---
title: "Hva er chunking?"
description: "Chunking er oppdelingen av en side i tekstbiter som hentes hver for seg. Slik påvirker du bitene du ikke selv deler opp, med regneeksempel."
canonical: https://kristerross.no/hva-er/chunking/
updated: 2026-08-23
term: "Chunking"
term_en: "Chunking"
category: "Innhold og svarbarhet"
chain_link: "4. Kontekst (Context)"
trust_step: "3. Kontekst"
author: "Krister Ross"
site: "Krister Ross"
language: nb-NO
---

# Hva er chunking?

Hvorfor blir en grundig side forbigått til fordel for en kortere — og hva kan du faktisk styre?

## Kort svar

Chunking er oppdelingen av et dokument i mindre tekstbiter som kan hentes og vurderes hver for seg. Du styrer den ikke direkte, men du bestemmer hvor gode bitene blir gjennom hvordan du strukturerer teksten.

Du styrer ikke selve oppdelingen. Den skjer hos motoren, etter regler du ikke ser og som endrer seg. Det du styrer er hvor gode bitene blir når kuttet først kommer — og det avgjøres av om avsnittene dine tåler å stå alene.

Det er her skiftet fra klassisk SEO er størst. En side blir ikke vurdert som én enhet. Den blir kuttet opp, og bitene konkurrerer hver for seg mot biter fra andre sider.

## Ikke å forveksle med

### Chunk

Chunking er prosessen, en chunk er resultatet. Skillet er verdt å holde på fordi du kan påvirke det ene og ikke det andre: du bestemmer strukturen som kuttes, ikke kuttet.

### Passasjehenting

Chunking skjer før spørsmålet stilles, som en forberedelse av dokumentet. Passasjehenting skjer etterpå, når systemet velger hvilken av bitene som skal hentes for akkurat dette spørsmålet.

### Kontekstallokering

Chunking avgjør hvor gode bitene er. Kontekstallokering avgjør hvor mange av dem som får plass. En perfekt oppdelt side kan fortsatt bli utelatt fordi plassen gikk til andre.

## Plass i kjeden

Chunking hører hjemme i ledd 4 av 8, Kontekst (Context), som er trinn 3 — Kontekst — i TRUST-modellen.

**Får teksten din plass i det modellen faktisk leser?** Bare de øverste passasjene får plass i kontekstvinduet. Det er passasjer som konkurrerer om plassen, ikke sider — en lang side med ett godt avsnitt taper mot en kort side der alt er relevant.

Svikter leddet: Siden er hentet, men avsnittet som svarer kom aldri med.

Hele modellen: https://kristerross.no/trust/

## Hvorfor dette avgjør noe

Et dokument deles opp i biter på et par hundre til et par tusen tegn, ofte med litt overlapp. Kuttet følger som regel struktur — overskrifter, avsnitt, listepunkter — men når strukturen er svak, kutter systemet på lengde i stedet. Da havner spørsmålet i én bit og svaret i neste.

Hver bit får sin egen representasjon og hentes uavhengig av resten av siden. Det betyr at konteksten du som forfatter tar for gitt — «som nevnt over», «dette gjelder også for» — forsvinner i det biten løftes ut. En påstand som er avhengig av forrige avsnitt for å gi mening, er ikke en påstand systemet kan bruke.

Konsekvensen er kontraintuitiv: en lang, grundig side kan tape mot en kortere side, ikke fordi den er dårligere, men fordi andelen relevante biter er lavere. Det er dette forholdet Chunk Relevancy Ratio måler.

Overskriftene gjør derfor en tyngre jobb enn i klassisk SEO. De er ikke bare navigasjon for leseren — de er kuttmerkene. En H2 som formulerer spørsmålet, med svaret rett under, gir en bit som er komplett i seg selv.

## Eksempel: Samme innhold, to oppdelinger

Ta en typisk tjenesteside: en innledning på fire avsnitt, så en H2 med «Slik jobber vi», så prisene et sted lenger nede. Spør noen «hva koster det», treffer bare den ene biten — og den biten inneholder ofte bare et tall, uten å si hva tallet gjelder.

Skriv den samme informasjonen med spørsmålet som overskrift og svaret i første setning under, og biten blir selvbærende: «Hva koster en AI-synlighetsanalyse? En analyse koster fra X kroner og inkluderer …». Innholdet er det samme. Bitene er ikke.

_Eksempelet er en oppstilling av to skrivemåter, ikke et måleresultat._

## Sjekk selv

Tidsbruk: 10 minutter. Utfall: Du vet hvor stor andel av en viktig side som faktisk kan brukes til å svare.

1. Velg én side du mener burde bli sitert, og ett konkret spørsmål den skal svare på.
2. Del siden opp på overskriftene. Hvert avsnitt under en overskrift teller som én bit.
3. Les hver bit isolert, uten resten av siden. Kan den besvare spørsmålet alene? Da er den relevant.
4. Regn ut andelen relevante biter av totalen, og legg tallet inn i kalkulatoren under.

Prompt du kan lime inn i en chat sammen med teksten din:

```
Del teksten under i biter på overskriftsnivå. For hver bit: svar kun ja eller nei på om biten alene kan besvare spørsmålet "SPØRSMÅLET DITT". Tell til slutt opp antall ja og antall biter totalt.
```

Forbehold: Din egen oppdeling er ikke motorens oppdeling. Tallet er en indikator på hvor selvbærende teksten er, ikke en måling av hva som faktisk hentes.

Kalkulator med formel og regneeksempel: https://kristerross.no/hva-er/chunking/

## Hva du faktisk gjør

1. **Skriv spørsmålet som overskrift, svaret som første setning.** Da faller kuttet der du vil ha det, og biten inneholder både spørsmål og svar. Det er den enkleste strukturendringen med målbar effekt.
2. **Gjenta subjektet i stedet for å vise til det.** «Det» og «denne» er billig for leseren og dyrt for en bit som står alene. Skriv navnet på tingen om igjen, også når det føles overflødig.
3. **Kutt seksjoner som ikke svarer på noe.** Bakgrunn, historikk og oppvarming senker andelen relevante biter uten å øke antallet gode. Det er billigere å fjerne enn å skrive mer.
4. **Del store sider i flere skarpe.** En side som dekker syv spørsmål har lav andel per spørsmål. Syv sider med ett spørsmål hver har høy andel i hver av dem.

## Vanlige feil

- Å tro at lengre tekst gir bedre dekning. Lengden senker andelen relevante biter hvis tilveksten ikke svarer på noe.
- Å legge svaret etter begrunnelsen. Kuttet kan komme mellom dem, og da hentes begrunnelsen uten svaret.
- Å bruke overskrifter som er tema og ikke spørsmål. «Priser» er et tema; «Hva koster det?» er en kuttlinje med et svar under.
- Å måle chunking som en egenskap ved siden. Andelen er alltid relativ til ett bestemt spørsmål.

## Hva som lar seg måle

Måltall: Chunk Relevancy Ratio, per side og per spørsmål

Mål andelen relevante biter for de tre til fem spørsmålene siden faktisk skal svare på. Endringen over tid er mer nyttig enn nivået: en side som går fra 0,2 til 0,5 har fått et annet utgangspunkt i konkurransen om plass.

Frekvens: Ved hver større innholdsrevisjon, og alltid før du konkluderer med at en side «ikke virker».

## Ofte stilte spørsmål

### Hvor lange bør avsnittene være for AI-søk?

Det finnes ikke ett riktig tall, og alle som oppgir ett, gjetter. Det som betyr noe er om avsnittet er komplett alene. Et avsnitt på tre setninger som inneholder både spørsmål og svar slår et på ti som krever det forrige for å gi mening.

### Kan jeg styre chunkingen med markup?

Ikke direkte. Du kan gjøre strukturen tydelig — ekte overskriftsnivåer, avsnitt, lister og tabeller i stedet for visuelle etterlikninger — slik at kuttet følger meningen. Det er indirekte styring, og det er den eneste du har.

### Betyr dette at korte sider alltid vinner?

Nei. En kort side med lav faktatetthet har verken mange gode biter eller høy andel. Poenget er forholdet: alt som ikke svarer på noe, koster plass uten å bidra, uansett sidelengde.

## Beslektede begreper

- **Svarpassasje**: En svarpassasje er tekstbiten som alene inneholder nok til å besvare spørsmålet. Det er passasjer som konkurrerer om plassen i et AI-svar, ikke hele sider.
- **Chunk**: En 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.
- **Chunk Relevancy Ratio**: Chunk 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.
- **Kontekstallokering**: Kontekstallokering er systemets fordeling av den begrensede plassen i kontekstvinduet mellom kildene. Det er her «hentet, men ikke brukt» oppstår, og det er nesten alltid en oppdelingsfeil og ikke en autoritetsfeil.
- **Kontekstvindu**: Kontekstvinduet er mengden tekst en språkmodell kan ha i arbeidsminnet mens den skriver svaret. Det er begrenset, og derfor er det alltid noen kilder som ikke kommer med.
- **Embedding**: En embedding er en tallrepresentasjon av tekst som gjør det mulig å sammenligne betydning matematisk. Det er slik en maskin kan avgjøre at «refinansiering» og «samle smålån» handler om det samme.
- **Parsbarhet**: Parsbarhet er hvor enkelt HTML, tekst og strukturerte data lar seg dele opp riktig av en maskin. Dårlig parsbarhet gir feil chunking, og feil chunking gir siteringer av setninger du ikke skrev.
- **Passasjehenting**: Passasjehenting er når søkesystemet henter ut et bestemt avsnitt fra en side i stedet for å behandle siden som én enhet. Det betyr at et godt avsnitt kan bære en middelmådig side — og motsatt.
- **RAG** (https://kristerross.no/hva-er/rag/): RAG (Retrieval-Augmented Generation) er når en språkmodell henter inn eksterne dokumenter før den svarer, i stedet for å svare kun fra det den er trent på. Det er denne mekanismen som gjør at ferskt innhold kan siteres.

---

Kilde: https://kristerross.no/hva-er/chunking/