AI-systemer læser ikke som mennesker. De behandler information i flere formater på samme tid, og derfor belønner de indhold, der giver dem mere at arbejde med.
En side med kun tekst bliver trukket ud på en anden måde end en side med tekst, billeder, video og struktureret data. AI-motorer som ChatGPT, Claude og Google AI Overviews er multimodale systemer. De platforme, der dominerer AI-citater, viser det: YouTube, et stort onlineleksikon og et professionelt netværk optræder i 47 % af de bedste AI-svar på tværs af brancher, blandt andet fordi de kombinerer flere indholdsformater.
Effekten kan måles: Indhold, der kombinerer tekst med billeder, video og schema markup, bliver citeret 317 % oftere end ren tekst. Her forklarer vi, hvorfor multimodale signaler betyder noget, hvad der tæller som et signal, og hvordan du bygger dit indhold op, så AI-systemer genkender og citerer det fulde billede, du har skabt.
Hvad er multimodalt indhold?
Multimodalt indhold er enhver side, der kombinerer tekst med billeder, video, lyd og struktureret data. I stedet for kun at bruge ord giver multimodale sider AI-systemer flere måder at forstå og kontrollere din information på.
Tænk på almindelig SEO. Billeder blev set som pynt: rart at have, men ikke afgørende for, hvordan søgemaskiner vurderede din side. AI-rangering er anderledes. Multimodalt indhold behandler billeder, video og struktureret data som aktive rangeringssignaler, der direkte påvirker, om et AI-system citerer dig.
Når et AI-system behandler din side, adskiller det ikke tekst fra billeder og spørger, hvilket der betyder mest. Det opbygger en samlet forståelse ved at hente information fra alle formater på én gang. Hvis din tekst beskriver et begreb, og dit billede illustrerer det, ser AI-systemet to bekræftende signaler i stedet for ét. Hvis din video viser begrebet i bevægelse, er det et tredje signal. Hvis struktureret data mærker det hele tydeligt, er det et fjerde. Flere signaler giver større tillid til dit svar, og det giver større chance for at blive citeret.
Hvorfor citerer AI sider med billeder og video oftere?
Tre grunde ligger bag AI's præference for multimodalt indhold:
For det første: Billeder og video mindsker risikoen for hallucination
Hallucination sker, når et AI-system skaber information, der lyder sandsynlig, men ikke har noget faktuelt grundlag. En måde, AI-systemer undgår det på, er ved at tjekke, om flere formater passer sammen. Hvis din tekst forklarer en proces, og dit diagram viser præcis de trin, ser AI-systemet en bekræftelse. Hvis din video viser det, du beskriver med ord, øger overensstemmelsen tilliden til svaret.
Når der kun er tekst, har et AI-system kun én type signal at vurdere. Billeder og video giver en anden og en tredje vej til kontrol, og det mindsker risikoen for, at AI-systemet trækker dit indhold forkert ud eller afstår fra at citere det, fordi det ikke kan kontrollere påstanden.
For det andet: Multimodalt indhold rangerer højere i AI's træning og hentning
De sider, som AI-systemer citerer mest, er sider, der allerede har fået meget engagement og mange autoritetssignaler. Sider, der rangerer blandt de ti øverste i almindelig søgning, dominerer stadig AI-citater, blandt andet fordi de over tid har samlet links, trafik og relevanssignaler. Men inden for de sider prioriterer AI-systemer afsnit, der findes i flere formater.
Et blogindlæg med ét afsnit forklaring bliver trukket ud sjældnere end et blogindlæg med ét afsnit plus et diagram plus en video. De multimodale afsnit bliver hentet oftere under træning, og det betyder, at de bliver mere velkendte for AI-systemet. Det, der er velkendt, har større chance for at blive citeret, når AI laver et svar.
For det tredje: Billeder og video øger brugernes tillid til citatet
Det er et indirekte rangeringssignal, men et stærkt et. Brugere klikker oftere på citerede kilder, hvis det svar, de ser i AI-systemet, er bakket op af visuelle beviser. Når et AI-system laver et svar med et billede knyttet til den citerede kilde, opfatter brugerne kilden som mere troværdig. Det øgede engagement signalerer tilbage til AI-systemet, at kilden er til at stole på.
Platforme, der forstår den fordel, dominerer AI-citater. YouTube, et stort onlineleksikon og et professionelt netværk optræder i 47 % af de bedste AI-svar på tværs af brancher, blandt andet fordi de i sig selv er multimodale eller har stærkt multimedieindhold. YouTube-videoer bliver citeret med udskrifter og beskrivelsesdata. Artikler i onlineleksikonet er fyldt med struktureret billedmateriale og metadata. Artikler på det professionelle netværk kombinerer tekst, forfatterprofiler og visuel formatering, der skiller sig ud i AI-svar.
Hvilke typer medier tæller som multimodale signaler for AI?
Ikke alle billeder eller videoer hjælper. AI-systemer vurderer medier ud fra relevans, kvalitet og hvor godt de hænger sammen med din tekst. Det her tæller:
Billeder, som AI-systemer citerer
Diagrammer, skærmbilleder, infografikker, grafer og procesdiagrammer, der direkte illustrerer begreber. De virker bedst, når de er originale eller lavet specielt til dit indhold, ikke generiske stockbilleder. AI-systemer opdager nemt dublerede billeder og tæller dem mindre, så et diagram, der er lavet specielt til at vise din metode, bliver citeret oftere end et stockfoto, der kunne optræde hvor som helst.
Billeder skal have høj kvalitet og relevant alt-tekst. Et billede med dårlig opløsning eller komprimeringsfejl bliver støjende, når AI's synsmodeller behandler det, og det kan give fejltolkning. Et billede uden alt-tekst eller med generisk alt-tekst mister et rangeringssignal: Teksten omkring og i et billede hjælper AI-systemer med at forstå, hvad det viser, og om det passer til artiklens emne.
Videoindhold
Indlejret video med udskrifter, tydelige titler og beskrivelser er et stærkt multimodalt signal. De fleste videocitater i AI-svar kommer fra YouTube, fordi udskrifter er indbygget og nemme at trække ud. Hvis du indlejrer video på din hjemmeside, så sæt en tekstudskrift i nærheden. Udskriften giver AI-systemet tekst at trække ud af videoindholdet, og det øger sandsynligheden for et citat.
Videoen behøver ikke være lang. En demonstration på 30 sekunder af et begreb bliver citeret, hvis den er relevant og tydelig. En vejledning på 10 minutter om noget, der kun ligger op ad dit hovedemne, hjælper ikke og kan udvande dit multimodale signal ved at bringe konkurrerende indhold ind på samme side.
Struktureret data
Schema markup er ikke medier i traditionel forstand, men det er et vigtigt multimodalt signal. JSON-LD-schema fortæller AI-systemer præcis, hvilken information der findes på din side, hvordan forskellige begreber hænger sammen, og hvilke afsnit der er svar, og hvilke der er baggrund. Schema markup til indholdstyperne Article, FAQ, HowTo og Product øger direkte AI-citatraten.
Uden schema ligner din side ustruktureret tekst for et AI-system. Med schema er hvert afsnit mærket, så udtræk og citering bliver mere pålidelige. En side med præcis den samme tekst, men uden schema, bliver citeret sjældnere, fordi AI-systemet ikke kan kontrollere, hvad der er svar, hvad der er sammenhæng, og hvad der er eksempel.
Tabeller og formaterede lister
Tabeller bliver behandlet som særskilte datastrukturer af AI-systemer. En sammenligningstabel bliver trukket ud på en anden måde end en punktopstilling. Begge hjælper, men tabeller signalerer, at informationen er beregnet til at blive sammenlignet eller struktureret på en bestemt måde. AI-systemer foretrækker tabeller til specifikationer, sammenligninger og data, fordi tabeller kan læses af maskiner.
Hvordan optimerer du billeder og video til AI-citater?
At tage medier med er kun det første skridt. Optimering afgør, om AI-systemer faktisk bruger dem.
Optimering af billeder
Gem billeder i moderne formater som WebP eller AVIF, der komprimerer bedre uden tab af kvalitet. Et komprimeret billede med fejl bliver til støjende tokens, når synsmodeller behandler det, og det kan få AI-systemet til at fejltolke indholdet. Brug et værktøj til billedkomprimering til at optimere, mens du bevarer kvaliteten.
Giv billeder beskrivende navne. En fil med navnet "diagram-1.png" fortæller AI ingenting. En fil med navnet "kunderejsens-kontaktpunkter.png" giver sammenhæng. Filnavne er metadata, som AI-systemer bruger til at forstå billedindhold.
Skriv en detaljeret alt-tekst, der beskriver, hvad billedet viser, og hvorfor det betyder noget. Ud over tilgængelighed er alt-tekst et direkte rangeringssignal for AI-systemer. God alt-tekst er på 15-50 ord og indeholder relevante søgeord på en naturlig måde. FORKERT: "Billede af en graf." RIGTIGT: "Omkostning pr. ny kunde fordelt på kanal viser betalt søgning på $47, betalte sociale medier på $31 og organisk på nul pr. kunde."
Sæt relevant tekst omkring billederne. Et billede ved siden af et afsnit om billedets emne signalerer, at billedet er direkte relevant for det afsnit. Et billede omgivet af urelateret tekst udvander signalet.
Optimering af video
Indlejr video, der direkte er relevant for din artikels emne. En indlejret YouTube-video får noget af rangeringsfordelen fra den video, men kun hvis YouTube ville citere videoen til samme emne. Hvis din artikel handler om konverteringsoptimering, og du indlejrer en YouTube-video om konverteringsoptimering, ser AI-systemet overensstemmelse. Hvis du indlejrer en video, der kun ligger op ad emnet, for engagementets skyld, udvander det det multimodale signal.
Tag videoudskrifter med på siden. Mange hjemmesider indlejrer video og går ud fra, at udskriften er klaret et andet sted. Til AI-citater skal udskriften være tilgængelig på din side. Sæt udskriften under videoen eller i et afsnit, der kan foldes ud, så AI-systemet kan trække indholdet ud og kontrollere det.
Brug videotitler og beskrivelser, der passer til din artikels fokus. Titlen og beskrivelsen bliver en del af udtrækssignalet. En video med titlen "Sådan forbedrer du konverteringer" og en beskrivelse, der passer til din artikels emne, bliver citeret oftere end en video med uklare metadata.
Schema markup til multimodalt indhold
Brug Article-schema med egenskaber for billede og video. Article-schema har felter til billede, video, forfatter, udgivelsesdato og mere. Når du udfylder dem, fortæller du AI-systemet præcis, hvilke medier der er en del af din artikel.
Brug specifikke schematyper til dit indhold. En vejledning bør bruge HowTo-schema, der har felter til billede og video for hvert trin. FAQ-sider bør bruge FAQPage-schema med videoegenskaber. Produktsider bør bruge Product-schema med lister over billeder og videoer. Præcision øger sandsynligheden for AI-citater.
Tag VideoObject-schema med til indlejret video. VideoObject-schema har udskrift, varighed, miniaturebillede og uploaddato. En korrekt opbygget video med VideoObject-markup bliver trukket ud og citeret mere pålideligt end en indlejret video uden schema.
Hvad sker der med sider uden billeder eller video?
Sider med kun tekst forhindrer ikke AI-systemer i at citere dig, men de starter på bagkant. En side med høj autoritet og kun tekst bliver stadig citeret. En side med svage autoritetssignaler og ingen medier bliver sjældent citeret.
Se multimodale signaler som afgørende, når alt andet er lige. To sider med nogenlunde samme kvalitet, emnedækning og autoritet kan se ens ud, hvis du kun ser på teksten. Siden med billeder, video, struktureret data og tydelig formatering vinder citater, fordi AI-systemet har mere information at arbejde med og større tillid til, at den er korrekt.
Hvis dine eksisterende sider kun har tekst, er det en optimering med stor effekt at tilføje billeder og struktureret data. En side, der er rangeret til AI-citater, kan opleve 40 % højere citatrate, når den får et relevant diagram og schema markup.
Hvordan hænger multimodale signaler sammen med andre AI-rangeringsfaktorer?
Multimodalt indhold virker ikke isoleret. Det virker, fordi det understøtter andre rangeringsfaktorer:
Multimodalt indhold forbedrer den semantiske fuldstændighed. Et begreb, der er forklaret i tekst, illustreret i et billede og vist i video, er mere komplet end ren tekst. AI-systemer vurderer fuldstændighed ved at tjekke, om flere formater passer sammen og dækker emnet fuldt ud.
Multimodalt indhold øger tætheden af fakta. En side med statistikker i teksten, en graf, der viser statistikkerne visuelt, og en video, der forklarer, hvad statistikkerne betyder, har højere tæthed af fakta end tekst, der kun lister statistikker.
Multimodalt indhold opbygger E-E-A-T-signaler. Originale billeder og video, der er lavet specielt til dit indhold, signalerer, at du har dyb viden om emnet. Stockfotos og generiske videoer signalerer det modsatte. AI-systemer stoler mere på originale medier, fordi de viser, at forfatteren har praktisk erfaring.
Multimodale signaler virker bedst sammen med andre rangeringsfaktorer. Tæthed af fakta er stærkere, når den bakkes op af visuelle elementer. Tæthed af entiteter bliver bedre, når entiteter er identificeret i billeder og mærket i schema. Signaler om friskt indhold bliver styrket, når du opdaterer billeder sammen med teksten. For et samlet overblik kan du læse vores guide til de vigtigste rangeringsfaktorer, der afgør AI-citater.
Hvordan passer multimodalt indhold ind i en strategi for AI-optimering?
WEMASY's hjemmesidebygger har en indbygget billededitor og mediebibliotek, der gør det enkelt at optimere billeder og indlejre video på dine sider. Du kan tilføje og optimere billeder, bruge responsivt design, der vises korrekt på alle enheder, og indlejre struktureret data direkte i sideeditoren uden at røre kode.
Analytics i WEMASY viser, hvilke sider der får AI-trafik, og hvilke der ikke gør. Hvis AI-systemer citerer dine sider, men de får lidt trafik, har du måske brug for mere multimodalt indhold. Hvis sider med billeder og video får markant mere AI-trafik, har du klare data om, hvilke sider der har brug for opdaterede medier.
Se, hvad der er med i din WEMASY-plan, på /pricing.
Ofte stillede spørgsmål
Skal jeg bruge originale billeder, eller kan jeg bruge stockfotos?
Originale billeder bliver citeret oftere af AI-systemer, fordi de signalerer praktisk erfaring. Et diagram, du har lavet specielt til at forklare din metode, bliver citeret oftere end et stockfoto, der kunne optræde på snesevis af hjemmesider. Stockfotos er i orden som støttende visuelt indhold, men de vigtigste diagrammer, skærmbilleder og procesdiagrammer bør være originale. Med WEMASY's hjemmesidebygger kan du sætte det op direkte på din hjemmeside.
Hvor mange billeder skal hver side have?
Kvalitet frem for kvantitet. En side skal have ét billede, der illustrerer dit hovedbegreb, plus flere billeder til de største underemner, hvis det er relevant. En side med tre billeder, der direkte understøtter indholdet, er bedre end en side med ti dekorative billeder. Til et blogindlæg på 2.000 ord er tre til fem relevante billeder typisk. Til en artikel på 500 ord i en vidensbase kan ét eller to billeder være nok.
Er en indlejret YouTube-video lige så god som video, der ligger på mit eget domæne?
Indlejret YouTube-video giver stærke fordele for AI-citater, fordi YouTube-videoer har indbyggede udskrifter, og fordi AI-systemer allerede har stor tillid til YouTube. Hvis du hoster video på dit eget domæne, har du fuld kontrol, men du skal selv tilføje udskrifter, beskrivelser og schema markup. For de fleste brands er indlejret YouTube en hurtigere vej til de multimodale fordele. Hvis du selv vil hoste video, så sørg for udskrifter og korrekt schema.
Påvirker billedets størrelse eller opløsning AI-citatraten?
Ja. Billeder, der er for små eller for komprimerede, mister detaljer under AI's behandling. Et billede med høj opløsning (mindst 600 pixels i bredden til web) og tydelige detaljer bliver behandlet mere præcist end et lille, komprimeret billede. Brug moderne billedformater som WebP for at holde filstørrelsen lille og bevare kvaliteten. Målet er at optimere til hastighed uden at ofre detaljer.
Skal jeg tilføje schema markup til hvert billede og hver video?
Brug schema markup til medier, der er vigtige for at forstå din artikel. Dit vigtigste hovedbillede bør have ImageObject-schema. Indlejret video bør have VideoObject-schema. Dekorative billeder behøver ikke eget schema markup. Brug Article-schema med egenskaber for billede og video til at vise, hvilke medier der er en del af dit indhold, og brug så specifikt schema til de vigtigste billeder og videoer.
Kan infografikker konkurrere med skriftlige forklaringer om AI-citater?
Infografikker virker bedst sammen med en skriftlig forklaring, ikke som erstatning. En infografik uden tekst omkring bliver trukket ud sjældnere, fordi AI-systemet ikke let kan trække tekst ud af visuelle elementer og kontrollere den. En infografik med en skriftlig forklaring af, hvad den viser, bliver citeret oftere, fordi AI-systemet har både visuel og tekstmæssig bekræftelse. Brug infografikker til at illustrere begreber, som din tekst forklarer, ikke til at erstatte forklaringen.