Når du stiller en AI-søgemaskine noget enkelt, søger den. Når du stiller den noget komplekst, sker der noget helt andet. Systemet behandler ikke dit spørgsmål som én stor forespørgsel. I stedet deler det spørgsmålet i mindre, mere konkrete delspørgsmål og kører dem samtidig på tværs af forskellige datakilder. Det hedder prompt decomposition, og det er grunden til, at AI kan håndtere spørgsmål, der ville overvælde almindelige søgemaskiner.
Prompt decomposition er den måde, moderne AI-systemer opnår det, der føles som ægte forståelse af nuancerede spørgsmål med mange sider. Et spørgsmål, der virker ligetil for et menneske, kan i virkeligheden gemme på fem forskellige behov for information. AI-systemer har lært at se det og at skille spørgsmålet ad, besvare hvert stykke og så samle svarene til noget, der hænger sammen.
Det er afgørende for din indholdsstrategi, for måden prompt decomposition virker på afgør, hvilke af dine sider AI-systemer vælger, når de besvarer spørgsmål i flere dele. Når du forstår mekanismen, kan du opbygge indhold, så det kan hentes på hvert niveau af opdelingen, ikke kun i det endelige samlede svar.
Hvad prompt decomposition er
Prompt decomposition er den proces, hvor et AI-system tager ét komplekst spørgsmål og deler det op i et sæt enklere, mere afgrænsede delspørgsmål. Hvert delspørgsmål kan besvares uafhængigt af de andre. Når AI'en har samlet svar på alle delspørgsmålene, samler den dem til et dækkende svar på det oprindelige spørgsmål.
Tag et spørgsmål som dette: "Skal jeg ansætte en freelancer eller en fastansat til mit udviklingsteam?" Det spørgsmål er i virkeligheden ikke ét spørgsmål. Det er mindst tre spørgsmål i forklædning. Systemet deler det i separate spørgsmål: "Hvad er fordelene ved at ansætte en freelancer?" "Hvad er fordelene ved at ansætte en fastansat?" og "Hvad er forskellen i pris på freelancere og fastansatte?" Hvert af delspørgsmålene bliver besvaret for sig, og svarene samles til vejledning om det oprindelige spørgsmål.
Den vigtigste forskel på almindelig søgning og opdelt søgning er styring og parallelle søgninger. En almindelig søgemaskine tager dit spørgsmål og prøver at finde sider, der matcher det. Et AI-system med prompt decomposition tager dit spørgsmål, laver flere delspørgsmål, sender hvert af dem til potentielt forskellige datakilder på samme tid og samler så resultaterne til ét samlet svar.
Hvorfor AI-systemer har brug for opdeling
Ikke alle spørgsmål bliver delt op. Enkle spørgsmål med én hensigt behøver ikke deles. "Hvad er et domæne?" kommer til AI-systemet med en klar, enkelt hensigt. Systemet kan besvare det direkte ved at hente og samle relevant indhold om domæner.
Men komplekse spørgsmål med flere hensigter får almindelig søgning til at gå i stå på en bestemt måde. De spørger om information, der kræver flere gennemløb af hentning, ofte på tværs af forskellige typer kilder. Et spørgsmål som "Hvilken platform til webshops er bedst til en lille virksomhed med lidt teknisk erfaring?" har brug for svar fra mindst tre vinkler: hvad webshopplatforme er, hvilke der findes, og hvilke der er kendt for at være lette at bruge. Almindelige søgemaskiner har det svært, fordi de prøver at matche alle de kriterier på én gang i én søgning.
AI-systemer løser det med opdeling. Systemet ser, at spørgsmålet har mange sider, og deler det i stykker, der kan hentes. Det giver mulighed for at søge på "bedste platforme til webshops for begyndere" for sig, "løsninger til webshops med lidt kode" for sig og "platforme til webshops med træk og slip" for sig. Hver søgning er mere fokuseret og giver oftere resultater af høj kvalitet. Laget, der samler, tager så de bedste resultater fra hvert delspørgsmål og bygger ét samlet svar.
Opdeling forbedrer også rigtigheden. Når hver del af et spørgsmål bliver besvaret fra den mest relevante kilde til netop den del, indeholder det endelige svar færre kompromiser. Det er ikke én side, der prøver at være alt, men en sammenfatning, der giver hver del af spørgsmålet den opmærksomhed, den fortjener.
Sådan virker opdelingen
Prompt decomposition følger en forudsigelig rækkefølge, selv om forskellige AI-systemer gør det en smule forskelligt. Sådan forløber processen typisk:
Trin 1: Analyse af hensigten
AI-systemet modtager din søgning og analyserer den for hensigt og kompleksitet. Det handler ikke om match på søgeord. Systemet spørger sig selv: Er det ét sammenhængende spørgsmål eller flere spørgsmål pakket sammen? Kræver det information fra flere områder? Spørger det om sammenligning, vurdering, vejledning i at gøre noget eller en definition? Den analyse af hensigten sker, før systemet overhovedet overvejer, hvordan AI-søgemaskiner henter og rangerer kilder. Systemet giver det indkommende spørgsmål signaler om hensigt og scorer for kompleksitet.
Trin 2: Dannelse af spørgsmål
Hvis systemet afgør, at søgningen er kompleks nok til at blive delt op, laver det flere delspørgsmål. De er ikke tilfældige. De er semantisk forskellige udgaver af det oprindelige spørgsmål, som hver går efter en bestemt side eller dimension. Et spørgsmål om "billige værktøjer til at styre teams, der arbejder hjemmefra" kan deles op i "værktøjer til kommunikation i teams, der arbejder hjemmefra", "værktøjer til projektstyring i teams, der arbejder hjemmefra" og "billig software til teams, der arbejder hjemmefra".
Trin 3: Styring af delspørgsmål
Hvert delspørgsmål bliver nu sendt til potentielt forskellige datakilder eller indeks. Ét delspørgsmål kan gå til en produktdatabase. Et andet kan gå til almindeligt indhold på nettet. Et tredje kan gå til anmeldelser og sammenligninger. Det lag, der styrer, er afgørende, fordi ikke alle typer information findes det samme sted. En sammenligning af produkter kan komme fra specialiserede anmeldelsessider, mens kunders erfaringer kan komme fra fora og debatsider.
Trin 4: Hentning på samme tid
Alle delspørgsmål bliver kørt samtidig og ikke efter hinanden. Derfor går opdeling hurtigt. I stedet for at søge efter "X, så Y, så Z" kører systemet alle tre søgninger på én gang. Det kunne ikke lade sig gøre uden opdeling, fordi du ikke kan køre et komplekst spørgsmål med flere hensigter parallelt med sig selv. Du kan kun køre det parallelt ved at dele det i afgrænsede dele.
Trin 5: Valg af kilder og rangering
For hvert delspørgsmål henter og rangerer systemet mulige kilder. Men rangeringen her er anderledes end almindelig rangering i søgning. Systemet leder ikke efter den mest autoritative side om emnet, men efter det mest relevante afsnit eller den mest relevante sektion på siderne, som direkte besvarer netop det delspørgsmål. En side kan ligge højt på "værktøjer til kommunikation hjemmefra", men kun en bestemt sektion af siden bliver valgt og hentet ud.
Trin 6: Samling af svaret
Systemet tager de valgte afsnit fra alle de opdelte spørgsmål og samler dem til et samlet svar. I det lag opstår sammenhængen. Det er ikke bare at sætte svar efter hinanden. Det bygger en logisk rækkefølge, der giver mening ud fra det oprindelige spørgsmål og alle dets dele.
Eksempler fra virkeligheden på opdeling i praksis
Det er nyttigt at forstå prompt decomposition i teorien. Men når du ser det i praksis, bliver det virkeligt. Her er eksempler på, hvordan rigtige spørgsmål bliver delt op:
Eksempel 1: Spørgsmålet om en sammenligning
"Hvad er bedst til en lille virksomhed: et open source CMS eller en hjemmesidebygger?"
Det deles i: "Hvad er et open source CMS?" "Hvad er en hjemmesidebygger?" "Hvilke tekniske kompetencer kræver et open source CMS?" "Hvilke funktioner har moderne hjemmesidebyggere?" "Hvad er forskellen i pris?" og "Hvad foretrækker ejere af små virksomheder?" Hvert delspørgsmål går efter en kilde, der med autoritet kan besvare netop den del. Dokumentation til CMS besvarer den første del. Sider om funktioner i hjemmesidebyggere besvarer en anden. Anmeldelser fra brugere og cases besvarer spørgsmålet om, hvad man foretrækker. Information om pris kommer fra sider med priser og sammenligninger af produkter.
Eksempel 2: Spørgsmålet om en proces i flere trin
"Hvordan opretter jeg en webshop, finder varer at sælge og tager imod betalinger?"
Det deles i tre delspørgsmål om processen: "Hvordan opretter jeg en webshop?" "Hvor kan jeg finde varer at sælge?" og "Hvilke muligheder er der for at tage imod betalinger i webshops?" Hver har forskellige kilder til svaret. Guides til at komme i gang besvarer det første. Indhold om dropshipping og indkøb besvarer det andet. Dokumentation fra udbydere af betalinger besvarer det tredje.
Eksempel 3: Spørgsmålet om at træffe en beslutning
"Jeg vil gerne have flere følgere, men jeg ved ikke, om jeg skal satse på sociale medier eller starte en blog. Hvad vil virke bedst for mig?"
Det deles i flere vinkler: "Hvad er fordele og ulemper ved sociale medier, når man vil opbygge en målgruppe?" "Hvad er fordele og ulemper ved at blogge?" "Hvad viser resultater hurtigst?" "Hvor meget tid kræver hver af dem?" og "Hvad virker bedst for forskellige nicher?" Systemet samler indhold, der behandler hver vinkel, fra kilder, der er troværdige på netop den vinkel.
Sådan påvirker opdeling synligheden af dit indhold
Det betyder noget for din indholdsstrategi på bestemte måder. Når AI-systemer deler spørgsmål op, leder de ikke efter sider, der besvarer hele det komplekse spørgsmål perfekt. De leder efter sider, der besvarer konkrete, afgrænsede dele af spørgsmål rigtig godt.
Det betyder, at en side med titlen "CMS eller hjemmesidebyggere: den komplette guide" måske ikke bliver valgt til nogen enkelt af de opdelte delspørgsmål, hvis selve indholdet er generelt. Men en fokuseret guide med titlen "Hvad et open source CMS kræver: en vurdering af tekniske kompetencer for begyndere" ville blive valgt til delspørgsmålet om krav til tekniske kompetencer. En anden side med titlen "Funktioner i hjemmesidebyggere sammenlignet: skabeloner, SEO, mobil" ville blive valgt til delspørgsmålet om funktioner. En tredje side om pris ville blive valgt til delspørgsmålet om priser.
Med andre ord belønner opdeling præcision og dybde. Den straffer sider, der prøver at besvare alle vinkler af et komplekst spørgsmål med overfladisk dækning af hver. En hjemmeside, der udgiver ti fokuserede artikler, som hver grundigt besvarer én side af et komplekst emne, bliver citeret oftere i AI-skrevne svar end en hjemmeside, der udgiver én vidtløftig artikel, der prøver at dække alle ti sider.
Opdeling betyder også, at dit indhold skal kunne hentes, ikke kun som en hel side, men på niveau med sektioner. Når et AI-system henter dit indhold, trækker det ikke hele sider ud. Det trækker afsnit ud, som så går gennem et lag med genrangering, der afgør det endelige valg af kilder. Det mest relevante afsnit til et delspørgsmål kan være den tredje eller fjerde sektion i din artikel. Derfor betyder struktur, tydelige overskrifter og sektioner, der står på egne ben, så meget i en tid med AI-søgning. Hver sektion skal kunne besvares for sig, selv om sektionerne bygger videre på hinanden.
Opdeling og samtaler i flere træk
Opdeling bliver endnu mere avanceret i samtaler i flere træk. Når en bruger stiller et opfølgende spørgsmål efter et første AI-svar, justerer systemet, hvordan opdelingen ser ud. Et opfølgende spørgsmål som "Men hvilken ville være nemmest at bruge?" finpudser rummet for opdeling. Systemet ved nu, at det skal vægte kilder om brugervenlighed højere og vægte kilder om avancerede funktioner eller teknisk dybde lavere.
Det er afgørende for indholdsstrategien, fordi det betyder, at synligheden af dit indhold ikke er fast. Den samme side, der bliver citeret ved ét spørgsmål, bliver måske ikke citeret ved et opfølgende spørgsmål i samme samtale, eller også bliver den citeret anderledes. Hvis dit indhold er stærkt på brugervenlighed, bliver det valgt oftere i samtaler, hvor brugervenlighed bliver i fokus. Hvis det er stærkt på avancerede funktioner, bliver det valgt oftere i samtaler, hvor brugeren vil have styrke og mulighed for at tilpasse.
Sådan er opdelingen forskellig på tværs af AI-platforme
Forskellige AI-systemer gør opdelingen forskelligt, selv om grundprincipperne er de samme. ChatGPT hælder mod det, forskere kalder "sekventiel opdeling", hvor delspørgsmål bliver lavet og så besvaret i en logisk rækkefølge. Perplexity bruger ofte "parallel opdeling", hvor mange delspørgsmål bliver lavet og søgt samtidig. Nyere systemer som Claude bruger "opdeling med overblik over afhængigheder", hvor systemet ser, at nogle delspørgsmål afhænger af svar på andre delspørgsmål, og sætter dem i rækkefølge efter det.
For dit indhold betyder det, at synligheden er en smule forskellig på tværs af platforme. En side, der bliver citeret meget af ChatGPT ved et opdelt spørgsmål, bliver måske ikke valgt lige så meget af Perplexity, hvis Perplexitys parallelle opdeling prioriterer andre delspørgsmål ud fra det samme komplekse spørgsmål.
Analytics i WEMASY og at følge opdelingen
For at forstå, hvordan dit indhold klarer sig på tværs af opdelte spørgsmål, skal du have analytics, der kan se ud over overfladen. Almindelig analytics af trafik fortæller dig, at en bruger kom fra AI-søgning, men ikke hvilket delspørgsmål af et opdelt komplekst spørgsmål der førte til trafikken. WEMASY's værktøj til analytics og indsigt hjælper dig med at følge trafikkilder og brugernes adfærd, så du får indblik i, hvilket indhold der bliver valgt i forskellige søgescenarier. Når du ser trafik fra AI-søgning, kan du sammenholde den med data fra en gennemgang af indholdet for at forstå, hvilke af dine sider eller sektioner der bliver valgt, og til hvilke typer spørgsmål. Det lader dig se, hvor dit indhold er stærkt ved opdeling, og hvor der er huller.
Ofte stillede spørgsmål
Bliver alle komplekse spørgsmål delt op?
Nej. Nogle spørgsmål har helt og holdent én hensigt. Enkle opslag som "Hvad er et domænenavn?" bliver ikke delt op. Men spørgsmål, der kræver sammenligning, vurdering, at træffe en beslutning eller processer i flere trin, bliver delt op langt oftere. Et spørgsmål som "Hvordan starter jeg en blog?" bliver som regel behandlet som ét med én hensigt, men "Skal jeg starte en blog eller satse på sociale medier?" har flere hensigter og bliver delt op. Med WEMASY's hjemmesidebygger kan du sætte det op direkte på din hjemmeside.
Kan jeg styre, hvordan mit indhold bliver delt op?
Ikke direkte, men du kan påvirke det. Tydelige overskrifter på sektioner, afsnit der står på egne ben og besvarer konkrete spørgsmål, og fokuseret indhold gør det alt sammen lettere for AI-systemer at hente og vælge dit indhold ved opdeling. Lad ikke læsere eller AI-systemer arbejde for at finde svaret. Sæt det i første sætning i et afsnit eller en sektion, så systemerne kan trække det tydeligt ud.
Hvordan hænger prompt decomposition sammen med vektor-embeddings?
Vektor-embeddings er den måde, AI-systemer forstår semantisk mening på. Når et system deler et spørgsmål op i delspørgsmål, omdanner det hvert delspørgsmål til vektor-embeddings. De embeddings lader systemet finde semantisk lignende indhold, selv om de præcise søgeord ikke matcher. Derfor fanger match på søgeord alene ikke længere, hvordan AI-søgning virker. Opdeling og embeddings afgør sammen synligheden.
Betyder opdeling, at min side skal være længere?
Tværtimod. Fokuseret, kortfattet indhold, der besvarer konkrete spørgsmål, bliver hentet oftere end lange sider, der prøver at dække alt. En fokuseret artikel om én side af et emne slår en lang artikel, der dækker ti sider overfladisk. Opdeling belønner specialisering.
Hvad sker der med mit indhold, hvis det kun delvist besvarer et opdelt delspørgsmål?
Delvise svar bliver stadig valgt, hvis de er det bedste svar, der findes, på det delspørgsmål. Laget, der samler, kombinerer dit delvise svar med svar fra andre kilder til et fuldstændigt svar. Her betyder autoritet på emnet noget. Hvis du har flere sider, der hver besvarer forskellige sider af et komplekst spørgsmål, vil opdelingen vælge dem alle og samle dem, så dit brand bliver synligt i flere lag af svaret.
Hvordan ved jeg, om mit indhold bliver valgt i et opdelt spørgsmål?
Værktøjer til at følge AI-søgning kan vise dig det. Kig efter mønstre i trafik fra AI til bestemte sider eller sektioner. Hvis du ser trafik til en side, der traditionelt ikke lå godt i almindelig søgning, er der stor chance for, at den bliver valgt til et delspørgsmål i et opdelt komplekst spørgsmål. Med tiden viser mønstret dig, hvilke dele af dit indhold der er værdifulde, når spørgsmål bliver delt op.