Key Findings
- Analyst reports are the #1 requested format (22%) for data silos pain
- Case studies are #1 for budget constraints (20%)
- Blog posts, podcasts, and video scored 0% across all 11 enterprise pain points
- Decision-stage content (case studies, whitepapers, ROI tools) dominates AI-mediated vendor evaluation
Vi analyserade 71 388 köparpersonas inom företagssegmentet över 15 branscher och 6 LLM:er. När köpare utvärderar leverantörer ber de AI om fallstudier, analytikerrapporter och whitepapers. De ber aldrig om ditt blogginlägg.
Din innehållskalender är full. Din pipeline är tom. Datan förklarar varför.
De flesta B2B-innehållsteam lägger merparten av sin budget på format för att skapa medvetenhet: blogginlägg, poddar, videoserier, innehåll för sociala medier. De här formaten bygger varumärke, driver trafik högst upp i tratten och håller innehållsmaskinen igång.
Men när en företagsköpare ber AI om hjälp att utvärdera leverantörer lyfter AI inte fram något av dessa format. Inte ibland. Aldrig. Över 71 388 personas, 15 branscher, 11 smärtpunkter och 6 stora språkmodeller fick blogginlägg, poddar och video 0 % som föredragna innehållsformat vid leverantörsutvärdering.
De innehållsformat som dominerar är strukturerade, evidensbaserade och jämförande.
Datan: Preferenser för innehållsformat hos 71 388 företagsköpare
Vi genererade och validerade 71 388 köparpersonas inom företagssegmentet med PersonaGen v5.0, och körde 4 LLM:er (Gemini, Claude, GPT, Grok) över 15 branscher. Varje persona innehåller de innehållsformat de föredrar när de utvärderar företagsleverantörer, kopplat mot 11 smärtpunkter.
Resultaten över alla smärtpunkter och alla branscher:
Average Content Format Preference During Vendor Evaluation
Analytikerrapporter och fallstudier leder med 18-20 % vardera. Whitepapers följer på 16 %. Demos och ROI-kalkylatorer ligger på 13-14 %. Webbinarier på 11 %. Kollegial granskning på 8 %.
Blogginlägg, poddar och video: 0 % rakt igenom.
Uppdelning per smärtpunkt: Matrisen
Mönstret är konsekvent över varje smärtpunkt inom företagssegmentet:
| Smärtpunkt | Fallstudie | Whitepaper | Analytikerrapport | Demo | ROI-kalkyl | Webbinarium | Kollegial granskning |
|---|---|---|---|---|---|---|---|
| Datasilos | 16 % | 17 % | 22 % | 12 % | 16 % | 9 % | 8 % |
| Budgetbegränsningar | 20 % | 13 % | 13 % | 15 % | 14 % | 13 % | 10 % |
| Regelbörda | 19 % | 19 % | 20 % | 11 % | 9 % | 12 % | 7 % |
| Äldre system | 17 % | 19 % | 20 % | 12 % | 12 % | 10 % | 8 % |
| Leverantörshantering | 19 % | 16 % | 18 % | 13 % | 12 % | 10 % | 8 % |
| Motstånd mot förändring | 18 % | 16 % | 18 % | 14 % | 13 % | 11 % | 9 % |
| Bristande överblick | 18 % | 15 % | 17 % | 14 % | 13 % | 12 % | 9 % |
| Skalbarhetsgränser | 18 % | 14 % | 15 % | 16 % | 13 % | 11 % | 9 % |
| Manuella processer | 19 % | 15 % | 16 % | 14 % | 13 % | 11 % | 8 % |
| Kompetensbrist | 18 % | 16 % | 17 % | 14 % | 11 % | 13 % | 7 % |
Kolumnerna för video, blogg och podd är utelämnade eftersom de är 0 % i varje rad.
Två mönster sticker ut.
Smärtpunkter kring regelefterlevnad och äldre system driver efterfrågan på analytikerrapporter och whitepapers. Köpare som brottas med efterlevnad och teknisk skuld vill ha validering från tredje part och dokumenterad metodik. Fallstudier ensamma räcker inte. De vill ha bevis för att andra har navigerat samma begränsningar.
Smärtan kring budgetbegränsningar driver efterfrågan på fallstudier och demos. När den centrala invändningen är kostnad vill köpare ha bevis: namngivna resultat från verkliga företag och praktisk produkterfarenhet. Abstrakt innehåll passerar inte ekonomikommittén.
Varför bloggar, poddar och video får noll
Det betyder inte att innehåll för medvetenhet är värdelöst. Det betyder att medvetenhetsinnehåll och utvärderingsinnehåll fyller helt olika funktioner.
Bloggar är ostrukturerade, åsiktsdrivna och tidsbundna. AI kan inte plocka ut jämförbar leverantörsdata ur ett tankeledande inlägg. När en köpare ber "hjälp mig utvärdera projektledningsverktyg för en reglerad bransch" behöver AI strukturerad data: vilka verktyg, vilka resultat, vilka begränsningar, vilka efterlevnadsramverk. En blogg om "5 trender inom projektledning" besvarar inte den frågan.
Poddar är långt ljudinnehåll. AI kan inte tolka ett 45 minuter långt samtal efter specifika leverantörsjämförelser, prismodeller eller implementeringstidslinjer. Informationen finns, men den är låst i ett format som AI inte effektivt kan plocka ut och citera.
Video har samma strukturella problem. En 10 minuter lång produktdemo på YouTube innehåller värdefull information, men AI lyfter inte fram videoinnehåll som svar på utvärderande frågor. Informationen är fångad i ett format optimerat för mänsklig konsumtion, inte för AI-medierad utvärdering.
Den gemensamma nämnaren: AI lyfter fram innehåll som den kan plocka strukturerade, jämförande, evidensbaserade svar ur. Fallstudier har namngivna företag, specifika resultat och mätbara utfall. Analytikerrapporter har jämförande ramverk och metodik. Whitepapers har djup och tekniska detaljer. ROI-kalkylatorer har indata och utdata.
De här formaten besvarar utvärderande frågor direkt. Blogginlägg, poddar och video gör det inte.
Tre konsekvenser för innehållsstrategin
1. Sluta förvänta dig att medvetenhetsinnehåll ska generera pipeline
Dina blogginlägg, poddar och videoinnehåll matar toppen av tratten. De bygger varumärkeskännedom, driver organisk trafik och håller din publik engagerad. Fortsätt att göra dem.
Men sluta förvänta dig att de här formaten dyker upp när AI medierar leverantörsutvärdering. Det gör de inte. Datan är tydlig över 71 388 personas: noll procent preferens för dessa format under aktivt köpande.
Om din attributionsmodell krediterar blogginlägg för pipeline mäter du fel lager. Blogginlägg kan starta resan. De avslutar den inte.
2. Investera tungt i innehållsformat för beslutsfasen
Fallstudier med namngivna resultat. Whitepapers med dokumenterad metodik. ROI-kalkylatorer med verkliga indata. Analytikerrapporter med jämförande data. Demos med genomgångar av specifika användningsfall.
Det här är formaten AI lyfter fram när företagsköpare ber om hjälp att utvärdera leverantörer. Om du underinvesterar här är du osynlig i exakt det ögonblick då köpbeslutet formas.
En praktisk utgångspunkt: för varje smärtpunkt din produkt adresserar, skapa minst en fallstudie och ett whitepaper. Använd de 11 smärtpunkterna från matrisen som din innehållskalender.
3. Mät gapet mellan innehåll och pipeline
Beräkna hur stor andel av ditt totala innehåll som finns i varje format. Jämför det med vad företagsköpare faktiskt ber AI om under utvärderingen. Gapet är din diskrepans mellan innehåll och pipeline.
Om 70 % av ditt innehåll är blogginlägg och 0 % av AI:s leverantörsutvärderande frågor lyfter fram blogginlägg, har du ett strukturellt gap mellan innehållsproduktion och pipelinegenerering.
Metodik
Dataset: 71 388 validerade köparpersonas inom företagssegmentet från PersonaGen v5.0
Modeller: 6 stora språkmodeller (varianter av Gemini, Claude, GPT, Grok)
Branscher: 15 (FinTech/bank, dagligvaror, energi/försörjning, reklam, SaaS/MarTech, e-handel, försäkring, professionella tjänster, hälsa/läkemedel, tillverkning, fordon, fastigheter, mobilitet/resor, snabbmat/livsmedel, media/underhållning)
Analyserade smärtpunkter: 11 (leverantörshantering, manuella processer, bristande överblick, äldre system, regelbörda, skalbarhetsgränser, datasilos, budgetbegränsningar, motstånd mot förändring, kompetensbrist)
Uppmätta innehållsformat: 10 (fallstudie, whitepaper, webbinarium, demo, ROI-kalkylator, analytikerrapport, kollegial granskning, video, blogg, podd)
Hela datasetet är tillgängligt för Enterprise-kunder på Rankfor.AI-plattformen. Metodiken följer våra publicerade akademiska artiklar om analys av AI-genererade personas.
Forskning av Dmitrij Żatuchin, grundare av Rankfor.AI. Publicerad mars 2026.
People Also Ask
Continue Reading
Your CRM Personas Are Based on Who Already Buys. AI Personas Are Based on Who Is Searching.
We analyzed 1,031,732 real AI-generated buyer personas and built a tool that shows you the gap between your assumed audience and AI's assumed audience. That gap determines whether AI recommends you.
PersonaGen-15K: The First Open Dataset of AI-Generated Buyer Personas
15,000 buyer personas published on HuggingFace as a stratified sample of the full 1,031,732-persona dataset. Apache 2.0 licensed. 8.9 MB Parquet file. 25 industries. Built to validate what AI thinks your customers want - and to prove the methodology behind our commercial intelligence platform.
The 60-Second AI Readiness Test That Reveals Why You Are Not Getting Recommended
Five questions. 60 seconds. A score from 0 to 100 that tells you exactly why AI skips your brand. The calculator measures five behavioral dimensions against real industry data from 1,031,732 buyer personas. The average score is 28.6. Most brands do not know theirs.
Why Your Industry's AI Readiness Score Predicts Your Next Quarter's Content ROI
We ranked industries by AI readiness using 1,031,732 buyer personas. Grade A industries are saturated - every competitor knows how to win. Grade C industries are wide open. The playbook has not been written yet. Your industry's score predicts which strategy works.
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 ClubWant 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

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, Dmitrij builds the measurement infrastructure brands need to transition from optimizing for search engines to becoming visible for reasoning engines.
