Viktiga resultat
- Analytikerrapporter är format nummer 1 (22 %) för smärtpunkten datasilos
- Fallstudier är nummer 1 för budgetbegränsningar (20 %)
- Blogginlägg, poddar och video fick 0 % över alla 11 smärtpunkter inom företagssegmentet
- Innehållsformat för beslutsfasen (fallstudier, whitepapers, ROI-kalkylatorer) dominerar vid leverantörsutvärdering som sker via AI
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.
Andra frågar även
När företagsköpare ber AI om hjälp att utvärdera leverantörer lyfter AI fram innehållsformat som ger strukturerad, jämförande och evidensbaserad information: fallstudier (20 %), analytikerrapporter (22 %) och whitepapers (19 %). Blogginlägg är ostrukturerade, åsiktsdrivna och saknar de jämförande data eller namngivna resultat som AI behöver för att rekommendera en leverantör. Bloggar bygger varumärkeskännedom, medan mer strukturerade format påverkar köpbeslut som medieras av AI.
Enligt en analys av 71 388 köparpersonas inom företagssegmentet över 15 branscher och 4 LLM:er efterfrågar köpare: analytikerrapporter (upp till 22 %), fallstudier (upp till 20 %), whitepapers (upp till 19 %), demos (upp till 16 %), ROI-kalkylatorer (upp till 16 %), användarrecensioner (upp till 10 %) och webbinarier (upp till 13 %). Blogginlägg, poddar och video fick 0 % över samtliga 11 smärtpunkter inom företagssegmentet.
Fortsätt skapa blogginlägg eftersom de bygger varumärkeskännedom och driver trafik till toppen av tratten. Förvänta dig att andra format påverkar leverantörsutvärderingen där AI medierar besluten. Datan visar en tydlig hierarki för innehållsformat: fallstudier, analytikerrapporter och whitepapers dominerar vid köpbeslut via AI. Fördela innehållsbudgeten därefter med innehåll för varumärkeskännedom för upptäckt, och strukturerat innehåll för utvärdering.
Gapet mellan innehåll och pipeline är klyftan mellan de innehållsformat du publicerar (ofta bloggar, video, poddar) och de format som företagsköpare ber AI om när de utvärderar leverantörer (fallstudier, analytikerrapporter, whitepapers). Om ditt team investerar 60 % av innehållsbudgeten i format för varumärkeskännedom, och 0 % av AI:s leverantörsutvärderande frågor lyfter fram dessa format, har du en strukturell diskrepans mellan innehållsproduktion och pipelinegenerering.
Vi genererade och validerade 71 388 köparpersonas inom företagssegmentet med 4 stora språkmodeller (Gemini, Claude, GPT, Grok) över 15 branscher. Varje persona innehåller de innehållsformat de föredrar vid leverantörsutvärdering, mappade mot 11 smärtpunkter inom företagssegmentet. Datasetet är en del av PersonaGen v5.0 och är tillgängligt för Enterprise-kunder på Rankfor.AI-plattformen. Metodiken följer våra publicerade akademiska artiklar om analys av AI-genererade personas.
Läs också
Dina CRM-personas bygger på vilka som redan köper. AI:s personas bygger på vilka som söker.
Vi analyserade 1 031 732 verkliga AI-genererade köparpersonas och byggde ett verktyg som visar gapet mellan din antagna målgrupp och AI:s antagna målgrupp. Det gapet avgör om AI rekommenderar dig.
PersonaGen-15K: det första öppna datasetet med AI-genererade köparpersonas
15 000 köparpersonas publicerade på HuggingFace som ett stratifierat urval av det fullständiga datasetet med 1 031 732 personas. Licensierat under Apache 2.0. Parquet-fil på 8,9 MB. 25 branscher. Skapat för att validera vad AI tror att dina kunder vill ha, samt bevisa metodiken bakom vår kommersiella intelligensplattform.
60-sekunderstestet för AI-mognad som avslöjar varför du inte blir rekommenderad
Fem frågor. 60 sekunder. En poäng från 0 till 100 som talar om exakt varför AI hoppar över ditt varumärke. Kalkylatorn mäter fem beteendedimensioner mot verkliga branschdata från 1 031 732 köpar-personas. Den genomsnittliga poängen är 28,6 och de flesta varumärken saknar kännedom om sin egen.
Varför din branschs AI-beredskapspoäng förutspår nästa kvartals innehålls-ROI
Vi rankade branscher efter AI-beredskap med hjälp av 1 031 732 köparpersonas. Branscher med betyg A är mättade: varje konkurrent vet hur man vinner. Branscher med betyg C är helt öppna. Spelboken har ännu inte skrivits. Din branschs poäng förutspår vilken strategi som fungerar.
BeVisible Club
Få forskning som denna innan den publiceras.
Nya studier om AI-synlighet, rankningsmönster och källstacksdata levererade till din inkorg en vecka innan de blir offentliga.
Gå med i BeVisible ClubVill du veta hur AI ser på ditt varumärke?
Rankfor.AI mäter ditt varumärkes AI-synlighet på alla stora plattformar och ger konkreta rekommendationer.
Om författaren

Grundare
Dmitrij Żatuchin är grundare av Rankfor.AI. Som datavetare med en doktorsexamen inom semantiska webbteknologier överbryggar han klyftan mellan hur AI resonerar kring varumärken och hur varumärken vill bli förstådda. Med över två decennier av erfarenhet inom programvaruarkitektur och akademiska roller vid Estonian Business School bygger Dmitrij den mätinfrastruktur varumärken behöver för att gå från att optimera för sökmotorer till att bli synliga i slutledningsmotorer.
