Prompt-research: finn ut hva folk faktisk spør AI om

Kort svar: Prompt-research er å systematisk samle inn de faktiske spørsmålene målgruppen stiller — til støtte, i samtaler og i søk — og bruke dem som grunnlag for et fast spørsmålssett, fremfor å gjette hvordan folk formulerer seg til en AI. Uten dette grunnlaget måler og skriver man for spørsmål ingen faktisk stiller.

Hvorfor du ikke kan gjette deg til spørsmålene

Det er fristende å sette seg ned og brainstorme et tjuetalls spørsmål man tror målgruppen stiller. Problemet er systematisk skjevhet: man formulerer spørsmål slik en fagperson ville gjort det, med riktig terminologi og forutsetninger — ikke slik en kunde uten bransjekunnskap faktisk spør. Reelle spørsmål er ofte mindre presise, blander flere behov i én setning, og bruker helt andre ord enn de man selv ville valgt.

Fire kilder til reelle spørsmål

• Kundesamtaler. Salgssamtaler, oppstartsmøter og supporthenvendelser inneholder spørsmålene folk faktisk stiller når de vurderer eller bruker en tjeneste. Dette er den mest presise kilden, fordi den ikke er filtrert gjennom noens antakelse om hva som burde spørres.
• Support-logger. Historiske henvendelser viser hvilke misforståelser og uklarheter som går igjen. Et spørsmål som dukker opp gjentatte ganger i support, er et spørsmål verdt å svare på offentlig, i tekst en språkmodell kan hente fra.
• Forum og kommentarfelt. Steder som Reddit, bransjespesifikke forum og kommentarfelt under relevante artikler viser hvordan folk formulerer spørsmål når ingen ansatt hos deg er til stede til å tolke dem. Formuleringene her er ofte de mest ufiltrerte.
• Autofullføring. Google og YouTubes autofullføring, samt “folk spør også”-bokser, viser hvilke fortsettelser som faktisk søkes mye på. Ikke en fullstendig kilde alene, men et raskt sjekkpunkt for å validere om en formulering er vanlig.

Slik bygger du et spørsmålssett fra kildene

1. Samle råmaterialet. Gå gjennom minst 20–30 reelle henvendelser eller innlegg per kilde, og skriv ned spørsmålene ordrett, ikke omformulert.
2. Grupper etter underliggende behov. Flere ulike formuleringer stiller ofte samme egentlige spørsmål. Grupper dem, og noter hvilken formulering som er mest representativ for gruppen.
3. Sorter bort brand-tunge spørsmål som forutsetter at spørreren allerede kjenner deg — de er nyttige for annet formål, men gir et skjevt bilde hvis de dominerer settet du bruker til måling og innholdsplanlegging.
4. Landing på 30–50 spørsmål som til sammen dekker bredden i reelle henvendelser, med naturlig, ufiltrert språk bevart.

Dette spørsmålssettet er ikke bare research — det er samme grunnlag som trengs for å faktisk måle AI-synlighet over tid. Se slik måler du AI-synlighet: fire tall som faktisk betyr noe for hvordan settet brukes videre til å spore tilstedeværelse, sitering og omtaleandelMention shareMention share (omtaleandel) er din andel av omtalene i AI-svar. Omtale er å bli nevnt, sitering er å bli oppgitt som kilde — de to følger ikke hverandre, og skal derfor ikke slås sammen til ett tall.Se i ordlisten.

Et konkret eksempel på gruppering

Anta at support-loggen inneholder disse tre ordrette henvendelsene: “hvorfor rangerer vi ikke i ChatGPT når vi er nummer to i Google”, “kan dere gjøre noe med at Perplexity aldri nevner oss”, og “hvorfor blir konkurrenten vår anbefalt i AI-søk og ikke vi”. Alle tre uttrykker samme underliggende behov — forklaring på hvorfor Google-rangering ikke oversettes til AI-synlighet — men med tre helt ulike inngangsvinkler og ingen delt terminologi. Gruppert som ett spørsmål i settet (“hvorfor rangerer vi i Google, men er usynlige i AI-søk”), representerer det tre reelle henvendelser i stedet for å telles som tre separate, spinkle datapunkter.

Denne typen gruppering er også det som gjør spørsmålssettet håndterlig over tid: 30–50 grupperte behov er mulig å måle jevnlig, mens hundrevis av ordrette enkeltformuleringer ikke er det.

En vanlig fallgruve: å stoppe ved de første ti

Det er lett å samle inn ti-femten spørsmål og oppleve at man “har nok”. Verdien av prompt-research ligger i bredden — de sjeldnere formuleringene som dukker opp bare noen få ganger, avslører ofte reelle behov ingen andre dekker, nettopp fordi de er for uvanlige til å bli fanget opp av et raskt søkeordsverktøy. Disse sjeldne, men presise spørsmålene er ofte de mest lønnsomme å dekke, fordi konkurransen om dem er lavest.

Ofte stilte spørsmål

Hvor mange spørsmål trenger jeg for et godt spørsmålssett?

30–50 er et praktisk utgangspunkt — nok til å dekke bredde uten at settet blir uhåndterlig å måle jevnlig.

Kan jeg bruke en AI til å generere spørsmålene i stedet?

En AI kan hjelpe med å strukturere og gruppere, men risikerer samme skjevhet som å gjette selv — den genererer sannsynlige, “riktig formulerte” spørsmål, ikke nødvendigvis de faktiske, ufiltrerte formuleringene ekte brukere bruker.

Hvor ofte bør spørsmålssettet oppdateres?

Sjekk mot nye support-henvendelser og samtaler et par ganger i året. For hyppige endringer gjør det vanskelig å sammenligne målinger over tid.

Hva om jeg ikke har egne kundesamtaler eller support-logger å hente fra?

Forum, kommentarfelt og autofullføring dekker da mer av jobben. De er mindre presise enn egne data, men fortsatt langt bedre enn å basere spørsmålssettet på antakelser alene.

Bør spørsmålssettet være likt for alle språkmodeller jeg måler mot?

Ja, samme sett bør kjøres mot alle modellene. Forskjeller i hvordan hver modell svarer på identiske spørsmål er selve poenget med å bryte ned målingen per modell, og det krever et felles utgangspunkt for å være sammenlignbart.