Svensk utgjør 0,61 % av treningsdataene. Deretter blokkerte svenske medier også hentingsrobotene.

Null komma sekstien prosent

CulturaX er et av de rensede flerspråklige tekstfjellene som brukes til å trene språkmodeller: 6,3 billioner tokens fordelt på 167 språk. Engelsk utgjør 2 846 970 578 793 tokens, eller 45,13 % av det hele. Svensk utgjør 38 486 181 494. Det er 0,61 %.

Forholdet er omtrent 74 til 1. For hver svenske setning modellen har sett, har den sett omtrent syttifire engelske. Det gjør ikke svensk til et lavressursspråk på samme måte som færøysk, men det avgjør hva modellen har lest mest om når den skal svare på et spørsmål om boliglån, forsikring, eller hvilken robotstøvsuger som testet best.

«Men svensk Wikipedia er enorm»

Sant, og det er det beste argumentet mot hele tesen. Svensk Wikipedia har 2 626 776 artikler og er den femte største utgaven i verden, foran fransk og langt utover hva ti millioner mennesker med rimelighet burde produsere.

Årsaken er en bot. Lsjbot, bygget av Sverker Johansson, masseproduserte artikler om arter og geografiske trekk. Da svensk Wikipedia passerte én million artikler i 2013, hadde boten skrevet 454 000 av dem, nesten halvparten av hele korpuset. Den samme boten er grunnen til at cebuano, et språk på Filippinene, nå har den nest største Wikipedia med 6,1 millioner artikler.

Volum er ikke det samme som dybde. En stubb om en bille er en artikkel i statistikken, men ikke mye å basere et svar på. Sverige har kvantitet uten nødvendigvis å ha den typen innhold en modell lener seg på når noen spør om en bransje.

14 av 23 svenske nyhetssider blokkerer OpenAIs gjenfinningsrobot

Et tynt kunnskapsgrunnlag kan veies opp av at svenske medier dukker opp i svarene. Så vi leste robots.txt for 24 svenske nyhets- og forretningssider den 5. august 2026. Én kunne ikke hentes. Av de resterende 23 blokkerer fjorten OAI-SearchBot fullstendig.

Det er tallet som betyr noe, fordi OAI-SearchBot ikke er treningsroboten. Det er roboten som henter sider når ChatGPT svarer på et spørsmål akkurat nå. Blokker den, og du eksisterer ikke som kilde i svaret, uansett hvor godt innholdet ditt er.

En detalj verdt å merke seg: Aftonbladet og SvD blokkerer eksplisitt Google-Extended, CCBot, ClaudeBot og PerplexityBot, men har ingen regel for GPTBot i det hele tatt. Den kommer inn som standard, gjennom *-regelen. Det ser mindre ut som en policy og mer som en liste noen fylte ut en gang.

Mønsteret følger eierskap. Bonniers titler stenger alt: DN, Expressen, Di, Sydsvenskan og HD blokkerer både trenings- og gjenfinningsroboter, og Ny Teknik gjør det samme utenfor den gruppen. Schibsteds titler slipper inn OpenAI mens de stenger ute Perplexity. Og SVT skiller mellom det som faktisk vurderes: treningsroboter nektes, svarroboter ønskes velkommen. SVT var det eneste nettstedet i utvalget som eksplisitt tillot alle tre gjenfinningsrobotene.

Å blokkere trening og å forsvinne fra svar er to forskjellige ting

Dette er den dyreste misforståelsen i bransjen akkurat nå, og en lett en å gjøre. GPTBot, CCBot og Google-Extended samler tekst for trening. Å stenge dem er en rimelig forhandlingsposisjon for opphavsrett og koster deg ingenting i synlighet.

OAI-SearchBot, ChatGPT-User og PerplexityBot gjør noe helt annet. De henter siden i det øyeblikket en bruker stiller et spørsmål, for å sitere den. Blokker disse, og du har ikke beskyttet materialet ditt, du har bare sørget for at noen andre svarer i ditt sted. Vi har skrevet mer om hvorfor "blokker alle AI-roboter" nå koster deg synlighet.

De fleste av de fjorten nettstedene ovenfor har sannsynligvis tatt en bevisst beslutning om treningsdata og tatt med seg hentingsrobotene. Effekten er den samme uansett: når noen spør ChatGPT om svensk næringsliv, er Dagens industri ikke med i rommet.

Vi bygget vår egen modell, og størrelsen forteller historien

Sverige har ikke ignorert problemet. AI Sweden, med RISE og WASP, bygget GPT-SW3 i seks størrelser fra 126 millioner til 40 milliarder parametere, eksplisitt for å generere tekst på svensk og de nordiske språkene.

Den interessante delen er skalaen. Hele treningssettet er 320 milliarder tokens, og det må dekke svensk, norsk, dansk, islandsk, engelsk og programkode sammen. Den engelske delen av CulturaX alene er 2,85 billioner tokens, nesten ni ganger så mye tekst for et enkelt språk. Tallet sier mindre om GPT-SW3 enn om hva et lite språk må jobbe med.

Hva det betyr hvis du driver et svensk selskap

Konklusjonen er ikke å gi opp. Det er at det svenske gapet er en åpning, fordi få fyller det.

1. Sjekk din egen robots.txt først. Åpne den og se etter OAI-SearchBot, ChatGPT-User og PerplexityBot. Hvis noen av dem inneholder Disallow: /, har du gjort deg usynlig i AI-svar uten nødvendigvis å mene det. Det tar fem minutter å rette opp.
2. Skriv det svenske materialet som mangler. Når 0,61 % av teksten er på ditt språk, er hver betydelige svenske side om din bransje uforholdsmessig verdifull. Konkrete tall, priser, sammenligninger og datoer, ikke markedsføringsprosa.
3. Forvent at engelske kilder konkurrerer om svenske spørsmål. Din konkurrent i AI-svaret er ikke alltid et annet svensk selskap. Det kan like gjerne være et internasjonalt nettsted som tilfeldigvis skrev om emnet mer detaljert.
4. Start med ChatGPT. Som vi har vist tidligere, dominerer ChatGPT svensk AI-søk med stor margin. Det er der effekten viser seg først.

Det første trinnet er å vite hvordan du blir nevnt i dag, og hvilket språk kildene bak svaret er skrevet på. De fleste svenske selskaper har aldri sjekket.

Spørsmål vi får om det svenske kildebildet