OpenRankfor.AI

Rankfors forskningsbibliotek

Forskning för bättre marknadsbeslut.

Ta reda på var ditt varumärke kommer med i AI-svar, vad som förändras mellan marknader och vilka resultat du kan lita på. Börja med en affärsfråga. Följ den till underlaget.

De här studierna mäter AI-svar, omnämnanden och citeringar. Konsumenters val, marknadsandel och intäkter kräver egna belägg.

1 tidskriftsartikel13 arXiv-preprints9 öppna datasetTidskriftsartikeln och dess tidigare preprint hör till samma studiefamilj.Kontrollerat 4 november 2026

Forskningskatalog

Vad behöver du bestämma?

13 forskningsartiklar och 9 dataset matchar de valda filtren.

Tidskriftsartikel Journal of Marketing Analytics 31 oktober 2026 Publicerad slutversion, förhandspublicerad online

Kommer ditt varumärke med på AI:s kortlista?

Fem branscher, 50 varumärken och 250 frågor: varje fråga ställdes fem gånger till tre AI-system i februari och september 2026. Varumärkenas rangordning efter rekommendationsandel var nästan densamma vid båda tillfällena (rangkorrelation 0,994). Alla tre systemen nämnde samma toppvarumärke för 57,2 % av frågorna i februari och 60,8 % i september.

Så använder du den: Mät närvaron fråga för fråga. Använd resultatet för att avgöra var du ska undersöka saknad eller svag täckning.

Läs tidskriftsartikeln Läs tidigare preprint Data och kod Sammanfattning på klarspråk Rankfors förvaltade tjänst för AI-sök
Artikelns titel och versioner

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

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

Författare: Dmitrij Żatuchin

Varumärken i svaren

arXiv:2607.23893 juli 2026 Reviderad 1 augusti 2026 (v2)

Nämner AI dina experter, ditt företag eller någon annan?

I 2 400 förankrade svar på fyra europeiska marknader varierade hur ofta svaren nämnde någon vid namn, beroende på yrkesområde och system. En fast lista med yrkespersoner fångade mycket lite av det som svaren faktiskt nämnde.

Så använder du den

Läs de namn som AI faktiskt ger. Ta med personer och företag utanför din nuvarande konkurrentlista.

Läs preprint Data och kod
Artikelns titel och versioner

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

Författare: Dmitrij Żatuchin

Tillförlitlig mätning

arXiv:2610.19608 oktober 2026

Håller dagens synlighet i sig nästa månad?

Ett förregistrerat test kontrollerade prognoser 20,3 dagar senare med en enda Gemini-version, tolv varumärken och tre språk. Historik över de senaste omnämnandena per fråga var fortfarande användbar i det testet.

Så använder du den

Spara historiken för varje fråga och modellversion. Jämför nästa mätning med den baslinjen.

Läs preprint Data och kod Förregistrering
Artikelns titel och versioner

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

Författare: Dmitrij Żatuchin

arXiv:2609.04047 september 2026 Reviderad 14 oktober 2026 (v2)

Hur många gånger ska du fråga?

Protokollet bygger på fem tidigare studier och visar varför ett och samma antal upprepningar inte passar alla frågor. Urvalets storlek beror på hur mycket svaren varierar och hur stor förändring du behöver kunna upptäcka.

Så använder du den

Kör en liten testomgång först. Använd variationen för att planera tillräckligt många upprepningar för ditt beslut.

Läs preprint Kör en upprepad kontroll
Artikelns titel och versioner

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

Författare: Dmitrij Żatuchin

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

arXiv:2609.05059 september 2026 Reviderad 23 september 2026 (v2)

Har du hittat de flesta namnen i ditt urval?

En granskning av 4 500 svar på 50 köparfrågor visar att skattningar av upptäckta namn beror på extraktionsregler, frågeurval och den ändliga mängd som används för jämförelse.

Så använder du den

Kontrollera hur namnen extraheras och om ytterligare en körning fortfarande ger nya varumärken eller källor.

Läs preprint
Artikelns titel och versioner

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

Författare: Dmitrij Żatuchin

arXiv:2610.00253 september 2026

Kan en AI-benchmark ersätta en annan?

Enskilda svar bar tydliga avtryck av sitt system i den här korpusen. Aggregerade varumärkesmönster gick inte att överföra tillförlitligt mellan olika frågeämnen.

Så använder du den

Håll resultaten åtskilda per system och frågeuppsättning. Testa igen innan du använder en benchmark i en ny kategori.

Läs preprint
Artikelns titel och versioner

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

Författare: Dmitrij Żatuchin

arXiv:2607.13304 juli 2026 Reviderad 1 november 2026 (v2)

Blev svaren sämre, eller ändrades poängen?

Studien undersöker hur automatiska sentimentpoäng varierar mellan språk, modeller och promptar. Poängen har inte validerats som mått på varumärkets rykte i studiens språk.

Så använder du den

Läs svaren bakom en sjunkande poäng och validera poängsättningen på varje språk innan du ändrar din marknadsföring.

Läs preprint Answer Trail
Artikelns titel och versioner

Query Language Sensitivity in Automated Sentiment Scores of LLM Responses

Författare: Dmitrij Żatuchin

arXiv:2610.00052 september 2026

Kan svar som ändras ändå upprepa samma val?

I 1 184 giltiga utfall med sex tal vardera gav sex konfigurationer mycket mindre variation än oberoende likformig sampling. Experimentet testade tal. Varumärkesrekommendationer ingick inte i testet.

Så använder du den

Som granskningsfråga: kontrollera både hur många olika svar som dyker upp och hur ofta de ledande valen återkommer.

Läs preprint
Artikelns titel och versioner

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

Författare: Dmitrij Żatuchin

Källor och marknader

arXiv:2606.25787 juni 2026

Vilka källor syns tillsammans med svar om ditt varumärke?

Studien kartlägger 167 551 förankrade citeringsposter för 128 varumärken, 12 hemmarknader och 13 språk. I det största datasetet, 131 514 citeringar, förändrades fördelningen av källtyper knappt mellan språken, och Wikipedia var den mest citerade domänen på 11 av 12 språk.

Så använder du den

Öppna de citerade sidorna. Leta efter relevanta luckor i den information som finns om ditt företag och din kategori.

Läs preprint Data och kod
Artikelns titel och versioner

How Large Language Models Source Brand Reputation Across Languages and Markets

Författare: Dmitrij Żatuchin

arXiv:2606.23165 juni 2026

Vad ser dina kunder på andra språk än engelska?

En jämförelse av 35 640 förankrade svar om 66 varumärken på 12 europeiska språk visade att varumärkesrekommendationerna skilde sig åt mellan språken.

Så använder du den

Testa de språk dina kunder använder och redovisa resultaten separat.

Läs preprint Data och kod
Artikelns titel och versioner

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

Författare: Dmitrij Żatuchin

arXiv:2608.30052 augusti 2026

Ändrar marknadskontexten leverantörslistan?

En liten granskning via gränssnittet fann olika uppsättningar leverantörer när frågans språk och nätverkets utgångsplats ändrades.

Så använder du den

Registrera språk och plats som testvillkor, ändra en sak i taget och jämför vilka leverantörer som nämns.

Läs preprint Data och kod
Artikelns titel och 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

Författare: Dmitrij Żatuchin

Köparfrågor och innehåll

arXiv:2610.00369 september 2026

Ska samma AI skriva och bedöma dina texter?

En omanalys av 21 828 offentliga jämförelsetester visade en bred preferens för text skriven av modeller. Någon extra preferens för en modells egen text gick inte att påvisa vid studiens detektionströskel.

Så använder du den

När AI jämför två texter, byt ordning på dem och ta med mänsklig bedömning innan du utser en vinnare.

Läs preprint SSRN-version
Artikelns titel och versioner

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

Författare: Dmitrij Żatuchin

arXiv:2608.30023 augusti 2026

Testar du de frågor som köpare skulle ställa?

PersonaGen-1M innehåller 1 031 732 syntetiska köparpersonor och mer än fem miljoner genererade sökfrågor. Det ger idéer till frågor. Det är inget belägg för observerad efterfrågan hos kunder.

Så använder du den

Använd det för att hitta luckor i en frågelista. Kontrollera de slutliga frågorna mot säljsamtal och belägg från kunder.

Läs preprint
Artikelns titel och versioner

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

Författare: Dmitrij Żatuchin, Daniil Dzemesjuk

Granska data och metoder (9 dataset)

Data och kod

Dataset från forskningen

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

    Låst plan, 648 etiketter och alla mått från 162 Gemini-förfrågningar som skickades den 13 oktober 2026, med en blind kontroll av 96 etiketter. Svarstexterna ingår inte.

    10.5281/zenodo.23351313
    Öppet dataset

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

    Korrigerade analyser och resultat från replikeringen i september.

    10.5281/zenodo.22927143
    Öppet dataset

  • 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"

    Körningsloggar, insamlingsskript och analyskod från 234 körningar med frågor på sex språk, från fyra nätverksplatser, augusti 2026.

    10.5281/zenodo.22181306
    Öppet dataset

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

    264 verkliga företag på 21 marknader, plus påhittade namn som matchats i längd och fonologi.

    10.5281/zenodo.21904654
    Öppet dataset

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

    574 svar från tre AI-modeller på presentfrågor där bara mottagarens kön ändras, med extraktionsverktyg, kod och manuella kontroller.

    10.5281/zenodo.21904788
    Öppet dataset

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

    Korrigerade data, prompter och kod från ett test av hur AI-modeller beskriver 24 börsnoterade och privata bolag i 8 branscher. Version 3.0 ersätter versionerna från 25 mars och 26 juli 2026. Det tillhörande manuset genomgår vetenskaplig granskning.

    10.5281/zenodo.19225834
    Öppet dataset

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

    Data bakom "Who Gets Named".

    10.5281/zenodo.21612690
    Öppet dataset

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

    Citeringar klassade efter domän och källtyp, på 12 marknader.

    10.5281/zenodo.20829524
    Öppet dataset

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

    Förankrade svar om samma varumärken när frågan ställdes på tolv språk.

    10.5281/zenodo.20794390
    Öppet dataset

Din kundfråga

Vilka köparfrågor bör ditt varumärke svara på härnäst?

Prata om din AI-synlighet

Ditt val om kakor

Vi använder kakor som den här webbplatsen behöver för att fungera, och andra bara om du säger ja. Välj vad du tillåter och ändra ditt svar när du vill. Läs vår integritetspolicy