Lost in the middle: när AI:n missar texten mitt i sidan

Studien — ”Lost in the Middle: How Language Models Use Long Contexts” (Liu m.fl., Stanford University, TACL 2024) — svarar på en fråga som är central för GEO: spelar det någon roll var på sidan informationen står, när modellen ändå får hela texten? Svaret är ja, och prestandakurvan är U-formad: början och slut är starka, mitten svag. Mekaniken runt omkring — hämta, välja, syntetisera — finns i Hur väljer AI-motorerna vilka företag de citerar?

Vad visar studien om positionens betydelse?

Metoden var enkel: en fråga plus 10, 20 eller 30 dokument, där exakt ett dokument innehåller svaret — placerat på systematiskt varierande positioner. Uppgiften kallas multi-document QA och liknar det som händer inuti ett AI-svar: modellen får en hög kandidater där ett material är avgörande och resten är distraktorer. Testade modeller: GPT-3.5-Turbo (4K och 16K), Claude-1.3, MPT-30B-Instruct och LongChat-13B (16K), bland andra. Siffrorna för GPT-3.5-Turbo:

30-dokument-kolumnen: GPT-3.5-Turbo (16K-varianten), tabell 7.

(Värdena är tagna vid uppläggets mittpunkt: index 9 för 20 dokument, index 14 för 30 dokument. Vid samma index-9-position svarade modellen rätt i 53,8 % (20 dokument) resp. 50,5 % (30 dokument); vid index 14 i 20-dokument-upplägget 55,4 %.)

Tre mönster är värda att notera. Kurvan är U-formad — början och slut starka, mitten svag. I sämsta fallet kan prestandan sjunka med mer än 20 procentenheter (studien skriver ”more than 20%—in the worst case”). Och jämför mitten med closed-book-raden: med det relevanta dokumentet i mitten svarade modellen sämre än utan några dokument överhuvudtaget. Distraktorer i mitten skadar aktivt — de är inte bara neutrala buller. Notera också att slutet är näst bäst, inte sämst.

För din sajt är översättningen enkel: sidans första stycke motsvarar position 0 i testet, sidans slut motsvarar slutet av kontexten — och mitten av en lång text är den zon där modellen presterade sämst. Att texten dessutom är bra skyddar inte; exakt samma text presterade olika beroende på en enda sak: var den stod.

Varför missar AI:n text i mitten av sidan?

Den missar den inte — och skillnaden är hela poängen med studien. Modellen tar emot all text, men viktar informationen olika beroende på var den står. Beviset är orakeljämförelsen: när kontexten innehöll endast det relevanta dokumentet, utan distraktorer, svarade GPT-3.5-Turbo rätt i 88,3 % av fallen. Åtkomsten var aldrig problemet — användningen var det. Information fanns, men utnyttjades sämre på grund av position.

Därför är slutsatsen ”AI:n läser inte allt” fel. Rätt slutsats: positionen styr hur mycket informationen väger i svaret. En sida där nyckelpåståendet ligger mellan två sidospår med resonemang ger modellen ett statistiskt svagare stöd än samma påstående i första stycket — även om texten är identisk ord för ord.

För en företagssajt betyder det också något om konkurrenterna. I ett RAG-scenario delar dina sidor kontext med andras: en nyckelfråga kan hämta ett dussin dokument som alla rör ditt område, och den sida vars svar ligger tidigt i sin egen text levererar det stöd modellen utnyttjar bäst. En sida med svaret djupt begravt ger ett stöd som i studien användes sämre än inget dokument alls.

Gäller det dagens modeller också?

Siffrorna är från 2023 års modeller — GPT-3.5-Turbo, Claude-1.3 samt öppna modeller som LongChat och MPT — så överför dem inte rakt av på dagens system. Två nyanser från studien är värda att behålla:

• ”Long context”-marknadsföring löser inte positionseffekten. Modeller som specifikt byggts för långa kontexter (LongChat 16K, MPT-30B-Instruct) visade samma typ av degradering — en lång kontextruta är inte samma sak som jämn viktning i den.
• Effekten är uppgiftsberoende. Claude-1.3 var i praktiken felfri på nyckel-värde-hämtningen, medan U-formen i multi-document QA var djup — den uppgift som mest liknar läs-steget i en RAG-pipeline.

Den rimliga slutsatsen är därför inte en exakt siffra för ChatGPT 2026, utan en princip: position är en mätbar faktor inuti modellen, och svar-först-strukturens kostnad är noll. Testa din egen synlighet snarare än att lita på gamla procentsatser.

Hur bygger du sidan så att nyckelsvaret inte hamnar i mitten?

Hur själva påståendena formuleras i citerbar form går vi igenom i Så skriver du citerbart innehåll, och hela åtgärdslistan finns i GEO-guiden.

En sista varning rör ombyggnader: när en sida designas om sker textarbetet ofta i designverktyg där textens position är det sista man ser. Innehållet bevaras — positionen försvinner. Efter varje redesign: läs första skärmen och kontrollera att huvudpåståendet fortfarande står där.

Vad har positionen med AI-citering att göra?

En ärlig reservation först: studien handlar om vad som händer inuti modellens kontext, inte om webbsidors ranking — överföringen till sidstruktur är en rimlig slutsats, inte ett resultat i artikeln. Men i en RAG-pipeline (förklaras från grunden här) är din sida exakt det: ett dokument i kontexten, bredvid konkurrenternas. Var i ditt eget dokument nyckelsvaret ligger är det enda du själv kan påverka.

Spelplanen är dessutom själva svaret, inte källistan: när Google visar en AI-sammanfattning klickar 8 % på träffarna mot 15 % utan sammanfattning — och bara 1 % klickar sig vidare till källorna (Pew Research Center 2025-07-22). Att bli en källa är första steget; att komma in i själva svaret är synligheten. Därför lönar det sig att inte slösa bort sin chans på att ha rätt svar på fel plats.

Vanliga frågor