Krister Ross
Book meg

Begrep · Innhold og svarbarhet

Hva er chunking?

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

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.

På engelskChunkingOgså kjent somoppdelingSist gjennomgått23. august 2026

Avgrensning

Ikke å forveksle med

Begrepene under ligger nært, og blandes ofte sammen. Forskjellen avgjør hvilket arbeid som faktisk hjelper.

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

Hvor chunking hører hjemme

  1. 1OppdagelseDiscovery
  2. 2HentingRetrieval
  3. 3UtvelgelseSelection
  4. 4KontekstContextDette begrepet
  5. 5GenereringGeneration
  6. 6SiteringCitation
  7. 7PåvirkningInfluence
  8. 8HandlingAction

Hele kjeden, ledd for ledd →

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 leddetSiden er hentet, men avsnittet som svarer kom aldri med.

Leddet hører til trinn 3, kontekst, i TRUST-modellen, og står i sin helhet på ledd 4 av kjeden. Arbeidet eies av uttrekkbarhet.

Mekanisme

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

Gjør dette før du går videre

Kort nok til å gjøre nå, konkret nok til at du sitter igjen med et funn om din egen bedrift.

10 minutterDu 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.

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

Regn ut

Chunk Relevancy Ratio for én side

Tell bitene på siden, og hvor mange av dem som alene kan besvare spørsmålet du vil bli sitert på. Forholdet mellom dem er det som avgjør i konkurransen om plass.

Tell ett avsnitt under hver overskrift som én bit.

Lest isolert, uten resten av siden.

I prosent. 50 er et arbeidsmål, ikke en fasit.

Chunk Relevancy Ratio
0,28
5 av 18 biter svarer alene.
Fjern så mange biter
8
Biter uten svarverdi, for å nå målet.
Eller legg til så mange
8
Nye biter som svarer alene.
Sannsynlighet ved ett uttrekk
28 %
At én tilfeldig hentet bit er brukbar.

Den billigste veien til målet er å fjerne 8 biter som ikke besvarer noe. Sletting er raskere enn skriving, og virker like godt på forholdet.

Slik regnes det ut

CRR = relevante biter / biter totalt. Verdien ligger mellom 0 og 1, og den er alltid relativ til ett bestemt spørsmål. Samme side kan ha 0,6 for ett spørsmål og 0,05 for et annet — det er ikke en svakhet ved målet, det er poenget med det.

Antall biter å fjerne regnes som totalt − relevante / mål, altså hvor mange biter uten svarverdi som må bort før andelen når målet. Antall å legge til regnes motsatt: hvor mange nye biter som svarer alene som skal til for det samme.

Chunk Relevancy Ratio er et rammeverk innført av Krister Ross i november 2025. Det er ikke en offisiell metrikk fra Google, OpenAI eller noen annen plattform, og ingen motor rapporterer det. Din egen oppdeling er heller ikke motorens oppdeling — tallet måler hvor selvbærende teksten er, ikke hva som faktisk hentes.

Taktikker

Hva du faktisk gjør

Prioritert etter forholdet mellom innsats og effekt. Rekkefølgen er en del av anbefalingen.

  1. 01

    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. 02

    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. 03

    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. 04

    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.

Anti-patterns

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.

Måling

Hva som lar seg måle

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.

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

Alle tall følger de samme minimumskravene: gjentakelser, aktiveringsrate som eget felt, nullresultater beholdt og målt spredning oppgitt. Se kravene i metoden.

Spørsmål

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.

Nærliggende

Beslektede begreper

Begrepene som grenser mot dette. De med egen side er lenket.

Svarpassasjepå kartet
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.
Chunkpå kartet
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 Ratiopå kartet
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.
Kontekstallokeringpå kartet
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.
Kontekstvindupå kartet
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.
Embeddingpå kartet
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.
Parsbarhetpå kartet
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.
Passasjehentingpå kartet
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
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.

Se alle begrepene i kjeden — fra oppdagelse til handling.

Les videre

Egne tester og analyser som går dypere enn definisjonen.

Få det jeg lærer om AI-søk

Egne tester og analyser av hvordan språkmodellene velger kilder. Ingen fast frekvens — jeg sender når jeg faktisk har noe å si.

Er du synlig når kundene spør en AI?

Vi tar en uforpliktende prat på 30 minutter. Du får en konkret vurdering av hvor du står i AI-søk — og hva som er første steg. Ingen presentasjon, ingen forpliktelse.

Book meg

Eller ring +47 466 144 18