Svensk udgør 0,61 % af træningsdataene. Derefter blokerede svenske medier også retrieval-bots.

Nul komma seks en procent

CulturaX er et af de rensede flersprogede tekstbjerge, der bruges til at træne sprogmodeller: 6,3 billioner tokens fordelt på 167 sprog. Engelsk udgør 2.846.970.578.793 tokens, eller 45,13 % af det hele. Svensk udgør 38.486.181.494. Det er 0,61 %.

Forholdet er cirka 74 til 1. For hver svensk sætning modellen har set, har den set omkring fireoghalvfjerds engelske. Det gør ikke svensk til et lavressourcesprog på samme måde som færøsk, men det afgør, hvad modellen har læst mest om, når den skal besvare et spørgsmål om realkreditlån, forsikring eller hvilken robotstøvsuger der testede bedst.

"Men svensk Wikipedia er enorm"

Sandt, og det er det bedste argument mod hele tesen. Svensk Wikipedia har 2.626.776 artikler og er den femtestørste udgave i verden, foran fransk og langt ud over, hvad ti millioner mennesker rimeligvis burde producere.

Årsagen er en bot. Lsjbot, bygget af Sverker Johansson, masseproducerede artikler om arter og geografiske træk. Da svensk Wikipedia passerede en million artikler i 2013, havde botten skrevet 454.000 af dem, tæt på halvdelen af hele korpusset. Den samme bot er årsagen til, at Cebuano, et sprog fra Filippinerne, nu har den næststørste Wikipedia med 6,1 millioner artikler.

Volumen er ikke det samme som dybde. En stub om en bille er en artikel i statistikken, men ikke meget at basere et svar på. Sverige har kvantitet uden nødvendigvis at have den slags indhold, en model læner sig op ad, når nogen spørger om en branche.

14 af 23 svenske nyhedssider blokerer OpenAIs retrieval-bot

Et tyndt evidensgrundlag kunne opvejes af, at svenske medier dukker op i svarene. Så vi læste robots.txt for 24 svenske nyheds- og erhvervssider den 5. august 2026. En kunne ikke hentes. Af de resterende 23 blokerer fjorten OAI-SearchBot fuldstændigt.

Det er det tal, der betyder noget, fordi OAI-SearchBot ikke er trænings-crawleren. Det er den bot, der henter sider, når ChatGPT besvarer et spørgsmål lige nu. Bloker den, og du eksisterer ikke som kilde i svaret, uanset hvor godt dit indhold er.

En detalje, der er værd at bemærke: Aftonbladet og SvD blokerer eksplicit Google-Extended, CCBot, ClaudeBot og PerplexityBot, men har ingen regel for GPTBot overhovedet. Den kommer ind som standard via *-reglen. Det ligner mindre en politik og mere en liste, som nogen udfyldte én gang.

Mønsteret følger ejerskabet. Bonniers titler lukker alt: DN, Expressen, Di, Sydsvenskan og HD blokerer både trænings- og hentningsbots, og Ny Teknik gør det samme uden for den gruppe. Schibsteds titler lader OpenAI ind, mens de lukker Perplexity ude. Og SVT skelner, hvilket faktisk overvejes: træningsbots afvist, svarbots velkomne. SVT var det eneste sted i prøven, der eksplicit tillod alle tre hentningsbots.

At blokere træning og forsvinde fra svar er to forskellige ting

Dette er den dyreste misforståelse i branchen lige nu, og en nem en at begå. GPTBot, CCBot og Google-Extended indsamler tekst til træning. At lukke dem er en rimelig forhandlingsposition for ophavsret og koster dig intet i synlighed.

OAI-SearchBot, ChatGPT-User og PerplexityBot gør noget helt andet. De henter siden i det øjeblik en bruger stiller et spørgsmål, for at citere den. Bloker dem, og du har ikke beskyttet dit materiale, du har kun sikret, at en anden svarer i dit sted. Vi har skrevet mere om hvorfor "bloker alle AI-bots" nu koster dig synlighed.

De fleste af de fjorten ovenstående sider har sandsynligvis truffet en bevidst beslutning om træningsdata og taget retrieval-bots med i købet. Effekten er den samme uanset hvad: når nogen spørger ChatGPT om svensk forretning, er Dagens industri ikke med i rummet.

Vi byggede vores egen model, og størrelsen fortæller historien

Sverige har ikke ignoreret problemet. AI Sweden, med RISE og WASP, byggede GPT-SW3 i seks størrelser fra 126 millioner til 40 milliarder parametre, udtrykkeligt for at generere tekst på svensk og de nordiske sprog.

Den interessante del er skalaen. Hele træningssættet er 320 milliarder tokens, og det skal dække svensk, norsk, dansk, islandsk, engelsk og programkode tilsammen. Den engelske del af CulturaX alene er 2,85 billioner tokens, næsten ni gange så meget tekst for et enkelt sprog. Tallet siger mindre om GPT-SW3 end om, hvad et lille sprog skal arbejde med.

Hvad det betyder, hvis du driver en svensk virksomhed

Konklusionen er ikke at give op. Det er, at det svenske hul er en åbning, fordi få mennesker udfylder det.

1. Tjek din egen robots.txt først. Åbn den og kig efter OAI-SearchBot, ChatGPT-User og PerplexityBot. Hvis nogen af dem indeholder Disallow: /, har du gjort dig usynlig i AI-svar uden nødvendigvis at have til hensigt det. Det tager fem minutter at rette.
2. Skriv det svenske materiale, der mangler. Når 0,61% af teksten er på dit sprog, er hver betydelig svensk side om din branche uforholdsmæssigt værdifuld. Konkrete tal, priser, sammenligninger og datoer, ikke marketingprosa.
3. Forvent, at engelske kilder konkurrerer om svenske spørgsmål. Din konkurrent i AI-svaret er ikke altid en anden svensk virksomhed. Det kan lige så nemt være et internationalt websted, der tilfældigvis skrev om emnet mere detaljeret.
4. Start med ChatGPT. Som vi har vist før, dominerer ChatGPT svensk AI-søgning med stor margin. Det er der, effekten viser sig først.

Det første skridt er at vide, hvordan du bliver nævnt i dag, og hvilket sprog kilderne bag det svar er skrevet på. De fleste svenske virksomheder har aldrig tjekket.

Spørgsmål vi får om den svenske kilde