Hur du använder AI för att tolka SEO-revisionsresultat

Alla som någonsin exporterat en Lighthouse-rapport eller en fullständig SEO-revision känner igen känslan: 60, 70, ibland 80 punkter i ett enda dokument, var och en skriven i teknisk stenografi, hälften av dem överlappande, och en inbyggd "prioritering" som mestadels återspeglar revisionsverktygets egna åsikter snarare än kundens faktiska situation. Att läsa igenom det rad för rad tar timmar. Att förklara det för en icke-teknisk kund tar fler timmar än så.

Detta är precis den typ av uppgift där moderna AI-assistenter — ChatGPT och Claude i synnerhet — är som bäst. Inte för att de ersätter konsulten, utan för att de komprimerar det långsamma, repetitiva triagearbetet till något som tar 15 minuter istället för tre eftermiddagar. Den här artikeln går igenom hur du gör det, vilka prompter som fungerar och vad du behöver se upp för.

---

Problemet med överbelastade revisioner

Öppna en typisk Lighthouse-rapport för en medelstor e-handelssajt och du ser något i den här stilen: 12 prestandamöjligheter, 18 diagnostikpunkter, 14 SEO-kontroller, 9 tillgänglighetsavvikelser plus ytterligare 20 anteckningar om bästa praxis. Totalt: långt över 70 rader. Hälften av dem är variationer på samma grundorsak (för stor JavaScript-bundle, långsam LCP-bild, renderingsblockerande skript), och verktygets egen poängsättning rangordnar ofta "mindre cache-headers" tillsammans med "din största bild är 4 MB" som om de var jämbördiga prioriteter.

För en byrå eller frilansare skapar detta två problem samtidigt. För det första är den kognitiva belastningen av att läsa varje punkt verklig — även en erfaren SEO-konsult lägger två till tre timmar på en grundlig första genomgång. För det andra är resultatet på ett språk som ingen kund faktiskt talar. Att berätta för en småföretagare att deras "kumulativa layoutförskjutning överstiger 0,25" är inte användbar information om du inte också förklarar vad det betyder, varför det spelar roll och vad man ska göra åt det.

Revisionen är inte leveransen. Tolkningen av revisionen är leveransen. Och tolkningen är precis där AI sparar mest tid.

Varför AI är bra på just denna uppgift

Det finns tre skäl till att AI-assistenter är ovanligt välanpassade för att tolka revisionsresultat.

För det första mönsterigenkänning. Både ChatGPT och Claude har tränats på enorma mängder tekniskt SEO-, webbprestanda- och tillgänglighetsinnehåll. När du klistrar in en Lighthouse-JSON eller en lista över problem har modellen i praktiken sett hundratals liknande rapporter i sin träningsdata. Den känner igen att "renderingsblockerande CSS" plus "hög LCP" plus "Largest Contentful Paint-elementet är en bild" oftast pekar mot samma lösning — även om revisionsverktyget listar dem separat.

För det andra översättning av jargong. AI är utmärkt på att formulera om tekniska fynd på vanlig svenska. "Minska oanvänd JavaScript" blir "din webbplats laddar kod som den aldrig använder, vilket gör den första sidladdningen långsammare för besökare". Detta är tråkigt, mekaniskt arbete för en människa; för modellen kostar det ingenting.

För det tredje prioritering under begränsningar. Du kan be modellen att överväga avvägningar — "hoppa över allt som kräver en ramverksmigrering", "vi har bara en utvecklingssprint", "kunden är på Shopify så endast temaändringar" — och den producerar en lista som respekterar dessa begränsningar. Det är genuint svårt för ett revisionsverktyg, eftersom verktyget inte känner till din kunds kontext.

Det 5-stegs AI-assisterade revisionsarbetsflödet

Här är arbetsflödet som genomgående ger goda resultat.

Steg 1 — Exportera revisionsdata

Få revisionen till en form som du kan klistra in. Lighthouse-JSON fungerar bra för Claude (som har ett generöst kontextfönster). För ChatGPT är en strukturerad copy-paste av problemlistan ofta mer praktisk, eftersom det är överdrivet att klistra in en 200 KB JSON-klump. WebSEO Auditors rapporter exporterar också en strukturerad fyndlista som kopieras rent.

Steg 2 — Mata in det till AI:n med kontext

Kontextprompten är viktigare än datan. Berätta för modellen vad sajten är, vilken plattform den körs på, vad kunden bryr sig om och vad som ligger utanför scope. En 60-sekunders kontextprompt räddar modellen från att föreslå Next.js-refaktorering på en Drupal-sajt.

Steg 3 — Be om en prioriterad topp 5-10

Fråga inte "vad ska jag fixa". Be om en rangordnad lista med en specifik storlek. "Topp 5 fixar för LCP denna sprint" är en mycket bättre prompt än "vad ska vi göra". Begränsningen är vad som gör resultatet användbart.

Steg 4 — Validera mot den faktiska sajten

Detta steg är icke-förhandlingsbart. Öppna sajten, gör en snabb manuell kontroll på var och en av AI:ns topprekommendationer och bekräfta att de matchar verkligheten. Att hoppa över detta steg är hur du slutar med att rekommendera en lösning för ett problem som inte finns.

Steg 5 — Skapa kundrapporten

När du har en validerad topp-10, be AI:n skriva om varje punkt för en icke-teknisk publik, gruppera dem efter teamägare och lägga till en enmenings "varför detta spelar roll"-förklaring. Resultatet är ditt första utkast av kundleveransen.

Promptmallar du kan använda idag

Dessa fem prompter täcker större delen av det arbete en byrå gör med revisionsresultat. Anpassa den inramade kontexten till din situation.

Givet denna Lighthouse-rapport för en svensk e-handelssajt
byggd på Shopify, vilka 5 fixar skulle förbättra Largest
Contentful Paint mest inom en enda tvåveckors sprint? Hoppa
över allt som kräver en ramverksmigrering eller en
temaombyggnad. Anta en utvecklare med 50% kapacitet.

Översätt följande tekniska SEO-problem till en lista som
en icke-teknisk företagare kan förstå. Använd en kort mening
per problem, vanligt språk, och förklara affärspåverkan
snarare än den tekniska detaljen.

Titta på dessa tillgänglighetsfynd från en revision av en
svensk B2B-tjänstesajt. Vilka av dem krävs enligt lagen om
tillgänglighet till digital offentlig service och EN 301 549,
och vilka är trevliga förbättringar utöver lagminimum?
Markera varje med K (krav) eller T (trevligt) och förklara varför.

Gruppera följande revisionsproblem efter teamägare.
Kategorier: Utvecklare, Innehåll, Design, SEO-specialist.
För problem som spänner över två team, markera båda. Mata ut
som en markdown-tabell med kolumnerna Problem, Ägare,
Enradig beskrivning.

För vart och ett av följande problem, uppskatta arbetsinsats
på en 1-5-skala (1 = under en timme, 5 = flera sprintar) och
förväntad användarsynlig påverkan på en 1-5-skala (1 = knappt
märkbar, 5 = transformativ). Mata ut en sorterbar tabell
med kolumnerna Problem, Insats, Påverkan, Insats/Påverkan-kvot.

Den sista prompten är arbetshästen. Insats/påverkan-poängsättning är samtalet varje kund faktiskt vill ha, och att be AI göra det första utkastet sparar dig från att göra det manuellt för varje revision.

Vad AI gör fel (och hur du fångar det)

Modellen är snabb, men den är också säker på sätt som kan vilseleda dig. De fyra vanligaste misstagen:

Hallucinerade ramverksrekommendationer. Fråga Claude eller ChatGPT hur man fixar en långsam LCP och den kan föreslå "uppgradera till Next.js 14" eller "byt till Astro". Om sajten är på WordPress eller Drupal är detta inte genomförbart. Berätta alltid för modellen om plattformen i förväg och ignorera ramverksmigreringsråd om du inte uttryckligen bett om dem.

Påhittade Core Web Vitals-trösklar. Modeller hittar ibland på numeriska trösklar som ser auktoritativa ut men är fel. De faktiska aktuella trösklarna (LCP under 2,5 s, INP under 200 ms, CLS under 0,1) ska vara din referens, inte vad än AI:n citerar. Om en siffra ser misstänkt ut, kontrollera den mot web.dev.

Översäkra tidsuppskattningar. "Detta tar 2 timmar" är meningslöst utan kontext. Behandla AI:ns insatsuppskattningar som relativa (problem A är större än problem B) snarare än absoluta (problem A är 2 timmar).

Inaktuell plattformskunskap. Modellens träningsdata har ett brytdatum. Om du frågar om den senaste versionen av ett CMS eller en analysplattform, dubbelkolla. Särskilt för Shopify, vars storefront-arkitektur har förändrats flera gånger under de senaste åren.

ChatGPT vs Claude för detta arbete

Båda verktygen är kapabla. De ärliga skillnaderna:

Kontextfönster. Claudes kontextfönster är väsentligt större, vilket spelar roll när du vill klistra in en hel Lighthouse-JSON (ofta 100-300 KB). ChatGPT hanterar mindre inklistringar eller sammanfattade indata bekvämare.

Ton och struktur. Claude tenderar att producera mer strukturerad, listbaserad utdata som standard, vilket är användbart när du vill ha en triagetabell. ChatGPT producerar ofta mer flödande prosa, vilket är användbart när du vill ha kundvänlig berättelse.

Verktygsanvändning. ChatGPT kan surfa på den faktiska sajten om du ger den URL och rätt plan. Claude kan surfa via skrivbordsappen. För revisionstolkning är surfning sällan nödvändig — revisionsdatan berättar allt.

Använd Claude för den tunga analysen och prioriteringen. Använd ChatGPT för den kundvänliga omskrivningen. Många byråer använder båda i samma arbetsflöde.

Att kombinera AI och mänskligt omdöme

Rätt arbetsfördelning:

AI gör triagen — läser varje rad, grupperar dubbletter, översätter jargong, producerar den första prioriterade listan. Detta är delen som är tråkig, tidskrävande och precis den typ av uppgift som modeller är bra på.

Människor gör implementationsbesluten och äger kundförtroendet. AI kan inte berätta för dig vilken av två fixar som är viktigare för just din kund detta kvartal, om budgeten tillåter ett visst ingrepp eller hur man hanterar den politiska dynamiken hos en kund som insisterar på irrelevanta prioriteter. Dessa bedömningar stannar hos dig.

Behandla AI:ns utdata som ett utkast som en junioranalytiker producerade. Granska, korrigera, skriv under med ditt namn. Det är arbetsflödet som respekterar både verktygets hastighet och konsultens ansvar.

Ett konkret exempel

Föreställ dig en fiktiv sajt, nordavikenjarn.se: en medelstor e-handelssajt på Shopify med ett anpassat tema, 1 200 produkter och en Lighthouse-mobilpoäng på 38. Ägaren är en icke-teknisk småföretagare. Byrån har anlitats för en engångsrevision och en enda sprint av åtgärder.

Revisionen returnerar 64 problem. Konsulten klistrar in de strukturerade fynden i Claude med denna prompt:

Detta är Lighthouse-utdata för en Shopify-e-handelssajt
med ett anpassat tema, 1 200 SKU:er, mestadels mobiltrafik,
ägare icke-teknisk. Budget: en sprint, en utvecklare med 50%
kapacitet, ingen temaombyggnad, inga ramverksändringar.
Identifiera de 7 främsta fixarna rangordnade efter påverkan
på mobil-LCP och SEO-crawlbarhet kombinerat.

Claude returnerar en rangordnad lista. De tre översta: överdimensionerad hjältebild (4 MB JPEG, levererad i 1200x800), renderingsblockerande app-inbäddningsskript laddade synkront, och saknade alt-attribut för bilder på 240 produktsidor. Konsulten validerar var och en manuellt — ja, hjältebilden är genuint LCP-elementet; ja, app-skripten blockerar; ja, alt-attributen saknas.

En andra prompt ber Claude skriva om topp-sju som en kundvänlig lista. Utdata: "Din startsidas huvudbanner är mycket större än den behöver vara, vilket är den enskilt största anledningen till att din sajt laddar långsamt på mobiler. En tvåtimmarsfix skulle halvera din sidladdningstid." Det är nu en mening som ägaren kan agera på.

Total tid från revisionsexport till validerad kundrapport: 35 minuter. Samma arbete för hand skulle ha tagit en halv dag.

Var detta passar i din byrås arbetsflöde

Det finns tre platser där detta arbetsflöde tjänar pengar åt en byrå.

Försäljning. Du kan köra en revision under ett 30-minuters upptäcktssamtal, klistra in resultaten i Claude i realtid och gå igenom topp 5-problemen med prospektet innan samtalet är slut. Den typen av hastighet är sällsynt i denna bransch och den stänger affärer.

Leverans. Snabbare rapporter betyder bättre marginaler. Om din byrå normalt fakturerar sex timmar för en revisionsleverans, och AI-arbetsflödet får ner det till två, fördubblas din effektiva timtaxa.

Bibehållande. Månatliga revisionssammanfattningar är en högarbetsbelastnings-, lågintäktsuppgift som byråer ofta släpper. Med AI som gör triagen och omskrivningen blir månatliga sammanfattningar triviala — och kunder som får dem tenderar att stanna.

Vanliga fallgropar att undvika

Att införa ett AI-arbetsflöde handlar inte bara om att skriva prompter. Några års erfarenhet visar att följande fallgropar återkommer i nästan varje byrå som börjar.

För vag kontext. Om du bara berättar för modellen "här är Lighthouse-data" får du tillbaka ett generiskt svar som kunde gälla vilken sajt som helst. Ju mer specifik kontext, desto mer praktiskt blir resultatet. Berätta om plattformen, kundens budget, teamstorlek och vad kunden själv prioriterar.

Hoppa över valideringssteget. AI:ns lista ser alltid övertygande ut. Det är frestande att lita på den direkt och skicka den vidare till kunden. Det är ett misstag. En manuell kontroll av åtminstone de tre översta posterna är det minimum som ditt kundförtroende förtjänar.

Kopiera direkt till kund. Text som AI:n skrivit är ett första utkast, inte den slutgiltiga leveransen. Kunder känner direkt igen om texten låter maskinöversatt eller för generisk. Tillsätt alltid din egen röst, kundspecifik förståelse och konkreta exempel.

Använda samma prompt för varje revision. En e-handelssajt och en tjänstesajt kräver olika prioritering. B2B- och B2C-sajter bryr sig om olika mätvärden. Anpassa prompterna efter sajttypen istället för att blint upprepa.

AI:ns roll växer

För bara två år sedan skulle beskrivningen av detta arbetsflöde ha känts futuristisk. Idag, år 2026, är det daglig praxis på allt fler SEO-byråer. Under de kommande åren kommer situationen att utvecklas ytterligare: kontextfönstren växer, modellerna får tillgång till realtidsdata från sajten, och specialiserade verktyg börjar koppla in AI direkt i revisionsverktygen.

Det betyder att byråer som lär sig arbetsflödet nu får ett försprång. Inte för att verktygen är raketforskning, utan för att skriva prompter, validera resultat och integrera arbetsflödet i sina egna processer kräver övning. Ju tidigare du börjar, desto skickligare blir du när verktygen blir ännu bättre.

Testa det på din nästa revision

Det snabbaste sättet att testa detta arbetsflöde är att köra en revision med WebSEO Auditor, exportera fynden och mata in dem i Claude eller ChatGPT med prompterna ovan. Om du aldrig har gjort detta förut sparar den första sessionen vanligtvis mer tid än kostnaden för en hel månads revisionsverktyg. Testa det på din nästa sajt och se hur 15 minuters AI-triage ser ut jämfört med en halv dags manuellt arbete.