Skip to content
Hvorfor «godt innhold» ikke lenger er nok, og hvordan Three-Layer Approach™ løser problemet med semantisk oppstykking.
Dette er en norsk versjon av artikkelen Chunk Optimization: Structuring Content for the Agentic Web (The Technical Guide) – publisert av Nickolass Jensen på Nettpilot.com
Illustrasjonen: Bildet er inspirert av TV-serien The Expanse, en av min helt store favoritter;).
Den fremstiller en situasjon der en person forsøker å håndtere en kritisk datastruktur i et romskip som er i fart. De røde elementene antyder en feiltilstand (fragmenterte eller korrupte data), mens den blå søylen er en sentral datakjerne. Hånden som strekker seg mot hologrammet indikerer en interaktiv, gestbasert kontrollteknologi. (bilde er KI-produsert med Nano banana og Gemini), basert på den originale artiklens oppsummering.
Intro: AI leser ikke, den «spiser» biter
Mens tradisjonell SEO handlet om å servere en hel rett til Googlebot, handler optimalisering for LLMer (Large Language Models) som ChatGPT, Gemini og Perplexity om å servere perfekte munnfuller. Vi kaller dette Chunks.
I Nettpilot har vi gjennom vårt arbeid med The Three-Layer Approach (3LA) sett en tydelig trend: Nettsider som rangerer høyt i Google, kan være helt usynlige for AI-agenter. Årsaken? De feiler på Chunking.
Vi skrev en norsk artikkel som det som vi kaller for Det skjulte Innholdsparadokset, som vi på engelsk har kalt for The Hidden Content Paradox, som vi i stor grad har benyttet som strategisk tankegods for vår nye løsninger i 3LA universet.
Nettpilots 3LA audit verktøy, vurderer i dag en nettside på 47 helt konkrete parametre fordelt på tre lag, og et egen algoritme som som har blitt utviklet i løpet av 2025. Vi hadde første lansering av vår beta-løsning i november 2025. Chunk Optimalisering (Chunk Optimization) er en av de faktorer, som har betydning for hvorvidt en KI-agent klarer å fordøye innholdet ditt innen for rammene av sitt eget crawl budsjett.
Hva er en Chunk?
En «chunk» er en semantisk selvstendig enhet av tekst. For en AI er ikke artikkelen din en lang fortelling; den er en database av vektorer.
Når en AI-agent (som RAG-systemet bak en chatbot) skanner siden din, deler den innholdet opp i biter (chunks) på typisk 200–500 tokens. Hvis en viktig opplysning (f.eks. prisen på tjenesten din) havner i én chunk, og konteksten (hva tjenesten faktisk er) havner i en annen, mister AI-en tråden. Resultatet? Du blir ikke sitert.
Problemet: Den «Semantiske Suppen»
Mange markedsførere skriver i dag lange, flytende tekster. Det er vel og bra for mennesker (Lag 1 i 3LA), men katastrofalt for maskiner (Lag 3).
Eksempel på dårlig chunking:
«Det er viktig å tenke på at når man skal velge leverandør, så er det mange faktorer som spiller inn. Vår løsning er best fordi den er rask.»
Her må AI-en gjette hvilken løsning det er snakk om, og hva den er raskere enn. Hvis denne setningen havner i en chunk uten firmanavnet ditt, er den verdiløs.
Løsningen: Entitetsdrevet Chunking (3LA-metoden)
I vår AI-Readiness Audit måler vi nettsteder på hvor godt de leverer «Contextual Density». Dette er kjernen i chunk-optimalisering.
Her er oppskriften vi bruker for å fikse dette teknisk:
1. «The Rule of One» (En entitet per avsnitt)
Sørg for at hvert avsnitt (eller logiske seksjon) omhandler én hovedentitet. Ikke bland produktbeskrivelser med generelle filosofiske betraktninger.
- Feil: Blande bedriftshistorie med produktspesifikasjoner i samme <p>-tag.
- Riktig: Egen overskrift for produktet, etterfulgt av spesifikasjoner.
2. Semantisk «Re-stating»
Gjenta subjektet oftere enn du lærte på skolen. I stedet for å skrive «Den har også…», skriv «IT-systemet har også…». Dette sikrer at selv om AI-en kutter teksten midt i, så vet den hva «Chunk 4» handler om og er avgjørende fordi LLM-er ofte opererer med Retrieval-Augmented Generation (RAG).
Hvis en «chunk» hentes ut for å gi et svar, må den bære med seg nok kontekst til å være sannferdig uten resten av siden
3. HTML-struktur som «Hint»
AI-modeller bruker HTML-strukturen for å forstå hvor en chunk starter og slutter.
- Bruk
<h2>og<h3>som tydelige vegger mellom chunks. - Bruk lister (
<ul>,<ol>) for fakta. Lister er «candy» for AI-agenter fordi de er ferdig strukturert data.
Slik ser det ut i praksis (Fra 3LA Audit)
Når vi kjører en analyse i vårt verktøy, ser vi ofte at «Human Score» (Lag 1) er høy, mens «AI Score» (Lag 3) er lav.
Ser du forskjellen?
For mennesket ser teksten lik ut. Men for AI-agenten har vi gått fra å være en «utydelig tekstmasse» til å bli en «strukturert database av fakta». Det er dette som avgjør om du blir anbefalt av ChatGPT eller ikke.
Vårt mantra: Du må optimalisere for tre lag
Chunk-optimalisering er ikke en isolert taktikk; det er en del av en helhetlig strategi. Du kan ikke ofre brukeropplevelsen for å tekkes roboter.
Ekstra tips: Vær ekstremt grundig med din llms.txt. Dette er «VIP-inngangen» for AI-agenter.
Ved å tilby en Markdown-oppsummering av dine chunks, eliminerer du kompleksiteten i HTML og gjør det nesten umulig for AI-en å ikke sitere deg korrekt
Derfor bygget vi Three-Layer Approach:
- Lag 1: For mennesker (Engasjement og flyt).
- Lag 2: For søkemotorer (Teknisk SEO og indeksering).
- Lag 3: For AI-agenter (Chunking, entiteter og llms.txt).
Hvis en AI-assistent skulle anbefalt din tjeneste akkurat nå, basert kun på de første 300 ordene på nettsiden din – ville den i det hele tatt visst hvem du er?
Vil du vite hvordan ditt innhold «chunkes» av AI?
