LLM (Large Language Model)

LLM står for large language model, på dansk en stor sprogmodel. Det er en AI-model, der er trænet på meget store mængder tekst til at forudsige det næste stykke tekst i en sekvens. Den evne gør modellen i stand til at besvare spørgsmål, skrive, opsummere og ræsonnere over information. ChatGPT bygger på OpenAI's modeller, Claude på Anthropics, og Googles Gemini-modeller driver både Gemini-appen, AI Overviews og AI Mode.

Træningsdata og websøgning

En sprogmodel har to kilder til viden. Den første er træningsdata, som er låst fast på et bestemt tidspunkt. Det, modellen har lært om jeres virksomhed og jeres branche under træningen, ændrer sig først, når der kommer en ny model, og modellen kan ikke selv angive, hvor en bestemt oplysning stammer fra. Den anden kilde er opslag i realtid: Når en AI-tjeneste søger på nettet og bygger svaret på det, den finder, kaldes det retrieval-augmented generation (RAG) eller grounding. Det er i det lag, kilder bliver linket og citeret, og det er det lag, SEO-arbejdet påvirker mest direkte.

Opslagene går gennem søgeindeks. Googles AI-funktioner henter fra Googles indeks, Copilot fra Bing, og ChatGPT's websøgning bruger ifølge OpenAI både tredjeparts søgeudbydere og sin egen crawler, OAI-SearchBot. Sprogmodeller kan også formulere forkerte oplysninger overbevisende, såkaldte hallucinationer, og det er en af grundene til, at AI-søgetjenesterne forankrer deres svar i aktuelle kilder.

Hvad det betyder for en virksomhed

Synlighed i sprogmodellerne har derfor to sider. På kort sigt handler det om at være en kilde, AI-tjenesterne finder og vælger, når de søger: sider, der kan crawles, og indhold, der besvarer spørgsmålene præcist. På længere sigt handler det om, hvad modellerne har lært om jer gennem omtale på tværs af nettet. Om AI-tjenesternes crawlere må besøge sitet, styres i robots.txt, hvor søgebots og træningsbots kan behandles hver for sig.

Hvordan I måler, hvad sprogmodellerne svarer om jer, gennemgår guiden om LLM-overvågning. Det konkrete arbejde med indhold, struktur og markup til AI-svar beskriver vi under LLM-optimering.