Chunk Relevancy Ratio, forklart på norsk

Chunk Relevancy RatioChunk Relevancy RatioChunk Relevancy Ratio er forholdet mellom antall tekstbiter på en side som er relevante for et gitt spørsmål, og det totale antallet biter på siden. En lang side med lav andel taper mot en kort side med høy andel, fordi språkmodeller henter biter og ikke sider.Se i ordlisten er forholdet mellom antall tekstbiter på en side som er relevante for et gitt spørsmål, og det totale antallet biter på siden.

Jeg introduserte begrepet i en artikkel i november 2025. Den var på engelsk, og den lå på LinkedIn. Det har den fortsatt gjort, mens folk har begynt å bruke begrepet — så det er på tide at det finnes en ordentlig norsk framstilling, på et sted jeg selv kontrollerer.

Problemet begrepet løser

Vi vet at språkmodeller ikke henter hele sider. De henter chunks — avgrensede tekstbiter — og vurderer dem hver for seg.

Det er alle enige om. Men det som følger av det, blir sjelden sagt tydelig nok: når du konkurrerer om å bli sitertSiteringEn sitering er når en AI-tjeneste oppgir kilden bak et svar, som regel med lenke. Sitering er noe annet enn omtale: du kan bli nevnt uten å bli lenket til, og lenket til uten å bli nevnt ved navn.Se i ordlisten, konkurrerer ikke siden din. Biten din konkurrerer.

Og da blir det interessante spørsmålet ikke «hvor god er siden», men «hvor stor andel av siden er i det hele tatt med i konkurransen».

Regnestykket

Ta en artikkel på 2 000 ord om et spørsmål. Del den i avsnitt — si tjue biter.

Still spørsmålet artikkelen skal svare på. Gå gjennom bit for bit: bidrar denne til svaret?

Et typisk resultat på en typisk bedriftsblogg:

• Fire avsnitt innledning om hvorfor temaet er viktig nå. Nei.
• To avsnitt om bedriftens historie. Nei.
• Seks avsnitt som faktisk svarer. Ja.
• Tre avsnitt overgangstekst mellom seksjonene. Nei.
• Tre avsnitt oppsummering som gjentar de seks. Delvis.
• To avsnitt salgstekst. Nei.

Seks av tjue. Forholdstallet er 0,3.

Ved siden av ligger en konkurrent med en side på 600 ord, seks avsnitt, der fem svarer direkte. Forholdstall 0,83.

Den korte siden har færre relevante biter i absolutte tall — fem mot seks. Den vinner likevel oftere, av tre grunner.

Hvorfor den høye andelen vinner

Filteret ser overflaten. Modellene siler resultater før de leses i dybden — Claude gjør det nå programmatisk. Et sett biter der de fleste peker mot samme spørsmål, gir et tydeligere signal enn et sett der flertallet handler om noe annet.

Fortynning koster. Når en modell vurderer relevansen til en kilde, veier den ikke bare det beste avsnittet. Støyen rundt er med. Seks gode avsnitt omgitt av fjorten irrelevante ser ut som en side som handler om noe annet enn spørsmålet.

Sitering krever selvbærende biter. Et avsnitt som forutsetter de fire foregående, er vanskelig å løfte ut. Sider med mye overgangstekst har mange biter som ikke gir mening alene.

Hvordan jeg bruker det i praksis

Ikke som et tall jeg regner ut. Som et spørsmål jeg stiller til hver side:

«Hvis noen henter ett tilfeldig avsnitt herfra, hvor sannsynlig er det at de får noe brukbart?»

Det spørsmålet endrer skrivingen umiddelbart. Du slutter å skrive innledninger som varmer opp. Du slutter å bruke avsnitt på å binde sammen. Du begynner å skrive hvert avsnitt som om det kan bli det eneste noen ser — for det kan det.

Fire grep som hever forholdstallet

Kutt oppvarmingen. «I dagens digitale landskap …» er et avsnitt som aldri kommer til å bli sitert av noen om noe.

Del sider som handler om flere ting. En side om «SEO for nettbutikker» som dekker teknisk, innhold, produktdata og annonsering har lavt forholdstall for alle fire spørsmål. Fire sider har høyt for hvert sitt.

Skriv avsnitt som tåler å stå alene. Test det: klipp ut et tilfeldig avsnitt, les det uten resten. Gir det mening? Hvis det begynner med «Dette betyr at …», gjør det ikke det.

Flytt salgsteksten ut av brødteksten. Den hører hjemme i en tydelig avgrenset CTA, ikke innimellom det faglige. Der fortynner den, og den blir aldri sitert uansett.

Hva begrepet ikke er

Jeg vil være tydelig på grensene, fordi feltet er fullt av begreper som later som de er mer eksakte enn de er.

Dette er ikke et tall noen plattform rapporterer. Ingen modellprodusent bruker uttrykket. Du kan ikke slå det opp i et verktøy, og hvis noen selger deg en «ChunkChunkEn chunk er en avgrenset tekstbit som en språkmodell henter og vurderer for seg. Modellen siterer sjelden en hel side — den siterer den chunken som best besvarer spørsmålet.Se i ordlisten Relevancy Score», har de laget den selv — akkurat som jeg laget begrepet.

Det er ikke en presis måling. Hva som teller som relevant er en vurdering, og to personer vil lande på litt ulike tall for samme side.

Det er en linse. Verdien ligger i at den flytter oppmerksomheten fra sidenivå til bitnivå, og at den gjør et vagt råd — «skriv fokusert» — til noe du kan vurdere systematisk.

Jeg synes fortsatt det er den mest nyttige måten å tenke på innhold for AI-søk. Men jeg vil at du skal vite nøyaktig hva slags verktøy du har fått.