YouTube

Otterlys studie från 2026, baserad på över 100 miljoner citatinstanser spårade under 30 dagar, inklusive ungefär 5,5 miljoner citatinstanser från sociala medier^[4], fann att sociala medier och videoplattformar stod för 5,54 % av alla AI-citat^[1]. Inom denna del tar Reddit 46,4 %, YouTube 31,8 % och LinkedIn 13,0 %, så två plattformar står för 78,2 % av allt socialt som en svarsmotor citerar^[2]. En leverantörs panel är en mätning, och siffrorna rör sig; ordningen har varit stabil i citatstudier längre än procentsatserna har.

YouTube-citat sprids inte jämnt. Perplexity står för 38,7 % av dem, Google AI Overviews 36,6 %, AI Mode 19,6 %, ChatGPT 4,4 %, Copilot 0,5 % och Gemini 0,2 %^[3]. Tidsstämplade citat, som leder läsaren till ett specifikt ögonblick i en video snarare än till videon, förekommer nästan bara i Googles egna ytor: 73 % i AI Overviews och 27 % i AI Mode, utan några observerade i ChatGPT, Gemini, Copilot eller Perplexity^[5]. Google sade i mars 2025 att de byggde in fler visuella svar i AI Mode, inklusive bilder och video^[6], och deras vägledning för webbplatsägare ber om text som stöds av högkvalitativa bilder och video där det är tillämpligt^[7].

94 % av YouTube-citaten pekar på vanliga långformsvideor, 5,7 % på Shorts och 0,3 % på spellistor, kanaler och livestreamar tillsammans^[8]. Otterlys tolkning av sina egna data är att det är hur väl frågan besvaras, snarare än visningsantal eller prenumerationsantal, som avgör om en video citeras^[9]. Detta stämmer överens med vad samma studier finner för text: hämtning väljer ett avsnitt som svarar, vilket är argumentet bakom innehållsstrukturarbete i allmänhet.

En motor läser en video som ord. YouTube producerar automatiska bildtexter genom taligenkänning på en publicerad lista över språk, och varnar för att de kan misstolka vad som sades genom felaktigt uttal, accent, dialekt eller bakgrundsbrus, så skapare bör granska dem^[10]. En okorrigerad automatisk bildtext är den text som ett hämtningssystem indexerar och kan citera. Data API exponerar endast metadata för bildtextspår som standard, och själva transkriptionen kräver ett separat captions.download-anrop^[11], vilket är anledningen till att tredjeparts synlighetsverktyg läser transkriptioner ojämnt.