---
title: "AI SEO værktøjer: mit sæt med tests og fælder - Łukasz Rogala"
description: "Hvilke AI-værktøjer jeg bruger i SEO: sprogmodeller, data om resultater, scanning af hjemmesider og egne scripts. Jeg viser tests med tal og fælder."
url: "https://rogala.pro/da/blog/ai-vaerktoejer-seo/"
language: "da"
author: "Łukasz Rogala"
published: "2026-10-18T12:15:00+02:00"
modified: "2026-10-18T12:16:57+02:00"
---

[Blog](https://rogala.pro/da/blog/)

# AI-værktøjer i SEO: mit sæt og de tests, der formede det

[Łukasz Rogala](https://rogala.pro/da/#about) · 18. oktober 2026 · 17 min. læsetid

**Mit sæt af AI-værktøjer i SEO er sprogmodeller, betalte data om Google-resultater, et program til at scanne hjemmesider og egne scripts.** En model er god til at ordne data, beskrive dem og skrive kode. Et resultat fra én hentning af resultater eller fra ét svar fra en model kan dog være tilfældigt. Derfor viser jeg de tests, der ændrede min måde at bruge værktøjerne på. Jeg laver ikke en rangliste fra 1 til 10, for jeg har ikke sammenlignet værktøjerne side om side på de samme data.

**Testene i denne tekst lavede jeg fra juli til oktober 2026 på mine egne data og på data fra projekter, hvis navne jeg ikke oplyser.** De betalte værktøjer i teksten betaler jeg selv for, og jeg angiver deres navne uden links. Jeg er med til at drive Linko, en linkplatform, og i VerticalSEO, mit bureau, bygger vi egne SEO-værktøjer. Jeg skriver om dem med det forbehold. Navnene på modellerne angiver jeg i de versioner, der gjaldt på testdagen, overalt hvor jeg har skrevet dem ned, for versionerne skifter med få ugers mellemrum. Resultater fra små stikprøver beskriver jeg som foreløbige.

## Hvad er AI god til i SEO, og hvad er den ikke god til?

**En sprogmodel er god til at læse, ordne og skrive, men dårlig til at regne ud fra hukommelsen og ser ikke data, som du ikke giver den.** Den 26. og 27. september 2026 testede jeg sprogmodeller på 17 typer SEO-opgaver, hver på et let og et svært niveau. En del af typerne byggede jeg på 103 stillingsopslag til SEO-specialister. Opslagene nævnte oftest teknisk audit, rapportering og dataanalyse. Af værktøjerne nævnte de oftest Search Console, Google Analytics 4 (GA4), Ahrefs, Semrush og Screaming Frog.

**De stærkeste modeller fik næsten 100 % i næsten alle typer opgaver, så forskellene viste sig først hos de svagere modeller.** Til toppen hørte blandt andet Claude Opus 5.5, Fable 5.1, Codex og Gemini 3.1 Pro. Ved beregning ud fra en fil på det svære niveau fik Claude Haiku 4.5 2 ud af 10 point. Gemini 3.8 Flash med lavt niveau af ræsonnement fik 1 ud af 10 og den lokale Gemma 4 12B 0 ud af 10. I opgaver, hvor modellen kunne regne data ud med et Python-script, fik alle de undersøgte modeller i skyen fuldt pointtal. Også de svageste af dem fik fuldt pointtal. Data i de opgaver er eksporter fra Screaming Frog, 45.000 hændelser fra GA4 og en serverlog med 160.000 linjer. Derfor er det et script, der regner tallene ud i mit arbejde, et script som modellen skriver og kører.

**Tekster på polsk blev bedømt blindt af to modeller, og her var forskellene store.** Dommerne vidste ikke, hvilken model der havde skrevet teksten. Skalaen havde 5 trin, og 5 betød en tekst, der var klar til at blive sendt til kunden uden rettelser. Kun Claude Opus 5.5 og Claude Sonnet 5 fik 5 på den svære skriveopgave. Gemini 3.1 Pro fik 2, for den fandt på »en samtale i går« med modtageren. Dommeren Claude Opus var strengere end dommeren Gemini, både over for Claudes svar og over for de andre modellers.

**Den samme model kan give et andet resultat, når den samme test køres igen.** Claude Haiku 4.5 fik i to kørsler 62 og 39 point ud af 102. I teksten om [SEO-audit](https://rogala.pro/da/blog/seo-analyse/) beskrev jeg, hvorfor en AI-model ikke alene kan lave en fuld audit af en hjemmeside.

## Mit sæt: hvilket værktøj bruger jeg til hvad?

**Jeg deler værktøjerne i seks anvendelser i mit arbejde og ikke efter producent.** Den samme model indgår i flere anvendelser, for jeg bruger den på én måde til at læse data og på en anden til kontrol. Ved hver anvendelse angiver jeg den test, efter hvilken jeg ændrede min måde at arbejde på.

**Hver anvendelse i mit sæt har en test, der ændrede min måde at arbejde på**

Matrix seks gange to. Rækker: sprogmodeller, lokale modeller, data om resultater, scanning af hjemmesider, indhold og semantik, kontrol. Kolonner: værktøjer og opgaver samt den test, der ændrede min måde at arbejde på.

*Tests fra september og oktober 2026 på egne data og på data fra projekter, hvis navne jeg ikke oplyser. Resultater fra små stikprøver ser jeg som foreløbige.*

## Hvilke sprogmodeller bruger jeg, og til hvad?

**Hovedarbejdet laver jeg i Claude Code, altså Claude, der kører i terminalen med adgang til filer, scripts og data.** Claude skriver og kører scripts, læser eksporter og forbereder udkast til rapporter. Codex (OpenAI) og Gemini (Google) får det samme materiale til en anden kontrol.

**Tekster og rapporter tjekker jeg med en anden model fra en anden producent, i to runder.** Første runde leder efter fejl i fakta og huller. Anden runde tjekker kun rettelserne, for ved rettelser opstår der nye fejl. I oktober 2026 fandt anden runde i et projekt et forkert tal for alle links i en vejledning, som andelen var regnet ud fra: 79 i stedet for 76. Den fejl opstod først ved rettelserne. Mit kontrolscript fandt den ikke.

**En model som kvalitetsdommer kan måle noget andet end et menneske, derfor tjekker jeg den på tekster, som jeg allerede har bedømt.** Den 7. oktober 2026 gav jeg to modeller 87 beskrivelser af Google-patenter til bedømmelse. Blandt dem var 8 beskrivelser, som jeg selv tidligere havde anset for færdige, og det vidste dommerne ikke. Fable, en model fra Anthropic, anså 5 af de 8 for færdige. Codex med højt niveau af ræsonnement anså 1 af 8 for færdig.

**De to resultater siger kun noget om tekster, som jeg selv anså for færdige.** De øvrige 79 beskrivelser bedømte jeg ikke, så jeg ved ikke, hvor mange af afvisningerne der var berettigede. Codex afviste i alt 51 af de 87 beskrivelser, for den sammenlignede hver sætning i beskrivelsen med patentkravene, altså patentets juridiske omfang. Dommernes indbyrdes enighed var tæt på tilfældig. Cohens kappa blev 0,06, hvor 0 betyder tilfældig enighed og 1 fuld enighed.

**Lokale modeller på min egen computer med grafikkort bruger jeg til masseetiketter, for jeg betaler ikke for hvert stykke.** Den 1. oktober 2026 testede jeg lokale modeller på fire enkle opgaver. Data var sider fra tre polske webshops. Gemma 4 31B genkendte sidens type på 98,5 % af 403 sider. Sidetyperne er produkt, produktliste, artikel eller andet. Et script med regler ramte rigtigt på 84 % af de sider.

**Gemma læste priserne næsten uden fejl og vurderede, om tallene stemte, men en del af facit i den test kom fra en model og ikke fra et menneske.** Facit for sidetypen var etiketter fra et script, rettet af modellen Claude Opus. Gemma læste prisen rigtigt fra alle 177 produktkort. Facit var prisen fra de strukturerede data, som stemte med sidens tekst. I 99,3 % af 134 tilfælde vurderede Gemma rigtigt, om tallet i en sætning stemte med dataene. Halvdelen af de sætninger havde et bevidst ændret tal. Gemma genkendte også typen af efterspørgsel i et søgeord (tilbud, uden for tilbuddet eller råd) i 97,7 % af 218 søgeord. Facit var her etiketter fra modellen Claude Opus.

**Den samme modelfamilie svigtede ved sammenligning af tal mellem to filer i et rigtigt tilbud.** Den 12. oktober 2026 sammenlignede to versioner af Gemma 4, 26B og 31B, 63 rækker og meldte kun falske modsigelser. De anså for eksempel »-34 %« og »en tredjedel« for modstridende værdier. Det eneste rigtige problem i den tekst handlede ikke om tal, men om et overdrevet ord ved et resultat fra en tabel. Det hørte altså ikke til Gemmas opgave. Nu tjekker et script, om hvert tal fra den ene fil findes i den anden. Det er en kontrol af, om tallene er til stede, og deres betydning tjekker et menneske eller en anden model.

## Hvilke værktøjer bruger jeg til data om placeringer og efterspørgsel?

**Data om Google-resultater tager jeg fra DataForSEO, Search Console og Ahrefs, og hver af de kilder har sin egen fælde.** DataForSEO sælger udtræk af Google-resultater og data om efterspørgsel mod betaling for hver forespørgsel. Fra den 17. september til den 14. oktober 2026 bestilte jeg dér 17.076 opgaver for 99,89 USD. Blandt dem var der 13.085 hentninger af Google-resultater.

**Én hentning af resultater er ikke nok til at måle en placering, for efterfølgende hentninger af det samme søgeord ser forskellige ud.** Den 7. oktober 2026 hentede jeg resultater for 94 søgeord tre gange med en times mellemrum og to gange i det samme minut, for 1,57 USD. Derefter sammenlignede jeg domænerne fra top 10 i to hentninger af det samme søgeord. De fælles domæner udgjorde i medianen ca. 15 % af alle forskellige domæner fra de to hentninger. I hentninger fra det samme minut var det ca. 8 %. Ét søgeord havde i medianen 4 varianter af resultater. Derfor regner jeg i stedet for en placering andelen af hentninger, hvor domænet er i top 10. Der er ca. 10 hentninger, og jeg sender dem af sted på én gang.

**Den måling gjorde min tidligere test ugyldig, hvor jeg sammenlignede placeringen fra én hentning med citeringer fra fem hentninger.** Testens resultat »bestået« viste sig at være falsk, så jeg satte testen i bero. AI Overview, altså AI-svaret over Googles resultater, var stabilt i den måling: Det optrådte i 97-99 % af hentningerne, og listen over citerede sider ændrede sig ikke.

**Search Console viser klik målt af Google selv, men eksporten fra panelet skærer tabellen af ved 1.000 rækker.** Tusind søgninger sorteret efter klik er den mest klikkede del af data. Den 20. september 2026 viste eksporten fra panelet på én hjemmeside en CTR på 4,28 % for placering 1-3 i USA. CTR er andelen af visninger, der endte med et klik. Data fra 16 måneder hentet uden grænsen på 1.000 rækker, altså 123.498 søgninger, gav 1,40 %. Sådanne data henter jeg via API'et til Search Console, altså en grænseflade for programmer. Den anden måde er en rapport i Looker Studio, Googles gratis værktøj til rapporter, med forbindelsen til Search Console.

**Ahrefs bruger jeg til links, søgeord og konkurrenter, men dets skøn over trafik tjekker jeg i Search Console.** Kolonnen med trafik i Ahrefs' Rank Tracker er et skøn: den skønnede efterspørgsel ganget med en antaget andel af klik. På én hjemmeside var det skøn 10-50 gange højere end klikkene i Search Console, og på en anden ca. 3 gange lavere. Rank Tracker regner også blokke på resultatsiden som placeringer. I ét tilfælde betød et fald fra 1. til 13. plads kun, at der var kommet et AI Overview over resultaterne.

## Hvilke værktøjer bruger jeg til teknisk audit?

**Til audit bruger jeg Screaming Frog og Chrome-browseren uden vindue, og en AI-model læser resultaterne, men erstatter ikke scanningen af hjemmesiden.** Screaming Frog gennemgår hjemmesiden, som en søgemaskinerobot gør. Chrome uden vindue viser siden, efter at JavaScript er kørt, så jeg sammenligner de to versioner af siden. I én audit gav scanninger med og uden JavaScript, der kørte parallelt, et falsk signal om rendering. Siden da kører jeg dem efter hinanden.

**Når firewallen på den auditerede hjemmeside blokerer mit scanningsprogram, henter jeg enkelte adresser via tjenesten Apify Web Fetch.** I testen fra den 12. oktober 2026 læste tjenesten 8 af 8 sider, som jeg ikke kunne hente fra min egen IP-adresse. To af dem hørte til kunders hjemmesider og seks til offentlige sider med anmeldelser, sammenligningstjenester og webshops. Det kostede 0,00155 USD pr. adresse. Tjenesten meldte dog somme tider en vellykket hentning med kode 200, selv om den kun havde hentet en verifikationsside. Derfor ser jeg en meget kort tekst eller en tekst om verifikation som en blokering og gentager hentningen.

**Den tjeneste viser ikke, hvad Googles rigtige robot eller en AI-robot ser.** Den forbinder fra en anden IP-adresse, og selv når jeg angiver en robots navn, afslører de øvrige headere en almindelig Chrome-browser. Blokeringer af robotter tjekker jeg derfor i Search Console og med et eget script, der sammenligner serverens svar til forskellige robotter. I teksten om [filen llms.txt](https://rogala.pro/da/blog/llms-txt/) beskrev jeg, hvordan jeg ud fra IP-adressen tjekker, om forespørgslen kom fra en rigtig robot.

**En assistent til tekniske audits byggede jeg på mit bureaus audits fra 2020-2026, og jeg måler den på audits, som et menneske har lavet tidligere.** Assistenten er en AI-agent, der indsamler data om hjemmesiden og tjekker dem efter et katalog af regler, der er skrevet ned ud fra de audits. Auditens omfang og prioriteter godkender jeg selv, i begyndelsen af arbejdet og før auditten sendes af sted. Resultatet af målingen tilføjer jeg her efter den anden måling på en ny hjemmeside.

## Hvilke værktøjer bruger jeg til indhold og semantik?

**Et søgeord knytter jeg til en side med hybrid søgning, for den tidligere version af mit værktøj ramte kun i en tredjedel af søgeordene.** Den 14. oktober 2026 tog jeg søgeord fra Search Console for to hjemmesider, uden søgeord med brandnavn. For hvert søgeord var facit den side, der havde fået mindst 60 % af klikkene fra det søgeord, og som var blandt hjemmesidens scannede sider. Den tidligere version af værktøjet brugte modellen MiniLM til embeddings, altså omdannelse af tekst til en vektor af tal. Den pegede på facit-siden som den første ved 34 % af søgeordene.

**Hybrid søgning kombinerer tre lister af sider og ramte facit-siden ved 80,5 % og 77,1 % af søgeordene.** Den første liste kommer fra modellen e5-large. Den anden er søgning efter ord i teksten, og den tredje efter ord i titlen, overskriften H1 og adressen. Listerne kombinerer jeg med metoden RRF, som belønner sider, der står højt på flere lister på én gang. Den bedste enkeltstående model til embeddings var forskellig på hver af de to hjemmesider, og hybriden vandt på begge.

**Hybrid søgning ramte siden med flertallet af klik mere end dobbelt så ofte som den tidligere version af mit værktøj**

Vandrette søjler for fire metoder. Ved hver to søjler: andelen af søgeord, hvor metoden pegede på siden med flertallet af klik som den første, hver for sig for to hjemmesider. MiniLM 33,9 % og 34 %, e5-large 70,8 % og 54,9 %, søgning efter ord i teksten 67,1 % og 63,2 %, hybrid søgning 80,5 % og 77,1 %.

*Test fra den 14. oktober 2026. Facit-siden er den side, der har mindst 60 % af klikkene fra det pågældende søgeord i Search Console, uden søgeord med brandnavn. Resultatet for MiniLM gælder den tidligere version af værktøjet med en fejl i opdelingen af teksten. Hybrid søgning kombinerer e5-large med søgning efter ord i teksten samt i titlen, overskriften H1 og sidens adresse. Resultatet måler overensstemmelse med klikkene i Google og ikke, hvilken side der bedst svarer på søgningen.*

**Ved den test fandt jeg en fejl i mit eget værktøj: Modellen så ikke slutningen af de fleste tekststykker.** Scriptet delte teksten i stykker på 80 ord, men modellen tager 128 tokens, altså stykker af ord. Polske ord deles i flere tokens end engelske, så 89-98 % af stykkerne blev skåret af. Resultatet på 34 % gælder altså den tidligere version af værktøjet med den fejl og ikke selve modellen MiniLM. Testen måler overensstemmelse med klikkene i Google og ikke, hvilken side der bedst svarer på søgningen.

**Entiteter, altså navne på virksomheder, produkter, personer og begreber, udtrækker jeg af tekster med den lokale model GLiNER2.** I min test fra juli 2026 havde modellen på polske tekster en F1 på 0,94, lige så meget som på engelske. F1 kombinerer præcision og dækning, og 1 betyder et perfekt resultat. Det resultat gælder etiketter, der ikke overlapper. Når der i samme forespørgsel var etiketterne »virksomhed« og »brand« samtidig, faldt F1 til 0,85. Modellen kører på en almindelig processor, ca. 20 afsnit i sekundet, uden betaling pr. side.

**GLiNER2 bruger jeg ikke til at genkende søgeintention, for i min test ramte den kun rigtigt i 33-42 % af tilfældene.** Den tog ofte fejl med en sikkerhed på 0,99, altså næsten den højeste sikkerhed, den selv angiver.

**Emnekortet for denne serie af indlæg lavede jeg ud fra entiteter på 71 konkurrentsider fra Polen og USA.** Scriptet udtrak 110 entiteter og 1.764 tripler, altså poster i formen entitet, egenskab og værdi. Data kostede 0,072 USD. Kortet viste indlæggenes roller, par af tekster, der skal forbindes med links, og emner, som mangler på denne hjemmeside.

## Hvilke værktøjer bruger jeg til linkbuilding?

**Til analyse af links bruger jeg Ahrefs, men links markeret som tabte tjekker jeg live, før de kommer med i konklusioner.** I oktober 2026 viste Ahrefs i ét projekt 360 polske domæner som tabte. 140 af dem linkede stadig med den samme adresse. Ca. 70 adresser svarede med fejlen 403 på hentning med et almindeligt program, så jeg tjekkede dem i en browser styret af et script (Playwright).

**Jeg er med til at drive Linko, en linkplatform, så jeg beskriver den ikke her som et værktøj fra en anden virksomhed.** I teksten om [linkbuilding](https://rogala.pro/da/blog/linkbuilding/) beskrev jeg, hvordan jeg vurderer portaler, før jeg køber publikationer. I teksten om [linkbuilding i AI-tiden](https://rogala.pro/da/blog/linkbuilding-og-ai/) beskrev jeg, hvordan AI hjælper med at forberede publikationer og kontakt til udgivere.

## Hvilke værktøjer bruger jeg til at måle synlighed i AI?

**Værktøjerne til at måle brandets synlighed i AI beskrev jeg i en særskilt tekst, så her angiver jeg kun princippet.** Omtalen af brandet i svaret og citeringen af dets side regner jeg for sig. Hvert spørgsmål stiller jeg flere gange, for assistenternes svar ændrer sig. I teksten om [brandets synlighed i AI](https://rogala.pro/da/blog/ai-visibility/) beskrev jeg målingen, antallet af gentagelser og værktøjernes fælder. I teksten om [AI SEO og GEO](https://rogala.pro/da/blog/ai-seo-geo/) beskrev jeg, hvad jeg gør på hjemmesiden, for at AI-assistenter kan citere den.

## Hvilke SEO-værktøjer har vi bygget selv?

**Når intet værktøj svarer på mit spørgsmål, skriver jeg med hjælp fra AI et eget script.** De fleste af de scripts bruges til internt arbejde: scanning, hentning af data, entiteter, kontrol af tekster og tal. Før jeg begynder at bruge et script i arbejdet, tjekker jeg det på data med et rigtigt svar.

**I VerticalSEO forbereder vi 16 SEO-værktøjer, der bliver tilgængelige via hjemmesiden og via API, også for AI-agenter.** Værktøjerne er endnu ikke udgivet. Testene fra den 8. oktober 2026 tjekkede, om værktøjerne virker i overensstemmelse med specifikationen. Alle 610 af 610 API-tests og 325 af 325 tests af værktøjer for agenter i browseren blev bestået. Værktøjerne virker i standarden WebMCP, som stiller hjemmesidens funktioner til rådighed for AI-agenter. Testene måler endnu ikke, om værktøjerne giver træffende SEO-konklusioner.

**Testen af værktøjet til at tjekke entiteter viste, at navnet alene ikke er nok til at udpege en entitet.** Jeg ledte efter den polske handelsplatform Allegro, men værktøjet valgte fra Googles vidensgraf, altså dens database over entiteter, et værk af Vivaldi. Under mit eget fulde navn valgte det en skuespiller. Nu bekræfter værktøjet først en entitet, når Google angiver den side, der tjekkes, for den. Bekræftelsen er også en identifikator, som Wikidata eller hjemmesidens strukturerede data peger på.

**LemmeGSC, mit panel til data fra Search Console, gør jeg klar til udgivelse som open source.** Panelet henter data fra Search Console uden grænsen på 1.000 rækker. Det viser blandt andet kannibalisering af søgeord, altså flere sider på den samme hjemmeside til det samme søgeord.

## Hvilke gratis SEO-værktøjer er nok til at starte?

**Til at starte med er Search Console, Looker Studio, den gratis version af en AI-assistent og den gratis version af Screaming Frog nok.** Hvert af de værktøjer har sin egen rolle:

- Search Console viser klik, visninger og søgninger fra Google;
- Looker Studio med forbindelsen til Search Console henter de data uden grænsen på 1.000 rækker;
- den gratis version af en AI-assistent grupperer søgeord og skriver udkast og scripts, hvis du giver den data;
- den gratis version af Screaming Frog scanner op til 500 adresser, hvilket er nok til en lille hjemmeside.

**Betalte værktøjer til søgeord og links bør du først tilføje, når du ved, hvilket spørgsmål de skal svare på.** En gratis AI-assistent kender ikke dine data fra Search Console. Den giver mest, når den får en eksport fra dig og en anmodning om et script, der regner resultatet ud.

## Hvordan tester jeg et AI-værktøj, før jeg stoler på det?

**Jeg tjekker værktøjet på data, hvor jeg kender det rigtige svar.** Ikke alle tests i denne tekst havde alle elementerne fra listen nedenfor. I testen af lokale modeller blev facit for sidetypen rettet af en model og ikke af et menneske. I dag har en test de her elementer:

- et referencesæt fra et menneskes beslutning eller fra Googles data, for eksempel siden med flertallet af klik fra det pågældende søgeord;
- det forventede resultat skrevet ned, før testen køres;
- en gentagelse af den samme kørsel, for én kørsel af en model eller én hentning af resultater kan være tilfældig;
- tilfælde med en indsat fejl, for at tjekke, om kontrollen opdager den;
- pris og tid pr. stykke;
- tal tjekket af et script og ikke af en model.

**Data til testene kostede mig ikke meget, og mest arbejde kræver referencesættet.** Testen af hentninger af resultater kostede 1,57 USD og data til emnekortet for serien 0,072 USD. Et referencesæt kræver en forudgående bedømmelse fra et menneske. De angivne priser omfatter ikke det arbejde.

**Resultatet af en test skriver jeg ned sammen med det, testen ikke tjekkede.** Ved tilknytningen af et søgeord til en side kender jeg overensstemmelsen med klikkene i Google, men jeg ved ikke, om den udpegede side svarer bedst på søgningen. Ved de lokale modeller tjekkede jeg fire enkle opgaver og ikke hele opgaver. Uden en sådan note er det let at anse resultatet af en test for bredere, end det er.

**Jeg tjekker, hvilke opgaver i din SEO man kan fremskynde med AI-værktøjer, og hvor der er brug for et script eller et menneske.** Skriv, hvilke opgaver du gentager hver uge, og hvilke data du bruger. Jeg svarer, hvad jeg ville starte med.

[Skriv til mig](https://rogala.pro/da/#contact) · [LinkedIn](https://www.linkedin.com/in/lukaszrogala/?locale=da_DK) · [WhatsApp](https://wa.me/48570081225)

## Ofte stillede spørgsmål om AI-værktøjer i SEO

### Er ChatGPT egnet til SEO?

**Ja, til arbejde med data, som du giver den, men ikke som kilde til data om placeringer og efterspørgsel.** I mine tests undersøgte jeg hovedsageligt Claude, Codex og Gemini og ikke selve ChatGPT. En assistent af den type kan opsummere, gruppere søgeord og skrive udkast til tekster og kode, men resultatet skal tjekkes. Uden data fra Search Console eller fra et værktøj til søgeord kender den ikke din hjemmesides placeringer eller antallet af søgninger. Tal oplyst fra hukommelsen kan være opdigtede.

### Erstatter AI SEO-specialisten?

**Mine tests undersøgte ikke det, for de handlede om enkelte opgaver og ikke om hele specialistens arbejde.** I de opgaver fik de stærkeste modeller ofte fuldt pointtal. Forkerte konklusioner kom af ufuldstændige data og dårlig kontrol: fra én hentning af resultater, fra en afskåret eksport fra Search Console og fra en model, der selv sammenlignede tal. De fejl fandt et menneske eller et script, som et menneske havde udformet.

### Straffer Google tekster skrevet af AI?

**Ikke for selve brugen af AI: Google skriver, at en passende brug af AI ikke bryder deres retningslinjer.** Googles regler om misbrug af indhold i stor skala omfatter at lave mange sider først og fremmest for at manipulere rangeringen og ikke for at hjælpe brugerne. De regler gælder sider, der er lavet på enhver måde, også med hjælp fra AI. Google anbefaler også manuelt at tjekke fakta i indhold fra AI før publikationen, også i titler, beskrivelser og strukturerede data.

## Hvor skal du starte?

**Start med én opgave, som du laver hver uge, og med de data, du allerede har i Search Console.** Giv modellen de fulde data og bed om et script, der regner det ud, som du i dag regner ud i hånden. Sammenlign resultatet med nogle få af de tilfælde, som du selv tjekker. Først når resultaterne stemmer, kører du scriptet på alle data. I teksten om [SEO-strategi](https://rogala.pro/da/blog/seo-strategi/) beskrev jeg, hvilke data fra Search Console jeg tjekker i begyndelsen af arbejdet.

Eksterne kilder (tjekket den 18. oktober 2026):

- Google Search Central: Google Search's guidance on using generative AI content on your website (developers.google.com)
- Google Search Central Blog: Google Search's guidance about AI-generated content (8.02.2023) (developers.google.com)
- Google Search Central: Spam policies for Google web search (developers.google.com)

Screaming Frog SEO Spiders prisliste på producentens hjemmeside (grænse for den gratis version: 500 adresser). Egne data: test af modellen GLiNER2 (juli 2026), test af 17 typer opgaver på sprogmodeller (26.-27. september 2026), test af lokale modeller på fire opgaver (1. oktober 2026), test af kvalitetsdommere (7. oktober 2026), test af variationen i hentninger af resultater hos DataForSEO (7. oktober 2026), test af Apify Web Fetch og sammenligning af tal i et tilbud (12. oktober 2026), test af tilknytning af søgeord til side (14. oktober 2026), forbrug hos DataForSEO (17. september - 14. oktober 2026), emnekort for serien (18. oktober 2026).

[Łukasz Rogala](https://rogala.pro/da/#about)

SEO-strateg og SEO-konsulent

Łukasz Rogala er SEO-strateg og SEO-konsulent, CEO i VerticalSEO og medstifter af Linko.

[Om mig](https://rogala.pro/da/#about) · [Foredrag og medier](https://rogala.pro/da/#featured)

Læs også

- [AI visibility: sådan måler jeg et brands synlighed i AI og med hvilke værktøjer](https://rogala.pro/da/blog/ai-visibility/)
- [SEO-analyse og SEO-audit: sådan laver jeg en audit af en hjemmeside trin for trin](https://rogala.pro/da/blog/seo-analyse/)