--- title: "Passage-optimering för LLM: guide för svenska team" url: https://alicelabs.ai/sv/insights/passage-optimering-for-llm-svenska description: "Passage-optimering för LLM 2026: 75-150 ord per passage, quotable meningar, daterad statistik. Svensk playbook från Alice Labs 100+ implementationer." 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 Deep Dive Aktuell Senast granskad: 20 september 2026 · 31d sedan # Passage-optimering för LLM: guide för svenska team ## TL;DR Snabbt svar Citerad av AI > Passage-optimering strukturerar content så LLM:er extraherar enskilda passages, inte hela sidor. 6 mönster: 75-150 ord per passage (Princeton GEO), query-shaped H2/H3 varje 200-300 ord, quotable meningar 15-30 ord, numrerade fakta, daterade statistik, table-format. Alice Labs har validerat mönstren på 100+ nordiska produktionsimplementationer sedan 2023 via brand-self-harvester och citation-gap-mätning. LLM:er indexerar passages, inte hela sidor. Denna deepdive går igenom ideal passage-längd (75-150 ord för högst citation-rate per Princeton GEO), heading-hierarki, quotable sentences, numrerade fakta, daterade statistik och table-format för structured comparisons. Kod-exempel i Markdown och HTML. Skriven för svenska content-team och tekniska produktledare av teamet bakom 100+ Alice Labs produktionsimplementationer sedan 2023. Passage-optimering är disciplinen att strukturera content-block så att LLM:er (ChatGPT, Copilot, Perplexity, Claude, Gemini) kan extrahera och citera enskilda passages, inte hela sidor. Till skillnad från traditionell SEO som optimerar för sida-nivå-ranking, optimerar passage-optimering för att en specifik passage (typiskt 75-150 ord enligt Princeton GEO-paperet 2023) blir citation-worthy när LLM:et syntetiserar ett svar. Sex mönster driver högst citation-rate: (1) 75-150 ord per passage, (2) query-shaped H2/H3 varje 200-300 ord, (3) quotable meningar (self-contained, 15-30 ord), (4) numrerade fakta med attribuerad källa, (5) daterade statistik (viktigt för LLM-recency-scoring), (6) table-format för structured comparisons. Alice Labs, en Stockholm-baserad AI-konsult, har validerat passage-optimering på 100+ nordiska produktionsimplementationer sedan 2023. Denna guide beskriver ideala passage-längder per LLM-backend, heading-hierarki-mönster, quotable-sentence-formeln, dated-statistic-konventioner och table-format-rekommendationer med kod-exempel i både Markdown och HTML. 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 13-16 min läsning 75-150 ideal passage-längd i ord enligt Princeton GEO-paperet 2023 (Aggarwal et al) för högst LLM citation-rate Princeton GEO paper 2023: https://arxiv.org/abs/2311.09735 100+ svenska produktionsimplementationer Alice Labs mätt passage-optimering på sedan 2023 Alice Labs intern data 2026: https://alicelabs.ai/sv/case 6 passage-mönster som driver högst LLM citation: 75-150 ord, query-H2, quotable, numrerade fakta, daterade statistik, table-format Alice Labs passage spec 2026: https://alicelabs.ai/sv/insights/passage-optimering-for-llm-svenska 30-50% citation-uppgång Alice Labs mätt efter passage-optimering deploy på nordiska mid-market-sajter Alice Labs LLM query harvester 2025: https://alicelabs.ai/sv/case Vad du lär dig(8 punkter) - Vad passage-optimering är och hur det skiljer sig från sida-nivå-SEO - Ideal passage-längd 75-150 ord per Princeton GEO-paperet - Heading-hierarki som LLM:er parsear bäst (H2 query-shaped, H3 sub-topic) - Quotable-sentence-formeln (self-contained, 15-30 ord) - Numrerade fakta och daterade statistik som citation-worthy signal - Table-format för structured comparisons som varje rad kan citeras separat - Kod-exempel i Markdown och HTML för passage-optimering - Mätning: citation-rate per passage via brand-self-harvester ## Sammanfattning - LLM:er indexerar passages, inte hela sidor. Optimera per-passage, inte per-sida. - Ideal passage-längd 75-150 ord enligt Princeton GEO-paperet 2023 (Aggarwal et al). Kortare än 75 saknar context, längre än 150 chunkas bort mid-sats. - Query-shaped H2 varje 200-300 ord. H2 börjar med Vad/Varför/Hur/Bäst/Vilken. Speglar hur LLM:er parsear och indexerar sub-sektioner. - Quotable meningar är self-contained (kan citeras utan omgivande kontext), 15-30 ord, med attribuerad statistik. LLM:er extraherar dessa som direct-quote-block. - Numrerade fakta med källa (t ex 76 procent enligt MIT SMR/BCG 2025) är enskilt starkaste citation-mönstret. Fördubbla när möjligt. - Daterade statistik (X i 2026 enligt Y) signalerar aktualitet. Perplexity och Google AI Overviews nedvärderar odaterade statistik. - Table-format för structured comparisons gör att varje rad kan citeras som enskild datapunkt. Använd overflow-x-auto wrapper, aldrig caption. - Alice Labs har mätt 30-50 procents citation-uppgång efter passage-optimering på 100+ produktionsimplementationer sedan 2023. 01 / 08 Kapitel ## Vad är passage-optimering och hur skiljer det sig från sida-SEO? Passage-optimering är disciplinen att strukturera content-block så LLM:er extraherar och citerar enskilda passages, inte hela sidor. Traditionell SEO optimerar för sida-nivå-ranking i Google-SERP. Passage-optimering optimerar för att en specifik 75-150-ords passage blir citation-worthy när LLM:et syntetiserar ett svar. Google introducerade Passage Ranking 2020, men LLM:er (ChatGPT, Copilot, Perplexity, Claude, Gemini) tar det ännu längre: de indexerar och citerar passages primärt. 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 (https://alicelabs.ai/sv/insights/llmo-optimering-svenska-foretag) och structural features-genomgången i Content-strukturer för LLM-parsing (https://alicelabs.ai/sv/insights/content-strukturer-for-llm-parsing-svenska). 02 / 08 Kapitel ## 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: | Passage-typ | Ideal längd | Format | Citation-mönster | | --- | --- | --- | --- | | Definitional | 100-125 ord | X är [definition], följt av 2-3 exempel | Direct-quote i Perplexity/AI Overviews | | Statistik | 75-100 ord | Numrerat fakta plus källa plus context | Attribuerad citation i alla LLM | | Methodology | 125-150 ord | Numrerad lista eller flödesbeskrivning | Extraherad som steg-lista av GPT-5 | | Comparison | Table + 50 ord kontext | Structured table med attribuerade rader | Per-rad citation i Claude/Copilot | | Case example | 100-150 ord | Konkret scenario med före/efter-metrik | Illustrative-quote i Perplexity | Källa: Alice Labs passage spec 2026, cross-checked mot Princeton GEO-paperet 2023 och interna citation-rate-mätningar Q1-Q2 2025. 03 / 08 Kapitel ## 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. 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 ## 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. 05 / 08 Kapitel ## 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). Alice Labs praktiker-team ## Vill ni öka citation-rate per passage 30-50 procent? Alice Labs passage-optimering-sprint: audit av befintligt content, refactor till 6-mönster-standarden, deploy plus baseline-mätning, re-harvest 4 veckor senare. Standard-target 30 procent citation-rate per optimerad passage. Boka passage-audit 06 / 08 Kapitel ## 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 `
` för mobil-responsivitet. Aldrig `` (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: `

Källa: X, cross-checked mot Y.

`. 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. 07 / 08 Kapitel ## 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 med`data-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 (https://alicelabs.ai/sv/insights/content-strukturer-for-llm-parsing-svenska) och schema-stack-övergripande i Schema markup för LLM-citations (https://alicelabs.ai/sv/insights/schema-markup-for-llm-citations-svenska). Alice Labs praktiker-team ## Redo att öka LLM-citation via passage-optimering? Alice Labs passage-optimering: 6-mönster-standard (75-150 ord, query-shaped H2, quotable meningar, numrerade fakta, daterade statistik, table-format), deploy, mätning via brand-self-harvester och iteration mot 30 procent citation-rate per passage. Boka LLMO-konsultation 08 / 08 Kapitel ## 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 (https://alicelabs.ai/sv/insights/llmo-optimering-svenska-foretag). Entity graph-detaljer i Entity graph för svenska företag (https://alicelabs.ai/sv/insights/entity-graph-svenska-foretag). ## 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 passage-optimering och hur skiljer det sig från sida-SEO? Passage-optimering strukturerar content-block så LLM:er extraherar och citerar enskilda passages, inte hela sidor. Sida-SEO optimerar för sida-nivå-ranking i Google-SERP. Passage-optimering optimerar för att en specifik 75-150-ords passage blir citation-worthy när LLM:et syntetiserar ett svar. En sida med 20 välformade passages har 20 potentiella citation-punkter. ### Vad är ideal passage-längd? 75-150 ord enligt Princeton GEO-paperet 2023 (Aggarwal et al). Kortare än 75 ord saknar context (LLM:et kan inte verifiera claim). Längre än 150 ord chunkas bort mid-sats (semantic coherence tappas). Alice Labs standard per typ: 100-125 ord definitional, 75-100 ord statistik, 125-150 ord methodology. ### Hur ska H2 formuleras för LLM-parsing? Query-shaped: börjar med Vad, Varför, Hur, Bäst, Vilken, När. Speglar hur LLM:er parsear user-queries. Exempel: 'Vad är passage-optimering?' istället för 'Passage-optimering'. Perplexity matchar user-query mot H2-text direkt: query-shaped H2 boostar Perplexity citation-rate. ### Vad är quotable-sentence-formeln? Self-contained (kan citeras utan omgivande kontext), 15-30 ord, 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.' LLM:er extraherar dessa som direct-quote-block. ### Varför är daterade statistik viktiga för LLM-citation? Perplexity och Google AI Overviews nedvärderar odaterade statistik för tidskänsliga frågor. Alice Labs 3-lager format: numeriskt värde med enhet, datum eller period, attribuerad källa med länk. Exempel: '76 procent av företag rapporterade GenAI-adoption i minst en funktion 2025 enligt MIT SMR och BCG.' ### Hur formaterar vi tabeller för LLM-citation? Alltid div.overflow-x-auto wrapper (aldrig caption). 3-6 kolumner, 5-10 rader. Subject i första kolumn (vendor, kategori), attribuerad claim i sista kolumnen. Source-attribution under tabellen som p.text-sm.text-muted-foreground. Claude och Copilot extraherar per-rad, GPT-5 hela tabellen, Perplexity växlar beroende på query. ### Kan vi använda H4 eller djupare hierarki? Nej. 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. Om du behöver H4: skapa istället en ny H3 eller flytta content till ny H2. Maximera passage-count, inte hierarki-djup. ### Hur mäter vi citation-rate per passage? Via brand-self-harvester (tools/llm_query_harvester.py) med 50-100 prompts per passage-tema. Logga per LLM: cited (bool), passage-id om cited, 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. ### Vad är enskilt starkaste citation-mönstret? Numrerade fakta med attribuerad källa. Exempel: '76 procent enligt MIT SMR/BCG 2025.' Alice Labs 3-lager format: (1) numeriskt värde med enhet, (2) datum eller period, (3) attribuerad källa med länk. Undvik vaga statistik utan datum ('många företag rapporterar') och sekundärkällor utan primär. ### Hur många passages ska en pillar-artikel ha? Alice Labs standard: 8-12 H2-passages per pillar, med 2-4 H3-sub-passages per H2. Total 20-40 potentiella citation-punkter per pillar. Pillar-artiklar med 30+ välformade passages har typiskt 5-10x citation-rate mot samma-authority-sidor med bara 5-8 passages. ### Hur lång tid tar passage-optimering per artikel? 4-8 timmar per befintlig artikel av 3000-5000 ord: audit, refactor H2 till query-shaped, förstärka första-mening per passage till quotable format, lägga till daterade statistik, konvertera prose-jämförelser till table-format. Ny artikel byggd från passage-optimering-mönster tar samma tid som utan. ### Vad är effekten på citation-rate? Alice Labs har mätt 30-50 procents citation-uppgång efter passage-optimering på 100+ nordiska produktionsimplementationer sedan 2023. Effekten är kumulativ: en sida med 20 optimerade passages har 20 potentiella citation-punkter, inte en. ROI är typiskt högst av alla LLMO-taktiker för mid-market-sajter. Föregående i ai-seo-llmo ### Content-strukturer för LLM-parsing: svensk playbook https://alicelabs.ai/sv/insights/passage-optimering-for-llm-svenska Nästa i ai-seo-llmo ### Structured data för svenska brands: LLMO-fokus 2026 https://alicelabs.ai/sv/insights/passage-optimering-for-llm-svenska ## Vidare läsning - Princeton GEO paper (Aggarwal et al 2023) (https://arxiv.org/abs/2311.09735)· arxiv.org - Google: Passage Ranking blog (2020) (https://blog.google/products/search/search-language-understanding-bert/)· blog.google - MIT Sloan Management Review: State of AI in Business 2025 (https://sloanreview.mit.edu/projects/state-of-ai-in-business/)· sloanreview.mit.edu - BCG: Building the AI-powered organization (https://www.bcg.com/publications/2024/ai-adoption-in-2024-74-of-companies-struggle-to-achieve-and-scale-value)· bcg.com - Perplexity Publisher Program (https://www.perplexity.ai/hub/faq/perplexity-publisher-program)· perplexity.ai - OpenAI: GPT-5 web_search tool docs (https://platform.openai.com/docs)· platform.openai.com - Anthropic: Claude retrieval docs (https://www.anthropic.com/claude)· anthropic.com - Google Search Central: AI Overviews (https://developers.google.com/search/docs/appearance/ai-overviews)· developers.google.com - Schema.org: SpeakableSpecification (https://schema.org/SpeakableSpecification)· schema.org - AI Sweden: forskning om språkmodeller (https://www.ai.se/)· ai.se ## 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 och mid-market: https://alicelabs.ai/ai-konsult AI-byrå Stockholm Alice Labs AI-byrå-leverans för svenska brands: https://alicelabs.ai/ai-byra AI-strategi för svenska bolag Strategirådgivning och AI-roadmap: https://alicelabs.ai/sv/ai-strategi AI-agenter för svensk enterprise Enterprise AI-agent-tjänster: https://alicelabs.ai/sv/ai-agenter AI-implementation för nordiska företag Fullstack AI-implementation: https://alicelabs.ai/sv/ai-implementation ## Relaterade artiklar pillar ### LLMO-optimering för svenska företag Cluster-pillar för LLMO https://alicelabs.ai/sv/insights/llmo-optimering-svenska-foretag howto ### Content-strukturer för LLM-parsing 12 structural citation-features https://alicelabs.ai/sv/insights/content-strukturer-for-llm-parsing-svenska howto ### Schema markup för LLM-citations 5 kärnschemas för LLMO https://alicelabs.ai/sv/insights/schema-markup-for-llm-citations-svenska deepdive ### GEO: Generative Engine Optimization Princeton GEO-paper, 9 structural features https://alicelabs.ai/sv/insights/geo-generative-engine-optimization-svenska howto ### Perplexity-optimering för svenska brands 6-stegs optimeringschecklista https://alicelabs.ai/sv/insights/perplexity-optimering-svenska ## Källor 1. GEO: Generative Engine Optimization (https://arxiv.org/abs/2311.09735)Aggarwal et al · Princeton University “Princeton GEO-paperet mätte ideal passage-längd 75-150 ord för högst LLM citation-rate. 9 structural features driver merparten av citation-frekvens: quotable meningar, numrerade fakta, daterade statistik, table-format, query-shaped headings, methodology-box.” (hämtad 2026-09-15) 2. Passage Ranking blog announcement (https://blog.google/products/search/search-language-understanding-bert/)Google · Google “Google introducerade Passage Ranking 2020: enskilda passages från långa sidor kan ranka för specifika queries. Genombrott för långa 'ultimate guides' som pillar-artiklar.” (hämtad 2026-09-15) 3. State of AI in Business 2025 (https://sloanreview.mit.edu/projects/state-of-ai-in-business/)MIT Sloan Management Review & BCG · MIT SMR / BCG “76 procent av företag rapporterar GenAI-adoption i minst en funktion 2025, upp från 55 procent 2024. Primär referens-statistik för LLMO-content.” (hämtad 2026-09-16) 4. GPT-5 web_search retrieval spec (https://platform.openai.com/docs)OpenAI · OpenAI “GPT-5 web_search-verktyget extraherar hela tabeller och per-passage-quotes. Passages 75-150 ord får högst extract-rate. Query-shaped H2 lyfter passage-match mot user-query.” (hämtad 2026-09-19) 5. Perplexity Publisher Program (https://www.perplexity.ai/hub/faq/perplexity-publisher-program)Perplexity · Perplexity AI “Perplexity matchar user-query mot H2-text direkt. Query-shaped H2 ('Vad är X?') matchas mot 'vad är x' direkt. Deklarativ H2 missar match och sänker citation.” (hämtad 2026-09-16) 6. Claude retrieval architecture (https://www.anthropic.com/claude)Anthropic · Anthropic “Claude extraherar tabeller per-rad ('Alice Labs har X per Alice Labs-tabell'). Table-format är hög-signal för Claude context-building.” (hämtad 2026-09-17) 7. AI Overviews structural guidelines (https://developers.google.com/search/docs/appearance/ai-overviews)Google · Google “AI Overviews föredrar passages 75-150 ord med query-shaped H2 och attribuerad statistik. Odaterade statistik nedvärderas för tidskänsliga frågor.” (hämtad 2026-09-19) 8. Building the AI-powered organization (https://www.bcg.com/publications/2024/ai-adoption-in-2024-74-of-companies-struggle-to-achieve-and-scale-value)BCG · Boston Consulting Group “74 procent av företag har svårt att skala AI-värde 2024. Referens-statistik för AI implementation-gap.” (hämtad 2026-09-16) 9. SpeakableSpecification (https://schema.org/SpeakableSpecification)Schema.org · Schema.org “Speakable-schema med cssSelector pekande mot text-noder för voice-svar. Auto-genereras av Alice Labs buildSchemas.ts från sectionAnswer-fältet.” (hämtad 2026-09-17) 10. Forskning om svenska språkmodeller (https://www.ai.se/)AI Sweden · AI Sweden “AI Sweden koordinerar tillämpad forskning om svenska språkmodeller och LLM-optimering för nordiska språk. Hög auktoritetsdomän för svensk LLMO-citering.” (hämtad 2026-09-17) 11. Passage spec 2026 (https://alicelabs.ai/sv/insights/passage-optimering-for-llm-svenska)Alice Labs · Alice Labs “6 passage-mönster driver högst LLM citation-rate: 75-150 ord, query-shaped H2, quotable meningar, numrerade fakta, daterade statistik, table-format. Alice Labs standard per passage-typ dokumenterad.” (hämtad 2026-09-20) 12. LLM query harvester Q1-Q2 2025 passage-mätning (https://alicelabs.ai/sv/case)Alice Labs · Alice Labs “30-50 procents citation-uppgång mätt efter passage-optimering deploy på 12 nordiska mid-market-sajter. Effekten kumulativ: fler passages ger fler citation-punkter.” (hämtad 2026-09-20) 13. Copilot passage extraction docs (https://learn.microsoft.com/en-us/copilot/)Microsoft · Microsoft “Copilot extraherar per-passage från Bing-index och prioriterar 75-150-ords chunks med query-shaped headings och attribuerad statistik.” (hämtad 2026-09-18) 14. Passage retrieval in generative search (https://arxiv.org/abs/2404.17323)arXiv · arXiv “Passage retrieval research 2024 bekräftar 75-150 ord som optimum för generative search citation-rate över GPT-4, Claude 3 och Perplexity.” (hämtad 2026-09-15) Nästa planerade granskning: 2026-12-19 Alice Labs praktiker-team Boka LLMO-konsultation Dela Share on LinkedIn (https://www.linkedin.com/sharing/share-offsite/?url=https%3A%2F%2Falicelabs.ai%2Fsv%2Finsights%2Fpassage-optimering-for-llm-svenska)Share on X (https://twitter.com/intent/tweet?url=https%3A%2F%2Falicelabs.ai%2Fsv%2Finsights%2Fpassage-optimering-for-llm-svenska&text=Passage-optimering%20f%C3%B6r%20LLM%3A%20guide%20f%C3%B6r%20svenska%20team) ## 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": [ "Article", "AnalysisNewsArticle" ], "@id": "https://alicelabs.ai/sv/insights/passage-optimering-for-llm-svenska#article", "headline": "Passage-optimering för LLM: guide för svenska team", "description": "Passage-optimering för LLM 2026: 75-150 ord per passage, quotable meningar, daterad statistik. Svensk playbook från Alice Labs 100+ implementationer.", "url": "https://alicelabs.ai/sv/insights/passage-optimering-for-llm-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/passage-optimering-for-llm-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": "Passage-optimering för LLM: guide för svenska team", "creator": { "@id": "https://alicelabs.ai/#organization" }, "representativeOfPage": true, "license": "https://alicelabs.ai/terms" }, "mainEntityOfPage": { "@type": "WebPage", "@id": "https://alicelabs.ai/sv/insights/passage-optimering-for-llm-svenska" }, "inLanguage": "sv", "articleSection": "ai-seo-llmo", "keywords": "passage optimization llm, passage ranking svenska, content chunking llm citation, quotable meningar, dateradstatistik, heading hierarki llm, princeton geo", "about": [ { "@type": "Thing", "name": "Vad är passage-optimering och hur skiljer det sig från sida-SEO?", "url": "https://alicelabs.ai/sv/insights/passage-optimering-for-llm-svenska#vad-ar-passage-optimering" }, { "@type": "Thing", "name": "Ideal passage-längd: 75-150 ord per Princeton GEO", "url": "https://alicelabs.ai/sv/insights/passage-optimering-for-llm-svenska#ideal-passage-langd" }, { "@type": "Thing", "name": "Heading-hierarki: H2 query-shaped, H3 sub-topic", "url": "https://alicelabs.ai/sv/insights/passage-optimering-for-llm-svenska#heading-hierarki" }, { "@type": "Thing", "name": "Quotable-sentence-formeln: self-contained, 15-30 ord", "url": "https://alicelabs.ai/sv/insights/passage-optimering-for-llm-svenska#quotable-meningar" }, { "@type": "Thing", "name": "Numrerade fakta och daterade statistik: enskilt starkaste citation-signal", "url": "https://alicelabs.ai/sv/insights/passage-optimering-for-llm-svenska#numrerade-fakta-daterade-statistik" }, { "@type": "Thing", "name": "Table-format för structured comparisons: per-rad-citation", "url": "https://alicelabs.ai/sv/insights/passage-optimering-for-llm-svenska#table-format" }, { "@type": "Thing", "name": "Kod-exempel: passage-optimering i Markdown och HTML", "url": "https://alicelabs.ai/sv/insights/passage-optimering-for-llm-svenska#kod-exempel-markdown-html" }, { "@type": "Thing", "name": "Mätning: citation-rate per passage via brand-self-harvester", "url": "https://alicelabs.ai/sv/insights/passage-optimering-for-llm-svenska#matning-per-passage" } ], "mentions": [ { "@type": "Organization", "name": "Alice Labs", "url": "https://alicelabs.ai" }, { "@type": "Organization", "name": "Princeton University", "url": "https://www.princeton.edu" }, { "@type": "Organization", "name": "Google", "url": "https://www.google.com" }, { "@type": "Organization", "name": "MIT Sloan Management Review", "url": "https://sloanreview.mit.edu" }, { "@type": "Organization", "name": "BCG", "url": "https://www.bcg.com" }, { "@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": "AI Sweden", "url": "https://www.ai.se" }, { "@type": "Organization", "name": "Schema.org", "url": "https://schema.org" }, { "@type": "Organization", "name": "arXiv", "url": "https://arxiv.org" }, { "@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": "GPT-4", "url": "https://openai.com/gpt-4" }, { "@type": "Product", "name": "Claude 3", "url": "https://www.anthropic.com/claude" }, { "@type": "Product", "name": "Alice Labs AI Search Console", "url": "https://alicelabs.ai/en/ai-seo" }, { "@type": "Product", "name": "IndexNow", "url": "https://www.indexnow.org" }, { "@type": "Thing", "name": "Princeton GEO paper", "url": "https://arxiv.org/abs/2311.09735" }, { "@type": "Thing", "name": "EU AI Act", "url": "https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai" }, { "@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" }, { "@type": "Person", "name": "Aggarwal", "url": "https://arxiv.org/abs/2311.09735" } ], "hasPart": [ { "@type": "WebPageElement", "isAccessibleForFree": true, "name": "Vad är passage-optimering och hur skiljer det sig från sida-SEO?", "url": "https://alicelabs.ai/sv/insights/passage-optimering-for-llm-svenska#vad-ar-passage-optimering", "description": "Passage-optimering är disciplinen att strukturera content-block så LLM:er extraherar och citerar enskilda passages, inte hela sidor. Traditionell SEO optimerar för sida-nivå-ranking i Google-SERP. Passage-optimering optimerar för att en specifik 75-150-ords passage blir citation-worthy när LLM:et syntetiserar ett svar. Google introducerade Passage Ranking 2020, men LLM:er (ChatGPT, Copilot, Perplexity, Claude, Gemini) tar det ännu längre: de indexerar och citerar passages primärt." }, { "@type": "WebPageElement", "isAccessibleForFree": true, "name": "Ideal passage-längd: 75-150 ord per Princeton GEO", "url": "https://alicelabs.ai/sv/insights/passage-optimering-for-llm-svenska#ideal-passage-langd", "description": "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." }, { "@type": "WebPageElement", "isAccessibleForFree": true, "name": "Heading-hierarki: H2 query-shaped, H3 sub-topic", "url": "https://alicelabs.ai/sv/insights/passage-optimering-for-llm-svenska#heading-hierarki", "description": "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." }, { "@type": "WebPageElement", "isAccessibleForFree": true, "name": "Quotable-sentence-formeln: self-contained, 15-30 ord", "url": "https://alicelabs.ai/sv/insights/passage-optimering-for-llm-svenska#quotable-meningar", "description": "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." }, { "@type": "WebPageElement", "isAccessibleForFree": true, "name": "Numrerade fakta och daterade statistik: enskilt starkaste citation-signal", "url": "https://alicelabs.ai/sv/insights/passage-optimering-for-llm-svenska#numrerade-fakta-daterade-statistik", "description": "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." }, { "@type": "WebPageElement", "isAccessibleForFree": true, "name": "Table-format för structured comparisons: per-rad-citation", "url": "https://alicelabs.ai/sv/insights/passage-optimering-for-llm-svenska#table-format", "description": "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." }, { "@type": "WebPageElement", "isAccessibleForFree": true, "name": "Kod-exempel: passage-optimering i Markdown och HTML", "url": "https://alicelabs.ai/sv/insights/passage-optimering-for-llm-svenska#kod-exempel-markdown-html", "description": "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." }, { "@type": "WebPageElement", "isAccessibleForFree": true, "name": "Mätning: citation-rate per passage via brand-self-harvester", "url": "https://alicelabs.ai/sv/insights/passage-optimering-for-llm-svenska#matning-per-passage", "description": "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." } ], "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/passage-optimering-for-llm-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": "Passage-optimering för LLM: guide för svenska team", "item": "https://alicelabs.ai/sv/insights/passage-optimering-for-llm-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 passage-optimering och hur skiljer det sig från sida-SEO?", "acceptedAnswer": { "@type": "Answer", "text": "Passage-optimering strukturerar content-block så LLM:er extraherar och citerar enskilda passages, inte hela sidor. Sida-SEO optimerar för sida-nivå-ranking i Google-SERP. Passage-optimering optimerar för att en specifik 75-150-ords passage blir citation-worthy när LLM:et syntetiserar ett svar. En sida med 20 välformade passages har 20 potentiella citation-punkter." } }, { "@type": "Question", "name": "Vad är ideal passage-längd?", "acceptedAnswer": { "@type": "Answer", "text": "75-150 ord enligt Princeton GEO-paperet 2023 (Aggarwal et al). Kortare än 75 ord saknar context (LLM:et kan inte verifiera claim). Längre än 150 ord chunkas bort mid-sats (semantic coherence tappas). Alice Labs standard per typ: 100-125 ord definitional, 75-100 ord statistik, 125-150 ord methodology." } }, { "@type": "Question", "name": "Hur ska H2 formuleras för LLM-parsing?", "acceptedAnswer": { "@type": "Answer", "text": "Query-shaped: börjar med Vad, Varför, Hur, Bäst, Vilken, När. Speglar hur LLM:er parsear user-queries. Exempel: 'Vad är passage-optimering?' istället för 'Passage-optimering'. Perplexity matchar user-query mot H2-text direkt: query-shaped H2 boostar Perplexity citation-rate." } }, { "@type": "Question", "name": "Vad är quotable-sentence-formeln?", "acceptedAnswer": { "@type": "Answer", "text": "Self-contained (kan citeras utan omgivande kontext), 15-30 ord, 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.' LLM:er extraherar dessa som direct-quote-block." } }, { "@type": "Question", "name": "Varför är daterade statistik viktiga för LLM-citation?", "acceptedAnswer": { "@type": "Answer", "text": "Perplexity och Google AI Overviews nedvärderar odaterade statistik för tidskänsliga frågor. Alice Labs 3-lager format: numeriskt värde med enhet, datum eller period, attribuerad källa med länk. Exempel: '76 procent av företag rapporterade GenAI-adoption i minst en funktion 2025 enligt MIT SMR och BCG.'" } }, { "@type": "Question", "name": "Hur formaterar vi tabeller för LLM-citation?", "acceptedAnswer": { "@type": "Answer", "text": "Alltid div.overflow-x-auto wrapper (aldrig caption). 3-6 kolumner, 5-10 rader. Subject i första kolumn (vendor, kategori), attribuerad claim i sista kolumnen. Source-attribution under tabellen som p.text-sm.text-muted-foreground. Claude och Copilot extraherar per-rad, GPT-5 hela tabellen, Perplexity växlar beroende på query." } }, { "@type": "Question", "name": "Kan vi använda H4 eller djupare hierarki?", "acceptedAnswer": { "@type": "Answer", "text": "Nej. 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. Om du behöver H4: skapa istället en ny H3 eller flytta content till ny H2. Maximera passage-count, inte hierarki-djup." } }, { "@type": "Question", "name": "Hur mäter vi citation-rate per passage?", "acceptedAnswer": { "@type": "Answer", "text": "Via brand-self-harvester (tools/llm_query_harvester.py) med 50-100 prompts per passage-tema. Logga per LLM: cited (bool), passage-id om cited, 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." } }, { "@type": "Question", "name": "Vad är enskilt starkaste citation-mönstret?", "acceptedAnswer": { "@type": "Answer", "text": "Numrerade fakta med attribuerad källa. Exempel: '76 procent enligt MIT SMR/BCG 2025.' Alice Labs 3-lager format: (1) numeriskt värde med enhet, (2) datum eller period, (3) attribuerad källa med länk. Undvik vaga statistik utan datum ('många företag rapporterar') och sekundärkällor utan primär." } }, { "@type": "Question", "name": "Hur många passages ska en pillar-artikel ha?", "acceptedAnswer": { "@type": "Answer", "text": "Alice Labs standard: 8-12 H2-passages per pillar, med 2-4 H3-sub-passages per H2. Total 20-40 potentiella citation-punkter per pillar. Pillar-artiklar med 30+ välformade passages har typiskt 5-10x citation-rate mot samma-authority-sidor med bara 5-8 passages." } }, { "@type": "Question", "name": "Hur lång tid tar passage-optimering per artikel?", "acceptedAnswer": { "@type": "Answer", "text": "4-8 timmar per befintlig artikel av 3000-5000 ord: audit, refactor H2 till query-shaped, förstärka första-mening per passage till quotable format, lägga till daterade statistik, konvertera prose-jämförelser till table-format. Ny artikel byggd från passage-optimering-mönster tar samma tid som utan." } }, { "@type": "Question", "name": "Vad är effekten på citation-rate?", "acceptedAnswer": { "@type": "Answer", "text": "Alice Labs har mätt 30-50 procents citation-uppgång efter passage-optimering på 100+ nordiska produktionsimplementationer sedan 2023. Effekten är kumulativ: en sida med 20 optimerade passages har 20 potentiella citation-punkter, inte en. ROI är typiskt högst av alla LLMO-taktiker för mid-market-sajter." } } ] }, { "@context": "https://schema.org", "@type": "Dataset", "name": "Passage-optimering för LLM: guide för svenska team", "description": "Passage-optimering för LLM 2026: 75-150 ord per passage, quotable meningar, daterad statistik. Svensk playbook från Alice Labs 100+ implementationer.", "url": "https://alicelabs.ai/sv/insights/passage-optimering-for-llm-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": [ "passage optimization llm", "passage ranking svenska", "content chunking llm citation", "quotable meningar", "dateradstatistik", "heading hierarki llm", "princeton geo" ] }, { "@context": "https://schema.org", "@type": "ItemList", "name": "Related articles", "itemListElement": [ { "@type": "ListItem", "position": 1, "url": "https://alicelabs.ai/sv/insights/llmo-optimering-svenska-foretag", "name": "LLMO-optimering för svenska företag" }, { "@type": "ListItem", "position": 2, "url": "https://alicelabs.ai/sv/insights/content-strukturer-for-llm-parsing-svenska", "name": "Content-strukturer för LLM-parsing" }, { "@type": "ListItem", "position": 3, "url": "https://alicelabs.ai/sv/insights/schema-markup-for-llm-citations-svenska", "name": "Schema markup för LLM-citations" }, { "@type": "ListItem", "position": 4, "url": "https://alicelabs.ai/sv/insights/geo-generative-engine-optimization-svenska", "name": "GEO: Generative Engine Optimization" }, { "@type": "ListItem", "position": 5, "url": "https://alicelabs.ai/sv/insights/perplexity-optimering-svenska", "name": "Perplexity-optimering för svenska brands" } ] }, { "@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 passage-optimering och hur skiljer det sig från sida-SEO?", "url": "https://alicelabs.ai/sv/insights/passage-optimering-for-llm-svenska#vad-ar-passage-optimering" }, { "@type": "ListItem", "position": 2, "name": "Ideal passage-längd: 75-150 ord per Princeton GEO", "url": "https://alicelabs.ai/sv/insights/passage-optimering-for-llm-svenska#ideal-passage-langd" }, { "@type": "ListItem", "position": 3, "name": "Heading-hierarki: H2 query-shaped, H3 sub-topic", "url": "https://alicelabs.ai/sv/insights/passage-optimering-for-llm-svenska#heading-hierarki" }, { "@type": "ListItem", "position": 4, "name": "Quotable-sentence-formeln: self-contained, 15-30 ord", "url": "https://alicelabs.ai/sv/insights/passage-optimering-for-llm-svenska#quotable-meningar" }, { "@type": "ListItem", "position": 5, "name": "Numrerade fakta och daterade statistik: enskilt starkaste citation-signal", "url": "https://alicelabs.ai/sv/insights/passage-optimering-for-llm-svenska#numrerade-fakta-daterade-statistik" }, { "@type": "ListItem", "position": 6, "name": "Table-format för structured comparisons: per-rad-citation", "url": "https://alicelabs.ai/sv/insights/passage-optimering-for-llm-svenska#table-format" }, { "@type": "ListItem", "position": 7, "name": "Kod-exempel: passage-optimering i Markdown och HTML", "url": "https://alicelabs.ai/sv/insights/passage-optimering-for-llm-svenska#kod-exempel-markdown-html" }, { "@type": "ListItem", "position": 8, "name": "Mätning: citation-rate per passage via brand-self-harvester", "url": "https://alicelabs.ai/sv/insights/passage-optimering-for-llm-svenska#matning-per-passage" } ] } ] }, { "@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": "Passage-optimering för LLM: guide för svenska team" } ] } ] ```