Microsoft Clarity opdeler nu AI Citations i brandede og ikke-brandede forespørgsler

Microsoft har tilføjet opdeling i brandede og ikke-brandede forespørgsler til Claritys AI Citations-dashboard, så virksomheder kan se, om en AI-motor citerede dem på baggrund af en forespørgsel, der nævnte virksomhedens navn direkte, eller en bredere, kategorirelateret forespørgsel. Det er de kildesøgninger, AI’en selv kører for at indsamle kilder, ikke de ord, en person har skrevet. Microsoft udrullede opdateringen den 3. august 2026, den tredje ændring af Claritys AI-analyse på under en måned, og den er gratis. For teams, der forsøger at måle, hvordan et stort brand optræder i AI-svar, gør den ét samlet synlighedstal til to signaler, der betyder meget forskellige ting.

Hvad der skete

Clarity Citations viser de kildesøgninger, et AI-system kører, før det citerer et website, søgningerne bag svaret snarere end svaret selv. Ifølge Microsoft Clarity-bloggen mærker opdateringen fra den 3. august hver af disse forespørgsler som brandet eller ikke-brandet, opdeler Share of Authority-kortet efter forespørgselstype og anvender det samme filter i hele dashboardet. Brandede forespørgsler nævner virksomhedens navn direkte, mens ikke-brandede forespørgsler er de generiske, kategorirelaterede spørgsmål, en AI kører for at finde understøttende information.

Microsoft satte ord på det problem, opdelingen løser. “Uden en tydelig måde at skille disse signaler ad kan det være svært at forstå, om jeres resultater afspejler direkte brandsynlighed, kategoriopdagelse eller en blanding af begge,” skrev virksomheden.

Clarity Citations blev alment tilgængelig den 13. maj 2026, og dette er den tredje tilføjelse siden da, efter Topic Insights den 9. juli og analyse af forespørgselsemner den 22. juli.

Hvorfor det betyder noget

“Ved at skille brandstyret efterspørgsel fra generisk opdagelse kan I bedre vurdere brandstyrke, identificere muligheder inden for opdagelse og overvejelse og tolke ændringer i citeringsresultater med større sikkerhed.”

Microsoft Clarity Blog

AI-svar er ved at blive en reel opdagelsesflade, og indtil nu har de fleste værktøjer rapporteret ét samlet “du blev citeret”-tal. Det tal skjuler det spørgsmål, der betyder noget: fandt AI’en jer via en kildesøgning, der nævnte virksomhedens navn, eller via en bredere, ikke-brandet kategoriforespørgsel? De to kalder på forskelligt arbejde. Stærke brandede citeringer viser, at I klarer jer godt, når AI’en allerede slår jer op ved navn, mens stærke ikke-brandede citeringer viser, at I optræder i åbne, kategorirelaterede svar, hvor intet brand blev nævnt. At kunne skille de to fra hinanden, i et gratis værktøj, sænker overhovedet barren for at måle synlighed i AI-søgeresultater.

Hvad det betyder for virksomheder med flere lokationer

For et brand, der driver hundreder eller tusinder af lokationer, svarer opdelingen i brandede og ikke-brandede forespørgsler til to forskellige opgaver. Brandede kildesøgninger er i vid udstrækning et spørgsmål om omdømme og nøjagtighed: når en AI slår jer op ved navn, henter den så korrekt og ensartet information om hver lokation, eller forældede åbningstider og forkerte adresser? Det er et problem med omdømme og profilnøjagtighed. Ikke-brandede kildesøgninger er spørgsmålet om generative engine optimization: når AI’en besvarer en prompt som “et apotek, der har åbent nu i nærheden” eller “ladestandere til elbiler på hovedvej A6”, dukker jeres samlede portefølje overhovedet op?

Clarity rapporterer for et websitedomæne, ikke pr. fysisk lokation, så det viser et centralt team, hvor brandet står overordnet, ikke hvilken afdelings data der er forkerte. Det hul er det velkendte: målingen peger på problemet, men løsningen sker på tværs af hele porteføljen. Hvis de ikke-brandede citeringer er tynde, ligger svaret sjældent i en enkelt side, det ligger i de underliggende data, og rene, strukturerede lokationsdata på hver profil er det, AI-motorerne læser, før de citerer nogen. Hvis de brandede citeringer trækker forkerte detaljer, er løsningen ensartet håndtering af listings i stor skala i stedet for en indsats lokation for lokation.

Clarity er værd at tilføje til jeres måleværktøjer, netop fordi det er gratis og en førstepartsløsning. Betragt det som aflæsningen af, om arbejdet virker, og hold selve arbejdet, dataene og listings, i et system, der er bygget til hele netværket.

Konklusionen

At opdele AI-citeringer i brandede og ikke-brandede gør et tal, der blot ser godt ud, til et reelt diagnoseredskab. For virksomheder med flere lokationer skiller det “vi er kendte” fra “vi bliver fundet”, og det er i det sidste, det tungere arbejde på tværs af hele porteføljen ligger.