Hur AI-redo är 50 svenska företagswebbplatser 2026?

AI förändrar hur information på webben hittas, tolkas och används. Sökmotorer kompletteras av AI-system som hämtar information direkt från webbplatser, samtidigt som nya system försöker gå från att läsa innehåll till att faktiskt genomföra handlingar.

Men vad innebär det egentligen att en webbplats är redo för den utvecklingen?

Det finns ingen etablerad universell definition av en AI-redo webbplats. En sajt kan vara enkel att crawla men svagare semantiskt. Den kan ha avancerad strukturerad data men låg prestanda. Den kan sakna särskilda AI-signaler men ändå tillåta AI-sökbotar enligt robots.txt.

Den här studien försöker därför inte skapa ett nytt AI-score.

I stället undersöks 50 svenska företagswebbplatser genom 15 separata kontroller, bland annat crawleråtkomst enligt robots.txt, indexerbarhet, strukturerad data, semantisk HTML, innehållstydlighet, prestanda, tillgänglighet, llms.txt och maskinellt genomförbara handlingar.

12 kontroller bedöms internt på en skala från 0 till 2. Tre är observationskontroller utan poäng. Resultaten används för att analysera enskilda egenskaper, inte för att skapa en offentlig totalpoäng eller ranking.

Bilden som framträder är inte särskilt svartvit. Den grundläggande åtkomsten enligt robots.txt och vanlig indexerbarhet fungerar generellt väl. Skillnaderna blir tydligare längre ner i webbens struktur.

Robots.txt blockerar inte AI-sökbotarna

Den mest grundläggande frågan är: Blockerar robots.txt de testade AI-sökbotarna från det centrala innehållet?

För de 47 webbplatser där kontrollen kunde verifieras är svaret tydligt.

OAI-SearchBot används av OpenAI för att göra webbinnehåll tillgängligt för ChatGPT Search, medan Perplexity beskriver PerplexityBot som sin sökcrawler.¹²

Ingen verifierbar sajt i materialet blockerar alltså någon av de två testade AI-sökbotarna genom robots.txt på de undersökta sidorna.

Även indexerbarheten är stark. 41 av 47 sajter får högsta nivån i studiens kontroll för indexerbarhet. De återstående sex får nivå 1. Ingen får nivå 0.

För XML-sitemap får 36 av 47 nivå 2, 10 nivå 1 och 1 nivå 0. En sitemap kan hjälpa sökmotorer att upptäcka webbadresser men garanterar varken crawl eller indexering.⁴

Det går emot en enkel berättelse om att företagswebbplatser först måste öppnas i robots.txt för de testade AI-sökbotarna.

Det betyder däremot inte att botarna alltid kan nå webbplatserna i praktiken. Robots Exclusion Protocol är inte ett system för faktisk åtkomstkontroll, och separata lager som brandväggar, CDN och botskydd kan fortfarande stoppa en crawler.³

Det betyder inte heller att webbplatserna automatiskt syns i AI-svar, citeras av AI-system eller prioriteras som källor.

Studien mäter tekniska och innehållsmässiga förutsättningar. Den mäter inte faktisk synlighet i ChatGPT, Perplexity eller andra AI-tjänster.

Strukturerad data skiljer webbplatserna åt

När man går från åtkomst till maskinell struktur blir variationen betydligt större.

Bland de poängsatta tekniska kontrollerna är strukturerad data den signal som tydligast skiljer webbplatserna åt i materialet.

Av 48 verifierbara sajter får 15 nivå 0, 22 nivå 1 och 11 nivå 2.

Resultatet betyder inte att strukturerad data är den viktigaste faktorn för AI. Studien visar heller inte att mer schema automatiskt leder till större synlighet i AI-system.

Schema.org tillhandahåller gemensamma vokabulärer för att beskriva information på ett maskinläsbart sätt för sökmotorer och andra applikationer.⁵ Det den här studien visar är att de undersökta företagen har kommit väldigt olika långt i hur sådan uppmärkning används.

Handel sticker ut i strukturerad data

I gruppen Handel och konsument får 7 av 8 verifierbara webbplatser nivå 2.

I Fastighet och bygg får 6 av 10 nivå 0, 4 nivå 1 och ingen nivå 2.

Resultatet ska inte tolkas som att Handel och konsument generellt är mer AI-redo än Fastighet och bygg.

En möjlig förklaring är typen av webbplats. Produktorienterade webbplatser har sedan länge etablerade användningsfall för strukturerad information om exempelvis produkter, priser, lagerstatus och varumärken.

Studien är inte utformad för att avgöra om det är orsaken till skillnaden.

Tydligt för människor, inte alltid tydligt i HTML

Alla 48 verifierbara webbplatser får högsta nivån för erbjudandets tydlighet. 46 av 48 får högsta nivån för tjänste- och produkttydlighet och 47 av 48 för trovärdighetssignaler.

De valda webbplatserna klarar alltså studiens grundläggande innehållskriterier väl.

Samtidigt finns en tydlig takeffekt. Kontrollerna skiljer därför företagen åt betydligt mindre än flera av de tekniska kontrollerna.

När den semantiska sidstrukturen granskas blir bilden mer varierad.

Det vanligaste problemet är alltså inte att innehållet saknas. Det är att strukturen runt innehållet inte alltid beskriver sidan lika tydligt som själva texten gör.

Rubriker och landmarks kan göra innehållshierarki och större sidregioner programmässigt identifierbara, bland annat för hjälpmedel.⁶

En människa kan ofta förstå relationerna på en sida genom layout, typografi, avstånd och andra visuella signaler. Maskinell tolkning och hjälpmedel är mer beroende av att samma relationer också uttrycks i HTML-strukturen.

Studien granskar bara ett avgränsat lager av semantiken, främst H1, rubrikhierarki och landmarks. Resultatet ska därför inte beskrivas som en fullständig bedömning av HTML-kvalitet.

Men det visar att innehållsmässig tydlighet och strukturell tydlighet inte är samma sak.

Snabb är inte samma sak som tillgänglig

Prestanda är ett exempel på varför rådata ibland säger mer än studiens interna poängnivåer.

Av 48 verifierbara webbplatser får 1 nivå 0, 42 nivå 1 och 5 nivå 2.

Bakom den koncentrerade fördelningen finns betydligt större variation.

Studien använder medianen av tre Lighthouse Mobile Performance-körningar på startsidan. Medianvärdet bland sajterna varierar från 49 till 99.

Medianen för hela gruppen är 68,5, och endast 5 av 48 når 90 eller högre.

Lighthouse klassificerar Performance 90 till 100 som ett bra resultat. Performance-värdet är samtidigt ett sammanvägt labbmått och kan variera mellan körningar.⁷

Studiens bredare bedömning av tillgänglighetsstruktur varierar på ett annat sätt. Där får 10 av 48 nivå 0, 30 nivå 1 och 8 nivå 2.

40 av 48 sajter har minst en relevant automatisk tillgänglighetsbrist i underlaget.

Lighthouse Accessibility är en viktad sammanställning av automatiska audits. Manuella kontroller ingår inte i själva poängen.⁸

När det specifika Lighthouse Performance-värdet jämförs med Lighthouse Accessibility-värdet är sambandet svagt. Spearmans rangkorrelation är cirka ρ = 0,19.

ByggConstruct har Performance 93 men får nivå 0 för tillgänglighetsstruktur.

Gapwaves har Performance 59 men får nivå 2.

Resultatet är inte bevis för att prestanda och tillgänglighet är oberoende av varandra. Det visar att hög prestanda inte automatiskt innebär stark tillgänglighetsstruktur.

AI-specifika konventioner är fortfarande ovanliga

Bara 5 av 47 verifierbara robots.txt-filer innehåller uttryckliga AI-relaterade User-agent-grupper.

Samtidigt tillåter robots.txt OAI-SearchBot och PerplexityBot på de testade sidorna för samtliga 47 verifierbara webbplatser.

Att tillåta botarna enligt robots.txt och att uttryckligen definiera AI-specifika User-agent-grupper är alltså två olika saker.

Även llms.txt är ovanligt.

I studien behandlas llms.txt som en föreslagen AI-specifik webbkonvention, inte som en etablerad webbstandard eller ett kvalitetskrav. Den nuvarande specifikationen beskriver själv formatet som ett förslag till standardisering.⁹

Av 47 verifierbara webbplatser saknar 34 llms.txt, 10 har en giltig fil och 3 har en resurs som klassificeras som ogiltig.

De tre ogiltiga fallen illustrerar också varför en lyckad HTTP-status inte räcker. Resursen svarar med HTTP 200, men innehållet är HTML i stället för en användbar llms.txt-resurs.

Endast Sandvik har både uttryckliga AI-relaterade grupper i robots.txt och en giltig llms.txt.

Det finns inget stöd i studien för att betrakta frånvaro av llms.txt eller AI-relaterade robots-grupper som ett kvalitetsfel.

De två kontrollerna är observationsdata och ger ingen poäng.

I det här urvalet är de uttryckligen AI-specifika konventionerna fortfarande långt ifrån gemensam praxis.

AI-redo är inte en stege

När resultaten läggs bredvid varandra finns inget tydligt stöd för en enkel linje från "svag webbplats" till "AI-redo webbplats".

För att beskriva resultaten används därför sex separata lager. De är inte nivåer och ska inte summeras.

I de explorativa jämförelserna finns heller inga tydliga samband som gör en enskild signal till ett rimligt ersättningsmått för helheten.

• Strukturerad data mot semantisk struktur: ρ cirka 0,05.
• Lighthouse Performance mot Lighthouse Accessibility: ρ cirka 0,19.
• Agentic Browsing mot maskinellt genomförbara handlingar: ρ cirka 0,09.

Det betyder inte att dimensionerna är oberoende.

Det betyder att materialet inte ger stöd för att använda en enskild signal som genväg för helheten.

Det är också skälet till att studien inte presenterar något sammanvägt AI-score.

Så genomfördes studien

Population och urval

Studien utgår från svenska kommersiella företag med en publik webbplats riktad till svenska kunder eller beslutsfattare.

Myndigheter, kommuner, ideella organisationer, rena holdingbolag och mycket små verksamheter utan en egentlig företagswebb ingick inte.

En kandidatpool med 100 företagswebbplatser sattes samman.

Ur denna valdes 50 företag till huvudurvalet och 50 behölls som reserver. Huvudurvalet byggdes för att fylla en förutbestämd matris med fem branscher och tre storleksband.

Varje bransch innehåller 3 mindre företag, 4 mellanstora och 3 större.

Storleksbanden definierades som 10 till 49 anställda, 50 till 249 anställda och 250 eller fler anställda.

För de 50 valda företagen verifierades bransch, storleksband och huvudsaklig domän före frysningen.

Reservföretagen sparades för eventuell substitution vid metodiskt bortfall. De skulle inte användas för att ersätta företag på grund av bra eller dåliga mätresultat.

Urvalet frystes den 13 september 2026, innan robots.txt, llms.txt, schema, Lighthouse eller andra signaler i studien mättes.

Mätmodell

1. OAI-SearchBot
2. PerplexityBot
3. AI-policy i robots.txt
4. XML-sitemap
5. Strukturerad data
6. Semantisk sidstruktur
7. Erbjudandets tydlighet
8. Tjänste- och produkttydlighet
9. Trovärdighetssignaler
10. Indexerbarhet
11. Mobil och prestanda
12. Tillgänglighetsstruktur
13. llms.txt
14. Agentic Browsing
15. Maskinellt genomförbara handlingar

12 kontroller bedöms internt på en skala från 0 till 2.

AI-policy i robots.txt, llms.txt och Agentic Browsing är observationskontroller och får ingen poäng.

Kontrollen för maskinellt genomförbara handlingar är experimentell men semimanuellt poängsatt.

Collector och pilot

Datainsamlingen genomfördes med Collector 1.2.0, den frysta researchversionen.

Före huvudmätningen testades metoden på fem företag, ett från varje branschgrupp: Gapwaves, Limetta, Kundo, Asket och Emilshus.

Piloten användes för metodkalibrering. Därefter låstes bland annat vilka testsidor och handlingar som skulle användas för samtliga företag innan huvudmätningen genomfördes.

Metoden ändrades inte i efterhand för att anpassas till oväntade huvudresultat.

Mätperiod och bortfall

Huvudmätningen genomfördes mellan 18 och 22 september 2026.

Totalt genererades 750 kontrollrader. Av dessa kunde 714 verifieras. 36 kunde inte verifieras och behandlas som bortfall, inte som nollor.

Rugvista och H&M blockerade den tekniska insamlingen med HTTP 403. Samtliga 15 kontroller för respektive företag behandlas därför som bortfall.

Nudie Jeans har ytterligare sex kontroller som inte kunde verifieras på grund av insamlingsproblem relaterade till robots. Övriga verifierbara kontroller används normalt.

Bedömning av centrala kontroller

Strukturerad data undersöktes på tre låsta testsidor. Om ingen strukturerad data hittades på någon av dem kunde kontrollen automatiskt få nivå 0. Om uppmärkning fanns gjordes en semimanuell bedömning av relevans och omfattning.

Semantisk sidstruktur bedömer H1, rubrikhierarki och semantiska landmarks.

Prestanda bygger på medianen av tre Lighthouse Mobile Performance-körningar på startsidan.

Tillgänglighetsstrukturen bedöms semimanuellt utifrån Lighthouse Accessibility, relevanta automatiska brister och accessibility tree. Poster klassificerade som manual eller notApplicable räknas inte som automatiska brister.

AI-policy i robots.txt och llms.txt rapporteras som observationer och behandlas inte som kvalitetskrav.

Agentic Browsing analyseras audit för audit eftersom antalet tillämpliga audits kan skilja mellan webbplatser.

Kontrollen för maskinellt genomförbara handlingar fokuserar på verkliga primära handlingar som kontakt, formulär, bokning, sök, filtrering och köp. Cookie-gränssnitt, sociala länkar, språkval och vanlig global navigation filtreras bort.

Kvalitetssäkring

Efter huvudmätningen genomfördes ett separat andra metodpass på 10 webbplatser, två från varje branschgrupp.

På dessa sajter bedömdes de sju poängsatta semimanuella kontrollerna 5, 6, 7, 8, 9, 12 och 15 på nytt.

Det gav totalt 70 andra bedömningar. 68 stod kvar oförändrade. Två ombedömdes och korrigerades i slutdatasetet.

På samma 10 sajter stickprovsgranskades även de tre observationskontrollerna AI-policy i robots.txt, llms.txt och Agentic Browsing, totalt 30 observationer.

QA-processen ska ses som ett separat metodpass för att kontrollera konsekvensen i tillämpningen av den låsta bedömningsmanualen, inte som en oberoende dubbelblind granskning.

Statistisk analys

Samband mellan ordnade eller numeriska variabler analyserades explorativt med Spearmans rangkorrelation.

Skillnader mellan bransch- och storleksgrupper analyserades explorativt med Kruskal-Wallis-test.

Eftersom flera parallella gruppjämförelser genomfördes tolkades p-värden konservativt. För sex parallella tester inom respektive gruppanalys användes en Bonferroni-korrigerad referensnivå på cirka 0,0083.

De statistiska testen används för att identifiera mönster i det designade urvalet. De ska inte tolkas som bevis för motsvarande populationsskillnader bland alla svenska företag.

Datakontroll

Efter huvudinsamlingen genomfördes en slutlig konsistenskontroll av datasetet.

Fem sitemap-rader hade insamlingsunderlag med tillräcklig evidens för bedömning men saknade värde i poängfältet. Dessa kompletterades utifrån den redan insamlade evidensen och den låsta bedömningsmanualen.

Ingen ny crawl eller collector-körning gjordes.

Vad studien inte kan säga

Flera egenskaper, inget enkelt facit

Resultatet ger inget enkelt svar i form av "redo" eller "inte redo".

Robots.txt blockerar inte de två testade AI-sökbotarna på någon av de verifierbara sajterna, samtidigt som indexerbarheten generellt är god och sitemaps är vanliga.

Skillnaderna blir större i hur informationen är strukturerad.

Strukturerad data varierar kraftigt. Semantiska strukturproblem är vanliga trots att innehållet i regel klarar studiens grundläggande tydlighetskriterier. Prestanda och tillgänglighet ger olika bilder av samma webbplatser. AI-specifika konventioner förekommer, men är fortfarande ovanliga och fragmenterade.

Det mest användbara resultatet är därför kanske inte någon enskild procentsiffra.

Det är att webbplatsers förutsättningar för sök, AI-system och agentisk användning består av flera egenskaper som inte kan ersättas av ett enda mått.

Mycket av det som spelar roll är samtidigt välbekant webbteknik: crawleråtkomst, indexerbarhet, semantisk struktur, tillgänglighet, prestanda, maskinläsbar data och tydliga handlingar.

AI-specifika konventioner är ytterligare signaler i den här utvecklingen, inte en ersättning för de grundläggande egenskaper som redan gör webben möjlig att hitta, tolka och använda.

Studien visar inte exakt hur framtidens AI-system kommer att använda webben.

Men den visar var de undersökta webbplatserna redan står starkt, var skillnaderna är störst och vilka delar som fortfarande är långt ifrån standardiserade.

Källor

1. OpenAI, Publishers and Developers FAQ
2. Perplexity, Perplexity Crawlers
3. RFC 9309, Robots Exclusion Protocol
4. Google Search Central, Sitemaps
5. Schema.org, Getting Started
6. W3C WAI, Headings och Landmark Regions
7. Chrome for Developers, Lighthouse performance scoring
8. Chrome for Developers, Lighthouse accessibility scoring
9. llms.txt specification