Gintare Rimolaityte, vd och medgrundare till Trendos – Intervjuserien

Gintare Rimolaityte är vd och medgrundare till Trendos, plattformen för synlighet i AI-sökningar som hjälper varumärken att förstå och optimera hur de visas i stora språkmodeller (LLM:er). Hon fick tidig erfarenhet på Oxylabs 2020, först som affärsutvecklingschef och sedan som kommersiell chef, där hon ledde teamen för försäljning, affärsutveckling, kundansvar och kundframgång inom en av företagets affärsenheter. Från 2022 till 2025 var hon vd för engagemangsplattformen JumpTask. Innan hon var med och grundade Trendos 2026 arbetade hon en kort tid som produktchef på Adment, med fokus på att förebygga affiliatebedrägerier inom betalda sökningar och affiliateprogram. Som vd för Trendos leder Gintare flera team och ansvarar för den strategiska tillväxten. Hon bor och arbetar i Vilnius.

Trendos är en plattform för synlighet i AI-sökningar som hjälper varumärken att övervaka, mäta och optimera hur de visas i språkmodeller och AI-sökmotorer. Med Trendos undanröjer varumärken den stora blinda fläck som uppstod vid övergången från Google-sökningar till konversationsbaserad AI, då rekommendationsprocessen blev praktiskt taget osynlig för dem. Förutom att följa den övergripande synligheten gör Trendos verktyg för marknadsinsikt om AI tillgängliga, intuitiva och prisvärda, så att varumärken kan påverka och optimera när och hur de visas. Tekniken samlar in de verkliga svar och annonser som visas i AI-miljöer genom storskalig hämtning av språkmodellsessioner. Därefter analyseras de strukturerade uppgifterna och presenteras som tydliga insikter om både varumärkessynlighet och konkurrentaktivitet. Trendos grundades i mars 2026 i Vilnius i Litauen med stöd från Tesonet, en global företagsbyggare bakom bolag som Nord Security, Surfshark och Hostinger.

Din karriär har gått från kommersiellt ledarskap på Oxylabs till att leda JumpTask och arbeta med produkter på adment.ai, innan du var med och grundade Trendos. Vilka förändringar i hur konsumenter upptäcker varumärken genom AI övertygade dig om behovet av Trendos? Och vad ansåg du saknades i befintliga plattformar för SEO och AI-synlighet?

När jag regelbundet intervjuade marknadschefer hörde jag samma sak gång på gång: AI-sökningar är på väg, och även om det redan finns några verktyg vet ingen riktigt hur tillförlitliga de faktiskt är.

Jag behövde inte bara lita på deras ord, eftersom jag också såg förändringen ske i realtid. Konsumenter gick från att bläddra bland länkar på Google till att fråga språkmodeller direkt. Det senare var lite av en svart låda för marknadsförare. De kunde inte ens se om de nämndes, än mindre hur deras varumärke beskrevs eller positionerades gentemot konkurrenterna.

Jag såg två problem med befintlig programvara. För det första kändes många verktyg som SEO-plattformar med en påhängd AI-funktion. För det andra var de få specialbyggda verktygen prissatta enbart för stora företag. Om man inte var ett stort varumärke med budget för att kartlägga sin AI-synlighet stängdes man ute och fick famla i mörkret. Det kändes inte rätt. Alla varumärken förtjänar att veta hur de visas, inte bara de som kan betala femsiffriga belopp varje månad. Med Trendos vill vi ge varumärken i alla storlekar ett korrekt och rättvist prissatt sätt att förstå och optimera sin AI-synlighet.

AI-genererade svar kan framstå som en svart låda för marknadsförare. Vilka signaler verkar, utifrån de data som Trendos samlar in, vara viktigast för om ett varumärke nämns, citeras eller rekommenderas av system som ChatGPT, Gemini, Claude och Perplexity?

När det gäller signaler handlar det framför allt om att nämnas tillräckligt ofta på rätt platser och på ett strukturerat sätt. Det skiljer sig från SEO, där en dofollow-länk behövs för att överföra auktoritet. I AI-sökningar indexerar modellerna inte din webbplats, utan hämtar dess innehåll. Länken blir överflödig. Varumärkesnamnet behöver bara förekomma tydligt och ofta på de sidor som modellerna redan hämtar information från.

Våra data visar fem pelare: den egna webbplatsen, PR och obetald redaktionell publicitet, omdömesplattformar som Trustpilot och G2, affiliatepartner och sociala medier. Hur mycket varje pelare betyder varierar mellan branscher. Kläder och e-handel förlitar sig på egna medier, eftersom produktinformation är lätt för modellerna att extrahera. Finansiella tjänster för konsumenter förlitar sig mer på jämförelsesidor med affiliateinnehåll. SaaS- och B2B-varumärken citeras ofta från omdömesplattformar som G2 och Capterra. Det finns ingen universell formel. Man måste granska sina egna källhänvisningar för att se vilken pelare som är viktigast.

Struktur spelar också roll. De varumärken vi oftast ser citerade publicerar tydligt, direkt innehåll som besvarar frågor redan från början, ofta i formatet vanliga frågor och svar. Det är lätt för modellerna att extrahera. Blogginlägg fullproppade med sökord hjälper inte. Det som fungerar är att först besvara frågan och sedan lägga till detaljer. När det gäller AI-genererat innehåll ser vi för närvarande inte att modellerna straffar det. Innehåll som besvarar frågan väl citeras, oavsett vem eller vad som har skrivit det.

Det finns också ett inslag av slump i det hela. Modellerna förutsäger nästa ord i stället för att köra en enda fast rankningsalgoritm. Man kan göra allting rätt och ändå se svängningar. På Trendos försöker vi hjälpa varumärken att fokusera på signaler de kan kontrollera och sluta jaga dem de inte kan påverka.

Till skillnad från en traditionell Google-placering kan ett AI-svar förändras när samma fråga ställs flera gånger. Hur mäter ni AI-synlighet tillförlitligt när de underliggande modellerna är sannolikhetsbaserade, och hur stor provtagning behövs innan ett varumärke kan dra meningsfulla slutsatser av uppgifterna?

Det här diskuteras mycket i branschen just nu. Ett företag hävdade nyligen på LinkedIn att man behöver hämta ett svar omkring 100 gånger om dagen och beräkna genomsnittet för att få något tillförlitligt. Några av de större plattformarna anser fortfarande att en gång per dag räcker. Jag tycker inte att någon sida fullt ut har underbyggt sin ståndpunkt med verkliga belägg.

Vi undersöker det empiriskt. Vi har kunder som NordVPN som har använt vår övervakning under en tid, och vi kan se variationen i deras synlighet och placeringar under denna längre period. Det rör sig helt enkelt inte särskilt mycket. Tätare insamling ger förmodligen lite större precision, men skillnaden är en bråkdel av en procent och definitivt inte skillnaden mellan att vara osynlig och att vara etta. Det kanske flyttar någon från plats 35 till plats 32, vilket är mycket mindre viktigt än de större strukturella faktorer som ett varumärke faktiskt kan påverka.

Vårt arbetssätt är att övervaka konsekvent över tid i stället för att jaga extrem provtagningsfrekvens, och låta varumärken studera sin egen trendlinje för att bedöma hur stabil eller föränderlig deras kategori är.

Det pågår en omfattande debatt om SEO, optimering för svarsmotorer och optimering för generativa motorer. Vilka principer från traditionell SEO är fortfarande viktiga i AI-sökningar? Och var anser du att marknadsförare gör fel när de helt enkelt använder sina befintliga SEO-metoder på stora språkmodeller?

Flera SEO-principer är fortfarande viktiga i AI-sökningar. Ta exempelvis förgreningar av sökfrågor, alltså de följdsökningar som ChatGPT gör i bakgrunden innan det svarar. De bygger fortfarande på verkligt sökbeteende, vilket gör den tillhörande rankningen till en SEO-uppgift. Man optimerar fortfarande långa, specifika sökfraser, men riktar dem mot vad modellen söker efter i stället för vad en människa skriver på Google.

Många marknadsförare antar felaktigt att ett omnämnande måste fungera som en bakåtlänk. I SEO vill man ha en dofollow-länk eftersom det är så auktoritet och domänbetyg överförs. I AI-sökningar indexerar modellerna inte din webbplats. Eftersom de hämtar innehållet behövs ingen länk alls, bara tillräckligt tydliga omnämnanden av varumärket på en sida modellen redan litar på. Människor lägger mycket tid på att jaga länkplaceringar, när det de borde eftersträva är själva omnämnandet.

Ett annat vanligt misstag är att behålla gamla SEO-vanor. Innehåll som främst skrivs för att få med sökord, med det faktiska svaret gömt halvvägs ned på sidan, tenderar att förbises av AI-modeller. Besvara frågan först, tydligt och direkt, och lägg sedan till detaljerna.

Jag skulle också säga att det är ett misstag att bestämma sig för att SEO är dött och börja om från början. SEO är inte dött! GEO är en förlängning av SEO, där sociala medier och affiliatepartner samverkar. Varumärken som redan arbetar bra med SEO har inte gjort allt detta förgäves, men de bör inte heller utgå från att de gamla reglerna gäller oförändrat.

Trendos följer de källor som AI-system citerar när de besvarar frågor om varumärken. Vad har ni lärt er om vilka typer av källor AI-motorerna verkar lita mest på? Och hur stort inflytande kan ett företag realistiskt ha över dessa hänvisningar utan att försöka manipulera systemet?

Tillit följer inte en enda hierarki. Det beror på branschen. Det som citeras mest inom kläder, egna medier, är inte samma sak som inom konsumentfinans, där affiliateinnehåll och appar dominerar. Ingen källtyp vinner överallt. Man måste titta på den egna kategorins hänvisningar för att förstå vilka källor som får förtroende.

Struktur är lika viktig som typen av källa. Auktoritativa redaktionella webbplatser väger fortfarande tungt, men det handlar inte om ett enda auktoritetsmått som domänbetyg. Vi ser att kontinuitet betyder mer: hur ofta ett varumärke nämns i en blandning av betrodda källor. En tydlig, välstrukturerad sida från en mindre webbplats kan överträffa en lång artikel från en större publikation, helt enkelt för att den är lättare för modellen att extrahera och använda.

När det gäller att påverka utan manipulation skulle jag helt skilja det från ett SEO-tankesätt. Du försöker inte manipulera ett länknätverk. Du försöker förtjäna genuina omnämnanden inom de fem pelarna: den egna webbplatsen, PR-publiceringar, omdömesplattformar som Trustpilot och G2, affiliaterelationer och närvaro i sociala medier. Sedan strukturerar du allt så att en modell lätt kan läsa det. Det skiljer sig inte så mycket från bra varumärkesbyggande. De mest synliga varumärkena fokuserar mindre på att lura systemet och mer på att finnas på ett verifierbart sätt där modellerna redan har förtroende.

Trendos lanserade ett index över de 1 000 varumärken som har störst AI-synlighet på olika marknader. Vilka mönster eller överraskningar har framträtt i materialet? Och vad skiljer varumärken som konsekvent dyker upp i AI-genererade rekommendationer från konkurrenter som förblir nästan osynliga?

Den första överraskningen är hur olika motorerna beter sig. På samma marknad har ChatGPT och Google AI Overviews bara omkring två tredjedelar av landets hundra främsta varumärken gemensamt i sina rekommendationer. AI Overviews favoriserar starkt vardaglig detaljhandel. Trader Joe’s ligger där på plats 35 i USA, men på plats 567 i ChatGPT. ChatGPT favoriserar B2B- och företagsvarumärken som Gartner, ServiceNow och Databricks, vilka AI Overviews i stort sett ignorerar.

Den andra överraskningen är hur lokalt det är. Sjuttio procent av varumärkena i vårt index förekommer bara i ett land, och i Tyskland är nästan en tredjedel av de hundra främsta varumärken som inte alls finns på de brittiska eller amerikanska listorna.

Det som utmärker de konsekvent synliga varumärkena är bredd. Ett typiskt topp-tio-varumärke förekommer i fler än 90 produktkategorier, medan ett varumärke i den nedre halvan av rankningen finns i omkring fem. De nämns inte bara oftare, utan är relevanta för långt fler frågor. Och listorna ändras snabbt: allra högst upp sker knappt några förändringar från månad till månad, men omkring 13 procent av varumärkena försvinner från varje lista inom en enda månad. Synlighet är inte något man vinner en gång; man måste fortsätta förtjäna den.

Trendos Ad Radar följer sponsrade placeringar intill ChatGPT-konversationer. Vad visar de tidiga uppgifterna om vilka branscher och annonsörer som rör sig snabbast? Och hur bör marknadsförare skilja betald synlighet från varumärken som den underliggande AI-modellen nämner eller rekommenderar organiskt?

ChatGPT-annonser är starkt koncentrerade till detaljhandel och B2C, som utgör omkring 50 till 70 procent av det vi följer. Resten är B2B, främst företag och byråer som annonserar sina egna tjänster. Det är rimligt, eftersom ChatGPTs användarbas huvudsakligen består av konsumenter, men också har en verklig B2B-närvaro.

OpenAI:s annonsplattform befinner sig fortfarande i ett tidigt skede. Nya format och funktioner tillkommer hela tiden, och utrullningen är ojämn: när jag senast kontrollerade var annonserna varken aktiva eller möjliga att fakturera på flera europeiska marknader, även efter att OpenAI hade meddelat sin expansion dit. En bedömning av de snabbaste branscherna är därför mer en ögonblicksbild av vilka som vill prova något nytt än en bild av vilka som fortfarande annonserar om sex månader.

Det är också här informationsluckorna för annonsörer finns. OpenAI visar inte vilka promptar dina annonser visas vid, och inte heller vad konkurrenterna gör. Med Trendos Ad Radar kan varumärken se exakt vilka promptar som utlöser annonserna och följa andra annonsörer i kategorin: hur många annonser de kör, vart de leder och vilka rubriker och beskrivningar de använder.

Än så länge är det lätt att skilja betalda och organiska omnämnanden åt. ChatGPT markerar sponsrade placeringar tydligt och visar dem längst ned i svaret, så att ingenting blandas in i själva svarstexten. En organisk rekommendation innebär att modellen väljer dig som svar; en betald placering innebär att du hyr en plats under det.

Min ärliga förväntan är att det blir svårare med tiden. Ju mer en annons ser ut och känns som en genuin del av svaret, desto bättre brukar den fungera. Det har varit så på Google och Meta, och ChatGPT kommer sannolikt att gå i samma riktning. Det är precis därför varumärken behöver följa både betald och organisk synlighet sida vid sida.

En utmaning med optimering för generativa motorer är att skilja korrelation från orsakssamband. När ett varumärkes AI-synlighet förbättras, hur kan ett marknadsteam avgöra vilken åtgärd som faktiskt orsakade förbättringen – digital PR, tredjepartsbevakning, starkare eget innehåll, omdömen, tekniska ändringar eller något annat?

Attribuering är en av de svåraste frågorna inom GEO, och ingen kan ännu dra en perfekt linje från varje åtgärd till varje resultat. Men varumärken är långt ifrån hänvisade till att gissa. Med Trendos kan man se exakt vilka källor AI-motorerna citerar när de nämner en själv och konkurrenterna, vilket säger mycket om vad som fungerar.

Det mest tillförlitliga sättet är att koppla en viss åtgärd till en viss källa. Om du får uppmärksamhet på en webbplats som redan citeras i din kategori kan du följa om källan börjar dyka upp i svar på relevanta promptar och om ditt varumärke följer med. Detsamma gäller omdömen, affiliateplaceringar eller nytt innehåll på din egen webbplats. Du väntar inte på att totalpoängen ska ändras och undrar varför; du ser vilka källor modellerna faktiskt använder.

För betald annonsering är det ännu tydligare. Med ChatGPT-annonser kan man följa den direkta effekten precis som i andra betalda kanaler, med UTM-parametrar för att mäta trafik och konverteringar.

Det är ändå värt att studera trender över flera veckor i stället för att reagera på en enskild dag, eftersom AI-svar naturligt varierar. Vi utvecklar också Key Insights, som automatiskt visar dessa samband så att teamen inte behöver gå igenom varje graf själva. Det finns fortfarande osäkerhet inom GEO, men varumärken har nu verktyg för att tydligt se vad som ger störst värde.

Trendos har nyligen introducerat en MCP-integration som låter AI-agenter direkt fråga efter data om synlighet, konkurrenter, källhänvisningar och annonsering. Tror du att hanteringen av AI-synlighet så småningom går från marknadsförare som studerar instrumentpaneler till agenter som kontinuerligt upptäcker luckor och rekommenderar eller genomför ändringar åt dem?

Jag tror att det är dit utvecklingen går, och vi bygger redan i den riktningen. Även utan agenter i bilden går Trendos mot att göra saker åt varumärken i stället för att bara visa en instrumentpanel. Vi upptäckte nyligen en liten tillverkare vars webbplats var helt blockerad för AI-botar på grund av ett enkelt tekniskt problem som ingen i teamet visste att man borde kontrollera. Vi berättade om problemet för varumärket, men vår ambition är att kunna lösa det utan att någon hos dem först måste tolka en graf.

Agenter är en naturlig förlängning av detta. Om ett system redan kan läsa uppgifterna bakom Trendos borde det inte vara ett stort steg att upptäcka en saknad källhänvisning och agera därefter. Jag tror inte att instrumentpaneler försvinner helt. Våra mer tekniska användare vill fortfarande ha rådata, särskilt de exakta förgreningarna av sökfrågor och den faktiska svarstexten. Men för de flesta varumärken, de 90 procent som inte vill vara dataanalytiker, tror jag att slutmålet är en agent som tyst hanterar detta i bakgrunden och bara uppmärksammar dem när ett mänskligt beslut behövs.

När AI-assistenter i allt högre grad går från att besvara frågor till att rekommendera produkter, jämföra leverantörer och till slut genomföra transaktioner via agenter, hur tror du att begreppet ”söksynlighet” utvecklas? Och vilka mätetal kommer i slutändan att vara viktigast för varumärken?

Jag tror att ”söksynlighet” blir en del av en större bild: om en agent väljer ditt varumärke när den agerar för någons räkning. Att nämnas i ett svar är en sak. Att vara varumärket som en agent faktiskt väljer, bedömer positivt i jämförelsen och genomför en transaktion med är något annat och en betydligt högre ribba. Vi ser redan början på detta med agentbaserad handel.

När agentbaserad handel tar fart räcker inte synlighet ensam. Tonen i omdömena kommer att få enormt ökad betydelse. En agent som jämför tre leverantörer åt dig kommer inte bara att väga in vilka som nämns, utan också vilka som beskrivs som pålitliga, välrecenserade och prisvärda. Rekommendationsgraden, alltså hur ofta du väljs bland de varumärken som övervägs, blir mycket mer meningsfull än det rena antalet omnämnanden.

Jag förväntar mig också att struktur och maskinläsbarhet blir viktigare. Just nu handlar det om att skriva innehåll som vanliga frågor och svar så att en modell enkelt kan extrahera det. När agenter genomför transaktioner åt dig kommer det att handla om huruvida priser, lagerstatus och villkor är strukturerade så att agenten faktiskt kan läsa dem och agera direkt utifrån dem, inte bara beskriva dem.

En viktig reservation: det är fortfarande tidigt. Jag säger hellre det öppet än låtsas att vi har kartlagt allting. Men jag är säker på att varumärken som uppmärksammar förändringen innan agenter genomför transaktioner i stor skala kommer att få ett verkligt försprång, ungefär som de tidiga SEO-varumärkena fick med Google.

Tack för en givande intervju. Läsare som vill veta mer kan besöka Trendos.