LSI-sökord

Vad är LSI-sökord?

LSI-sökord — kort för Latent Semantic Indexing — är SEO-termen för ord och fraser som är semantiskt relaterade till ditt huvudämne. Om din sida handlar om "löparskor" är termer som träningsskor, sneakers, dämpning, gånganalys, maraton och pronation LSI-sökord. De signalerar till en sökmotor, eller en AI-sökmotor, att din sida täcker ämnet med verkligt djup istället för att bara upprepa en fras.

Viktig nyans: Googles John Mueller har offentligt sagt att "LSI-sökord finns inte" — Google använder inte den ursprungliga matematiken från 1988 för Latent Semantic Indexing från Bell Labs (Deerwester et al.). Moderna sökmotorer använder BERT, MUM och ord-embeddings istället. Men den underliggande idén — att brett, semantiskt-relaterat ordförråd signalerar ämnesrelevans — är exakt vad dessa moderna system belönar. Så vi behåller LSI-etiketten för bekantskap och behandlar den som ett kortordsuttryck för "semantiska och relaterade sökord". Detta mätvärde är en del av Innehållskvalitets-pelaren i din GEO-Score.

Så fungerar semantisk sökning i praktiken

För att förstå varför semantiska nyckelord spelar roll behöver du veta hur moderna sökmotorer bearbetar text. Tekniken har utvecklats dramatiskt från enkel sökordsmatchning.

1. Text blir till vektorer

När du publicerar en sida omvandlar sökmotorer din text till numeriska vektorer (embeddings) med hjälp av modeller som BERT. Varje ord och mening kartläggs till en punkt i ett högdimensionellt rum där liknande betydelser klustras samman. "Löparskor" och "träningsskor" hamnar nära varandra; "löparskor" och "köksmixer" gör det inte.

2. Sökfrågor matchas efter betydelse, inte bokstäver

När en användare ställer en fråga till ChatGPT eller Google blir också den frågan en vektor. Motorn hittar sedan de sidor vars vektorer ligger närmast frågevektorn. Sidor med ett rikt semantiskt vokabulär producerar vektorer som ligger nära många olika frågevektorer — vilket innebär att de dyker upp för fler sökfrågor än sidor som upprepar en enda fras.

3. Entiteter kopplas till Kunskapsgrafen

Sedan Google Hummingbird (2013) och BERT (2019) resonerar motorerna kring entiteter — personer, produkter, koncept, platser — och relationerna mellan dem. Bill Slawskis patentforskning visade att Google använder entiteter från Kunskapsgrafen och samförekommande termer för att verifiera att en sida verkligen täcker ett ämne. Namngivna entiteter i ditt innehåll utlöser den här identifieringen.

Varför semantiska sökord är viktiga för AI-sökning

AI-sökmotorer som ChatGPT, Perplexity och Google AI Overviews matchar inte bokstavssträngar längre. De konverterar din text till vektor-embeddings och jämför den med fråge-embeddings. Sidor som täcker ett ämne från flera vinklar hamnar nära många frågevektorer — vilket är exakt när de blir citerade.

Ämnesdjup slår sökordsupprepning

En Ahrefs-studie fann att den genomsnittliga topprankade sidan också rankas för cirka 1 000 relaterade sökord — inte för att den upprepar en fras, utan för att den täcker ämnet brett. Sidor tunna på semantiskt ordförråd ser ytliga ut för både Google och AI-sökmotorer och hoppas över till förmån för mer heltäckande källor.

Sökmotorer resonerar om entiteter, inte strängar

Sedan Hummingbird (2013) och BERT (2019) resonerar Google om entiteter — människor, platser, produkter, koncept — och relationerna mellan dem. Bill Slawskis patentforskning på SEO by the Sea visade att Google använder Knowledge Graph-entiteter och samförekommande termer för att verifiera att en sida verkligen handlar om ett ämne. Semantiskt ordförråd är vad som triggar den igenkänningen.

Semantisk bredd driver AI Overview-citeringar

En Ahrefs-analys av 4M AI Overview-URL:er fann att bredare ämnestäckning starkt korrelerar med citeringssannolikhet. Sajter med välutvecklade ämneskluster och semantiskt rikt innehåll ser upp till 30 % högre citeringsfrekvens i AI Overviews jämfört med tunna, enkelsökords-sidor.

Vad forskningen säger

Den genomsnittliga toppresultatssidan rankar också i topp 10 för nästan 1 000 andra relevanta sökord. Sidor rankar inte för en enda fras — de rankar för ett moln av semantiskt relaterade sökfrågor eftersom de täcker ett ämne, inte ett sökord.

— Ahrefs, How Often Top-Ranking Pages Also Rank for Related Keywords, rankningsstudie (3 miljoner+ sökfrågor analyserade)

Vi analyserade 863 000 sökordsresultat (SERP) och 4 miljoner AI Overview-URL:er. Ämnesauktoritet — mätt som bredden av relaterade sökord en domän rankar för — var den enskilt starkaste prediktorn för citeringar i AI Overviews, med en korrelation på r = 0,41.

— Ahrefs, AI Overview Citation Patterns Study, 2026 (4 miljoner URL:er analyserade över 863 000 SERP:ar)

Det finns inget som heter LSI-nyckelord — alla som säger något annat har fel, tyvärr.

— John Mueller, Google Search Advocate, offentligt uttalande (2019). Google använder inte 1988 års LSI-algoritm. Moderna motorer använder BERT, MUM och word embeddings — men den praktiska principen om semantisk bredd gäller fortfarande.

Snabba tips för semantisk täckning

Spendera 15 minuter på att läsa de 10 SERP-topparna innan du skriver — notera varje återkommande substantiv och verb. Den listan är din semantiska checklista.

Använd din exakta målfras högst 1–2x per 300 ord. Förbi det, byt till synonymer, relaterade termer eller pronomen.

Namnge minst 3 specifika entiteter per artikel — en produkt, ett företag, en standard, en person, en plats. Entiteter matar Knowledge Graph.

Använd Surfer, Clearscope, Frase eller till och med Googles "People also ask" och "Relaterade sökningar" för att lyfta fram semantiska termer — men ignorera alla som inte passar naturligt.

Gruppera relaterade artiklar i kluster med interna länkar. HubSpot fann att ämneskluster-sajter växer organisk trafik ~3,2x snabbare i genomsnitt.

Läs varje stycke högt. Om det låter som om en mänsklig expert skrev det är det semantiska ordförrådet förmodligen redan där. Om det låter robotaktigt stuffar du.