Datasæt og datakilder – hvor LLM'er henter deres viden om brands
LLM'er som ChatGPT, Claude og Gemini trænes ikke på dit website alene – de trænes på billioner af ord fra hundredvis af forskellige kilder. Hvis du vil forstå, hvorfor AI nævner eller ignorerer dit brand, skal du forstå, hvilke datasæt der former disse systemer. Denne guide giver dig overblik over, hvor LLM'er henter deres viden, hvordan du kan påvirke disse kilder, og hvilke kilder du bør prioritere.
Datasæt og datakilder — hvor LLM'er får deres viden om brands fra
LLM'er som ChatGPT, Claude og Gemini er ikke kun trænet på din hjemmeside — de er trænet på Billioner af ord fra hundredvis af forskellige kilder. Hvis du vil forstå, hvorfor AI nævner eller ignorerer dit brand, skal du forstå, hvilke datasæt der former disse systemer. Denne guide giver dig et overblik over, hvor LLM'er får deres viden fra, hvordan du kan påvirke disse kilder, og hvilke du bør prioritere.
Hvordan LLM'er lærer om brands
Træningen af en LLM sker i flere faser:
1. Pre-training (fundamentet)
Modellen trænes på massive mængder tekst for at lære sprogstruktur og generel viden.
Primære datasæt:
Common Crawl — Scraping af hele internettet (milliarder af sider)
Wikipedia — Struktureret, autoritativ viden
Bøger (books corpus) — Millioner af digitale bøger
Reddit — Brugerdrevne diskussioner og communities
Nyhedsarkiver — Historiske nyhedsartikler
Videnskabelige artikler — Akademisk viden
Hvad det betyder for dit brand: Hvis dit brand ikke er nævnt i disse kilder under pre-training, ved modellen intet om dig fra starten.
2. Fine-tuning (finjustering)
Efter pre-training finjusteres modellen på specifikt udvalgte data af høj kvalitet.
Kilder:
Udvælg tekst fra troværdige kilder
Ekspertindhold
Strukturerede databaser
3. RLHF (Reinforcement Learning from Human Feedback)
Modellen lærer at give brugbare og sikre svar baseret på menneskelig feedback.
Dette påvirker ikke direkte viden om dit brand, men:
Modellen lærer at citere kilder
Lærer at håndtere usikkerhed
Lærer at prioritere autoritativ information
4. Realtidssøgning (for visse systemer)
Nogle AI-systemer (som Perplexity og ChatGPT's websøgning) crawler live for at supplere deres eksisterende viden.
Kilder:
Din hjemmeside (hvis den kan crawles)
Nyhedssider
Sociale medier
De vigtigste datakilder til brand-viden
1. Common Crawl
Hvad det er: Et non-profit projekt, der månedligt crawler milliarder af websider og gør dataen frit tilgængelig.
Hvorfor det er vigtigt:
Mange AI-modeller (inkl. GPT) er trænet på Common Crawl
Hvis din side ikke er her, er du usynlig for mange LLM'er
Er dit website med i Common Crawl?
Tjek det her: https://index.commoncrawl.org/
Sådan kommer du med:
Tillad CCBot i din robots.txt
Sørg for, at din side kan crawles
Vent — Common Crawl crawler automatisk med jævne mellemrum
2. Wikipedia
Hvorfor det er guld værd: Wikipedia er en af de mest autoritative kilder, LLM'er stoler på. Hvis dit brand har en Wikipedia-side, vil LLM'er citere den som fakta.
Sådan påvirker du det:
Opret en Wikipedia-side (hvis du opfylder kriterierne for relevans)
Sørg for, at eksisterende sider er korrekte og opdaterede
Tilføj kilder og referencer
Wikipedias relevanskriterier:
Betydelig medieomtale i troværdige kilder
Uafhængige kilder (ikke PR eller egen markedsføring)
Flere dybdegående artikler
Hvis du ikke kan få en Wikipedia-side: Fokusér på at blive nævnt i eksisterende, relevante Wikipedia-artikler (f.eks. brancheartikler, geografiske sider eller konkurrentsider med "Se også"-sektioner).
3. Crunchbase
Hvad det er: Database over virksomheder, finansiering og det teknologiske økosystem.
Hvorfor det er vigtigt: LLM'er bruger Crunchbase til at forstå:
Hvad din virksomhed laver
Hvem dine konkurrenter er
Finansieringsfase og størrelse
Optimér din Crunchbase-profil:
Gør krav på din Crunchbase-profil (claim)
Udfyld alle felter:
Beskrivelse (helt specifikt hvad du gør)
Kategorier (vælg relevante tags)
Finansieringsinfo
Link til website
Hold den opdateret ved investeringsrunder eller produktlanceringer
4. LinkedIn
Hvorfor det er vigtigt: LLM'er bruger LinkedIn til at forstå:
Virksomhedsstørrelse og antal medarbejdere
Branche og fokusområder
Brand-positionering
Optimér din LinkedIn-virksomhedsside:
Om-sektion: Skarp beskrivelse af, hvad I laver
Specialer: Tag relevante søgeord
Opdateringer: Regelmæssige opslag om produktnyheder, rekruttering og thought leadership
Medarbejderprofiler: Sørg for, at medarbejdernes profiler er linket til virksomhedssiden
5. Nyheder og medieomtale
Hvorfor det er vigtigt: LLM'er vægter brands med medieomtale langt højere end dit eget indhold.
Prioritér:
Tier 1-medier: TechCrunch, Wired, Wall Street Journal, Børsen, Finans
Branchemedier: Relevante fagblade i din niche
Regionale nyheder: Lokale erhvervsmedier
Sådan får du omtale:
Pressemeddelelser ved produktlanceringer
Thought leadership-artikler (gæsteindlæg)
Kommentér på aktuelle tendenser i medierne
Priser og anerkendelser
6. GitHub (for tech-brands)
Hvorfor det er vigtigt: Mange LLM'er er trænet på open source-kode fra GitHub.
Hvis du har open source-projekter:
Opdatér din README med en knivskarp beskrivelse
Tilføj en "About"-sektion til dit repo
Link til din virksomheds hjemmeside
Inkludér use cases og eksempler
7. Sociale medier
X (tidligere Twitter):
Offentlige tweets crawles af flere LLM'er
Oplagt til thought leadership og branding
Reddit:
Søg efter diskussioner om dit brand i relevante subreddits
Giver indblik i autentiske brugeroplevelser
YouTube:
Transskriptioner bliver crawlet og læst
Brug det til produktdemoer og guides
8. Akademiske artikler og forskning
Hvis dit brand er drevet af tech eller forskning:
Udgiv whitepapers
Sponsorér akademisk forskning
Bidrag til konferencer
Upload til:
arXiv.org (pre-prints)
Universitetsarkiver
Sådan prioriterer du din indsats
Tier 1: Need-to-have (størst effekt)
Din egen hjemmeside — Med korrekt robots.txt, JSON-LD og sitemap
Wikipedia — Hvis du opfylder kriterierne
Crunchbase — For tech- og SaaS-virksomheder
LinkedIn — En fuldt optimeret virksomhedsside
Tier 2: Stærk ROI
Medieomtale — Tier 1 og vigtige branchemedier
Common Crawl — Sørg for, at dit site er nemt at crawle
GitHub — Hvis du har open source-projekter
Brancheindeks — Relevante nicherelaterede databaser
Tier 3: Long-tail effekt
Reddit — Autentisk engagement i relevante communities
YouTube — Videomateriale med gode transskriptioner
Podcasts — Gæsteoptrædener (hvor episoderne transskriberes)
Forums — CSS-Tricks, Stack Overflow, Hacker News og nichenetværk
Sådan tjekker du, om du er med i datasættene
Tjek Common Crawl
Tjek Wikipedia
Søg på https://da.wikipedia.org/ efter dit brandnavn.
Tjek Crunchbase
Gå til https://www.crunchbase.com/organization/YOUR-COMPANY
Tjek nyhedsomtale
Tjek GitHub
Søg på https://github.com/search?q=YOUR-BRAND
Tjekliste til eksekvering
Brug denne tjekliste til at sikre din tilstedeværelse i de vigtige datasæt:
Website optimeret — robots.txt, sitemap og JSON-LD på plads
Common Crawl — Husk at tillade CCBot
Wikipedia-tilstedeværelse — Opret eller opdatér side (hvis muligt)
Crunchbase-profil — Gør krav på og opdatér profilen
LinkedIn-virksomhedsside — Gør profilen 100% komplet
Nyhedsomtale — Sigt efter mindst 3-5 omtaler i relevante medier
GitHub-repos — Skriv en knivskarp README (hvis relevant)
Social tilstedeværelse — Vær aktiv på mindst 2 platforme
Brancheindeks — Bliv oprettet i relevante databaser
Indholdsdistribution — Del også dit indhold på Medium og via LinkedIn-artikler
Konklusion
LLM'er lærer om dit brand gennem hundredvis af kilder — ikke kun din egen hjemmeside. For at opnå maksimal synlighed i AI-søgninger skal du sikre din tilstedeværelse i de vigtigste datasæt: Common Crawl (via dit website), Wikipedia (hvis muligt), Crunchbase, LinkedIn og i nyhedsmedierne.
Prioritér Wikipedia og nyhedsomtale — de har uforholdsmæssig stor vægt, når LLM'er skal vurdere din autoritet. Sørg derefter for, at din egen hjemmeside er perfekt struktureret med JSON-LD og nem at crawle.
Husk: Datasæt opdateres ikke i realtid. Der kan gå måneder, fra du udgiver indhold, til det slår igennem i LLM-svar. Start nu, og opbyg systematisk din tilstedeværelse i de kilder, som AI stoler på.