SEO 101
SEO-optimalisering: Slik fungerer Googles KI (november 2026)

Viktige punkterGoogles rangeringssystem utviklet seg fra håndkodet PageRank til dyp…
Vis mer
- Googles rangeringssystem utviklet seg fra håndkodet PageRank til dyp forsterkningslæring som beregner resultater med minimal menneskelig innblanding.
- Ray Kurzweils bok om den menneskelige hjernen ble en plan for Googles mønstergjenkjennings-AI etter at han ble ansatt som Director of Engineering.
- PageSpeed Insights-straffer kan stille begrave trege nettsteder i rangeringene, spesielt når mobilbrukere blir påvirket.
Søkemotoroptimalisering (SEO) innebærer å optimalisere forhold på og utenfor nettsiden som påvirker hvor høyt den rangerer for et bestemt søkeuttrykk. Prosessen omfatter lastehastighet, strategi for lenkebygging, bruk av SEO-verktøy og å analysere Googles (GOOGL ) KI gjennom omvendt utvikling ved hjelp av algoritmisk tenkning.
Algoritmisk tenkning er en avansert form for analyse og problemløsning som programmerere bruker når de skriver kode og algoritmer. Man søker de faktiske forholdene ved å dele opp problemet og analysere det ut fra grunnleggende prinsipper.
Google røper ikke oppskriften sin. Derfor bruker vi algoritmisk tenkning og ser på noen avgjørende hendelser i selskapets historie som formet algoritmene, og hvorfor de er viktige.
Hvordan skape et sinn
Vi begynner med boken Hvordan skape et sinn: Hemmeligheten bak menneskelig tenkning avslørt, utgitt i 2012 av fremtidsforskeren og oppfinneren Ray Kurzweil. Den analyserer hvordan menneskehjernen fungerer. Hjernen trener seg selv gjennom mønstergjenkjenning til å bli en forutsigelsesmaskin som stadig forsøker å forutse fremtiden, helt ned til neste ord.
Hvordan kjenner mennesker igjen mønstre i hverdagen, og hvordan dannes forbindelsene i hjernen? Boken forklarer hierarkisk tenkning: ulike elementer danner et mønster som representerer et symbol, for eksempel en bokstav. Symbolene inngår deretter i mer avanserte mønstre som ord og setninger. Til slutt oppstår ideer, som mennesker omsetter i produkter.
Ved å etterligne menneskehjernen viser boken en vei til avansert KI utover mulighetene til de nevrale nettverkene som fantes da den ble utgitt.
Den skisserer KI som kan skaleres ved å ta inn verdens data og bruke mønstergjenkjenning i flere lag til å analysere tekst, bilder, lyd og video. Fordelene ved skyen og parallellbehandling gjør systemet skalerbart. Det ville med andre ord ikke være noen øvre grense for datainndata eller utdata.
Boken var så viktig at Ray Kurzweil ble ansatt av Google kort tid etter utgivelsen, som teknisk direktør med ansvar for maskinlæring og språkteknologi. Stillingen passet svært godt til boken han hadde skrevet.
Det er vanskelig å benekte bokas innflytelse på Googles fremtid og rangering av nettsteder. Denne KI-boken bør være obligatorisk lesning for alle som vil bli SEO-eksperter.
DeepMind
DeepMind startet i 2010 og var en lovende oppstartsbedrift som brukte en revolusjonerende type KI-algoritme: forsterkende læring. DeepMind beskrev den slik:
«Vi presenterer den første dyplæringsmodellen som med hell har lært styringsstrategier direkte fra høydimensjonale sanseinndata ved hjelp av forsterkende læring. Modellen er et konvolusjonsnettverk trent med en variant av Q-læring. Inndataene er rå piksler, og utdataene er en verdifunksjon som anslår fremtidige belønninger.»
Ved å kombinere dyplæring og forsterkende læring oppsto et system for dyp forsterkende læring. Innen 2013 brukte DeepMind algoritmene til å vinne mot menneskelige spillere i Atari 2600-spill. Dette skjedde ved å etterligne menneskehjernen og hvordan den lærer gjennom trening og gjentakelse.
Akkurat som mennesker lærer ved å gjenta et spark mot en ball eller spille Tetris, lærer KI også. Nettverket fulgte med på resultatene og forbedret seg gradvis, slik at det valgte bedre trekk i neste runde.
DeepMinds teknologiske forsprang var så stort at Google måtte kjøpe tilgang. DeepMind ble kjøpt for over 500 millioner dollar i 2014.
Etter kjøpet kom gjennombrudd i KI-bransjen av et slag man ikke hadde sett siden 11. mai 1997, da sjakkstormester Garry Kasparov tapte det første partiet i en kamp over seks partier mot Deep Blue, en sjakkdatamaskin utviklet av IBM-forskere.
I 2015 finjusterte DeepMind algoritmen og prøvde den på 49 Atari-spill. Maskinen slo menneskelige resultater i 23 av dem.
Dette var bare begynnelsen. Senere i 2015 konsentrerte DeepMind seg om AlphaGo, et program som skulle slå en profesjonell verdensmester i Go. Det eldgamle spillet oppsto i Kina for rundt 4000 år siden og regnes som historiens mest krevende spill, med 10360 mulige trekk.
DeepMind trente AlphaGo med veiledet læring fra menneskelige spillere. Programmet skapte overskrifter da det slo verdensmester Lee Sedol i en kamp over fem partier i mars 2016.
I oktober 2017 lanserte DeepMind AlphaGo Zero. Den avgjørende forskjellen var at modellen ikke trengte opplæring fra mennesker. Dermed trengte den heller ikke merkede data; systemet brukte i hovedsak ikke-veiledet læring. AlphaGo Zero overgikk raskt forgjengeren, som beskrevet av DeepMind:
«Tidligere versjoner av AlphaGo ble først trent på tusenvis av partier spilt av amatører og profesjonelle for å lære Go. AlphaGo Zero hopper over dette trinnet og lærer ved å spille mot seg selv, fra helt tilfeldig spill. Dermed overgikk det raskt menneskelig nivå og slo den tidligere publiserte versjonen av AlphaGo som hadde beseiret mesteren, med 100 partier mot 0.»
Samtidig var SEO-verdenen opptatt av PageRank, Googles grunnmur. Historien begynte i 1995, da Larry Page og Sergey Brin tok doktorgrad ved Stanford. De samarbeidet om et forskningsprosjekt kalt BackRub. Målet var å rangere nettsiders betydning ved å omforme data om tilbakekoblinger. En tilbakekobling er ganske enkelt en lenke fra én side til en annen, som denne lenken.
Algoritmen fikk senere navnet PageRank, etter både «web page» og medgrunnlegger Larry Page. Page og Brin ville bygge en søkemotor som kunne betjene hele nettet utelukkende ved hjelp av tilbakekoblinger.
Og det virket.
PageRank dominerer overskriftene
SEO-folk forsto raskt hvordan Google beregnet kvaliteten på en nettsides rangering med PageRank. Noen utspekulerte aktører innen black hat SEO tok det videre: for å skalere innholdet kunne det lønne seg å kjøpe lenker fremfor å vente på å få dem naturlig.
En ny økonomi vokste frem rundt tilbakekoblinger. Nettstedeiere som ville påvirke rangeringen, kjøpte lenker, mens andre som trengte inntekter, solgte dem.
Nettsteder som kjøpte lenker, kunne storme frem i Google over natten og passere etablerte merkevarer.
Metoden fungerte godt lenge, helt til den sluttet å virke. Omtrent da tok maskinlæring trolig tak i det grunnleggende problemet. Med dyp forsterkende læring ble PageRank én rangeringsvariabel fremfor den dominerende faktoren.
SEO-miljøet er fortsatt splittet om lenkekjøp. Jeg mener det gir svakere resultater, og at de beste metodene for å få tilbakekoblinger avhenger av bransjen. En legitim tjeneste jeg kan anbefale, er HARO (Help a Reporter Out). Der kan man få tilbakekoblinger ved å svare på henvendelser fra mediene.
Etablerte merkevarer trengte aldri å bekymre seg for lenkekilder, fordi tiden arbeidet for dem. Jo eldre nettstedet er, desto lengre tid har det hatt til å samle kvalitetslenker. Rangeringen var altså sterkt avhengig av nettstedets alder, med forholdet tid = tilbakekoblinger.
CNN ville for eksempel naturlig få lenker til en nyhetsartikkel på grunn av merkevaren, tilliten og at artikkelen allerede lå høyt i søket. Folk som undersøkte saken, lenket til det første treffet og ga dermed artikkelen enda flere tilbakekoblinger.
Høyt rangerte sider fikk derfor flere lenker naturlig. Nye nettsteder ble dessverre ofte presset til å misbruke lenkealgoritmen ved å gå til lenkemarkedet.
Tidlig på 2000-tallet fungerte lenkekjøp svært godt og var enkelt. Man kjøpte lenker fra nettsteder med høy autoritet, ofte i bunnteksten på alle sider eller i enkeltartikler forkledd som gjesteinnlegg. Selgere som ville tjene penger, sa gjerne ja, ofte på bekostning av kvaliteten.
Til slutt innså Googles maskinlæringsingeniører at det var nytteløst å kode søkeresultatene manuelt, og mye av PageRank var manuelt kodet. KI ville etter hvert beregne rangeringen fullt ut med liten eller ingen menneskelig innblanding.
For å være konkurransedyktig bruker Google alle tilgjengelige verktøy, også dyp forsterkende læring, verdens mest avanserte type maskinlæringsalgoritme.
Systemet, kombinert med Googles oppkjøp av MetaWeb, endret spillereglene. Oppkjøpet i 2010 var viktig fordi det reduserte vekten av søkeord. Kontekst ble viktig gjennom en kategoriseringsmetode kalt «entiteter». Som Fast Company beskrev det:
«Når Metaweb har fastslått hvilken entitet du mener, kan det levere et sett med resultater. Det kan også kombinere entiteter for mer sammensatte søk: “skuespillerinner over 40” kan være én entitet, “skuespillerinner som bor i New York” en annen og “skuespillerinner med en film som vises nå” en tredje.»
Teknologien ble innlemmet i en stor algoritmeoppdatering kalt RankBrain, lansert våren 2015. RankBrain vektla forståelse av kontekst fremfor bare søkeord, og tok også hensyn til omgivelsene, for eksempel søkerens plassering. Det utledet mening der dette tidligere ikke var mulig. Oppdateringen var særlig viktig for mobilbrukere.
Nå som vi forstår teknologiene, kan vi bruke algoritmisk tenkning til å gjøre antakelser om hvordan Google bruker dem.
Hva er dyplæring?
Dyplæring er den vanligste formen for maskinlæring. Det ville være umulig for Google å la være å bruke denne algoritmen.
Dyplæring er sterkt inspirert av menneskehjernen og forsøker å etterligne hvordan den bruker mønstergjenkjenning til å identifisere og kategorisere objekter.
Når du ser bokstaven a, kjenner hjernen automatisk igjen linjene og formene og identifiserer den som a. For bokstavene ap forsøker den å forutsi mulige ord, som app eller apple. Andre mønstre kan være tall, trafikkskilt eller et kjent ansikt på en travel flyplass.
Forbindelsene i et dyplæringssystem kan sammenlignes med forbindelsene mellom nevroner og synapser i hjernen.
Dyplæring er betegnelsen på maskinlæringsarkitekturer som kobler sammen mange flerlagsperseptroner, slik at det ikke bare finnes ett skjult lag, men mange. Jo dypere nettverket er, desto mer komplekse mønstre kan det lære.
Fullt tilkoblede nettverk kan kombineres med andre maskinlæringsfunksjoner for å danne ulike dyplæringsarkitekturer.
Hvordan Google bruker dyplæring
Google gjennomsøker verdens nettsteder ved å følge hyperlenker som forbinder dem, omtrent som nevroner. Denne metoden har vært brukt fra starten og brukes fortsatt. Når nettstedene er indeksert, analyserer ulike KI-typer datamengden.
Googles system merker nettsider etter interne måltall med minimalt menneskelig bidrag eller inngrep. Et eksempel på inngrep er manuell fjerning av en bestemt URL etter en forespørsel om fjerning etter DMCA.
Googles ingeniører er kjent for å frustrere deltakere på SEO-konferanser, fordi selskapets ledere ikke klarer å forklare nøyaktig hvordan Google virker. Spørsmål om manglende rangering får gjerne det samme uklare svaret. Deltakere presiserer ofte på forhånd at de har laget godt innhold i måneder eller år uten positive resultater.
Nettstedeiere får som forventet beskjed om å lage verdifullt innhold. Dette er viktig, men dekker langt fra hele bildet.
Svaret uteblir fordi lederne ikke kan besvare spørsmålet skikkelig. Algoritmen virker som en svart boks: noe går inn, og noe kommer ut. Slik fungerer dyplæring.
La oss vende tilbake til en rangeringsstraff som rammer millioner av nettsteder, ofte uten at eieren vet det.
PageSpeed Insights
Google er sjelden åpen, men PageSpeed Insights er et unntak. Nettsteder som stryker på hastighetstesten, sendes til straffeboksen for treg lasting, særlig når mobilbrukere rammes.
Mistanken er at et beslutningstre på et tidspunkt skiller raske nettsteder fra langsomme som stryker på PageSpeed Insights. Et beslutningstre deler et datasett i enkeltpunkter ut fra kriterier. Kriteriene kan påvirke hvor høyt en side rangerer for mobilbrukere sammenlignet med datamaskinbrukere.
En hypotetisk straff kan trekkes fra den naturlige rangeringen. En side som ellers ville ligge på plass 5, kan få et fratrekk på 20, 50 eller en ukjent verdi og havne på plass 25, 55 eller et annet tall valgt av KI.
I fremtiden kan PageSpeed Insights forsvinne når Google blir tryggere på KI-en sin. Den nåværende inngripen i hastighet er farlig fordi den kan utelukke optimale resultater og diskriminere mindre teknisk kyndige.
Det er mye å kreve at alle småbedriftseiere skal kunne diagnostisere og løse hastighetsproblemer. En enkel løsning ville være at Google ga ut en hastighetsutvidelse for WordPress, siden WordPress driver 43 % av nettet.
Dessverre er SEO-arbeidet forgjeves hvis nettstedet ikke består Googles PageSpeed Insights. Innsatsen er intet mindre enn om nettstedet forsvinner fra Google.
Hvordan testen bestås, er et eget tema. Som et minimum bør du kontrollere at nettstedet består.
Et annet viktig teknisk mål gjelder sikkerhetsprotokollen SSL (Secure Sockets Layer). Den endrer domenets URL fra http til https og sikrer dataoverføringen. Nettsteder uten SSL straffes. Det finnes unntak, men netthandel og finans rammes hardest.
Billige webverter tar en årlig avgift for SSL, mens gode leverandører som Siteground utsteder gratis sertifikater og integrerer dem automatisk.
Metadata
Metatittel og metabeskrivelse er andre viktige elementer. Feltene har uforholdsmessig stor betydning og kan bidra like mye til sidens suksess eller nederlag som hele innholdet på siden.
Google vil sannsynligvis bruke metatittel og metabeskrivelse i søkeresultatene. Derfor bør de fylles ut med stor omhu.
Google kan alternativt ignorere dem og generere tekst automatisk som den tror vil gi flere klikk. Hvis den bommer på tittelen, kan færre søkere klikke, med svakere rangering som følge.
Hvis Google mener den oppgitte metabeskrivelsen er optimalisert for klikk, viser den beskrivelsen. Ellers henter den et tilfeldig tekstutdrag fra siden. Den velger ofte den beste teksten, men problemet er at dette er et lotteri, og Google er stadig dårlig til å velge riktig beskrivelse.
Er innholdet svært godt, kan det være fornuftig å la Google velge beskrivelsen som passer best til brukerens søk. Vi velger ingen metabeskrivelse for denne artikkelen fordi den har mye innhold, og Google trolig vil velge en god beskrivelse.
Milliarder av mennesker klikker i mellomtiden på de beste søkeresultatene. Dette er mennesket i sløyfen, Googles siste tilbakemeldingsmekanisme, og her kommer forsterkende læring inn.
Hva er forsterkende læring?
Forsterkende læring er en maskinlæringsteknikk der en KI-agent trenes gjennom gjentatte handlinger og tilhørende belønninger. Agenten eksperimenterer i et miljø, handler og får belønning når den handler riktig. Etter hvert lærer agenten hvilke handlinger som maksimerer belønningen.
Belønningen kan bygge på en enkel beregning av tiden brukt på en anbefalt side.
Kombinert med mennesker i tilbakemeldingssløyfen minner dette om anbefalingsmotorene som styrer det digitale livet vårt, som YouTube, Netflix (NFLX ) og Amazon Prime. Hvis dette høres ut som måten en søkemotor burde fungere på, har du rett.
Hvordan Google bruker forsterkende læring
Googles svinghjul får mer fart for hvert søk. Mennesker trener KI ved å velge resultatet som best svarer på deres spørsmål og lignende spørsmål fra millioner av andre.
Agenten arbeider stadig med å forbedre seg ved å forsterke de mest positive samspillene mellom søk og resultat.
Google måler hvor lang tid brukeren bruker på å se gjennom resultatsiden, hvilken URL som klikkes, tiden på det besøkte nettstedet og om brukeren klikker tilbake. Dataene samles og sammenlignes for nettsteder med lignende data eller brukeropplevelse.
Et nettsted med lav brukerbevaring, målt som tid på siden, får en negativ verdi i systemet. Andre konkurrerende nettsteder prøves ut for å forbedre rangeringen som tilbys. Uten manuelle inngrep er Google upartisk og leverer til slutt den ønskede resultatsiden.
Brukerne er menneskene i sløyfen som gir Google gratis data og blir den siste komponenten i systemet for dyp forsterkende læring. Til gjengjeld får sluttbrukeren anledning til å klikke på en annonse.
Annonsene gir inntekter, men fungerer også som en sekundær rangeringsfaktor ved å gi flere data om hva som får brukeren til å klikke.
Google lærer i hovedsak hva brukeren vil ha. Det kan sammenlignes med anbefalingene i en videostrømmetjeneste. En bruker som liker romantiske komedier, kan også like parodier med de samme komikerne.
Hvordan hjelper dette SEO?
Ut fra algoritmisk tenkning kan vi anta at Google har lært å levere de beste resultatene ved å generalisere og tilfredsstille menneskelige skjevheter. KI-en må optimalisere for disse skjevhetene; hvis den ikke gjorde det, ville resultatene være svakere.
Det finnes med andre ord ingen magisk formel, men noen gode fremgangsmåter.
SEO-spesialisten må kjenne igjen skjevhetene Google leter etter i bransjen, og imøtekomme dem. Et søk etter valgresultater uten dato gjelder sannsynligvis de nyeste resultatene, en preferanse for fersk informasjon. Et oppskriftssøk trenger derimot ikke den nyeste siden; brukeren kan foretrekke en oppskrift som har bestått tidens prøve.
Det er SEO-spesialistens ansvar å gi besøkende det de leter etter. Dette er den mest bærekraftige måten å rangere på Google på.
Nettstedeiere må slutte å målrette et bestemt søkeord og samtidig forvente å kunne tilby hva som helst. Resultatet må samsvare nøyaktig med brukerens behov.
En skjevhet kan gjelde et domene som ser autoritativt ut. Passer domenenavnet til markedet? Et navn med ordet India kan avskrekke amerikanske brukere på grunn av en nasjonalistisk preferanse for resultater fra eget land. Et domene med ett enkelt ord kan også gi inntrykk av autoritet.
Det viktigste er hva brukeren ønsker som svar på søket: vanlige spørsmål, en topp ti-liste eller et blogginnlegg? Svaret er enkelt å finne ved å analysere konkurransen gjennom Google-søk i målmarkedet.
Black hat SEO er dødt
Black hat SEO er en aggressiv metode som bruker villedende spamteknikker, blant annet kjøp og forfalskning av tilbakekoblinger, hacking av nettsteder, automatisk masseproduksjon av sosiale bokmerker og andre mørke metoder gjennom nettverk av black hat-verktøy.
Verktøyene brukes om igjen og selges på søkemarkedsføringsfora. Produktene har nesten ingen verdi og liten sjanse for å lykkes. Selgerne kan bli rike mens sluttbrukeren får minimalt igjen.
Derfor anbefaler jeg å oppgi black hat. Se SEO gjennom maskinlæringens perspektiv. Når noen hopper over et søkeresultat for å velge et lenger ned, er det et menneske i sløyfen som samarbeider med systemet for dyp forsterkende læring. Mennesket hjelper KI å forbedre seg stadig mer over tid.
Dette er en maskinlæringsalgoritme som er trent av flere brukere enn noe annet system i menneskehetens historie.
Google behandler i gjennomsnitt 3,8 millioner søk i minuttet verden over. Det tilsvarer 228 millioner i timen og 5,6 milliarder søk om dagen. Det er svært mye data, og derfor er forsøk på black hat SEO tåpelige. Det er også tåpelig å anta at Googles KI forblir statisk. Systemet bruker loven om akselererende avkastning til å forbedre seg eksponentielt.
KI-en blir så kraftig at det er tenkelig at den en dag blir den første som når kunstig generell intelligens (AGI). AGI kan bruke overføringslæring til å mestre ett felt og anvende den innlærte intelligensen på flere områder. Det kan være interessant å undersøke Googles fremtidige AGI-arbeid, men når prosessen først er i gang, er den vanskelig å stoppe. Dette er selvsagt spekulasjon om fremtiden: Google er foreløpig en form for smal KI. Det er et tema for en annen artikkel.
Med dette i bakhodet er det meningsløst å bruke enda et sekund på black hat.
White hat SEO
Hvis vi aksepterer at Googles KI stadig forbedrer seg, må vi oppgi forsøkene på å lure Google. Optimaliser heller nettstedet slik at det gir Google akkurat det den leter etter.
Som beskrevet innebærer dette SSL, raskere lasting og optimalisering av metatittel og metabeskrivelse. Sammenlign feltene med konkurrentenes sider og finn elementene som gir høy klikkrate.
Etter at klikkraten er optimalisert, er neste mål den beste landingssiden. Den skal gi så mye verdi at gjennomsnittstiden på siden overgår lignende konkurrenter som kjemper om de øverste plassene.
Bare ved å tilby den beste brukeropplevelsen kan nettsiden klatre i rangeringen.
Vi har identifisert disse måltallene som de viktigste:
- Lastehastighet
- SSL aktivert
- Metatittel og metabeskrivelse
- Landingsside
Landingssiden er vanskeligst, fordi du konkurrerer med hele verden. Den må laste raskt og levere alt brukeren forventer, og deretter overraske med mer.
Avsluttende tanker
Det ville være enkelt å fylle ytterligere 2000 ord med andre KI-teknologier Google bruker og fordype seg videre i SEO. Hensikten her er å rette oppmerksomheten tilbake mot de viktigste måltallene.
SEO-folk er så opptatt av å spille systemet at de glemmer det viktigste: å gi brukerne mest mulig verdi.
En måte å gjøre det på er å aldri la viktig innhold bli utdatert. Hvis jeg om en måned kommer på et viktig bidrag, blir det lagt til i artikkelen. Google kan da vurdere hvor ferskt innholdet er, sammen med sidens historikk for å levere verdi.
Hvis du fremdeles bekymrer deg for tilbakekoblinger, er løsningen enkel. Respekter tiden til de besøkende og gi dem verdi. Lenker vil komme naturlig når brukerne ser verdien i å dele innholdet.
Spørsmålet blir dermed hvordan nettstedeieren skal levere best mulig verdi og brukeropplevelse.












