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 kilder 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 tekstmængder for at lære sprogstruktur og generel viden.
Primære datasæt:
Common Crawl — Scrape af hele internettet (billioner af sider)
Wikipedia — Struktureret, autoritativ viden
Bog-korpora — Millioner af digitale bøger
Reddit — Brugerdrevne diskussioner
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 (finpudsning)
Efter pre-training bliver modellen finjusteret på specifikt udvalgte data af høj kvalitet.
Kilder:
Udvælg tekst fra troværdige kilder
Ekspert-skrevet indhold
Strukturerede databaser
3. RLHF (Reinforcement Learning from Human Feedback)
Modellen lærer at give brugbare og sikre svar baseret på menneskelig feedback.
Dette påvirker ikke brand-viden direkte, men:
Modellen lærer at kildehenvise
Lærer at erkende 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 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 hver måned crawler milliarder af websider og gør dataene frit tilgængelige.
Hvorfor det betyder noget:
Mange AI-modeller (inkl. GPT) er trænet på Common Crawl
Hvis dit site ikke er her, er du usynlig for mange LLM'er
Er din side 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, som LLM'er stoler på. Hvis dit brand har en Wikipedia-side, vil LLM'er citere den som fakta.
Sådan gør du dig bemærket:
Opret en Wikipedia-side (hvis du opfylder kriterierne for relevans)
Sørg for, at eksisterende sider er nøjagtige 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: Fokuser 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: En database over virksomheder, finansiering og det teknologiske økosystem.
Hvorfor det betyder noget: 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
Udfyld alle felter:
Beskrivelse (helt specifikt hvad du laver)
Kategorier (vælg relevante tags)
Finansieringsinfo
Link til hjemmeside
Hold den opdateret ved finansieringsrunder eller produktlanceringer
4. LinkedIn
Hvorfor det er vigtigt: LLM'er bruger LinkedIn til at forstå:
Virksomhedsstørrelse og antal medarbejdere
Branche og fokusområder
Brandpositionering
Optimér din LinkedIn Company Page:
Om-sektion: Tydelig beskrivelse af, hvad du laver
Specialer: Tag relevante søgeord
Opdateringer: Regelmæssige opslag om produktnyheder, rekruttering og thought leadership
Medarbejderprofiler: Medarbejderprofiler der linker til din Company Page
5. Nyheder og medieomtale
Hvorfor det betyder noget: LLM'er værdsætter brands med medieomtale højere end egenpubliceret indhold.
Prioritér:
Tier 1-medier: TechCrunch, Wired, Wall Street Journal, Financial Times (eller store nationale erhvervsmedier)
Branchemedier: Relevante fagblade og nichemedier
Regionale nyheder: Lokale erhvervsmedier
Sådan får du omtale:
Pressemeddelelser ved produktlanceringer
Thought leadership-artikler (gæsteindlæg)
Kommentér på aktuelle tendenser i branchen
Priser og anerkendelser
6. GitHub (for tech-brands)
Hvorfor det betyder noget: Mange LLM'er er trænet på open source-kode fra GitHub.
Hvis du har open source-projekter:
Opdatér din README med en klar beskrivelse
Tilføj en "About"-sektion til dit repository
Link til din virksomheds hjemmeside
Inkludér use cases og eksempler
7. Sociale medier
Twitter/X:
Offentlige tweets bliver crawlet af visse LLM'er
Thought leadership og branding
Reddit:
Tråde og diskussioner om brands
Autentiske brugeroplevelser
YouTube:
Transskriptioner bliver crawlet
Produktdemonstrationer og guides
8. Akademiske artikler og forskning
Hvis dit brand er drevet af teknologi eller forskning:
Udgiv whitepapers
Sponsorér akademisk forskning
Bidrag til konferencer
Upload til:
arXiv.org (pre-prints)
Universiteternes databaser
Sådan prioriterer du din indsats
Tier 1: Must-have (størst effekt)
Din egen hjemmeside — Med korrekt robots.txt, JSON-LD og sitemap
Wikipedia — Hvis du er kvalificeret
Crunchbase — For tech-brands
LinkedIn — Optimeret Company Page
Tier 2: Stærk ROI
Medieomtale — Tier 1 og vigtige branchemedier
Common Crawl — Sørg for, at dit site kan crawles
GitHub — For open source-brands
Brancheindeks — Relevante niche-kataloger
Tier 3: Long-tail værdi
Reddit — Autentisk engagement i relevante communities
YouTube — Videoindhold med transskriptioner
Podcasts — Gæsteoptrædener (med transskriptioner)
Forums — Stack Overflow, Hacker News, nichespecifikke fora
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
Besøg https://www.crunchbase.com/organization/YOUR-COMPANY
Tjek medieomtale
Tjek GitHub
Søg på https://github.com/search?q=YOUR-BRAND
Tjekliste til eksekvering
Brug denne tjekliste til at sikre din tilstedeværelse i de vigtigste datasæt:
Hjemmeside optimeret — robots.txt, sitemap, JSON-LD
Common Crawl — Tillad CCBot
Wikipedia-tilstedeværelse — Opret eller opdatér side (hvis du opfylder kriterierne)
Crunchbase-profil — Oprettet og opdateret
LinkedIn Company Page — Komplet profil
Medieomtale — Minimum 3-5 omtaler i relevante medier
GitHub-repositories — Hvis tech-brand, hav en skarp README
Social tilstedeværelse — Aktiv på mindst 2 platforme
Brancheindeks — Oprettet i relevante kataloger
Indholdsdistribution — Del dit indhold på Medium og som 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-svar skal du sikre din tilstedeværelse i de datasæt, der betyder mest: Common Crawl (via dit website), Wikipedia (hvis du er kvalificeret), Crunchbase, LinkedIn og nyhedsmedier.
Prioritér Wikipedia og medieomtale — de vægter uforholdsmæssigt højt, når LLM'er skal vurdere autoritet. Herefter bør du fokusere på at gøre din egen hjemmeside fuldstændig crawlbar og struktureret med JSON-LD.
Husk: Datasæt opdateres ikke i realtid. Der kan gå måneder, fra du udgiver indhold, til det afspejles i LLM-svar. Start nu, og opbyg systematisk din tilstedeværelse i de kilder, som AI-systemerne stoler på.