Allt fler köpresor börjar med en fråga till ChatGPT eller AI-läget i Google. Svaret lyfter fram de produkter som AI:n har tillräckligt med information om. Därför styr din produktdata allt mer om kunden hittar dig eller någon annan.
En inköpare kanske skriver: ”Vilka skyddshandskar klarar kemikalier och passar för livsmedelsproduktion?” En förälder frågar efter en vattentät overall i storlek 110 som tål tvätt i 60 grader. I båda fallen kommer svaret som två eller tre konkreta förslag.
Som e-handlare vill du förstås att din produkt finns bland förslagen. Men saknas attributen eller är beskrivningen en kopia av leverantörens text har språkmodellen svårt att koppla ihop produkten med frågan. Då föreslår den något annat.
I det här inlägget visar vi hur vi på Knowit använder AI för att berika och strukturera produkt- och leverantörsdata. Vi utgår från två kunder som gjort resan: Procurator och Kappahl Group.
SEO handlar om att hamna högt i en lista med sökträffar. GEO (Generative Engine Optimization) och AEO (Answer Engine Optimization) handlar om att komma med i svaret som en AI-assistent ger. På en vanlig träffsida syns tio resultat. I ett AI-svar får kanske tre produkter plats.
Vår kollega Lisa Hallgren skrev redan i maj 2025 om hur AI-agenter kommer att förändra allt vi vet om shopping. Hennes slutsats håller fortfarande. SEO-principerna gäller men fokus flyttas från att ranka till att bli vald och sedan slutföra köpet. Som grund pekade hon på tydlig struktur, recensioner, data i realtid och svar på vanliga frågor.
Sedan dess har utvecklingen gått fort. Med shoppingfunktionerna i ChatGPT kan handlare skicka in produktflöden direkt. Search Engine Land beskriver flödet som en primär källa till information om ditt varumärke och dina produkter. Pris, lagerstatus och attribut påverkar synligheten direkt. Hur synlig du blir beror på hur väl din data matchar kundens fråga.
Google har gått åt samma håll. Sedan oktober 2025 finns AI-läget i Google Sök i Sverige och på svenska. Där ställer man längre och mer detaljerade frågor och får ett samlat svar med länkar för att läsa vidare. Många använder det redan för att snabbt få rätt svar utan att klicka sig igenom en lista med träffar. Enligt Google delar AI-läget upp frågan i flera delfrågor och söker på alla samtidigt. För en e-handlare betyder det att produktdatan behöver kunna svara på delfrågorna också. Det räcker inte att produktnamnet matchar sökordet.
Det här behöver språkmodellen för att kunna föreslå din produkt:
Men med tiotusentals artiklar och data från hundratals leverantörer går det knappt att hålla allt uppdaterat för hand.
Procurator har ett av Nordens bredaste sortiment för arbetsplatser. Det spänner från kläder och skydd till städ, hygien, vård och livsmedel. Totalt handlar det om ungefär 50 000 produkter. Varje produkt behöver attribut, texter och leverantörsfiler som är rätt, kompletta och kvalitetssäkrade. Klassningar och produktlogik måste stämma. Teamet är litet och verksamheten växer. Det manuella arbetet kom aldrig ikapp.
Tillsammans byggde vi en AI-applikation som hanterar hela kedjan från leverantörsdata till färdig produktinformation. Den tar emot inkommande data och ser vad som saknas. Sedan strukturerar den informationen och skapar nytt innehåll i Procurators tonalitet och för deras kanaler. Texterna optimeras för sök och valideras innan de skickas tillbaka till PIM och övriga kanaler. Vill man ha en människa som granskar resultatet slår man på det.
Applikationen arbetar ihop med de system Procurator redan har och de slapp bygga om något. Valet av Gemini som standardmodell gjorde det också möjligt att hantera stora mängder kontext till en rimlig kostnad. Därför kunde hela sortimentet lyftas och inte bara de prioriterade produkterna.
| Resultat | Värde |
|---|---|
| Snabbare arbete | 257 gånger |
| Sparad tid första året | över 6 400 timmar |
| Högre kvalitet på innehåll och SEO | 71 procent |
| Frigjorda heltidstjänster | 3 |
Källa: Knowits kundcase om Procurator
”Det vi har byggt med Knowit är mer än en effektivisering.”
– Olof Bladh, marknadschef på Procurator
Här syns kopplingen till GEO. När alla 50 000 produkter har kompletta attribut och texter som beskriver vad produkten används till har språkmodellerna något att arbeta med. Då kan en AI-assistent föreslå rätt handske eller rätt rengöringsmedel när någon frågar.
Hos Kappahl Group såg utmaningen annorlunda ut. I sociala medier är bruset stort och marknadsteamet fick ofta lita på erfarenhet och magkänsla när de bedömde om ett inlägg skulle fungera.
Tillsammans med Kappahl byggde vi Alva. Hon är en AI-agent som förutsäger hur ett inlägg kommer att engagera varumärkets community innan det publiceras. Alva lär sig av flera års kampanjdata, bildval och tonalitet och är kopplad till Instagram. Projektet började som en avgränsad pilot där Knowits UX-design och AI-arkitektur arbetade nära Kappahls experter.
Hittills har tiden för att skriva innehåll och planera organiska inlägg halverats. Tidiga tester visar högre engagemang när teamet följer Alvas rekommendationer. Nu skalas Alva upp till fler varumärken i koncernen. (Knowits kundcase om Kappahl Group)
Agenten utgår från sociala mediers algortimer men principen är densamma som för GEO. Alva fungerar eftersom hon bygger på Kappahls egen data om vad som når fram till deras målgrupp. En språkmodell utan den datan skriver texter som liknar alla andras. Med din egen data blir innehållet relevant för dina kunder. Och det är relevant innehåll som AI-assistenterna väljer att visa.
Procurator och Kappahl har var sin lösning som är byggd för deras behov. På samma sätt bygger vi separata AI-lösningar för olika uppgifter. En lösning berikar produktdata. En annan översätter, en tredje skapar bilder och en fjärde mappar leverantörsdata till din datamodell. Du väljer de delar du behöver och de arbetar ihop med dina befintliga system.
Gemensamt för lösningarna är att de kopplar samman data som oftast ligger i olika system. Det är den kombinationen som gör att innehållet blir relevant för en viss marknad eller målgrupp.
Det kan handla om:
Med den datan som grund kan lösningarna till exempel:
En människa kan alltid granska resultatet när det behövs.
Kundservicedata och sökhistorik är särskilt värdefulla för GEO och AEO. De visar hur kunderna beskriver sina behov. Ungefär så formulerar de sig också när de frågar en AI-assistent. En produkttext som svarar på frågan ”Tål handsken desinfektionsmedel?” har större chans att komma med i svaret än en text som bara listar artikelnummer och färg.
AI-assistenterna kommer att bli fler och bättre. Men de kan aldrig bli bättre än den data de får. Har du komplett och välstrukturerad produktdata ökar chansen att just din produkt blir föreslagen.
Vill du veta hur din produktdata står sig och vad AI kan göra för just ditt sortiment? Hör av dig till oss så tar vi ett första samtal.