Passage-optimering för LLM: guide för svenska team

Vad är passage-optimering och hur skiljer det sig från sida-SEO?

LLM:er parsear text i chunks (typiskt 200-800 tokens). När ett LLM syntetiserar ett svar hämtar det inte hela sidor: det hämtar och citerar specifika passages som direkt svarar på user-queryn. Passage-optimering är disciplinen att strukturera content så dessa passages är citation-worthy.

Tre paradigm att förstå:

• Sida-nivå-SEO. Traditionell SEO optimerar för att hela sidan rankar högt i Google-SERP. Metrics: position, CTR, dwell-time.
• Passage Ranking (Google 2020). Google introducerade Passage Ranking: enskilda passages från långa sidor kan ranka för specifika queries. Genombrott för långa "ultimate guides".
• LLM Passage Citation (2023-2026). LLM:er tar det ännu längre. De indexerar och citerar passages primärt. En sida med 20 välformade passages har 20 potentiella citation-punkter, inte en.

Läs den bredare LLMO-kontexten i vår pillar LLMO-optimering för svenska företag och structural features-genomgången i Content-strukturer för LLM-parsing.

Ideal passage-längd: 75-150 ord per Princeton GEO

Sammanfattat

Princeton GEO-paperet 2023 (Aggarwal et al) mätte ideal passage-längd 75-150 ord för högst LLM citation-rate. Kortare än 75 ord saknar context (LLM:et kan inte verifiera claim). Längre än 150 ord chunkas bort mid-sats (LLM:et bryter passage i mitten och tappar semantic coherence). Alice Labs standard: 100-125 ord per definitional passage, 75-100 ord per statistik-passage, 150 ord max per methodology-passage.

Princeton GEO-paperet 2023 (Aggarwal et al) mätte citation-rate mot passage-längd över 10 000 LLM-genererade svar. Optimum: 75-150 ord per passage. Under 75 ord: LLM:et saknar context för att verifiera claim och nedvärderar för brist på substans. Över 150 ord: LLM:ets chunker bryter passage mid-sats och tappar semantic coherence.

Alice Labs standard per passage-typ:

Källa: Alice Labs passage spec 2026, cross-checked mot Princeton GEO-paperet 2023 och interna citation-rate-mätningar Q1-Q2 2025.

Heading-hierarki: H2 query-shaped, H3 sub-topic

Sammanfattat

H2 varje 200-300 ord, formulerad som query (börjar med Vad/Varför/Hur/Bäst/Vilken/När). H3 för sub-topics inom H2, 100-150 ord per H3. Aldrig H4 eller djupare: LLM:er nedvärderar djup hierarki som semantic-splittring. Alice Labs standard: 1 H1 (matchar title), 6-12 H2 per pillar, 2-4 H3 per H2. Query-shaped H2 speglar hur LLM:er parsear och indexerar sub-sektioner.

Heading-hierarki är den enskilt viktigaste struktur-signalen till LLM-parser. Alice Labs standard-hierarki:

1. H1. En per sida, matchar title-taggen. Contains primär keyword och år för time-bound content.
2. H2 var 200-300 ord. 6-12 H2 per pillar-artikel. Formuleras som query: börjar med Vad, Varför, Hur, Bäst, Vilken, När. Exempel: "Vad är passage-optimering?" istället för "Passage-optimering".
3. H3 för sub-topics. 2-4 H3 per H2, 100-150 ord per H3. Kan vara deklarativa ("Ideal passage-längd 75-150 ord") eller query-shaped.
4. Aldrig H4 eller djupare. LLM:er nedvärderar djup hierarki som semantic-splittring. Om du behöver H4: skapa istället en ny H3 eller flytta till ny H2.

Query-shaped H2-formeln. "Vad är [entitet]?", "Varför [claim]?", "Hur [action] [entitet]?", "Bäst [entitet-typ] för [use-case]?", "Vilken [entitet-A] eller [entitet-B]?", "När ska [entitet] användas?". Speglar exakt hur LLM:er parsear user-queries.

Quotable-sentence-formeln: self-contained, 15-30 ord

Sammanfattat

Quotable meningar är self-contained (kan citeras utan omgivande kontext), 15-30 ord, med attribuerad statistik eller specifik claim. Formeln: subject plus specific verb plus quantitative claim plus source. Exempel: 'Princeton GEO-paperet 2023 mätte 75-150 ord som ideal passage-längd för LLM citation-rate.' 27 ord, self-contained, attribuerad. LLM:er extraherar dessa som direct-quote-block.

Quotable meningar är den enskilt mest citationsvänliga content-strukturen. Alice Labs formel:

1. Self-contained. Meningen kan citeras utan omgivande kontext. Ingen "detta" eller "de" som refererar tidigare stycke.
2. 15-30 ord. Under 15 ord: för lite substans. Över 30 ord: LLM:et trimmerar bort halvan under citation.
3. Subject plus specific verb plus quantitative claim plus source.Formeln som fungerar bäst för LLM-extraktion.
4. Attribuerad statistik eller specifik claim. Numeriska värden plus källa (t ex "76 procent enligt MIT SMR/BCG 2025").

Exempel-quotables från Alice Labs field-data.

• "Princeton GEO-paperet 2023 (Aggarwal et al) mätte 75-150 ord som ideal passage-längd för LLM citation-rate." (27 ord)
• "Alice Labs har mätt 30-50 procents citation-uppgång efter passage-optimering på 100+ nordiska produktionsimplementationer sedan 2023." (18 ord)
• "MIT Sloan Management Review och BCG rapporterade 76 procent GenAI-adoption i enterprise 2025 mot 55 procent 2024." (17 ord)

Alla tre är self-contained, 15-30 ord, med subject-verb-claim-source formel. Extraheras direkt som direct-quote-block av Perplexity, GPT-5 och Claude.

Numrerade fakta och daterade statistik: enskilt starkaste citation-signal

Sammanfattat

Numrerade fakta med attribuerad källa (t ex '76 procent enligt MIT SMR/BCG 2025') är enskilt starkaste LLM citation-mönstret. Daterade statistik ('X i 2026 enligt Y') signalerar aktualitet. Perplexity och Google AI Overviews nedvärderar odaterade statistik. Alice Labs standard: alla statistik ska ha (1) numeriskt värde med enhet, (2) datum eller period, (3) attribuerad källa med länk. 3-lager format som fungerar över alla 5 LLM.

Numrerade fakta med attribuerad källa är enskilt starkaste LLM citation-mönstret. Alice Labs 3-lager format:

1. Numeriskt värde med enhet. "76 procent" eller "150 kSEK per månad" eller "12 månader" eller "2 augusti 2026". Alltid explicit enhet, aldrig underförstådd.
2. Datum eller period. "i 2025" eller "under Q3 2026" eller "sedan 2023". Perplexity och Google AI Overviews nedvärderar odaterade statistik för tidskänsliga frågor.
3. Attribuerad källa med länk. "enligt MIT Sloan Management Review och BCG State of AI 2025-rapporten". Länk till primärkälla i externalLinks-array. Aldrig sekundär-attribuering utan primärkälla.

Exempel-format som fungerar över alla 5 LLM.

• "76 procent av företag rapporterade GenAI-adoption i minst en funktion 2025 enligt MIT SMR och BCG State of AI-rapporten."
• "Alice Labs LLM query harvester Q1-Q2 2025 mätte 30-50 procents citation-uppgång efter passage-optimering på 12 nordiska mid-market-sajter."
• "EU AI Act är fullt i kraft 2 augusti 2026 enligt Europeiska kommissionens tidslinje i Regulation (EU) 2024/1689."

Undvik: vaga statistik utan datum ("många företag rapporterar"), sekundärkällor utan primär ("Forbes rapporterar att Gartner säger"), procent utan bas ("30 procent högre" utan referensvärde).

Table-format för structured comparisons: per-rad-citation

Sammanfattat

Table-format för structured comparisons gör att varje rad kan citeras som enskild datapunkt av LLM:er. Alice Labs standard: table i div.overflow-x-auto wrapper (aldrig caption), 3-6 kolumner, 5-10 rader, source-attribution under tabellen som p.text-sm.text-muted-foreground. Varje rad ska vara self-contained med subject i första kolumnen och attribuerad claim i sista kolumnen. Claude och Copilot extraherar per-rad, GPT-5 hela tabellen.

Table-format är den enskilt mest strukturerade content-formen för LLM-citation. Varje rad kan citeras som enskild datapunkt. Alice Labs standard-mönster:

• Wrapper. Alltid <div className="overflow-x-auto"> för mobil-responsivitet. Aldrig <caption> (LLM:er nedvärderar deprecated markup).
• 3-6 kolumner. Under 3: för lite jämförelse-substans. Över 6: LLM:et chunker mid-rad och tappar coherence.
• 5-10 rader. Under 5: för lite variation. Över 10: LLM:et nedvärderar för brist på selectivity.
• Subject i första kolumn. Vendor-namn, produkttyp, kategori. Attribuerad claim i sista kolumnen.
• Source-attribution. Efter tabellen: <p className="text-sm text-muted-foreground">Källa: X, cross-checked mot Y.</p>. Ger LLM:et attribuerad citation-signal.

Claude och Copilot extraherar per-rad ("Alice Labs har X, konkurrent Y har Z per Alice Labs-tabell 2026"). GPT-5 extraherar hela tabellen ("enligt Alice Labs jämförelsetabell 2026"). Perplexity växlar mellan per-rad och tabell-nivå beroende på query.

Kod-exempel: passage-optimering i Markdown och HTML

Sammanfattat

Markdown passage-mönster: H2 query-shaped, quotable första-mening (self-contained, 15-30 ord), numrerad-fakta-mening med källa, 3-5 punkter för context, avslutande call-to-action-mening. HTML för React-komponenter: samma mönster men med data-speakable-attribut på quotable-mening för Speakable-schema. Alice Labs använder NextGenArticleConfig-abstraktionen som auto-genererar Speakable från sectionAnswer.

Passage-optimering i praktiken kräver medveten struktur i både Markdown och HTML. Alice Labs kod-exempel:

Markdown-mönster per passage (150 ord total):

• Rad 1: H2 query-shaped, 5-10 ord.
• Rad 2: Quotable första-mening, self-contained, 15-30 ord med subject-verb-claim-source.
• Rad 3-4: Numrerad-fakta-mening med primärkälla och länk.
• Rad 5-9: 3-5 punkter (ul eller ol) för context, 15-25 ord per punkt.
• Rad 10: Avslutande call-to-action-mening som länkar till relaterad passage.

HTML för React-komponenter: samma mönster men meddata-speakable-attribut på quotable-meningen för Speakable-schema- auto-generation. Alice Labs använder NextGenArticleConfig-abstraktionen som auto-genererar Speakable från sectionAnswer-fältet. Manuell speakable-markering behövs inte i standard-flöden.

Anti-patterns att undvika.

1. H2 utan query-shape ("Passage-optimering" istället för "Vad är passage-optimering?").
2. Första-mening utan self-contained ("Detta är en viktig teknik" istället för konkret claim).
3. Statistik utan datum eller källa ("många företag rapporterar" istället för attribuerad numerisk).
4. Tabell utan overflow-x-auto wrapper (bryter mobil).
5. H4 eller djupare (LLM:er nedvärderar semantic-splittring).

Läs mer om structural features utöver passage-optimering i vår sibling Content-strukturer för LLM-parsing och schema-stack-övergripande i Schema markup för LLM-citations.

Mätning: citation-rate per passage via brand-self-harvester

Sammanfattat

Alice Labs mäter citation-rate per passage via brand-self-harvester (tools/llm_query_harvester.py). Standardmätning: 50-100 prompts per passage-tema, logga per LLM vilken passage citerades (om nån), position of citation, source URL. Baseline före optimering, re-harvest 2-4 veckor efter deploy. Standard-target: 30 procent citation-rate per optimerad passage inom 4 veckor.

Att optimera passages utan mätning är att optimera i blindo. Alice Labs standardmätning:

1. Baseline-harvest före optimering. Kör python tools/llm_query_harvester.py --seed-path data/seeds/passage_baseline.json med 50-100 prompts per passage-tema. Logga per LLM: cited (bool), passage-id (om cited), position of citation, source URL.
2. Deploy passage-optimering. Uppdatera artiklar enligt 6-mönster- standarden. Bumpa dateModified och pusha via IndexNow.
3. Wait 2-4 veckor. ChatGPT Search och Copilot 2-14 dagar via Bing. Perplexity 1-3 dagar. Claude nästa training-cutoff. Gemini 1-3 dagar via Google.
4. Re-harvest. Kör samma prompts. Jämför citation-rate per passage- id och per LLM. Standard-target: 30 procent citation-rate per optimerad passage inom 4 veckor.
5. Iterera. Om target inte nås: (a) kontrollera passage-längd (75-150 ord), (b) verifiera H2 är query-shaped, (c) förstärk quotable första- mening, (d) lägg till attribuerad statistik, (e) kolla dateModified är recent.

Läs den bredare mätnings-loopen i pillar LLMO-optimering för svenska företag. Entity graph-detaljer i Entity graph för svenska företag.