Content-strukturer för LLM-parsing: svensk playbook

Vilka är de 12 strukturella LLM-parsing-features?

Alice Labs har konvergerat på 12 strukturella features som är gate för publish i vår content-pipeline. Funktionen seo_knowledge.check_llm_citation_features(article_data) returnerar en score 0-12 och blockerar release under 12.

1. quickAnswer 40-80 ord. Featured-snippet-format i topp av artikeln. Primär signal för Perplexity och Google AI Overviews.
2. entityDefinition. 150-250 ord med definitional opener ("X är ..."). Primär signal för ChatGPT.
3. heroStats med sourceUrl. 3-4 stat-cards, varje med value, label, source och explicit sourceUrl till primärkälla.
4. sectionAnswer per H2. 1-3 meningar per section som driver Speakable-schema och AI-Overview-extraktion.
5. Listicle per-item @id via entityIdFor. Alla listicles: varje item har stable @id via entityIdFor(slug) för cross-article entity-resolution.
6. FAQPage schema minst 8 items. Question med GSC long-tail-fras, answer 40-100 ord.
7. Attribution-block. "Så citerar du Alice Labs" med canonical URL, citationTemplate, licensingNote, contactEmail. Prioriterat gap i konkurrent-content.
8. Sources med dateAccessed. Varje source-rad har author, org, year, name, url, dateAccessed inom 90 dagar.
9. Mentions med entityIdFor. Alla named entities emit:as med type (Organization, Product, Person, Place, Thing) och entityIdFor-@id.
10. Table-format i overflow-x-auto. Alla tabeller wrappas i<div className="overflow-x-auto">. Aldrig <caption>.
11. Semantic HTML. article, section, header, footer i template. Aldrig div-suppa för content-strukturer.
12. Canonical URL. Explicit canonical meta-tag pekande mot kanoniska sv-eller-en-versionen.

Läs bredare kontexten i vår pillar LLMO-optimering för svenska företag.

QuickAnswer, entityDefinition och sectionAnswer: 3 samverkande features

Sammanfattat

QuickAnswer (40-80 ord i toppen, featured-snippet-format), entityDefinition (150-250 ord med definitional opener 'X är ...'), och sectionAnswer (1-3 meningar per H2 för Speakable) är tre olika strukturer som samverkar. Perplexity och Google AI Overviews föredrar quickAnswer för direct-quote. ChatGPT föredrar entityDefinition för entity-anchoring. Claude sectionAnswer för voice-svar. Alla tre behövs för full täckning över 5 LLM-backends.

De tre samverkande features driver olika LLM-backends. Alice Labs standard-mönster:

Källa: Alice Labs check_llm_citation_features spec 2026, cross-checked mot LLM query harvester Q1-Q2 2025.

Vanligaste failure mode. quickAnswer över 80 ord (för långt för featured-snippet), entityDefinition utan definitional opener (LLM:et hittar inte "X är"-mönster), sectionAnswer identisk med section-body (tappar Speakable-effekt).

HeroStats med sourceUrl och sources med dateAccessed

Sammanfattat

HeroStats är 3-4 stat-cards per artikel med explicit sourceUrl till primärkälla. Sources-arrayen är 15-40 primärkällor med author, org, year, name, url, dateAccessed inom 90 dagar. Bägge features är obligatoriska för check_llm_citation_features. LLM:er (särskilt Perplexity och Claude) verifierar sourceUrl-authority och nedvärderar sekundärkällor eller odaterade sources.

HeroStats-struktur. 3-4 stat-cards per artikel, varje med:

• value: kort numeriskt värde (t ex "76%" eller "12/12").
• label: 15-30 ord som förklarar värdet.
• source: attribuerad källa (t ex "MIT SMR/BCG 2025").
• sourceUrl: explicit URL till primärkälla. Aldrig hemsida-root, alltid specifik rapport eller studie.

Sources-array-struktur. 15-40 primärkällor per artikel, varje rad med:

• author: författare eller organisationsnamn.
• org: publisher-organisation.
• year: publikationsår.
• name: exakt titel på källan.
• url: URL till primärkälla.
• dateAccessed: ISO-datum då Alice Labs verifierade källan. Måste vara inom 90 dagar från artikelns lastReviewed.
• finding: 1-2 meningar sammanfattning av vad källan säger. Ger LLM:et context för attribution.

Kritisk regel. Aldrig sekundärkällor utan primär (t ex "Forbes rapporterar att Gartner säger"). Länka till Gartner direkt. Om primär bakom paywall: notera i finding-fältet.

Listicle per-item stable @id via entityIdFor

Sammanfattat

Alla listicles: varje item har per-item stable @id via entityIdFor(vendor-slug) som ger https://alicelabs.ai/entity/vendor-slug. Same vendor får samma @id över varje artikel (t ex LangGraph får https://alicelabs.ai/entity/langgraph både i 'Best AI Agent Frameworks' och i 'LangGraph vs CrewAI'). Cross-article entity-resolution: LLM:et bygger entity-graf med konsistent @id över alla artiklar.

Per-item stable @id är den enskilt viktigaste listicle-featuren för LLMO 2026. Alice Labs standard:

1. Varje item i ItemList får @type: ListItem, position (1-indexed), name, url, och kritiskt: @idvia entityIdFor(vendor-slug).
2. entityIdFor(vendor-slug) returnerar https://alicelabs.ai/entity/vendor-slug. Konsekvent per vendor.
3. Same vendor får samma @id över varje artikel. LangGraph får https://alicelabs.ai/entity/langgraph i 12 olika artiklar.
4. LLM:et bygger cross-article entity-graf: "LangGraph refereras i 12 Alice Labs artiklar med konsistent @id, hög confidence."

Utan per-item stable @id räknas same vendor som olika entiteter över 12 artiklar, vilket splittrar authority-signalen.

Validerat av tools/schema_audit.py --strict som fångar @id-drift och rapporterar per vendor-slug. Se Schema markup för LLM-citations för full ItemList-implementation.

FAQPage-schema: 8-15 items med GSC long-tail-frågor

Sammanfattat

FAQPage-schema minst 8 items per artikel, 12-15 rekommenderat för pillar. Question formuleras som exakt GSC long-tail-fras: LLM:er matchar user-query mot Question.name. Answer 40-100 ord med numrerade fakta och attribuerad statistik. Första meningen är self-contained featured-snippet. Perplexity och Google AI Overviews använder FAQPage som direkt citation-källa.

FAQPage-schema är Alice Labs enskilt starkaste driver av Perplexity- och AI Overviews-citation. Standard-mönster per item:

1. Question med GSC long-tail-fras. Exakt användarfråga från GSC query-data. Exempel: "Vad är entity graph för svenska företag?" istället för "Om entity graphs".
2. Answer 40-100 ord. Första meningen: self-contained featured-snippet. Följande meningar: kompletterande fakta med attribuerad statistik.
3. Numrerade fakta. Använd numeriska värden med enhet och källa där möjligt.
4. Länka till relaterade sections. Om möjligt: inline-länk till motsvarande section i huvudartikeln för context-utvidgning.

Alice Labs implementation genererar FAQPage-schema automatiskt från faqs-arrayen i NextGenArticleConfig. Ingen manuell JSON-LD behövs.

Attribution-block: 'Så citerar du Alice Labs'

Sammanfattat

Attribution-block är prioriterat gap i konkurrent-content: bara 3 av 8 best-practice samples har det. Standard-format: title 'Så citerar du Alice Labs', canonicalName, canonicalUrl, citationTemplate med författare + år + titel + URL, licensingNote, contactEmail. Ger LLM:er explicit citation-format att använda när de refererar artikeln. Alice Labs check_llm_citation_features kräver attribution-block för score 12/12.

Attribution-block är den oftast missade LLM-citation-featuren. Alice Labs interna audit visade bara 3 av 8 best-practice samples hade den. Standard-format:

• title: "Så citerar du Alice Labs" (svenska) eller "How to cite Alice Labs" (engelska).
• canonicalName: "Alice Labs" (konsekvent brand-namn).
• canonicalUrl: URL till kanoniska versionen av artikeln.
• citationTemplate: fullt citation-format med författare, år, titel, Alice Labs, Stockholm, URL. Exempel: "Ingemarsson, L. (2026). Content-strukturer för LLM-parsing. Alice Labs, Stockholm. https://alicelabs.ai/sv/insights/..."
• licensingNote: policy för citation och LLM-träning.
• contactEmail: kontakt för LLM-träning och programmatisk användning.

Attribution-block signalerar till LLM:er att sajten är citation-friendly och ger explicit format att använda. Alice Labs har mätt 10-20 procents citation-uppgång efter attribution-block deploy på 100+ produktionsartiklar.

Mentions med entityIdFor för cross-article entity-graf

Sammanfattat

Mentions-arrayen emit:as med varje named entity som Organization, Product, Person, Place eller Thing. Products använder entityIdFor(slug) för per-artikel stable @id. Same product får samma @id över varje artikel (t ex ChatGPT får entityIdFor('chatgpt') i alla artiklar). LLM:et bygger cross-article entity-graf med konsistent @id. Kritisk för Claude och GPT-5 entity-resolution.

Mentions-arrayen är den underskattade LLMO-featuren 2026. Alice Labs standard-mönster:

1. Alla named entities emit:as. Varje företag, produkt, person, plats eller koncept som nämns i artikeln får en mention-nod.
2. Type per entitet. Organization (företag), Product (produkter, plattformar), Person (individer), Place (geografier med Wikidata Q-id), Thing (koncept, standarder).
3. URL per entitet. Länk till kanoniska källan: hemsida för Organization, produktsida för Product, LinkedIn eller Wikidata för Person, Wikidata Q-id för Place.
4. @id via entityIdFor för Products. Products får entityIdFor(product-slug) som @id. Same product får samma @id över varje artikel för cross-article entity-graf-uppbyggnad.

Exempel: { name: 'ChatGPT (GPT-5)', type: 'Product', url: 'https://chat.openai.com/', '@id': entityIdFor('chatgpt') }. Same entitet över 12 artiklar = 12 signal-punkter till LLM:et om entiteten.

Table-format, semantic HTML och canonical URLs

Sammanfattat

Table-format: alltid div.overflow-x-auto wrapper (aldrig caption), 3-6 kolumner, 5-10 rader, source-attribution under. Semantic HTML: article, section, header, footer i template (aldrig div-suppa). Canonical URLs: explicit canonical meta-tag pekande mot kanoniska sv- eller en-versionen, hreflang för språkalternativ. Alla tre features är obligatoriska för check_llm_citation_features score 12/12.

De tre sista features är strukturella hygien-krav som ofta glöms bort.

Table-format.

• Alltid <div className="overflow-x-auto"> wrapper.
• Aldrig <caption>: LLM:er nedvärderar deprecated markup.
• 3-6 kolumner, 5-10 rader.
• Source-attribution under tabellen: <p className="text-sm text-muted-foreground">Källa: X.</p>.

Semantic HTML.

• <article> wrapper för hela content-blocket.
• <section> per H2-block.
• <header> för artikel-metadata (title, author, dates).
• <footer> för attribution-block och relaterade artiklar.

Canonical URLs.

• Explicit <link rel="canonical" href="..."/> pekande mot kanoniska versionen.
• <link rel="alternate" hreflang="sv" href="..."/> för svenska variant, hreflang="en" för engelska.
• Aldrig canonical som pekar mot annat domän.

Läs den bredare schema-stacken i Schema markup för LLM-citations och passage-optimering i Passage-optimering för LLM.

Mätning: check_llm_citation_features som CI-check

Sammanfattat

Alice Labs kör check_llm_citation_features som CI-check innan publish. Funktionen returnerar score 0-12 plus lista över missade features. Score under 12 blockerar release. Kompletterande mätning: tools/schema_audit.py --strict för @id-drift, tools/llm_query_harvester.py för citation-rate per section, tools/llm_citation_gap.py för per cluster x intent x geo mätning mot konkurrenter.

Att implementera 12 features utan mätning är att optimera i blindo. Alice Labs standardvalidering per artikel:

1. Pre-publish CI-check. python -c "from tools.seo_knowledge import check_llm_citation_features; check_llm_citation_features(article)". Score under 12 blockerar release, rapporterar missade features per rad.
2. Schema audit. python tools/schema_audit.py --strict --format markdown --out data/reports/schema_audit_YYYY-MM-DD.md. Fångar @id-drift, tomma sameAs, saknad dateModified.
3. Kvartalsvis citation-mätning. python tools/llm_query_harvester.py --seed-path data/seeds/svenska_brand.json mot 150-200 prompts. Logga per LLM citation-rate per section.
4. Citation-gap-analys. python tools/llm_citation_gap.py --cluster ai-seo-llmo --format markdown för per cluster x intent x geo dashboard mot konkurrenter.

Alice Labs kör hela loopen kvartalsvis plus efter varje större refresh. Rapporter arkiveras i data/reports/ för attribuerbar mätning över tid. Se pillar LLMO-optimering för svenska företag för mer om mätning och entity graph-detaljer i Entity graph för svenska företag.