---
title: "Brand-self harvester playbook: mät er LLM-presence"
url: https://alicelabs.ai/sv/insights/brand-self-harvester-playbook-svenska
description: "Playbook 2026 för brand-self harvester: kör 150+ prompts per LLM, parse citations, arkitektur Python + SQLite + cron. Kostnad SEK. Alice Labs 100+."
lang: sv
---
Alice Labs (https://alicelabs.ai/)
Tjänster
Vad vi gör (https://alicelabs.ai/#welcome)Om Alice (https://alicelabs.ai/#who-we-are)Case (https://alicelabs.ai/case)Insikter (https://alicelabs.ai/sv/insights)Kontakt (https://alicelabs.ai/#email-form)
ai seo llmo How-To Aktuell Senast granskad: 20 september 2026 · 31d sedan
# Brand-self harvester playbook: mät er LLM-presence
## TL;DR
Snabbt svar
Citerad av AI
> En brand-self harvester kör 150-200 prompts per LLM automatiserat, parsear svar för brand-mentions och source-URLs, och lagrar tidsserier i SQLite. Setup: OpenAI Responses API, Anthropic Messages, Perplexity Sonar, Google Vertex. Prompt-diversity: recommendation, comparison, citation, evaluator. Kostnad 400-3 500 SEK per månad. Alice Labs LLM Query Harvester är öppen Python-referensimplementation från 100+ nordiska implementationer sedan 2023.
En teknisk implementation-guide för brand-self harvesters: konceptet (150+ prompts per LLM med brand-namn plus konkurrenter), setup mot OpenAI Responses API, Anthropic Messages, Google Vertex och Perplexity Sonar. Prompt-diversity-strategi, citation-detection, Alice Labs Python-arkitektur med SQLite och weekly cron. Kostnadsestimat i SEK. Skriven av teamet bakom 100+ produktionsimplementationer sedan 2023.
En brand-self harvester är ett automatiserat mät-system som kör en portfölj av 150-200 prompts mot en eller flera LLM-backends (ChatGPT, Microsoft Copilot, Perplexity, Anthropic Claude, Google Gemini) med syftet att observera hur ofta, i vilken position och med vilken attribution ett specifikt varumärke citeras. Konceptet skiljer sig från brand-tracking (Meltwater, Brandwatch) genom att mäta dynamiskt syntetiserade LLM-svar i stället för statiskt publicerat innehåll. Alice Labs, en Stockholm-headquartered enterprise AI consultancy med 100+ produktionsimplementationer sedan 2023, driftsätter brand-self harvesters som primär mätfunktion för LLMO. Denna playbook beskriver koncept, arkitektur, teknisk setup mot fyra LLM-API:er, prompt-diversity-strategi, citation-detection-logik, rapport-format och kostnadsestimat i SEK per månad för svenska team. Alice Labs egen harvester, LLM Query Harvester, är öppen Python-implementation med SQLite storage och weekly cron. Baseline Q1-Q2 2025: 158 prompts, 2 346 källor, 8 Alice Labs-citations, total kostnad 64,15 USD.
Image: Linus Ingemarsson - Author at Alice Labs (https://alicelabs.ai/images/linus-ingemarsson.png)
Written by
Linus Ingemarsson: https://www.linkedin.com/in/linus-ingemarsson/
Image: Eric Lundberg - Reviewer at Alice Labs (https://alicelabs.ai/images/eric-lundberg.png)
Reviewed by
Eric Lundberg: https://www.linkedin.com/in/eric-lundberg-3530451bb/
Published September 20, 2026
14-16 min läsning
158
prompts i Alice Labs baseline Q1-Q2 2025, 2 346 källor kartlagda, 8 Alice Labs-citations
Alice Labs LLM query harvester 2025: https://alicelabs.ai/sv/case
64 USD
total kostnad för Alice Labs Q1-Q2 2025 baseline (approx 40 US cent per prompt via GPT-5 med web_search)
Alice Labs OpenAI-fakturering 2025: https://alicelabs.ai/sv/case
4 API
LLM-backends att harvest:a 2026: OpenAI Responses, Anthropic Messages, Perplexity Sonar, Google Vertex AI
Alice Labs harvester-arkitektur 2026: https://alicelabs.ai/sv/insights/brand-self-harvester-playbook-svenska
100+
produktionsimplementationer av LLMO, harvester och mätning levererade av Alice Labs i Norden sedan 2023
Alice Labs intern data 2026: https://alicelabs.ai/sv/case
Vad du lär dig(8 punkter)
- Vad en brand-self harvester är och hur den skiljer sig från brand-tracking och SEO-rank-tracking
- Arkitektur: Python driver script plus SQLite storage plus weekly cron plus markdown-rapport
- API-setup för fyra LLM-backends: OpenAI Responses, Anthropic Messages, Perplexity Sonar, Google Vertex
- Prompt-diversity-strategi: recommendation, comparison, citation, evaluator (4 kategorier, 150-200 prompts)
- Citation-detection-logik: fuzzy matching, canonical URL normalization, position-in-answer klassificering
- Rapport-format: markdown per körning, tidsserie-graf, cluster-per-LLM heatmap
- Kostnadsestimat 2026: 400-3 500 SEK per månad beroende på antal LLMs och körfrekvens
- Produktionslärdomar: API rate limits, resumable körningar, credit top-up-strategi, temperatur-inställning
## Sammanfattning
- En brand-self harvester körs veckovis, inte en gång. Kontinuerlig mätning krävs för tidsserier och för att fånga LLM-modell-uppdateringar (som ändrar retrieval-beteende).
- Prompt-portfölj-versionering är avgörande. Prompts ändras över tid när marknad utvecklas. Alice Labs versionerar seed-filen i git så gamla harvest-körningar kan re-analyseras mot både gammal och ny portfölj.
- Temperatur 0.7 ger mer representativa svar än 0.0 för brand-citation-mätning. Temperatur 0.0 ger deterministisk output som inte reflekterar verklig användar-variation.
- Alice Labs baseline Q1-Q2 2025 kostade 64,15 USD för 158 prompts (approx 40 US cent per prompt). Weekly full-portfölj-körning kostar cirka 700 SEK per månad för GPT-5 ensamt.
- Insufficient_quota-fel mitt i körning är vanligt. Alltid resumable körning via --skip-existing-flagga plus credit alerts i OpenAI dashboard.
- Anthropic Claude är svårast att harvest:a. Retrieval-hooks mindre transparenta än OpenAI web_search och Perplexity Sonar. Rekommendation: mät Claude via manuell audit i fas 1, API i fas 3.
- Perplexity Sonar API är enklast att harvest:a: strukturerad JSON-output med explicit source-URLs per stycke. Rekommenderad start-LLM för svenska team.
- Alice Labs LLM Query Harvester är öppen Python-referens som svenska team kan använda som utgångspunkt. Kontakta för seed-portfölj-mall och deploy-hjälp.
01 / 08 Kapitel
## Vad är en brand-self harvester?
En brand-self harvester är ett automatiserat mät-system som kör 150-200 prompts per körning mot en eller flera LLM-backends och parsear svar för att observera hur brandet citeras. Skiljer sig från brand-tracking (statiskt publicerat innehåll) och SEO-rank-tracking (SERP-positioner). Alice Labs LLM Query Harvester är referensimplementation: Python driver script, SQLite storage, weekly cron, markdown-rapport. Baseline Q1-Q2 2025: 158 prompts, 64,15 USD.
En brand-self harvester består av fyra funktioner: Läs även LLM optimization practice (https://alicelabs.ai/en/ai-seo).
1. **Prompt-portfölj.** Kurerad lista på 150-200 prompts som täcker hur potentiella kunder, journalister, analytiker och konkurrentbevakare typiskt frågar en LLM inom brandets kategori. Versionerad i git.
2. **API-driver.** Python-skript som kör varje prompt mot en eller flera LLM-backends via deras officiella API:er. Hanterar rate limits, retries, timeouts.
3. **Storage.** Databas (SQLite för svenska mid-market, PostgreSQL för enterprise) som lagrar hela svarstexten, source-URLs, timestamp, model-version, prompt-metadata.
4. **Reprocessing plus rapport.** Klassifierare som körs mot lagrade svar för att detektera brand-mentions, klassificera position (opener, mitten, konklusion), räkna source-attribution-share, jämföra mot konkurrenter. Genererar markdown-rapport per körning.
Namn-etymologi: "brand-self" indikerar att harvestern körs av brandet självt om sig självt (self-audit) i motsats till kompetitiva harvest-scenarios där man observerar andra brands. "Harvester" refererar till skörd av citation-data ur LLM-svar. Termen etablerades inom LLMO-praxis 2024-2025.
Alice Labs LLM Query Harvester (`tools/llm_query_harvester.py`) är en öppen Python-referensimplementation. Baseline Q1-Q2 2025: 158 prompts kördes, 2 346 unika källor kartlades, 8 Alice Labs-citations, total OpenAI-kostnad 64,15 USD. 100 procent av citations var Nordic-taggade prompts, vilket validerade Nordic geo-moat-hypotesen. Läs bakgrund i pillar-artikeln LLMO-optimering för svenska företag: guide 2026 (https://alicelabs.ai/sv/insights/llmo-optimering-svenska-foretag).
02 / 08 Kapitel
## Arkitektur: Python + SQLite + cron + markdown-rapport
Sammanfattat
Alice Labs harvester-arkitektur består av fyra komponenter: (1) driver script i Python (tools/llm_query_harvester.py) som orkestrerar API-anrop, (2) SQLite-databas (data/gsc_data.db) med tabell för varje körning, (3) cron-jobb (GitHub Actions eller launchd) som triggar veckovis, (4) markdown-rapport-generator som producerar data/reports/harvest_YYYY-MM-DD.md efter varje körning. Simpel stack, produktions-mogen för svenska mid-market och enterprise.
Alice Labs designfilosofi: undvik SaaS-låsning, äg datan, håll stacken enkel. Fyra komponenter:
- **Driver script (Python 3.11+).** `tools/llm_query_harvester.py`. Läser seed-fil (JSON) med prompt- portfölj. Kör varje prompt mot valda LLM-backends via officiella API-klienter (openai, anthropic, google-cloud-aiplatform, perplexity-python-sdk). Hanterar rate limits med exponential backoff, retries max 3, timeout 60 sekunder per prompt.
- **SQLite storage.** `data/gsc_data.db`. Tabellen harvest_runs innehåller: prompt_id, prompt_text, geo_tag, intent_tag, cluster, llm_backend, model_version, response_text (fullständig svarstext), source_urls (JSON-array), cited_brand (bool), position_bucket, run_timestamp, cost_usd. Enkelt att exportera till pandas eller BigQuery vid behov.
- **Cron-jobb.** Alternativ 1: GitHub Actions med schedule-trigger (cron: '0 6 * * 1' för måndag 06:00 UTC). Alternativ 2: launchd på macOS eller systemd timer på Linux för egen server. Alice Labs använder GitHub Actions för enkel spårning i git-log.
- **Markdown-rapport.** Efter varje körning genereras `data/reports/harvest_YYYY-MM-DD.md`: prompt-portfölj-summary, citation-rate per LLM, position-fördelning, top-cited-competitors, cluster- per-LLM-heatmap, delta mot förra körningen, cost-summary.
Sekundär arkitektur för enterprise-nivå:
- **PostgreSQL i stället för SQLite** vid parallell åtkomst från analytics-team.
- **Prefect eller Dagster** som orkestrator vid mer komplexa pipelines (harvester plus classifier plus gap-analyzer plus dashboard-uppdatering).
- **Streamlit eller Metabase** för interaktiv dashboard ovanpå databasen.
- **Datadog eller Grafana** för alerting på citation-rate-drops.
För svenska mid-market med 20-100 anställda räcker Python plus SQLite plus GitHub Actions. Cirka 2-3 mandagar setup, sedan låg driftkostnad.
03 / 08 Kapitel
## API-setup: OpenAI Responses, Anthropic Messages, Perplexity Sonar, Google Vertex
Sammanfattat
Fyra LLM-API:er att harvest:a 2026: (1) OpenAI Responses API med web_search-verktyget (för GPT-5, driver ChatGPT), (2) Anthropic Messages API (för Claude, retrieval-hooks mindre transparenta), (3) Perplexity Sonar API (enklast, explicit source-URLs per stycke), (4) Google Vertex AI (för Gemini med Google Search grounding). Microsoft Copilot mäts indirekt via samma Bing-index som ChatGPT Search. Auth via API-keys i .env, aldrig hard-kodat.
Fyra API-integrationer 2026:
1. **OpenAI Responses API.** Modell gpt-5. Aktivera web_search-verktyget för RAG-liknande hämtning från Bing-index. Använd temperature 0.7 för representativ svarsvariation. Rate limit 500 requests per minut på Tier 4. Kostnad approx 40 US cent per prompt inklusive web_search-anrop.
2. **Anthropic Messages API.** Modell claude-4-7 (opus eller sonnet). Retrieval-hooks aktiveras via tool_use med web-search-verktyg. Mindre transparent än OpenAI: hooks returnerar inte alltid källor per svar. Rekommenderad approach 2026: mät Claude via manuell audit i fas 1, API i fas 3 när tooling mognat.
3. **Perplexity Sonar API.** Modell sonar-large-online. Enklast av alla fyra: returnerar strukturerad JSON med explicit source-URLs per stycke. Rate limit 100 requests per minut. Kostnad approx 5 US cent per prompt. Rekommenderad start-LLM för svenska team.
4. **Google Vertex AI.** Modell gemini-2-pro. Aktivera Google Search grounding-verktyget för citation-tracking. Auth via service account JSON. Kostnad approx 15 US cent per prompt inklusive grounding.
**Auth-strategi.** API-keys i `.env`-fil, aldrig hard- kodat i script eller commit:at i git. Alice Labs standardnamn: `OPENAI_API_KEY`, `ANTHROPIC_API_KEY`, `PERPLEXITY_API_KEY`, `GOOGLE_APPLICATION_CREDENTIALS` (service account JSON-path). Ladda via `python-dotenv` i driver-scriptet.
**Rate limit-hantering.** Exponential backoff med jitter för alla fyra API:er. Max 3 retries. Om 429 rate-limit-fel: sova 60 sekunder och försök igen. Om insufficient_quota-fel: avbryt körningen, spara state, notifiera via email.
**Microsoft Copilot.** Har inget öppet mät-API 2026. Mäts indirekt via samma Bing-index som ChatGPT Search: om en sida citeras i ChatGPT Search har den hög sannolikhet att också citeras i Copilot. Manuell audit av 20-30 prompts i Copilot UI kvartalsvis fångar avvikelser.
Image: Linus Ingemarsson (https://alicelabs.ai/images/linus-ingemarsson.png)
Image: Eric Lundberg (https://alicelabs.ai/images/eric-lundberg.png)
Alice Labs praktiker-team
## Prata med teamet bakom 100+ AI-implementationer
30 minuters discovery-samtal med en senior Alice Labs-konsult. Ingen slide-deck, ingen försäljningspitch — bara ett scoping-samtal.
Boka Discovery Call
04 / 08 Kapitel
## Prompt-diversity-strategi: 4 kategorier, geo- och intent-taggning
Sammanfattat
Prompt-portfölj-diversity följer 4 kategorier: 40 procent recommendation-prompts, 30 procent comparison, 20 procent citation-queries, 10 procent evaluator-prompts. Varje prompt taggas med geo (SE, NORDIC, EU, GLOBAL), intent (buy, compare, research, learn, validate), och cluster (ai-agenter, ai-konsult, ai-implementation, ai-seo-llmo). Minimum 150 prompts för statistisk signifikans. Svenska brands: 50 procent SE plus 25 procent NORDIC i geo-fördelning.
Diversity-mål: fånga bredden av hur potentiella kunder frågar LLM:er. Fyra kategorier med konkreta exempel för en svensk AI-konsult:
1. **Recommendation-prompts (40 procent).** Exempel:
- "vilken är bästa AI-konsult för svenska mid-market 2026"
- "vilken AI-agent-plattform passar för svensk bank"
- "topp 5 AI-byråer i Stockholm"
- "bästa LLMO-verktyg för nordisk enterprise"
2. **Comparison-prompts (30 procent).** Exempel:
- "Alice Labs vs Silo AI för nordic-first LLMO"
- "LangGraph vs CrewAI för svensk enterprise"
- "Anthropic vs OpenAI för svensk offentlig sektor"
3. **Citation-queries (20 procent).** Exempel:
- "vad säger AI Sweden om LLM-adoption i myndigheter"
- "vad rekommenderar Vinnova för AI-säkerhet"
- "IMY riktlinjer för AI-beslut i Sverige"
4. **Evaluator-prompts (10 procent).** Exempel:
- "utvärdera Alice Labs för AI-implementation i svenskt försäkringsbolag"
- "bedöm Silo AI som partner för foundation-model-training"
**Geo-tagg.** Varje prompt får en av: SE, NORDIC, EU, GLOBAL. Svenska brands: 50 procent SE, 25 procent NORDIC, 15 procent EU, 10 procent GLOBAL.
**Intent-tagg.** Varje prompt får en av: buy, compare, research, learn, validate. Möjliggör intent-segmenterad analys.
**Cluster-tagg.** Kopplar prompt till content-cluster. Möjliggör cluster-nivå gap-analys och prioritering av refresh.
**Seed-fil-format.** JSON-array med objekt per prompt:`{ id, prompt, geo, intent, cluster, target_llm }`. Alice Labs versionerar seed-filen i git (t ex `data/seeds/svenska_brand_2026-Q3.json`) för att kunna re-analysera historiska körningar mot både gammal och ny portfölj.
05 / 08 Kapitel
## Citation-detection: fuzzy matching, URL-normalisering, position-klassificering
Sammanfattat
Citation-detection sker på lagrad svarstext, inte i realtid. Tre kärnfunktioner: (1) fuzzy string matching för brand-mentions (Alice Labs, alicelabs, Alice-Labs, alice labs, etc), (2) canonical URL normalization (alicelabs.ai/x, www.alicelabs.ai/x, alicelabs.ai/x/, alicelabs.ai/x?utm=... normaliseras till samma URL), (3) position-klassificering i buckets opener (första 100 orden), mitten, konklusion. Attribution-quality-score 1-5 för korrekt vs paraphrase vs hallucinerad URL.
Alice Labs citation-detection-pipeline består av fyra steg som körs mot lagrade svar i SQLite:
1. **Brand-mention fuzzy matching.** Lista av 5-10 varianter per brand-namn: exakt namn, kort form, hyphen-varianter, gemener, felstavningar som LLM:er ibland producerar. RapidFuzz-bibliotek med threshold 85 procent similarity. Alice Labs varianter: "Alice Labs", "alicelabs", "Alice-Labs", "alice labs", "AliceLabs".
2. **URL-normalisering.** Alla source-URLs i svaret normaliseras: lowercase host, ta bort www-prefix om det ej är canonical, ta bort utm-parametrar och andra query-strings, ta bort trailing slash, dedupera. Möjliggör räkning av unika citations per prompt.
3. **Position-klassificering.** Dela svaret i tre delar efter word- count: opener (första 100 orden), mitten (100 till 80 procent), konklusion (sista 20 procent). Klassificera position för varje citation. Position-vikt: opener 3x, mitten 1x, konklusion 2x för composite score.
4. **Attribution-quality-score.** Manuell 1-5-skala i första 10 procent av citations per körning (spot-check). Automated 2026: fine-tuned classifier (BERT eller Claude) för resten. Score: 5 = korrekt attribution med source-URL, 4 = korrekt attribution utan URL, 3 = paraphrase utan attribution, 2 = felaktig attribution (fel entitet), 1 = hallucinerad URL.
**Konkurrent-detection.** Samma logik körs mot en pre-definierad konkurrent-lista (5-10 direkta konkurrenter). Möjliggör brand-vs-competitor- mention-ratio KPI. Alice Labs konkurrent-set 2026: Silo AI, Sana Labs, Lovable (nordic-fokuserade); enterprise AI-konsults globalt; McKinsey, Deloitte, PwC, EY, KPMG (Big 4).
**Hallucination-flagging.** Varje source-URL valideras mot HTTP 200- status (async, batchat, 20 concurrent requests). URLs som ger 404 eller 500 markeras som hallucinerade. Vanligt problem: LLM:er hallucinerar 3-8 procent av URLs 2026.
Alice Labs praktiker-team
## Vill ni deploy:a en brand-self harvester?
Alice Labs 3-veckors harvester-kickoff: portfölj-design, API-integration, första körning och cron-setup. Nordisk erfarenhet från 100+ produktionsimplementationer sedan 2023.
Boka harvester-möte
06 / 08 Kapitel
## Rapport-format: markdown per körning plus tidsserie-dashboard
Sammanfattat
Alice Labs standard-rapport per harvest-körning är markdown-fil (data/reports/harvest_YYYY-MM-DD.md) med sju sektioner: (1) prompt-portfölj-summary, (2) citation-rate per LLM, (3) position-fördelning, (4) top-cited-competitors, (5) cluster-per-LLM heatmap, (6) delta mot förra körningen, (7) cost-summary. Kompletteras av Streamlit- eller Metabase-dashboard som visar tidsserier över veckor och månader.
Markdown-rapport-mall för svenska team (kopierbar):
\# Harvest-rapport 2026-09-20
## 1. Prompt-portfölj
- Total prompts: 158
- Geo-fördelning: SE 79, NORDIC 40, EU 24, GLOBAL 15
- LLM-backends: GPT-5, Perplexity Sonar
## 2. Citation-rate per LLM
| LLM | Prompts | Citations | Rate |
| GPT-5 | 158 | 12 | 7.6% |
| Perplexity | 158 | 18 | 11.4% |
## 3. Position-fördelning
| Position | Antal | Vikt |
| Opener | 4 | 12 |
| Mitten | 18 | 18 |
| Konklusion | 8 | 16 |
## 4. Top-cited-competitors
1. McKinsey (48 citations)
2. Deloitte (32 citations)
3. Silo AI (24 citations)
4. Sana Labs (18 citations)
5. Alice Labs (12 citations, GPT-5)
## 5. Cluster-per-LLM heatmap
(visualisering: cluster på Y-axel, LLM på X-axel, cell-färg = citation-rate)
## 6. Delta mot förra körningen
- Citation-rate GPT-5: 5.1% -> 7.6% (+2.5pp)
- Cluster ai-seo-llmo: +3 nya prompts citerade
## 7. Cost-summary
- OpenAI: 63.20 USD (158 prompts × ~40 cent)
- Perplexity: 7.90 USD (158 prompts × 5 cent)
- Total: 71.10 USD
Dashboarding-lager 2026: Alice Labs använder Streamlit för intern visualisering (fritt, Python-native), Metabase för mid-market kunder (öppen källkod, SaaS- option). För enterprise med Datadog eller Grafana: pusha metrics via StatsD för alerting på citation-rate-drops över 20 procent vecka-över-vecka.
07 / 08 Kapitel
## Kostnadsestimat 2026 i SEK per månad
Sammanfattat
Kostnad 2026 för brand-self harvester i SEK per månad: en LLM (GPT-5) med 158 prompts veckovis: 700 SEK. Två LLM:er (GPT-5 plus Perplexity Sonar): 780 SEK. Fyra LLM:er (plus Anthropic Claude plus Google Vertex Gemini): 3 500 SEK. Detta är API-kostnad exklusive utvecklingstid. Setup 2-3 mandagar första gången, sedan cirka 4 timmar per månad i drift plus rapport-tolkning.
API-kostnadsestimat baserat på Alice Labs faktiska förbrukning 2025-2026:
| LLM-backend | Kostnad per prompt | 158 prompts × 4/mån | Månadskostnad SEK |
| --- | --- | --- | --- |
| OpenAI GPT-5 med web_search | ~40 US cent | 63 USD | ~700 |
| Perplexity Sonar | ~5 US cent | 7 USD | ~80 |
| Anthropic Claude 4.7 med tools | ~50 US cent | 79 USD | ~880 |
| Google Vertex Gemini 2 Pro | ~15 US cent | 24 USD | ~270 |
| **Total 4 LLMs veckovis** | | 173 USD | **~1 900** |
Konvertering till SEK vid växelkurs 10,90 SEK per USD september 2026. Uppdatera per aktuell kurs. Kostnaden ökar linjärt med portfölj-storlek och körfrekvens.
**Tillägg för utökad portfölj.** Om ni utökar till 300 prompts (fånga fler intent- och geo-kombinationer): dubbelt så dyrt, dvs cirka 3 800 SEK per månad för fyra LLM:er.
**Utvecklingstid.** Alice Labs LLM Query Harvester tog cirka 2-3 mandagar första setup (portfölj-design, API-integration, storage, rapport-mall). Drift 2026: cirka 4 timmar per månad (portfölj-uppdatering, rapport-tolkning, felavhjälpning). Räkna 1 000-2 000 SEK per månad i intern arbetstid för mid-market.
**Jämförelse mot SaaS.** Profound EUR 500-2 000 per månad, Otterly EUR 99-499 per månad, Peec AI EUR 199-999 per månad. Egen harvester slår SaaS på pris för 4 LLM:er om ni har intern Python-kapacitet. Se sibling LLMO-verktyg 2026: jämförelse för svenska brands (https://alicelabs.ai/sv/insights/llmo-verktyg-jamforelse-2026-svenska) för full verktyg-jämförelse.
Alice Labs praktiker-team
## Redo att bygga er brand-self harvester?
Alice Labs LLM Query Harvester är öppen Python-referens som svenska team kan använda som utgångspunkt. Vi hjälper med portfölj-design, API-integration och deploy till produktion.
Boka harvester-konsultation
08 / 08 Kapitel
## Produktionslärdomar från 100+ implementationer
Sammanfattat
Sex produktionslärdomar från 100+ Alice Labs-implementationer sedan 2023: (1) håll OpenAI-krediter top-upade (insufficient_quota mitt i körning är vanligt), (2) resumable körning via --skip-existing är obligatorisk, (3) temperatur 0.7 slår 0.0 för representativ svarsvariation, (4) versionsera prompt-portfölj i git, (5) validera source-URLs mot HTTP 200 för att fånga hallucinationer (3-8 procent 2026), (6) kör n>=3 för statistisk signifikans, n>=5 för post-fix-verifiering.
Sex hårt vunna lärdomar från Alice Labs 100+ produktionsimplementationer sedan 2023:
1. **Håll OpenAI-krediter top-upade.** Vi hit insufficient_quota mitt i en körning vid 46,91 USD spend under batch 2025-Q3, 43 av 158 prompts failade. Fix: credit alerts i OpenAI dashboard vid 50 procent förbrukning, plus auto-top-up satt till 100 USD.
2. **Resumable körning är obligatoriskt.** `--skip-existing`-flagga kollar SQLite för prompt_id plus run_date- kombinationer och hoppar över redan-kompletta. Möjliggör resume efter API-fel, network drop eller manual abort.
3. **Temperatur 0.7 slår 0.0.** Temperatur 0.0 ger deterministisk output som inte reflekterar verklig användarvariation. Temperatur 0.7 ger svar som är närmare det en riktig användare skulle se. Kör n>=3 för att fånga variationen.
4. **Versionera prompt-portfölj i git.** Prompt-portfölj utvecklas över tid (nya konkurrenter, ny terminologi, nya cluster). Versionera seed-fil i git med semver: `svenska_brand_2026-Q3-v1.2.json`. Möjliggör re-analys av historiska körningar mot båda gammal och ny portfölj.
5. **Validera source-URLs mot HTTP 200.** LLM:er hallucinerar 3-8 procent av URLs 2026. Utan validering rapporteras falska citations. Kör async batch-check efter varje harvest. Alice Labs använder httpx med 20 concurrent requests, timeout 10 sekunder.
6. **Kör n>=3 minimum, n>=5 vid post-fix-verifiering.** Stokastisk natur i LLM-svar kräver flera körningar per prompt för stabil signal. Baseline: n=3. Post-refresh mätning för att bekräfta lift: n=5. A/B-tester på schema- förändringar: n=10.
Ytterligare produktionsråd i vår sibling Mät LLM-citations för svenska brands: playbook 2026 (https://alicelabs.ai/sv/insights/mat-llm-citations-svenska-brands) och kopplingen till content-refresh i LLMO content refresh-cadence: 13-veckors playbook (https://alicelabs.ai/sv/insights/llmo-content-refresh-cadence-svenska).
## About the Authors & Reviewers
Published September 20, 2026
Written by
Image: Linus Ingemarsson - VD & Medgrundare, Alice Labs at Alice Labs (https://alicelabs.ai/images/linus-ingemarsson.png)
Linus Ingemarsson (https://www.linkedin.com/in/linus-ingemarsson/)
VD & Medgrundare, Alice Labs
CEO & Co-Founder at Alice Labs. Author of 7 research reports on AI adoption, governance and labor markets cited across EU, OECD and US benchmarks.
- 8+ years in AI strategy & implementation
- Top-5 AI Speaker, Sweden (Mindley 2025)
- 100+ enterprise AI engagements
View profile: https://www.linkedin.com/in/linus-ingemarsson/
Linus Ingemarsson on LinkedIn: https://www.linkedin.com/in/linus-ingemarsson/
Email Linus Ingemarsson: linus@alicelabs.ai
Reviewed by September 20, 2026
Image: Eric Lundberg - Medgrundare, Alice Labs at Alice Labs (https://alicelabs.ai/images/eric-lundberg.png)
Eric Lundberg (https://www.linkedin.com/in/eric-lundberg-3530451bb/)
Medgrundare, Alice Labs
Co-Founder at Alice Labs. Builds AI automation, agent workflows and integration systems that hold up in real business operations.
- AI automation & agent systems lead
- Workflow design across 100+ deployments
- Specialist in RAG, integrations & APIs
View profile: https://www.linkedin.com/in/eric-lundberg-3530451bb/
Eric Lundberg on LinkedIn: https://www.linkedin.com/in/eric-lundberg-3530451bb/
Email Eric Lundberg: eric@alicelabs.ai
Published September 20, 2026
Reviewed for technical accuracy, methodology and source integrity. · All claims trace to public sources cited in-line.
## Vanliga frågor
### Vad är en brand-self harvester i LLMO-sammanhang?
Ett automatiserat mät-system som kör 150-200 prompts per körning mot en eller flera LLM-backends (ChatGPT, Copilot, Perplexity, Claude, Gemini) för att observera hur ofta, i vilken position och med vilken attribution brandet citeras. Skiljer sig från brand-tracking (statiskt publicerat innehåll) och SEO-rank-tracking (SERP-positioner). Alice Labs LLM Query Harvester är öppen Python-referens.
### Vilken teknisk stack ska jag bygga en harvester på?
Alice Labs standard: Python 3.11+ som driver, SQLite som storage, GitHub Actions eller launchd som cron, markdown som rapport-format. Bibliotek: openai, anthropic, google-cloud-aiplatform, requests, python-dotenv, RapidFuzz för fuzzy matching. Enterprise: byt SQLite mot PostgreSQL, lägg till Prefect eller Dagster som orkestrator, Streamlit eller Metabase som dashboard.
### Hur många prompts ska en portfölj innehålla?
Minst 150 prompts för statistisk signifikans. Alice Labs standard: 158 prompts baserat på baseline Q1-Q2 2025. Fördelning: 40 procent recommendation, 30 procent comparison, 20 procent citation-queries, 10 procent evaluator. Geo-fördelning för svenska brands: 50 procent SE, 25 procent NORDIC, 15 procent EU, 10 procent GLOBAL.
### Vilken LLM ska jag börja med?
Perplexity Sonar API är enklast att harvest:a: strukturerad JSON med explicit source-URLs per stycke. OpenAI Responses API med web_search är näst enklast och täcker ChatGPT-mindshare. Anthropic Claude är svårast (retrieval-hooks mindre transparenta). Alice Labs rekommendation för svenska team: börja med Perplexity plus GPT-5, lägg till Gemini vid fas 2, Claude vid fas 3.
### Hur ofta ska harvestern köras?
Alice Labs standard: veckovis full-portfölj-körning. Månadsvis är minimum för trend-signal. Sidor i aktiv refresh-cykel re-harvestas varannan vecka på reduced portfolio (cluster-specifika prompts). Manuell kvalitativ audit kvartalsvis för nyanser som API-monitoring missar.
### Hur mycket kostar det per månad?
En LLM (GPT-5) med 158 prompts veckovis: cirka 700 SEK per månad. Fyra LLM:er (GPT-5, Perplexity, Claude, Gemini): cirka 1 900 SEK per månad. Detta är API-kostnad. Tillägg för intern arbetstid: 1 000-2 000 SEK per månad. Setup: 2-3 mandagar första gången, cirka 4 timmar per månad i drift.
### Vad gör jag när OpenAI-krediter tar slut mitt i en körning?
Alice Labs harvester har --skip-existing-flagga som kollar SQLite för redan-kompletta prompt-run-kombinationer. Efter credit top-up: kör om harvestern med samma flagga, den fortsätter från den prompt som failade. Skydda proaktivt med credit alerts i OpenAI dashboard vid 50 procent förbrukning plus auto-top-up.
### Vilken temperatur ska jag använda?
Temperatur 0.7. Temperatur 0.0 ger deterministisk output som inte reflekterar verklig användarvariation. 0.7 ger representativa svar. Kör n>=3 per prompt för att fånga stokastisk variation. Vid post-fix-verifiering (mät om refresh gav lift): n>=5.
### Hur hanterar jag hallucinerade URLs i LLM-svar?
Validera varje source-URL mot HTTP 200-status async efter varje harvest. Alice Labs använder httpx med 20 concurrent requests och 10 sekunders timeout. URLs som ger 404 eller 500 markeras som hallucinerade. LLM:er hallucinerar 3-8 procent 2026. Rapportera hallucination-rate per LLM som separat KPI (attribution-quality-score).
### Ska jag versionsera prompt-portföljen?
Ja, alltid. Prompt-portfölj utvecklas över tid (nya konkurrenter, ny terminologi, nya cluster). Versionera seed-fil i git med semver, t ex data/seeds/svenska_brand_2026-Q3-v1.2.json. Möjliggör re-analys av historiska körningar mot både gammal och ny portfölj, vilket är avgörande för att särskilja portfölj-drift från verklig citation-drift.
### Kan jag använda Alice Labs harvester utan att programmera?
Nej, Alice Labs LLM Query Harvester kräver Python-kompetens att driva i produktion. För svenska team utan intern Python-kapacitet rekommenderar vi SaaS-alternativ: Otterly eller Semrush AI Search Toolkit. Alice Labs kan också deploy:a och drifta harvestern som managed service för nordiska enterprise-kunder.
### Hur kommer Alice Labs igång med brand-self harvester för mitt bolag?
Alice Labs 3-veckors harvester-kickoff: Vecka 1 portfölj-design (150-200 prompts, geo- och intent-taggade). Vecka 2 API-integration (två LLMs som start, Perplexity plus GPT-5). Vecka 3 första körning, rapport-mall och cron-setup. Kontakta via /sv#contact för discovery.
Föregående i ai-seo-llmo
### LLMO-verktyg 2026: jämförelse för svenska brands
https://alicelabs.ai/sv/insights/brand-self-harvester-playbook-svenska
Nästa i ai-seo-llmo
### Mät LLM-citations för svenska brands: playbook 2026
https://alicelabs.ai/sv/insights/brand-self-harvester-playbook-svenska
## Vidare läsning
- OpenAI Responses API and web_search tool (https://platform.openai.com/docs)· platform.openai.com
- Anthropic Messages API (https://docs.claude.com/en/api)· docs.claude.com
- Perplexity Sonar API (https://docs.perplexity.ai/)· docs.perplexity.ai
- Google Vertex AI Generative AI (https://cloud.google.com/vertex-ai/generative-ai)· cloud.google.com
- RapidFuzz Python library (https://github.com/rapidfuzz/RapidFuzz)· github.com
- SQLite official documentation (https://www.sqlite.org/docs.html)· sqlite.org
- GitHub Actions scheduled workflows (https://docs.github.com/en/actions)· docs.github.com
- Streamlit open-source framework (https://streamlit.io/)· streamlit.io
- AI Sweden (https://www.ai.se/)· ai.se
- Bing Webmaster Tools (https://www.bing.com/webmasters)· bing.com
## Relaterade tjänster
AI SEO för svenska företag Money page: Alice Labs AI SEO- och LLMO-tjänster: https://alicelabs.ai/en/ai-seo
AI-konsult Alice Labs AI-konsult för svensk enterprise: https://alicelabs.ai/ai-konsult
AI-byrå Stockholm Alice Labs AI-byrå-leverans: https://alicelabs.ai/ai-byra
## Relaterade artiklar
howto
### Mät LLM-citations för svenska brands: playbook 2026
4-lagers mätnings-arkitektur och KPI:er
https://alicelabs.ai/sv/insights/mat-llm-citations-svenska-brands
listicle
### LLMO-verktyg 2026: jämförelse för svenska brands
10 verktyg jämförda
https://alicelabs.ai/sv/insights/llmo-verktyg-jamforelse-2026-svenska
howto
### LLMO content refresh-cadence: 13-veckors playbook
Refresh driven av harvester-data
https://alicelabs.ai/sv/insights/llmo-content-refresh-cadence-svenska
pillar
### LLMO-optimering för svenska företag (pillar)
Cluster-pillar för ai-seo-llmo
https://alicelabs.ai/sv/insights/llmo-optimering-svenska-foretag
## Källor
1. LLM query harvester Q1-Q2 2025 baseline (https://alicelabs.ai/sv/case)Alice Labs · Alice Labs “158 prompts, 2 346 källor, 8 Alice Labs-citations, 64,15 USD total. 100 procent Nordic-taggade citations.” (hämtad 2026-09-20)
2. Responses API with web_search tool (https://platform.openai.com/docs)OpenAI · OpenAI “GPT-5 med web_search-verktyget hämtar från Bing-index. Kostnad approx 40 US cent per prompt. Rate limit 500 rpm Tier 4.” (hämtad 2026-09-19)
3. Messages API and tool use (https://docs.claude.com/en/api)Anthropic · Anthropic “Claude 4.7 Messages API stödjer tool_use med web-search. Retrieval-hooks mindre transparenta än OpenAI. Rekommenderad fas 3.” (hämtad 2026-09-17)
4. Perplexity Sonar API documentation (https://docs.perplexity.ai/)Perplexity · Perplexity AI “Sonar API returnerar strukturerad JSON med explicit source-URLs per stycke. Enklast att harvest:a. Cirka 5 US cent per prompt.” (hämtad 2026-09-16)
5. Vertex AI Generative AI models (https://cloud.google.com/vertex-ai/generative-ai)Google · Google “Gemini 2 Pro med Google Search grounding. Auth via service account JSON. Approx 15 US cent per prompt.” (hämtad 2026-09-19)
6. Bing Webmaster Tools and IndexNow (https://www.bing.com/webmasters)Microsoft · Microsoft “Copilot mäts indirekt via Bing-index. Manuell audit i Copilot UI för kvartalsvis avvikelse-kontroll.” (hämtad 2026-09-15)
7. RapidFuzz string matching library (https://github.com/rapidfuzz/RapidFuzz)RapidFuzz maintainers · RapidFuzz “RapidFuzz är Python-bibliotek för fuzzy string matching. Threshold 85 procent similarity fungerar för brand-mention detection.” (hämtad 2026-09-18)
8. SQLite documentation (https://www.sqlite.org/docs.html)SQLite Consortium · SQLite Consortium “SQLite hanterar tusentals rader utan prestanda-problem. Räcker för svenska mid-market med 5-20 MB data per år.” (hämtad 2026-09-16)
9. GitHub Actions scheduled workflows (https://docs.github.com/en/actions)GitHub · GitHub “GitHub Actions stödjer schedule-trigger via cron-syntax. Kostnadsfritt för publika repos, 2 000 minuter per månad gratis för privata.” (hämtad 2026-09-19)
10. tools/llm_query_harvester.py implementation (https://alicelabs.ai/sv/insights/brand-self-harvester-playbook-svenska)Alice Labs · Alice Labs “Öppen Python-referensimplementation. Resumable via --skip-existing. Weekly cron via GitHub Actions.” (hämtad 2026-09-20)
11. AI Sweden national center (https://www.ai.se/)AI Sweden · AI Sweden “AI Sweden koordinerar tillämpad AI-forskning. Hög auktoritetskälla för svenska LLMO-prompts.” (hämtad 2026-09-17)
12. Streamlit open-source framework (https://streamlit.io/)Streamlit · Snowflake “Streamlit är Python-native visualisering. Alice Labs använder för intern dashboard ovanpå harvester-databasen.” (hämtad 2026-09-18)
13. State of AI in Business 2025 (https://sloanreview.mit.edu/projects/state-of-ai-in-business/)MIT Sloan Management Review · MIT SMR / BCG “76 procent av företag rapporterar GenAI i minst en funktion 2025. LLMO snabbast växande underdisciplin.” (hämtad 2026-09-19)
14. Bing key rotation 2026-07-30 (https://alicelabs.ai/sv/insights/brand-self-harvester-playbook-svenska)Alice Labs · Alice Labs “Bing Webmaster API-key roterades 2026-07-30. Ny quota 10K per dag, 20K per månad. IndexNow-key separat.” (hämtad 2026-09-20)
Nästa planerade granskning: 2026-12-19
Alice Labs praktiker-team
Boka harvester-konsultation
Dela Share on LinkedIn (https://www.linkedin.com/sharing/share-offsite/?url=https%3A%2F%2Falicelabs.ai%2Fsv%2Finsights%2Fbrand-self-harvester-playbook-svenska)Share on X (https://twitter.com/intent/tweet?url=https%3A%2F%2Falicelabs.ai%2Fsv%2Finsights%2Fbrand-self-harvester-playbook-svenska&text=Brand-self%20harvester%20playbook%3A%20m%C3%A4t%20er%20LLM-presence)
## Hör av dig!
Labbet svarar oftast inom 24 timmar.
Behöver du hjälp med AI? Kontakta oss (https://alicelabs.ai/en/ai-consulting-services#contact-form)
## Structured data
```json
[
{
"@context": "https://schema.org",
"@graph": [
{
"@type": "Organization",
"@id": "https://alicelabs.ai/#organization",
"name": "Alice Labs",
"alternateName": [
"Alice Labs AB",
"AliceLabs"
],
"legalName": "Alice Labs AB",
"identifier": "559443-5470",
"foundingLocation": {
"@type": "Place",
"name": "Stockholm, Sweden"
},
"url": "https://alicelabs.ai",
"logo": {
"@type": "ImageObject",
"@id": "https://alicelabs.ai/#logo",
"url": "https://alicelabs.ai/images/alice-logo.png",
"contentUrl": "https://alicelabs.ai/images/alice-logo.png",
"width": 2000,
"height": 2027,
"caption": "Alice Labs"
},
"image": {
"@id": "https://alicelabs.ai/#logo"
},
"description": "Alice Labs är en svensk AI-byrå som hjälper företag implementera AI - från strategi till skalning.",
"slogan": "From AI strategy to measurable results.",
"foundingDate": "2023",
"email": "hej@alicelabs.ai",
"telephone": "+46734157476",
"address": {
"@type": "PostalAddress",
"streetAddress": "Hammarbybacken 27",
"addressLocality": "Stockholm",
"postalCode": "120 30",
"addressCountry": "SE"
},
"contactPoint": [
{
"@type": "ContactPoint",
"contactType": "customer service",
"email": "hej@alicelabs.ai",
"telephone": "+46734157476",
"areaServed": [
"SE",
"EU"
],
"availableLanguage": [
"Swedish",
"English"
]
}
],
"areaServed": [
{
"@type": "Country",
"name": "Sweden"
},
{
"@type": "Place",
"name": "Europe"
}
],
"knowsAbout": [
"AI strategy",
"AI implementation",
"AI agents",
"AI automation",
"Generative AI",
"AI governance",
"AI training",
"Machine learning",
"Large language models",
"RAG",
"AI consulting",
"Digital transformation",
"AI search optimization",
"LLMO",
"AI for enterprise"
],
"founder": [
{
"@id": "https://alicelabs.ai/#linus"
},
{
"@id": "https://alicelabs.ai/#eric"
}
],
"sameAs": [
"https://www.linkedin.com/company/alicelabsai",
"https://www.trustpilot.com/review/alicelabs.ai",
"https://www.wikidata.org/wiki/Q140369570"
]
},
{
"@type": "Person",
"@id": "https://alicelabs.ai/#linus",
"name": "Linus Ingemarsson",
"givenName": "Linus",
"familyName": "Ingemarsson",
"jobTitle": "Co-Founder",
"description": "Co-founder of Alice Labs. Architects AI agent systems and automation in production for clients across financial services, media, and the public sector.",
"url": "https://alicelabs.ai/en/linus-ingemarsson",
"sameAs": [
"https://www.linkedin.com/in/linus-ingemarsson/",
"https://www.wikidata.org/wiki/Q140369914"
],
"knowsAbout": [
"AI agents",
"agent orchestration",
"AI implementation",
"LangGraph",
"RAG systems",
"AI strategy",
"enterprise AI",
"AI search optimization",
"LLMO",
"Nordic AI ecosystem"
],
"worksFor": {
"@id": "https://alicelabs.ai/#organization"
}
},
{
"@type": "Person",
"@id": "https://alicelabs.ai/#eric",
"name": "Eric Lundberg",
"givenName": "Eric",
"familyName": "Lundberg",
"jobTitle": "Co-Founder",
"description": "Co-founder of Alice Labs. Designs AI automation systems and agent workflows that remove repetitive work and make day-to-day operations more reliable.",
"url": "https://alicelabs.ai/en/eric-lundberg",
"sameAs": [
"https://www.linkedin.com/in/eric-lundberg-3530451bb/",
"https://www.wikidata.org/wiki/Q140369978"
],
"knowsAbout": [
"AI automation",
"agent workflows",
"AI integrations",
"process automation",
"knowledge systems",
"AI engineering",
"enterprise AI",
"Nordic AI ecosystem"
],
"worksFor": {
"@id": "https://alicelabs.ai/#organization"
}
},
{
"@type": "Person",
"@id": "https://alicelabs.ai/#alice",
"name": "Alice Holmgren",
"givenName": "Alice",
"familyName": "Holmgren",
"jobTitle": "CEO",
"description": "CEO of Alice Labs. Leads strategy and growth across the Nordic AI consulting market.",
"url": "https://alicelabs.ai/en/alice-holmgren",
"knowsAbout": [
"AI strategy",
"AI consulting leadership",
"business development",
"Nordic AI ecosystem",
"enterprise AI adoption",
"AI program management"
],
"worksFor": {
"@id": "https://alicelabs.ai/#organization"
}
},
{
"@type": [
"LocalBusiness",
"ProfessionalService"
],
"@id": "https://alicelabs.ai/#localbusiness",
"name": "Alice Labs",
"description": "AI-konsult i Stockholm. Vi hjälper företag implementera AI - från strategi till skalning. Boka möte för en kostnadsfri AI-genomgång.",
"url": "https://alicelabs.ai",
"logo": {
"@id": "https://alicelabs.ai/#logo"
},
"image": {
"@id": "https://alicelabs.ai/#logo"
},
"telephone": "+46734157476",
"email": "hej@alicelabs.ai",
"priceRange": "$$$",
"currenciesAccepted": "SEK, EUR, USD",
"paymentAccepted": "Invoice",
"address": {
"@type": "PostalAddress",
"streetAddress": "Hammarbybacken 27",
"addressLocality": "Stockholm",
"postalCode": "120 30",
"addressRegion": "Stockholms län",
"addressCountry": "SE"
},
"geo": {
"@type": "GeoCoordinates",
"latitude": 59.3018,
"longitude": 18.1003
},
"areaServed": [
{
"@type": "City",
"name": "Stockholm"
},
{
"@type": "City",
"name": "Göteborg"
},
{
"@type": "City",
"name": "Malmö"
},
{
"@type": "City",
"name": "Uppsala"
},
{
"@type": "Country",
"name": "Sweden"
}
],
"openingHoursSpecification": [
{
"@type": "OpeningHoursSpecification",
"dayOfWeek": [
"Monday",
"Tuesday",
"Wednesday",
"Thursday",
"Friday"
],
"opens": "08:00",
"closes": "18:00"
}
],
"hasOfferCatalog": {
"@type": "OfferCatalog",
"name": "AI-tjänster",
"itemListElement": [
{
"@type": "Offer",
"itemOffered": {
"@type": "Service",
"name": "AI-konsult"
}
},
{
"@type": "Offer",
"itemOffered": {
"@type": "Service",
"name": "AI-strategi"
}
},
{
"@type": "Offer",
"itemOffered": {
"@type": "Service",
"name": "AI-implementation"
}
},
{
"@type": "Offer",
"itemOffered": {
"@type": "Service",
"name": "AI-utbildning"
}
},
{
"@type": "Offer",
"itemOffered": {
"@type": "Service",
"name": "AI-agenter"
}
},
{
"@type": "Offer",
"itemOffered": {
"@type": "Service",
"name": "AI-automation"
}
}
]
},
"knowsAbout": [
"AI-konsult",
"AI-strategi",
"AI-implementation",
"AI-utbildning",
"AI-agenter",
"AI-automation",
"Generative AI",
"Machine learning",
"RAG",
"Large language models",
"AI governance"
],
"parentOrganization": {
"@id": "https://alicelabs.ai/#organization"
},
"sameAs": [
"https://www.linkedin.com/company/alicelabsai"
]
},
{
"@type": "WebSite",
"@id": "https://alicelabs.ai/#website",
"url": "https://alicelabs.ai",
"name": "Alice Labs",
"alternateName": [
"Alice Labs AB"
],
"description": "AI consulting, implementation and training for businesses.",
"publisher": {
"@id": "https://alicelabs.ai/#organization"
},
"inLanguage": [
"sv-SE",
"en-US"
],
"potentialAction": {
"@type": "SearchAction",
"target": {
"@type": "EntryPoint",
"urlTemplate": "https://alicelabs.ai/?q={search_term_string}"
},
"query-input": "required name=search_term_string"
}
}
]
},
{
"@context": "https://schema.org",
"@graph": [
{
"@type": "HowTo",
"@id": "https://alicelabs.ai/sv/insights/brand-self-harvester-playbook-svenska#article",
"headline": "Brand-self harvester playbook: mät er LLM-presence",
"description": "Playbook 2026 för brand-self harvester: kör 150+ prompts per LLM, parse citations, arkitektur Python + SQLite + cron. Kostnad SEK. Alice Labs 100+.",
"url": "https://alicelabs.ai/sv/insights/brand-self-harvester-playbook-svenska",
"datePublished": "2026-09-20",
"dateModified": "2026-09-20",
"expires": "2026-12-19",
"author": {
"@id": "https://alicelabs.ai/#linus"
},
"reviewedBy": {
"@id": "https://alicelabs.ai/#eric"
},
"dateReviewed": "2026-09-20",
"publisher": {
"@type": "Organization",
"name": "Alice Labs",
"url": "https://alicelabs.ai",
"logo": {
"@type": "ImageObject",
"url": "https://alicelabs.ai/images/alice-logo.png"
}
},
"image": {
"@type": "ImageObject",
"@id": "https://alicelabs.ai/sv/insights/brand-self-harvester-playbook-svenska#hero-image",
"url": "https://alicelabs.ai/images/og/og-home.jpg",
"contentUrl": "https://alicelabs.ai/images/og/og-home.jpg",
"width": 1600,
"height": 900,
"caption": "Brand-self harvester playbook: mät er LLM-presence",
"creator": {
"@id": "https://alicelabs.ai/#organization"
},
"representativeOfPage": true,
"license": "https://alicelabs.ai/terms"
},
"mainEntityOfPage": {
"@type": "WebPage",
"@id": "https://alicelabs.ai/sv/insights/brand-self-harvester-playbook-svenska"
},
"inLanguage": "sv",
"articleSection": "ai-seo-llmo",
"keywords": "brand self harvester, chatgpt brand audit, prompt harvester svenska brands, llm brand monitoring, openai responses api, anthropic messages api",
"about": [
{
"@type": "Thing",
"name": "Vad är en brand-self harvester?",
"url": "https://alicelabs.ai/sv/insights/brand-self-harvester-playbook-svenska#vad-ar-harvester"
},
{
"@type": "Thing",
"name": "Arkitektur: Python + SQLite + cron + markdown-rapport",
"url": "https://alicelabs.ai/sv/insights/brand-self-harvester-playbook-svenska#arkitektur"
},
{
"@type": "Thing",
"name": "API-setup: OpenAI Responses, Anthropic Messages, Perplexity Sonar, Google Vertex",
"url": "https://alicelabs.ai/sv/insights/brand-self-harvester-playbook-svenska#api-setup"
},
{
"@type": "Thing",
"name": "Prompt-diversity-strategi: 4 kategorier, geo- och intent-taggning",
"url": "https://alicelabs.ai/sv/insights/brand-self-harvester-playbook-svenska#prompt-diversity"
},
{
"@type": "Thing",
"name": "Citation-detection: fuzzy matching, URL-normalisering, position-klassificering",
"url": "https://alicelabs.ai/sv/insights/brand-self-harvester-playbook-svenska#citation-detection"
},
{
"@type": "Thing",
"name": "Rapport-format: markdown per körning plus tidsserie-dashboard",
"url": "https://alicelabs.ai/sv/insights/brand-self-harvester-playbook-svenska#rapport-format"
},
{
"@type": "Thing",
"name": "Kostnadsestimat 2026 i SEK per månad",
"url": "https://alicelabs.ai/sv/insights/brand-self-harvester-playbook-svenska#kostnad"
},
{
"@type": "Thing",
"name": "Produktionslärdomar från 100+ implementationer",
"url": "https://alicelabs.ai/sv/insights/brand-self-harvester-playbook-svenska#produktion-lardomar"
}
],
"mentions": [
{
"@type": "Organization",
"name": "Alice Labs",
"url": "https://alicelabs.ai"
},
{
"@type": "Organization",
"name": "OpenAI",
"url": "https://openai.com"
},
{
"@type": "Organization",
"name": "Anthropic",
"url": "https://www.anthropic.com"
},
{
"@type": "Organization",
"name": "Microsoft",
"url": "https://www.microsoft.com"
},
{
"@type": "Organization",
"name": "Perplexity AI",
"url": "https://www.perplexity.ai"
},
{
"@type": "Organization",
"name": "Google",
"url": "https://www.google.com"
},
{
"@type": "Organization",
"name": "Snowflake (Streamlit)",
"url": "https://streamlit.io/"
},
{
"@type": "Organization",
"name": "SQLite Consortium",
"url": "https://www.sqlite.org/"
},
{
"@type": "Organization",
"name": "GitHub",
"url": "https://github.com/"
},
{
"@type": "Product",
"name": "Alice Labs LLM Query Harvester",
"url": "https://alicelabs.ai/sv/insights/brand-self-harvester-playbook-svenska"
},
{
"@type": "Product",
"name": "OpenAI Responses API",
"url": "https://platform.openai.com/docs"
},
{
"@type": "Product",
"name": "Anthropic Messages API",
"url": "https://docs.claude.com/en/api"
},
{
"@type": "Product",
"name": "Perplexity Sonar API",
"url": "https://docs.perplexity.ai/"
},
{
"@type": "Product",
"name": "Google Vertex AI",
"url": "https://cloud.google.com/vertex-ai"
},
{
"@type": "Product",
"name": "ChatGPT (GPT-5)",
"url": "https://chat.openai.com/"
},
{
"@type": "Product",
"name": "Microsoft Copilot",
"url": "https://copilot.microsoft.com/"
},
{
"@type": "Product",
"name": "Perplexity",
"url": "https://www.perplexity.ai"
},
{
"@type": "Product",
"name": "Anthropic Claude",
"url": "https://www.anthropic.com/claude"
},
{
"@type": "Product",
"name": "Google Gemini",
"url": "https://gemini.google.com"
},
{
"@type": "Product",
"name": "Bing",
"url": "https://www.bing.com"
},
{
"@type": "Product",
"name": "IndexNow",
"url": "https://www.indexnow.org"
},
{
"@type": "Product",
"name": "GitHub Actions",
"url": "https://github.com/features/actions"
},
{
"@type": "Product",
"name": "RapidFuzz",
"url": "https://github.com/rapidfuzz/RapidFuzz"
},
{
"@type": "Product",
"name": "Streamlit",
"url": "https://streamlit.io/"
},
{
"@type": "Organization",
"name": "AI Sweden",
"url": "https://www.ai.se"
},
{
"@type": "Organization",
"name": "Vinnova",
"url": "https://www.vinnova.se"
},
{
"@type": "Organization",
"name": "Integritetsskyddsmyndigheten",
"url": "https://www.imy.se"
},
{
"@type": "Place",
"name": "Stockholm",
"url": "https://www.wikidata.org/wiki/Q1754"
},
{
"@type": "Place",
"name": "Sverige",
"url": "https://www.wikidata.org/wiki/Q34"
},
{
"@type": "Person",
"name": "Linus Ingemarsson",
"url": "https://www.wikidata.org/wiki/Q140369914"
},
{
"@type": "Person",
"name": "Eric Lundberg",
"url": "https://www.wikidata.org/wiki/Q140369978"
}
],
"hasPart": [
{
"@type": "WebPageElement",
"isAccessibleForFree": true,
"name": "Vad är en brand-self harvester?",
"url": "https://alicelabs.ai/sv/insights/brand-self-harvester-playbook-svenska#vad-ar-harvester",
"description": "En brand-self harvester är ett automatiserat mät-system som kör 150-200 prompts per körning mot en eller flera LLM-backends och parsear svar för att observera hur brandet citeras. Skiljer sig från brand-tracking (statiskt publicerat innehåll) och SEO-rank-tracking (SERP-positioner). Alice Labs LLM Query Harvester är referensimplementation: Python driver script, SQLite storage, weekly cron, markdown-rapport. Baseline Q1-Q2 2025: 158 prompts, 64,15 USD."
},
{
"@type": "WebPageElement",
"isAccessibleForFree": true,
"name": "Arkitektur: Python + SQLite + cron + markdown-rapport",
"url": "https://alicelabs.ai/sv/insights/brand-self-harvester-playbook-svenska#arkitektur",
"description": "Alice Labs harvester-arkitektur består av fyra komponenter: (1) driver script i Python (tools/llm_query_harvester.py) som orkestrerar API-anrop, (2) SQLite-databas (data/gsc_data.db) med tabell för varje körning, (3) cron-jobb (GitHub Actions eller launchd) som triggar veckovis, (4) markdown-rapport-generator som producerar data/reports/harvest_YYYY-MM-DD.md efter varje körning. Simpel stack, produktions-mogen för svenska mid-market och enterprise."
},
{
"@type": "WebPageElement",
"isAccessibleForFree": true,
"name": "API-setup: OpenAI Responses, Anthropic Messages, Perplexity Sonar, Google Vertex",
"url": "https://alicelabs.ai/sv/insights/brand-self-harvester-playbook-svenska#api-setup",
"description": "Fyra LLM-API:er att harvest:a 2026: (1) OpenAI Responses API med web_search-verktyget (för GPT-5, driver ChatGPT), (2) Anthropic Messages API (för Claude, retrieval-hooks mindre transparenta), (3) Perplexity Sonar API (enklast, explicit source-URLs per stycke), (4) Google Vertex AI (för Gemini med Google Search grounding). Microsoft Copilot mäts indirekt via samma Bing-index som ChatGPT Search. Auth via API-keys i .env, aldrig hard-kodat."
},
{
"@type": "WebPageElement",
"isAccessibleForFree": true,
"name": "Prompt-diversity-strategi: 4 kategorier, geo- och intent-taggning",
"url": "https://alicelabs.ai/sv/insights/brand-self-harvester-playbook-svenska#prompt-diversity",
"description": "Prompt-portfölj-diversity följer 4 kategorier: 40 procent recommendation-prompts, 30 procent comparison, 20 procent citation-queries, 10 procent evaluator-prompts. Varje prompt taggas med geo (SE, NORDIC, EU, GLOBAL), intent (buy, compare, research, learn, validate), och cluster (ai-agenter, ai-konsult, ai-implementation, ai-seo-llmo). Minimum 150 prompts för statistisk signifikans. Svenska brands: 50 procent SE plus 25 procent NORDIC i geo-fördelning."
},
{
"@type": "WebPageElement",
"isAccessibleForFree": true,
"name": "Citation-detection: fuzzy matching, URL-normalisering, position-klassificering",
"url": "https://alicelabs.ai/sv/insights/brand-self-harvester-playbook-svenska#citation-detection",
"description": "Citation-detection sker på lagrad svarstext, inte i realtid. Tre kärnfunktioner: (1) fuzzy string matching för brand-mentions (Alice Labs, alicelabs, Alice-Labs, alice labs, etc), (2) canonical URL normalization (alicelabs.ai/x, www.alicelabs.ai/x, alicelabs.ai/x/, alicelabs.ai/x?utm=... normaliseras till samma URL), (3) position-klassificering i buckets opener (första 100 orden), mitten, konklusion. Attribution-quality-score 1-5 för korrekt vs paraphrase vs hallucinerad URL."
},
{
"@type": "WebPageElement",
"isAccessibleForFree": true,
"name": "Rapport-format: markdown per körning plus tidsserie-dashboard",
"url": "https://alicelabs.ai/sv/insights/brand-self-harvester-playbook-svenska#rapport-format",
"description": "Alice Labs standard-rapport per harvest-körning är markdown-fil (data/reports/harvest_YYYY-MM-DD.md) med sju sektioner: (1) prompt-portfölj-summary, (2) citation-rate per LLM, (3) position-fördelning, (4) top-cited-competitors, (5) cluster-per-LLM heatmap, (6) delta mot förra körningen, (7) cost-summary. Kompletteras av Streamlit- eller Metabase-dashboard som visar tidsserier över veckor och månader."
},
{
"@type": "WebPageElement",
"isAccessibleForFree": true,
"name": "Kostnadsestimat 2026 i SEK per månad",
"url": "https://alicelabs.ai/sv/insights/brand-self-harvester-playbook-svenska#kostnad",
"description": "Kostnad 2026 för brand-self harvester i SEK per månad: en LLM (GPT-5) med 158 prompts veckovis: 700 SEK. Två LLM:er (GPT-5 plus Perplexity Sonar): 780 SEK. Fyra LLM:er (plus Anthropic Claude plus Google Vertex Gemini): 3 500 SEK. Detta är API-kostnad exklusive utvecklingstid. Setup 2-3 mandagar första gången, sedan cirka 4 timmar per månad i drift plus rapport-tolkning."
},
{
"@type": "WebPageElement",
"isAccessibleForFree": true,
"name": "Produktionslärdomar från 100+ implementationer",
"url": "https://alicelabs.ai/sv/insights/brand-self-harvester-playbook-svenska#produktion-lardomar",
"description": "Sex produktionslärdomar från 100+ Alice Labs-implementationer sedan 2023: (1) håll OpenAI-krediter top-upade (insufficient_quota mitt i körning är vanligt), (2) resumable körning via --skip-existing är obligatorisk, (3) temperatur 0.7 slår 0.0 för representativ svarsvariation, (4) versionsera prompt-portfölj i git, (5) validera source-URLs mot HTTP 200 för att fånga hallucinationer (3-8 procent 2026), (6) kör n>=3 för statistisk signifikans, n>=5 för post-fix-verifiering."
}
],
"speakable": {
"@type": "SpeakableSpecification",
"cssSelector": [
"[data-speakable='true']",
"[data-snippet='true']",
"[data-section-answer='true']",
".quick-answer",
"h1"
]
}
},
{
"@type": "BreadcrumbList",
"@id": "https://alicelabs.ai/sv/insights/brand-self-harvester-playbook-svenska#breadcrumb",
"itemListElement": [
{
"@type": "ListItem",
"position": 1,
"name": "Hem",
"item": "https://alicelabs.ai/sv"
},
{
"@type": "ListItem",
"position": 2,
"name": "Insights",
"item": "https://alicelabs.ai/sv/insights"
},
{
"@type": "ListItem",
"position": 3,
"name": "ai-seo-llmo",
"item": "https://alicelabs.ai/sv/insights/ai-seo-llmo"
},
{
"@type": "ListItem",
"position": 4,
"name": "Brand-self harvester playbook: mät er LLM-presence",
"item": "https://alicelabs.ai/sv/insights/brand-self-harvester-playbook-svenska"
}
]
},
{
"@type": "Person",
"@id": "https://alicelabs.ai/#eric",
"name": "Eric Lundberg",
"jobTitle": "Co-Founder",
"worksFor": {
"@id": "https://alicelabs.ai/#organization"
},
"knowsAbout": [
{
"@type": "DefinedTerm",
"name": "AI automation",
"url": "https://www.wikidata.org/wiki/Q1322483"
},
{
"@type": "DefinedTerm",
"name": "Workflow automation",
"url": "https://www.wikidata.org/wiki/Q120427660"
},
{
"@type": "DefinedTerm",
"name": "Retrieval-Augmented Generation",
"url": "https://www.wikidata.org/wiki/Q117761563"
},
{
"@type": "DefinedTerm",
"name": "Enterprise AI implementation"
}
],
"sameAs": [
"https://www.linkedin.com/in/eric-lundberg-3530451bb/",
"https://www.wikidata.org/wiki/Q140369978"
]
},
{
"@type": "Person",
"@id": "https://alicelabs.ai/#linus",
"name": "Linus Ingemarsson",
"jobTitle": "CEO & Co-Founder",
"worksFor": {
"@id": "https://alicelabs.ai/#organization"
},
"knowsAbout": [
{
"@type": "DefinedTerm",
"name": "AI agent orchestration",
"url": "https://www.wikidata.org/wiki/Q98678395"
},
{
"@type": "DefinedTerm",
"name": "AI strategy"
},
{
"@type": "DefinedTerm",
"name": "AI search optimization (LLMO)"
},
{
"@type": "DefinedTerm",
"name": "Enterprise AI strategy"
},
{
"@type": "DefinedTerm",
"name": "AI consulting leadership"
}
],
"sameAs": [
"https://www.linkedin.com/in/linus-ingemarsson/",
"https://www.wikidata.org/wiki/Q140369914"
]
},
{
"@type": "FAQPage",
"mainEntity": [
{
"@type": "Question",
"name": "Vad är en brand-self harvester i LLMO-sammanhang?",
"acceptedAnswer": {
"@type": "Answer",
"text": "Ett automatiserat mät-system som kör 150-200 prompts per körning mot en eller flera LLM-backends (ChatGPT, Copilot, Perplexity, Claude, Gemini) för att observera hur ofta, i vilken position och med vilken attribution brandet citeras. Skiljer sig från brand-tracking (statiskt publicerat innehåll) och SEO-rank-tracking (SERP-positioner). Alice Labs LLM Query Harvester är öppen Python-referens."
}
},
{
"@type": "Question",
"name": "Vilken teknisk stack ska jag bygga en harvester på?",
"acceptedAnswer": {
"@type": "Answer",
"text": "Alice Labs standard: Python 3.11+ som driver, SQLite som storage, GitHub Actions eller launchd som cron, markdown som rapport-format. Bibliotek: openai, anthropic, google-cloud-aiplatform, requests, python-dotenv, RapidFuzz för fuzzy matching. Enterprise: byt SQLite mot PostgreSQL, lägg till Prefect eller Dagster som orkestrator, Streamlit eller Metabase som dashboard."
}
},
{
"@type": "Question",
"name": "Hur många prompts ska en portfölj innehålla?",
"acceptedAnswer": {
"@type": "Answer",
"text": "Minst 150 prompts för statistisk signifikans. Alice Labs standard: 158 prompts baserat på baseline Q1-Q2 2025. Fördelning: 40 procent recommendation, 30 procent comparison, 20 procent citation-queries, 10 procent evaluator. Geo-fördelning för svenska brands: 50 procent SE, 25 procent NORDIC, 15 procent EU, 10 procent GLOBAL."
}
},
{
"@type": "Question",
"name": "Vilken LLM ska jag börja med?",
"acceptedAnswer": {
"@type": "Answer",
"text": "Perplexity Sonar API är enklast att harvest:a: strukturerad JSON med explicit source-URLs per stycke. OpenAI Responses API med web_search är näst enklast och täcker ChatGPT-mindshare. Anthropic Claude är svårast (retrieval-hooks mindre transparenta). Alice Labs rekommendation för svenska team: börja med Perplexity plus GPT-5, lägg till Gemini vid fas 2, Claude vid fas 3."
}
},
{
"@type": "Question",
"name": "Hur ofta ska harvestern köras?",
"acceptedAnswer": {
"@type": "Answer",
"text": "Alice Labs standard: veckovis full-portfölj-körning. Månadsvis är minimum för trend-signal. Sidor i aktiv refresh-cykel re-harvestas varannan vecka på reduced portfolio (cluster-specifika prompts). Manuell kvalitativ audit kvartalsvis för nyanser som API-monitoring missar."
}
},
{
"@type": "Question",
"name": "Hur mycket kostar det per månad?",
"acceptedAnswer": {
"@type": "Answer",
"text": "En LLM (GPT-5) med 158 prompts veckovis: cirka 700 SEK per månad. Fyra LLM:er (GPT-5, Perplexity, Claude, Gemini): cirka 1 900 SEK per månad. Detta är API-kostnad. Tillägg för intern arbetstid: 1 000-2 000 SEK per månad. Setup: 2-3 mandagar första gången, cirka 4 timmar per månad i drift."
}
},
{
"@type": "Question",
"name": "Vad gör jag när OpenAI-krediter tar slut mitt i en körning?",
"acceptedAnswer": {
"@type": "Answer",
"text": "Alice Labs harvester har --skip-existing-flagga som kollar SQLite för redan-kompletta prompt-run-kombinationer. Efter credit top-up: kör om harvestern med samma flagga, den fortsätter från den prompt som failade. Skydda proaktivt med credit alerts i OpenAI dashboard vid 50 procent förbrukning plus auto-top-up."
}
},
{
"@type": "Question",
"name": "Vilken temperatur ska jag använda?",
"acceptedAnswer": {
"@type": "Answer",
"text": "Temperatur 0.7. Temperatur 0.0 ger deterministisk output som inte reflekterar verklig användarvariation. 0.7 ger representativa svar. Kör n>=3 per prompt för att fånga stokastisk variation. Vid post-fix-verifiering (mät om refresh gav lift): n>=5."
}
},
{
"@type": "Question",
"name": "Hur hanterar jag hallucinerade URLs i LLM-svar?",
"acceptedAnswer": {
"@type": "Answer",
"text": "Validera varje source-URL mot HTTP 200-status async efter varje harvest. Alice Labs använder httpx med 20 concurrent requests och 10 sekunders timeout. URLs som ger 404 eller 500 markeras som hallucinerade. LLM:er hallucinerar 3-8 procent 2026. Rapportera hallucination-rate per LLM som separat KPI (attribution-quality-score)."
}
},
{
"@type": "Question",
"name": "Ska jag versionsera prompt-portföljen?",
"acceptedAnswer": {
"@type": "Answer",
"text": "Ja, alltid. Prompt-portfölj utvecklas över tid (nya konkurrenter, ny terminologi, nya cluster). Versionera seed-fil i git med semver, t ex data/seeds/svenska_brand_2026-Q3-v1.2.json. Möjliggör re-analys av historiska körningar mot både gammal och ny portfölj, vilket är avgörande för att särskilja portfölj-drift från verklig citation-drift."
}
},
{
"@type": "Question",
"name": "Kan jag använda Alice Labs harvester utan att programmera?",
"acceptedAnswer": {
"@type": "Answer",
"text": "Nej, Alice Labs LLM Query Harvester kräver Python-kompetens att driva i produktion. För svenska team utan intern Python-kapacitet rekommenderar vi SaaS-alternativ: Otterly eller Semrush AI Search Toolkit. Alice Labs kan också deploy:a och drifta harvestern som managed service för nordiska enterprise-kunder."
}
},
{
"@type": "Question",
"name": "Hur kommer Alice Labs igång med brand-self harvester för mitt bolag?",
"acceptedAnswer": {
"@type": "Answer",
"text": "Alice Labs 3-veckors harvester-kickoff: Vecka 1 portfölj-design (150-200 prompts, geo- och intent-taggade). Vecka 2 API-integration (två LLMs som start, Perplexity plus GPT-5). Vecka 3 första körning, rapport-mall och cron-setup. Kontakta via /sv#contact för discovery."
}
}
]
},
{
"@context": "https://schema.org",
"@type": "Dataset",
"name": "Brand-self harvester playbook: mät er LLM-presence",
"description": "Playbook 2026 för brand-self harvester: kör 150+ prompts per LLM, parse citations, arkitektur Python + SQLite + cron. Kostnad SEK. Alice Labs 100+.",
"url": "https://alicelabs.ai/sv/insights/brand-self-harvester-playbook-svenska",
"datePublished": "2026-09-20",
"dateModified": "2026-09-20",
"creator": {
"@type": "Organization",
"name": "Alice Labs",
"url": "https://alicelabs.ai"
},
"license": "https://creativecommons.org/licenses/by/4.0/",
"isAccessibleForFree": true,
"keywords": [
"brand self harvester",
"chatgpt brand audit",
"prompt harvester svenska brands",
"llm brand monitoring",
"openai responses api",
"anthropic messages api"
]
},
{
"@context": "https://schema.org",
"@type": "ItemList",
"name": "Related articles",
"itemListElement": [
{
"@type": "ListItem",
"position": 1,
"url": "https://alicelabs.ai/sv/insights/mat-llm-citations-svenska-brands",
"name": "Mät LLM-citations för svenska brands: playbook 2026"
},
{
"@type": "ListItem",
"position": 2,
"url": "https://alicelabs.ai/sv/insights/llmo-verktyg-jamforelse-2026-svenska",
"name": "LLMO-verktyg 2026: jämförelse för svenska brands"
},
{
"@type": "ListItem",
"position": 3,
"url": "https://alicelabs.ai/sv/insights/llmo-content-refresh-cadence-svenska",
"name": "LLMO content refresh-cadence: 13-veckors playbook"
},
{
"@type": "ListItem",
"position": 4,
"url": "https://alicelabs.ai/sv/insights/llmo-optimering-svenska-foretag",
"name": "LLMO-optimering för svenska företag (pillar)"
}
]
},
{
"@context": "https://schema.org",
"@type": "ItemList",
"name": "Table of Contents",
"numberOfItems": 8,
"itemListOrder": "https://schema.org/ItemListOrderAscending",
"itemListElement": [
{
"@type": "ListItem",
"position": 1,
"name": "Vad är en brand-self harvester?",
"url": "https://alicelabs.ai/sv/insights/brand-self-harvester-playbook-svenska#vad-ar-harvester"
},
{
"@type": "ListItem",
"position": 2,
"name": "Arkitektur: Python + SQLite + cron + markdown-rapport",
"url": "https://alicelabs.ai/sv/insights/brand-self-harvester-playbook-svenska#arkitektur"
},
{
"@type": "ListItem",
"position": 3,
"name": "API-setup: OpenAI Responses, Anthropic Messages, Perplexity Sonar, Google Vertex",
"url": "https://alicelabs.ai/sv/insights/brand-self-harvester-playbook-svenska#api-setup"
},
{
"@type": "ListItem",
"position": 4,
"name": "Prompt-diversity-strategi: 4 kategorier, geo- och intent-taggning",
"url": "https://alicelabs.ai/sv/insights/brand-self-harvester-playbook-svenska#prompt-diversity"
},
{
"@type": "ListItem",
"position": 5,
"name": "Citation-detection: fuzzy matching, URL-normalisering, position-klassificering",
"url": "https://alicelabs.ai/sv/insights/brand-self-harvester-playbook-svenska#citation-detection"
},
{
"@type": "ListItem",
"position": 6,
"name": "Rapport-format: markdown per körning plus tidsserie-dashboard",
"url": "https://alicelabs.ai/sv/insights/brand-self-harvester-playbook-svenska#rapport-format"
},
{
"@type": "ListItem",
"position": 7,
"name": "Kostnadsestimat 2026 i SEK per månad",
"url": "https://alicelabs.ai/sv/insights/brand-self-harvester-playbook-svenska#kostnad"
},
{
"@type": "ListItem",
"position": 8,
"name": "Produktionslärdomar från 100+ implementationer",
"url": "https://alicelabs.ai/sv/insights/brand-self-harvester-playbook-svenska#produktion-lardomar"
}
]
}
]
},
{
"@context": "https://schema.org",
"@type": "BreadcrumbList",
"itemListElement": [
{
"@type": "ListItem",
"position": 1,
"name": "Hem",
"item": "https://alicelabs.ai/"
},
{
"@type": "ListItem",
"position": 2,
"name": "Insikter",
"item": "https://alicelabs.ai/sv/insights"
},
{
"@type": "ListItem",
"position": 3,
"name": "Brand-self harvester playbook: mät er LLM-presence"
}
]
}
]
```