologi. Tre modeller: GPT-5.2, Gemini 3 Flash, Perplexity sonar-pro. Hver forespørgsel gentaget fem gange under en terningkast-stabilitetsprotokol, fordi et enkelt AI-svar ikke beviser noget. I alt: 3.750 svar, kortlagt mod 50 brands.

Tre målinger

Category Ownership Index (COI) måler, hvor grundigt ét brand dominerer sin kategoris spørgsmål. EY ejer konsulentydelser med 0.95 og optræder som den førende anbefaling i 47 af 50 konsulentforespørgsler. Stripe fører fintech med 0.53, HubSpot fører SaaS med 0.38. Spredningen betyder noget: konsulentydelser opfører sig som et monopol, SaaS som et omstridt marked.

Competitive Vacuum Index (CVI) finder de spørgsmål, hvor intet brand har etableret ejerskab. 8,0 % af forespørgselsrummet er vakuum: købsspørgsmål, som AI besvarer med generiske råd eller skiftende navne. Det er de billigste spørgsmål at vinde, fordi det at vinde dem fortrænger ingen.

Displacement Score (DS) anslår, hvor svært det ville være at skubbe den nuværende ejer ud af et spørgsmål, baseret på hvor konsekvent modellerne returnerer dem.

Den ærlige overraskelse: dominans er sjældnere end fortællingen siger

Historien om "vinderen tager det hele i AI-søgning" er for det meste forkert i det samlede billede. Den gennemsnitlige Gini-koncentration på tværs af kategorier er 0.284, et moderat niveau, og det førende brands forspring over nummer to samler sig omkring 1,3:1, langt under den tærskel på 3:1, vi satte for ægte dominans før studiet.

Monopoler af EY-typen findes, men er undtagelser. Den typiske kategori er et omstridt felt med en moderat leder, en lang hale og 8 % af spørgsmålene ejet af ingen. For de fleste brands er det godt nyt: døren står mere åben, end diskursen antyder.

To yderligere resultater er værd at kende: 4,2 % af svarene dannede emergente klynger (brandgrupperinger, som modellerne opfandt, og som ikke matcher nogen analytiker-taksonomi), og de tre modeller var kun enige om det bedste brand for et spørgsmål 41,6 % af tiden. Den, der fortæller dig, at de tjekkede "hvad AI anbefaler" ved at spørge én model én gang, beskriver vejret, ikke klimaet.

Sådan bruger du det

  • Find dit COI. Hvis dit brand er et af de 50, viser din profil på /brands, hvilke forespørgsler du ejer, hvor du står stærkt, og hvor du er fraværende.
  • Jag vakuumer. CVI-tabellerne i datasættet lister de ejerløse spørgsmål pr. branche. Indhold, der besvarer et vakuumspørgsmål direkte, er det AI-synlighedsarbejde med højest afkast, der findes.
  • Mål altid igen. Med 41,6 % enighed på tværs af modeller kræver ethvert ejerskabskrav mindst tre modeller og fem gentagelser. Vores gratis Dice Roller kører den protokol på ethvert spørgsmål, uden at der kræves en konto.

Datasættet leveres med rå svar, udtrukne omtaler, alle tre målingsmatricer, svar-embeddings og den notebook, der reproducerer hver tabel og figur. Den ledsagende artikel er under fagfællebedømmelse; preprint-materialerne findes i Zenodo-posten.

Continue Reading

research

We Asked 3 AI Platforms About 24 Brands. They Could Not Agree on Anything.

The largest multi-industry study of AI reputation sourcing to date. 24 companies, 8 industries, 1,311 responses, 3,041 coded source attributions across GPT-5.2 and Gemini 3 Flash. Key finding: 70.2% of what AI "knows" about brands cannot be traced to any source. Models disagree on sentiment (0.83 vs 0.32), consistency averages just 0.54, and being publicly traded gives zero advantage. Published in Springer Discover Artificial Intelligence.

research

Cross-Model Response Stability Analysis: A Comparative Study of Brand Mention Consistency in Large Language Models

This study investigates response variability and brand mention consistency across three leading LLMs: Google Gemini 3 Flash, OpenAI GPT-5.2, and xAI Grok-4-1. Using 239 total samples across three prompt variations (husband, wife, 2025), we measured brand mention frequency, response consistency, and cross-model agreement.

article

The "Best Of" Trap: Why Self-Promotional Listicles Are Losing Google and Winning ChatGPT

Three signals in one week: Google penalized self-promotional listicles (SaaS brands losing 34-49% visibility), reduced crawl limits by 86.7%, while Ahrefs found 44% of ChatGPT citations come from those exact listicles. Google is shrinking, AI is expanding. Includes a 5-minute brand audit playbook and split strategy for navigating both discovery systems.

research

How We Measure AI Brand Reputation: The Method Behind the Rankfor Index 2026

The full method behind the Rankfor Index 2026: 66 brands, 12 languages, 3 AI models with live grounding, 35,640 responses, 131,667 citations. Five weighted components (sentiment, recommendation, source quality, consistency, stability) produce the 0-100 AI Visibility Score published on every brand page, plus the metrics only multilingual data can expose: bilingual penalty, citation concentration, and blind languages.

BeVisible Club

Get research like this before we publish it.

New AI visibility studies, ranking patterns, and source-stack data delivered to your inbox a week before they go public.

Join BeVisible Club

Want to Know How AI Sees Your Brand?

Rankfor.AI measures your brand's AI visibility across all major platforms and provides actionable recommendations.

About the Author

Dmitrij Żatuchin

Founder

Dmitrij Żatuchin is the founder of Rankfor.AI. A computer scientist with a PhD in semantic web technologies, he bridges the gap between how AI reasons about brands and how brands want to be understood. With over two decades of software architecture experience and academic roles at Estonian Business School and EUAS, Dmitrij builds the measurement infrastructure brands need to transition from optimizing for search engines to becoming visible for reasoning engines.

© 2025-2026 Rankfor.AI™ Alle rettigheder forbeholdes

Ask AI about Rankfor.AI

Rankfor.AI sp. z o.o., Skarbowcow 23B, 53-025 Wroclaw, Poland

KRS: 0001190083 | NIP: 8993033605

Vi bruger cookies

Vi bruger essentielle cookies for at få vores site til at fungere. Med dit samtykke kan vi også bruge analytiske cookies for at forstå, hvordan du bruger vores værktøjer (som Dice Roller), så vi kan forbedre dem. Lær mere