Problemen ändras. De underliggande frågorna består ofta.

Att göra webbplatser sökbara: en patenthistoria

2005 arbetade jag med ett problem där webbplatsarkitektur möter sök: hur informationen inuti en webbplats kan bli lättare för sökmotorer att upptäcka. Patentansökan som kom ur det, ”Method and system for improving the searchability of a web site”, publicerades 2007.

Sökmotorer är inte längre de enda systemen som läser webbplatser. AI-system hämtar information, formulerar svar, och sitter i allt högre grad mellan människor och de produkter, tjänster och verksamheter de upptäcker. Tekniken är en annan, men frågan är fortfarande relevant: hur ska information struktureras så att maskiner kan hitta den, förstå den och använda den?

Patentet dokumenterar en specifik teknisk idé från en specifik period. Det betyder inte att jag förutsåg dagens språkmodeller eller dagens AI-sök. Det som intresserar mig är hur det ursprungliga problemet förhåller sig till de nya som dyker upp kring maskinläsbar information.

Från sökmotorer till AI-system

Traditionell sök gjorde upptäckbarhet till en central fråga för den som bygger en webbplats. Teknisk åtkomst, informationsarkitektur och relevans hjälpte till att avgöra om en sida kunde hittas och förstås.

AI lägger till frågor. Kan ett system hämta rätt information? Har det tillräckligt med sammanhang för att tolka den rätt? Kan det skilja en pålitlig källa från en svag? Och när blir en webbplats användbar för ett AI-system, utöver att dyka upp i en lista med länkar?

En del av det här förlänger bekanta problem, och annat kräver nya angreppssätt och nya belägg. Jag vill undersöka den skillnaden, inte utgå från att allt som byggts för traditionell SEO bär rakt över till AI.

AI, distribution och digitalt affärsvärde

AI ändrar hur mjukvara byggs, hur produkter upptäcks, och hur arbete blir gjort, och allt det spelar roll för en digital verksamhet.

Upptäckt blir mer sammansatt

Sökrankingar betyder fortfarande något, men de är inte längre det enda sättet en verksamhet blir upptäckt på. AI-genererade svar, rekommendationer, specialistgemenskaper, kataloger och andra källor kan påverka vilka produkter folk överväger. En ranking är alltså bara en del. Kan verksamheten hittas, förstås och väljas i de kanaler som betyder något för kunderna?

Jag är intresserad av hur de här upptäcktsvägarna fungerar, vad som går att mäta, och vilka signaler som faktiskt leder till kvalificerad efterfrågan.

Mjukvara blir lättare att bygga

AI kan minska arbetet det tar att bygga mjukvara, automatisera arbetsflöden och testa produktidéer. Det öppnar dörrar för mindre team, och det gör det också svårare att förlita sig på mjukvara ensam för att sticka ut.

Distribution, egen data, kundrelationer, samlad kunskap och förmågan att genomföra pålitligt kan väga tyngre i förhållande till kostnaden för att bygga en produkt. Utöver vad AI gör möjligt måste en grundare fråga vilka förmågor som skapar ett försprång konkurrenter inte lätt kopierar.

Automatisering måste fungera i verkligheten

En fungerande demonstration är ännu inte ett pålitligt affärssystem. AI-baserade arbetsflöden måste köras inom verkliga begränsningar: datakvalitet, kostnad, tillförlitlighet, integration, tillsyn och konsekvenserna av misstag. Värdet kommer av att ändra ett utfall, inte av att lägga till en AI-komponent i en process.

Mitt intresse är hur tekniken hänger ihop med affärsekonomin runt den.

Det jag undersöker

Jag vill bygga det här arbetet från egna experiment, tekniska observationer och dokumenterade case, inte från förutsägelser ensamma.

Hur AI-system upptäcker webben

Vad kan serverloggar visa om AI-crawlers aktivitet? Hur förhåller sig crawling till indexering, hämtning, citeringar och hänvisningstrafik? Vilket av det här går att mäta direkt, och vad förblir svårt att slå fast?

Vad som gör en digital verksamhet svår att kopiera

När mjukvara blir billigare att skapa, vilka tillgångar fortsätter att växa i värde? Hur ska grundare och investerare bedöma beroendet av förvärvskanaler, tredjepartsplattformar, egen data och kundrelationer?

Var AI skapar operativt värde

Vilka arbetsflöden har nytta av automatisering i praktiken? Hur ändrar implementeringskostnad, mänsklig granskning, tillförlitlighet och underhåll ekonomin? Vad skiljer en lovande prototyp från ett system man kan lita på i produktion?

Det här är forskningsfrågor, och jag har inte bestämt svaren i förväg. Jag publicerar resultat när beläggen räcker för att de ska vara användbara.

En not om belägg

Jag behandlar historiska dokument, direkta observationer, uppmätta resultat och hypoteser som olika saker. En patentpublikation dokumenterar en teknisk redogörelse. En arkiverad webbplats kan visa vad som fanns vid en viss tid. En serverlogg kan visa anrop till en server. Ett experiment kan pröva en specifik hypotes under definierade villkor. Inget av dem bevisar ett bredare påstående på egen hand.

När jag publicerar forskning vill jag att källa, metod, omfattning och begränsningar ska vara tydliga nog för att du ska kunna bedöma slutsatserna själv. Där beläggen är ofullständiga säger jag det. Målet är bättre beslut med de belägg som finns, utan att påstå en säkerhet som inte finns.

Om det här arbetet

Jag är utbildad maskiningenjör och har arbetat med sök, digital tillväxt, produktutveckling och AI. Jag har haft operativa roller och ledningsroller, varit med och grundat ett teknikbolag, och byggt digitala produkter, däribland en AI-baserad värderingsmotor. Jag bor i Stockholm och arbetar med verksamheter internationellt.

Den här sidan växer när jag dokumenterar mer av det historiska materialet och ny forskning blir tillgänglig.