Var tidig och öka omsättningen med Google AI Mode
Google AI Mode för e-handlare – öka omsättningen med realtidsdata och konsekvent produktinformation
Google AI Mode utan att krångla
Google flyttar mer av köpresan in i sökresultatet. I AI-läget sammanfattar Google alternativen, jämför attribut och väger pris och lager i nära realtid. Beslutet formas ofta redan i sökbilden, innan ett klick till din sajt. Om din produktdata inte är korrekt, komplett och konsekvent mellan Merchant Center-feed, produktsidor (PDP) och strukturerad data kommer dina produkter inte att väljas. Det gäller oavsett hur bra annonser du köper eller hur vass din copy är.
För företag som säljer både B2B och B2C är detta mer än en teknisk detalj. Du hanterar publika konsumentpriser, kampanjer och leveranslöften – samtidigt som du har nettopriser, volymsteg (MOQ), säljenheter (t.ex. 6-pack), avtalsvillkor och ibland helt andra attributkrav i B2B. AI-läget tolererar inte att publikt pris i feeden avviker från priset på sidan, och det “förstår” inte ofullständiga varor. Därför är konsistens och realtid inte “trevligt att ha” utan en ren hygiennivå.
Den här texten går igenom vad som faktiskt förändras, hur omsättningen påverkas, hur du designar en enkel men robust arkitektur, vad som ofta fäller B2B/B2C-handlare – och ett konkret omsättningsexempel du kan justera med egna siffror. Målet är att du ska kunna agera direkt och få en mätbar effekt på intäkterna, inte bara “bättre förutsättningar” eller mjuka värden.
Vad Google AI Mode innebär i praktiken
Traditionellt sök har byggt på att du optimerar för klick till din sajt där själva övertygandet sker. I AI-läget sker en större del av gallringen i själva sökresultatet. Modellen drar nytta av Shopping-grafen, Merchant Center, din strukturerade data (schema.org/Product) och innehållet på din PDP. Grundregeln är enkel: Google lyfter fram det som är tillförlitligt och begripligt och ignorerar sådant som ser osäkert eller motsägelsefullt ut. Tillförlitlighet byggs på tre saker:
- Datatäckning. Produkter måste vara ordentligt beskrivna. Identifierare (GTIN/MPN), varumärke, beskrivning, bilder och kategori-relevanta attribut måste finnas. Saknas nyckelfält sjunker du i relevans.
- Konsekvens. Priset och lagerstatus i feeden måste matcha det som står på sidan och i din strukturerade data. Mismatch leder till degradering eller avvisning.
- Aktualitet/latens. När pris, lager eller kampanj ändras ska det slå igenom direkt. Långsam batch gör att du ofta visar fel budskap i AI-ytan precis när efterfrågan är som störst.
B2B/B2C-handlare missar ofta på punkt två. Det räcker med att publikt pris i feeden växlar till kampanj medan PDP ligger kvar på ordinarie, eller att lagerstatus är ”i lager” i feeden men “slut i lager, 5–7 dagar” på sidan. Den typen av glapp är lätta att skapa med manuella system och svåra att rätta i efterhand. Därför måste du bygga bort dem i din arkitektur, inte i marknadsföringen.
Varför tidigt agerande är en omsättningsfråga – inte en “SEO-satsning”
Att vara tidig har tre direkta omsättningseffekter.
För det första, fler godkända och kvalificerade produkter blir synliga. Många konton bär på en hög andel avvisade varor av triviala skäl: saknade identifierare, felaktiga kategorier, inkonsekventa priser eller missad produktmarkering. När du stänger dessa luckor frigör du synlighet utan att lägga en krona extra på trafik.
För det andra får du färre avbrutna köp och returer. När det är samma pris, samma lager och samma leveranslöfte i alla källor minskar den friktion som annars ger avbokningar, kundtjänstärenden och returorsaker kopplade till felaktig information. Den effekten syns snabbt i orderflödet och den är helt oberoende av annonsbudget.
För det tredje gör realtidsuppdatering att kampanjer och lagerhändelser faktiskt märks när de sker. Sänker du priset kl. 09:15 och den informationen syns i AI-svaret 09:16, då fångar du den efterfrågan som finns just där och då. Om ändringen däremot finns i ett nattligt batchflöde förlorar du många timmar – och timmar är mycket i kampanjperioder.
Det här är kärnan: omsättning flyttas mot de aktörer vars data går att lita på här och nu. Den som fixar det först blir “defaultvalet” i fler användarresor och håller den positionen så länge konkurrensen halkar efter.
Räkneexempel (omsättning per månad)
Ta ett konkret, men konservativt, exempel. Du har 50 000 SKU:er i Merchant Center. I dag är 8 % avvisade eller nedgraderade på grund av databrister. Med grundläggande datakvalitet och realtidsflöden kan du få ned den andelen till cirka 2 %. Det betyder att omkring 3 000 fler produkter blir godkända och faktiskt visade.
Anta att varje nygodkänd SKU i genomsnitt får 200 visningar per månad i Googles shopping-ytor och AI-svar. Om 1,5 % av visningarna leder till klick (CTR) och 2,2 % av klicken leder till order, med ett snittordervärde på 1 200 kr, så genererar de här nytillkomna produkterna cirka 198 extra ordrar per månad. Multiplicerat med snittordervärdet ger det cirka 237 600 kr i extra omsättning per månad. Det är pengar som inte kräver mer media – de kommer av att fler produkter kvalar in och faktiskt vågar visas.
Fortsätt med orderkvaliteten. Säg att du gör omkring 6 000 ordrar per månad. Just nu avbryts 1,5 % på grund av pris- eller lageravvikelser någonstans i kedjan. Om du, genom bättre konsistens, sänker detta till 0,5 % så behåller du cirka 60 ordrar som annars hade fallit bort. På samma snittordervärde innebär det cirka 72 000 kr i extra månadsomsättning.
Titta slutligen på tidsfaktorn. När kampanjer och lager slår igenom direkt i stället för efter batch ser vi ofta en modest men stabil effekt på totalen, säg omkring +2 % på månadens GMV under perioder med många pris- och lagerförändringar. Om du omsätter omkring 10 Mkr i månaden innebär det ytterligare cirka 200 000 kr i omsättning.
Summerat ger detta exempel ungefär 509 600 kr i extra omsättning per månad – utan att du har lagt på mer trafik. Självklart ska du byta ut siffrorna mot dina egna; poängen här är metoden och sambanden. De tre drivarna (fler godkända produkter, färre avbrutna köp, realtid för kampanj/lager) är de som påverkar AI-synlighet och orderinflöde mest direkt.
En enkel arkitektur som håller för AI-tiden
Du behöver inte riva allt och bygga nytt. Du behöver en händelsedriven integrationshub som matar både webben och Google från samma källor och som stoppar dålig data innan den når kund. Tänk så här:
All fakta ska ha en tydlig källa. Pris och kampanjregler kommer från prissystem/ERP; lagersaldon och ETA kommer från WMS/ERP; attribut och kategorisering kommer från PIM. Undvik exceldokument som mellanlager – de skapar divergens. När pris, lager eller kampanj ändras ska förändringen publiceras direkt till Merchant Center och samtidigt uppdateras på din PDP, inklusive schema.org/Product. Detta är inte avancerad magi; det är vanliga events (“pris ändrat”, “lager ändrat”, “kampanj startar/slutar”) som triggar små, kvicka uppdateringar.
Lägg till validering i flödet. Kör enkla kontroller innan publicering: matchar priset i feeden priset på sidan? Finns lagersaldo och säljenhet? Finns obligatoriska attribut per kategori? Om något brister ska publiceringen stoppas med ett tydligt fel. “Stop-the-line” låter dramatiskt, men i praktiken räddar det intäkter genom att förhindra att felaktig information exponeras. Du sänker inte farten; du sänker andelen fel.
Bygg in observability från dag ett. Du behöver veta hur lång tid det tar från att något ändras i källsystemen till att ändringen syns i Merchant Center och på din PDP, hur många artiklar som avvisas och varför, och hur ofta pris/lager inte matchar mellan källorna. Det här är drift-KPI:er, inte rapporter “för någon annan”. När de finns på väggskärmen blir det omedelbart tydligt var pengarna läcker ut.
Det B2B-specifika som ofta sänker helheten
Prislogik är den vanligaste fällan. Det publika konsumentpriset måste vara identiskt överallt där det syns. Samtidigt måste nettopriser, volymrabatter och avtalsvillkor hanteras per kund eller segment. Det går utmärkt att förena – men du får inte låta B2B-villkor blöda in i de publika flödena, och du får inte låta publika priset bli inkonsekvent. Nyckeln ligger i att separera vad som är offentligt från vad som är villkorsstyrt, och i att låta feed och PDP förhålla sig till samma publika pris.
Säljenheter och MOQ är nästa klassiker. I B2B säljer du ofta 6-pack eller hela kartonger. I B2C säljer du 1-pack. I AI-läget blir detta synligt: om feeden antyder 1-pack men PDP beskriver 6-pack kommer modellen behandla din data som osäker. Lösningen är att modellera säljenheten korrekt (t.ex. “SKU A / 6-pack”), visa rätt pris per enhet och låta detta slå igenom konsekvent överallt. Då matchas du mot rätt behovsfrågor, särskilt i B2B där köpare söker på specifika pack- och prisnivåer.
Tekniska attribut används ofta för lite. CE-märkning, IP-klassning, kompatibiliteter, standarder, HS-/TARIC-koder – det här är inte bara compliance, det är sökbarhet. Många B2B-resor börjar med ett hårt attributkrav (“IP67-klassad armatur, 10-pack, leverans inom tre dagar”). När den typen av fakta finns med i feed, PDP och strukturerad data ökar både kvalificering och konvertering.
Multimarknad och multikanal utan friktion
Flera marknader innebär olika valutor, olika lagerpunkter och ofta olika språk. Grundprincipen är densamma: en sanning per faktaområde och händelsedriven publicering. Valutaomräkningar ska ske i prissystemet och inte i ad-hoc-skript i feeden. Lager ska redovisas så som du faktiskt kan leverera per marknad, inte ett globalt “i lager” som sedan spricker i checkout. Översättningar ska vara knutna till produktens attribut så att strukturerad data speglar rätt språk. Det här låter uppenbart, men du vinner mycket på att ta ett par dagar och avveckla specialfall som uppstod “tillfälligt” inför en lansering och sedan blev kvar.
Så gör du arbetet mätbart – utan att drunkna i dashboards
Det går att hålla mätningen rak utan att bygga en ny BI-plattform. Fokusera på fyra signaler som korrelerar till omsättning:
Andel godkända SKU:er i Merchant Center visar hur stor del av katalogen som ens får delta i AI-ytan. När andelen stiger ökar dina möjligheter att synas.
Konsekvens mellan källor kan mätas med en enkel kontroll: hur många produkter har samma pris och lager i feeden, på sidan och i strukturerad data? Målet är att andelen mismatch ska mot noll.
Latency T90 (tid för 90 % av uppdateringarna) från källsystem till synlig ändring i feed och på PDP berättar om du faktiskt är “realtid”. Under peak kan det här vara skillnaden mellan att tjäna pengar på kampanjen och att förklara för ledningen varför den “inte tog”.
Orderkvalitet fångar hur stor del av tappet som beror på fel information. Färre avbokningar och färre returer kopplade till fel pris/lager är en rakt igenom omsättningsdrivande förbättring.
Du behöver inte fler KPI:er än så initialt. När de fyra rör sig åt rätt håll ser du det i orderboken.
Exempel från två branscher
Modevarumärke med både direkt-till-konsument och återförsäljare. Här ligger mycket av vinsten i att undvika divergens när kampanjer trycks ut snabbt. När ett pris slås om klockan 09:00 måste det vara samma pris i feeden, i PDP och i strukturerad data inom minuter – och lagersaldot ska vara samma på alla ställen. När det fungerar blir AI-svaret tryggare att citera dig. Det gör att du hamnar i rekommendationerna under de timmar kampanjen faktiskt gäller. Samtidigt kan du behålla nettoprissättning och volymrabatter i B2B utan att det spiller över i publika flöden. Effekten är att färre köp faller bort och att fler kategorier blir synliga, särskilt varianter (storlekar/färger) som tidigare föll mellan stolarna.
Industrileverantör med tekniska krav i B2B och enklare B2C på utvalda artiklar. Här är nyckeln att göra tekniska attribut sökbara: IP-klass, standarder, kompatibilitet, montagesätt, packstorlek. När de uppgifterna finns konsekvent i feed, PDP och strukturerad data blir du ett rimligt svar på “borrhammare med SDS-Max, 6-pack mejslar, leverans 48 h”. Och när samma SKU också säljs styckvis i B2C kan båda erbjudandena samexistera utan att krocka – med varsin tydlig säljenhet och varsin korrekt prisangivelse. Det minskar felorder, men framför allt innebär det att du alls kvalar in i AI-svaret i scenarion där konkurrenternas data är för tunn.
Arbeta med process i stället för hjältemod
Det här blir stabilt när du kopplar tekniken till ett par enkla arbetssätt.
Vid produktlansering ska det finnas en checkpunkt: finns alla obligatoriska attribut i PIM, är kategorin korrekt, finns bildkraven på plats, stämmer GTIN/MPN, är säljenheten rätt? När PIM signalerar “redo” triggas publicering och schema.org-markering på PDP utan manuella mellansteg.
Vid prisändring ska prissystemet vara den enda källan som ändrar pris. Feed och sida lyder. Finns det en hårdkodad pristext någonstans i templaten är det en skuldpost som måste bort; annars kommer divergensen tillbaka varje kampanj.
Vid lagerhändelser ska uppdateringen gå till både Merchant Center och PDP. Om du kör flera lagerpunkter per marknad behöver du bestämma hur du vill presentera det publikt (t.ex. en sammanvägd tillgänglighet och en nyanserad ETA-text). Oavsett din strategi måste den vara konsekvent i alla källor.
Vid fel ska du få ett larm som går till rätt person med ett tydligt meddelande (“SKU 123 saknar GTIN, publicering stoppad”). Felet ska åtgärdas i källsystemet, inte “maskas bort” i feeden. Det är enda sättet att verkligen få bort återfall.
Vanliga missförstånd
Ett seglivat missförstånd är att “SEO löser det här”. SEO-arbete kan hjälpa dig att skriva tydligare texter och att strukturera sidorna. Men om pris, lager och attribut inte är konsekventa mellan feed, PDP och schema.org kommer AI-läget inte vilja använda dina uppgifter. Det är därför du ska börja i integrationen och datamodellen.
Ett annat är att “vi fixar realtid senare”. Det gör att du gång på gång missar effekttimmar under kampanjer, rea och återlanseringar. Byt ut nattlig batch mot händelser där det spelar störst roll: pris, lager, kampanjstart och kampanjslut. Det går att göra utan att röra hela plattformen.
Ett tredje är övertro på feed-verktyg. De är utmärkta för mappning och kanalstyrning, men de kan inte skapa sann konsistens om källorna är oense. Verktyget speglar vad du matar in. Slipa källorna, använd verktyget för finliret.
En rak implementeringsväg som inte välter organisationen
Börja med en inventering. Vartifrån kommer pris, lager och attribut i dag? Var uppstår mismatch? Vilka SKU-grupper är viktigast (kategori, varumärke, säsong)? Kartlägg också hur snabbt ändringar tar sig ut i feed och på PDP. Det här är en veckas arbete om du gör det fokuserat.
Gå vidare med konsistens och händelser. Koppla om de delar som rör pris/lager/kampanj så att de publiceras på event – först i en prioriterad kategori där volymen är hög och riskaptiten rimlig. Lägg in kontroller som blockerar publicering när kraven inte är uppfyllda. Målet är att inom några veckor ha en pilot som redan ger färre avvisade produkter, färre avbokningar och snabbare kampanjexponering.
Skala sedan kategori för kategori. När mönstret fungerar upprepar du det där det ger mest effekt. Under tiden etablerar du en enkel veckorytm med tre korta frågor: hur ser andelen godkända produkter ut, hur många mismatch har vi, hur ser latensen ut? Allt annat är finlir.
Juridik och förtroende – gör rätt från början
Du behöver inte överarbeta det juridiska, men två saker måste vara på plats. För det första ska personuppgifter behandlas korrekt enligt GDPR. Produktdata och pris/lager är i allmänhet inte personuppgifter, men kopplingarna mellan system kan ibland bära spår av metadata som är det. Se till att integrationen hanterar autentisering och loggning på ett sätt som inte läcker. För det andra ska du kunna visa vad som hände när något gick fel. Håll en enkel, sökbar logg över händelser (“pris ändrat”, “lager uppdaterat”, “publicering stoppad” med skäl). Det ger snabbare felsökning och stärker förtroendet internt.
Ledningsdialogen – prata omsättning, inte tekniska preferenser
Undvik att fastna i diskussioner om verktyg och plattformar. Visa i stället hur omsättningen rör sig när de fyra signalerna förbättras: fler godkända SKU:er, lägre mismatch, kortare latens och färre avbokningar. Använd ditt eget räknesätt med din katalog och ditt snittordervärde. Visa månad till månad. När intäkter ökar på grund av bättre datakvalitet kommer du få kött på benen för nästa steg (t.ex. attribututbyggnad i fler kategorier).
Support, returgrad och recensioner – sekundäreffekter som ändå räknas
När pris och lager stämmer minskar inte bara avbokningarna. Kunderna upplever att informationen är tillförlitlig, vilket påverkar både NPS och benägenhet att lämna positiva recensioner. På B2B-sidan är detta mer subtilt men lika viktigt: när återförsäljare slipper ringa om avvikelser och kan lita på att produktens tekniska data verkligen stämmer, ökar sannolikheten att de låter dina produkter leva kvar i sin egen katalog och att de prioriterar dig i inköp. Det här är svårare att mäta kortsiktigt, men du märker det i färre ärenden och jämnare flöden.
Sammanfattning – och en enda lista att ta med till nästa möte
AI-läget belönar handlare som behandlar produktdata som infrastruktur. För B2B/B2C är arbetsordningen enkel: bygg konsistens, kör realtid där det spelar roll och säkerställ att attributen är kompletta. Resten är detaljer. Om du vill ha en snabbrepetition att ta med in i styrgruppen är det den här:
- Få produkterna valbara: höj andelen godkända varor genom att täppa till attributluckor och sluta publicera mismatch.
- Korta tiden till verklighet: byt batch mot händelser för pris, lager och kampanj så att AI-ytan speglar verkligheten samma minut.
- Håll B2B och B2C isär – men publiken konsekvent: rätt säljenheter, rätt pris, rätt attribut; offentligt ska vara identiskt överallt.
- Mät där pengarna rör sig: andel godkända SKU:er, mismatch-frekvens, latens och orderkvalitet. Koppla förändringarna till omsättning varje månad.
Gör du detta nu, innan alla konkurrenter hunnit städa sina dataflöden, låser du upp synlighet som är svår att ta ifrån dig. Effekten syns inte bara i grafer – den syns i orderboken. Och den kommer av något så osexigt som korrekt, konsekvent och aktuell produktdata. Det är exakt därför den är svår att kopiera när du väl har fått ett försprång.
Nyckelbegrepp (buzzwords och förklaringar)
- Google AI Mode
Googles AI-baserade sökläge där köpresan flyttas in i sökresultaten. AI sammanfattar alternativen, jämför attribut och pris i realtid. Beslutet sker ofta innan användaren ens klickar vidare. - Shopping Graph
Googles “databas” över produkter, attribut, priser och relationer. Här hämtar AI-läget fakta för att jämföra och presentera produkter. - Merchant Center
Googles plattform för att ta emot dina produktflöden (pris, lager, attribut). Om data inte är komplett eller konsekvent riskerar produkterna att avvisas eller degraderas. - PDP (Product Detail Page)
Produktsidan på din egen sajt. Måste visa exakt samma pris, lager och attribut som feeden och den strukturerade datan – annars kvalar du inte in i AI-svaret. - Strukturerad data (schema.org/Product)
Märkspråk i källkoden som gör produktens fakta maskinläsbar: pris, lager, GTIN, färg, storlek osv. Utan detta blir produkten osynlig eller missförstådd. - SKU (Stock Keeping Unit)
Unik identifierare för varje produktvariant. Felaktiga eller avvisade SKU:er innebär direkt förlorad synlighet och omsättning. - GTIN/MPN
Standardiserade produkt-ID som Google använder för att jämföra produkter. Saknas dessa riskerar du avvisning. - MOQ (Minimum Order Quantity)
Minsta beställningsvolym i B2B-handel. Måste anges korrekt (t.ex. 6-pack istället för 1-pack), annars degraderas produkten. - Event driven arkitektur
Integration där pris-, lager- och kampanjändringar skickas som händelser i realtid. Gör att AI-ytan speglar verkligheten direkt istället för att släpa efter i batch-flöden. - Köhantering (Queueing)
Säkerställer att händelser levereras och bearbetas även vid driftstörningar. Förhindrar tappade uppdateringar och jämnar ut toppar i trafiken. - Fanin/Fanout
Ett mönster för att distribuera samma händelse till flera system. Exempel: en prisändring går samtidigt till Merchant Center, PDP och lagerintegration. - Serverless Functions
Kod som körs automatiskt vid händelser, utan att du driftar servrar. Exempel: uppdatera en feed eller validera en produkt. - API Gateway
En säker front som exponerar dina API:er mot Google och andra mottagare. Hanterar autentisering, skydd och trafik. - Idempotens
Säkerhet i integrationen: samma ändring får inte orsaka dubbel effekt. Exempel: om “pris ändrat” skickas två gånger ska det bara slå igenom en gång. - Stop-the-line
Principen att stoppa fel innan de når kund. Om priset i feeden inte matchar produktsidan blockeras publiceringen tills felet är löst. - Latency T90
Mått på hur snabbt 90 % av uppdateringarna slår igenom i kedjan. Kort latens är avgörande för att AI-ytan ska visa rätt pris/lager i realtid. - Observability
Förmågan att förstå systemets tillstånd genom loggar, spårning och mätdata. Viktigt för att se varför produkter avvisas eller var mismatch uppstår. - Data governance
Regler och ansvar kring vem som äger data. Vem bestämmer pris, vem ansvarar för attribut, vem godkänner nya produkter? Governance gör att kvaliteten blir hållbar. - Trust capital
Förtroendekapital byggt över tid. Om din data länge är konsekvent och korrekt “lär sig” Google att lita på dig. Svårt för konkurrenter att ta ikapp. - Fill rate
Hur ofta du kan leverera som utlovat. Hög fill rate minskar returer och kundtjänstärenden – och stärker relationerna både i B2B och B2C. - Revenue per exposed SKU
Ett KPI som visar hur mycket omsättning varje visad produkt faktiskt bidrar med. Hjälper dig prioritera rätt kategorier. - Punchout/EDI
Standarder för B2B-beställningar direkt från kundens system. Måste hållas i synk med publika pris- och lagerflöden för att undvika dubbla sanningar.
