Prompt engineering til SEO — Teknikker der faktisk virker

Prompt engineering til SEO er ikke teori — det er en praktisk håndværk der afgør om du får brugbart output fra en LLM eller bruger 20 minutter på at redigere AI-sludder.

De tre vigtigste principper i al SEO-prompt engineering:

1. Specificer outputformat præcist — LLM’en gætter ikke hvad du vil have, hvis du ikke fortæller den det
2. Giv kontekst om opgaven — hvad er sidetypen, målgruppen, brand voice?
3. Brug few-shot eksempler til formaterede outputs — ét godt eksempel er bedre end fire linjer instrukton

Meta-tag-generering

Den klassiske SEO-LLM-opgave. Et system prompt der virker:

Du er en erfaren SEO-specialist der skriver meta titles og meta descriptions på dansk.

Regler:
- Meta title: 50-60 tegn inkl. mellemrum. Inkluder primært søgeord tidligt. Ingen salgssnak.
- Meta description: 140-160 tegn. Opsummer sideinholdet og inkluder et call-to-action.
- Skriv i direkte, informativ tone — ikke "lær alt om X", men "Forstå X: [konkret indhold]"
- Brug aldrig "Klik her", "Lær mere" eller lignende generiske formuleringer

Output format (JSON):
{"meta_title": "...", "meta_description": "..."}

Med few-shot eksempler i user-prompten og structured output mode er denne prompt batch-klar.

Content brief-generering

Chain-of-thought er nyttigt her — bed modellen om at ræsonnere over topical coverage før den skriver briefen:

Analyser de følgende 5 konkurrerende artikler om [emne]. Tænk trin for trin:
1. Hvilke undertemaer dækker alle artikler? (obligatorisk stof)
2. Hvilke undertemaer dækker kun 1-2 artikler? (differentieringsmuligheder)
3. Hvad mangler alle artikler? (content gap)

Skriv derefter et content brief med: primært søgeord, 8-10 H2-overskrifter i prioriteret rækkefølge, og 3 anbefalede interne links.

Keyword-analyse og clustering

Embeddings er den rigtige tekniske løsning til keyword-clustering — men for quick-and-dirty analyse på 50-100 keywords er en LLM med god prompt hurtigere:

Her er en liste med 80 søgeord [indsæt liste].

Grupér dem i semantiske clusters på 5-12 keywords per cluster.
Giv hvert cluster:
- Et navn der beskriver det overordnede tema
- Den primære søgeintention (informational/commercial/transactional)
- Det søgeord med højest estimeret volume som pillar-søgeord

Output: JSON-array med cluster-objekter.

Teknisk SEO-analyse

Chain-of-thought + structured output kombineret:

Analyser følgende Screaming Frog-export [indsæt CSV-data].

Tænk trinvist igennem:
1. Identificer alle sider med 4xx/5xx statuskoder
2. Find sider med manglende eller dublerede title/description
3. Identificer redirect-kæder (3+ hop)
4. Find sider med for lav intern linking (< 3 interne links)

For hvert issue: skriv impact (høj/middel/lav), antal berørte sider og anbefalet fix.
Output som struktureret JSON.

Fejl at undgå

For vag prompt: “Skriv en god meta description til denne side” giver generisk output. Specificer format, tegntælling og tone.

Ingen eksempler ved formaterede outputs: Uden few-shot ser modellen ikke hvad du mener med “præcis format”.

For lang system prompt uden prioritering: Modeller følger de første instruktioner bedre end de sidst nævnte. Sæt de vigtigste regler øverst.