SEO Optimering & Content

Use-casen dækker det redaktionelle arbejde omkring søgemaskineoptimering: content briefs, brødtekst til landingssider og blogindlæg, title tags, meta descriptions, FAQ-sektioner og produktbeskrivelser. Fælles for opgaverne er, at teksten skal matche en søgeintention og samtidig give mening for et menneske.

Grænsen mod teknisk SEO er skarp. Crawlbudget, sitemaps, canonical tags, sidehastighed og structured markup løses ikke med en sprogmodel, selvom en model kan hjælpe med at generere JSON-LD. Går opgaven på indeksering og infrastruktur, hører den til et andet sted.

Der er også en grænse mod almindelig copywriting og mod annoncetekster. SEO-content er skrevet til en query og lever i konkurrence med ti andre resultater. Reklametekst til Google Ads eller Meta arbejder under andre begrænsninger og måles på andre tal.

Kæden starter uden for modellen. Du henter søgeord og volumen fra Search Console, Ahrefs eller Semrush, og du henter de faktiske top 10-resultater for den query, du vil ramme. De data er input, ikke noget modellen selv kan opdrive.

Derefter bygger du en brief: primært søgeord, sekundære termer, søgeintention, målgruppe, obligatoriske afsnit, ordantal og interne links der skal med. GPT-5.6 Sol og Claude Sonnet 5 klarer både brief og udkast i lange kontekster. Til volumenopgaver som meta descriptions for tusind produkter er GPT-5 nano billigere og hurtigere, fordi opgaven er skabelonpræget.

Kvaliteten afgøres næsten udelukkende af, hvor meget konkret materiale du lægger i konteksten. En prompt med produktdata, kundecitater, egne målinger og et uddrag af konkurrenternes tekster giver noget brugbart. En prompt med kun et søgeord giver en tekst, der ligner alle andre tekster om det søgeord.

Den hyppigste fejl er, at modellen opfinder tal. Statistik, årstal, brancheandele og henvisninger til rapporter ser plausible ud og er det ofte ikke. Publicerer du dem, flytter du en hallucination ud på en side, der skal signalere troværdighed.

Den næste fejl opstår ved skalering. Hundrede sider genereret fra samme prompt får samme afsnitsrytme, samme overgangsformuleringer og ofte overlappende emnedækning. Resultatet er keyword cannibalization, hvor dine egne sider konkurrerer om samme query, og ingen af dem rangerer godt.

Modellen kender heller ikke den aktuelle SERP. Træningsdata har en cutoff, og søgeresultater ændrer sig ugentligt. Beder du om en tekst der "slår konkurrenterne", får du et gæt baseret på gammelt materiale, ikke en analyse af det der faktisk ligger på side et lige nu.

Endelig er produkttekster særligt risikable. Modellen udfylder gerne manglende specifikationer med noget sandsynligt, og forkerte mål eller materialeangivelser giver returneringer og i værste fald markedsføringsretlige problemer.

Log hvilke sider der er helt eller delvist modelgenererede, og hvornår de blev publiceret. Uden den log kan du ikke skelne mellem, om en trafiknedgang skyldes dit content eller et algoritmeopdatering.

Sammenlign kohorter frem for enkeltsider. Se på impressions, gennemsnitlig position og CTR for en gruppe genererede sider mod en gruppe manuelt skrevne over mindst tre måneder. Enkeltsider svinger for meget til at sige noget.

Opdatering af eksisterende sider giver typisk hurtigere udslag end nye sider. En model er god til at finde huller i en tekst du allerede har, og det arbejde kræver mindre efterkontrol end et udkast skrevet fra bunden.