Resonneringsmodeller: Hvordan tenkende AI former søk og siteringer i 2026

Resonneringsmodeller er en klasse store språkmodeller som lærer seg å svare, ikke bare hva de skal svare. I stedet for å produsere et svar i det øyeblikket de leser en forespørsel, lager de først en intern tankekjede: en lang rekke mellomsteg der de bryter ned problemet, prøver løsninger, går tilbake og verifiserer før de bestemmer seg for et endelig svar. Dette skiftet bytter litt fart mot en stor gevinst i nøyaktighet på vanskelige problemer som matematikk, koding og logikk i flere steg.

Dette betyr noe for markedsførere fordi resonneringsmodeller nå ligger bak dyp research og svar i flere steg i de vanlige AI-assistentene. Når en modell resonnerer seg gjennom et spørsmål, kjører den ofte mange delsøk og veier kildene nøye. Spørsmålet blir derfor om innholdet ditt er tydelig, verifiserbart og enkelt å bruke i den resonneringen, ikke bare om det rangerer på et søkeord.

Hva er resonneringsmodeller?

Resonneringsmodeller deler et problem opp i mindre steg før de svarer, og det betyr at de lærer seg å svare, ikke bare hva de skal svare. Mellomstegene er eksplisitte slutninger som bryter ned en kompleks oppgave, og de gjør modellens problemløsning synlig i stedet for en svart boks. Modeller som OpenAI o1 og o3, DeepSeek-R1, Google Gemini og Anthropic Claude viser alle en versjon av denne tenkefasen.

Atferden som oppstår, virker slående bevisst. En resonneringsmodell søker gjennom mulige løsninger, reflekterer over eget arbeid, går tilbake når et forsøk mislykkes og utforsker en annen vei. DeepSeek-R1 deler for eksempel tankeprosessen sin inne i think-tagger, slik at kjeden blir synlig og kan feilsøkes. Dette er en annen driftsmåte enn en chatbot som bare matcher mønstre til et flytende svar.

Hvordan resonneringsmodeller fungerer: tankekjede

Motoren i en resonneringsmodell er tankekjeden, den eksplisitte fremstillingen av resonneringssteg som lar modellen vise arbeidet sitt før den kommer til en konklusjon. Ved å generere disse stegene som tokens kan modellen holde deloppgaver i sikte, prøve flere løsninger og sjekke mellomresultater. Derfor henger lange kjeder sammen med bedre svar på komplekse problemer.

Dette er en reell endring i hvordan en LLM produserer resultatet. En standardmodell genererer et svar token for token rett etter forespørselen. En resonneringsmodell setter inn en utforskningsfase først og skriver deretter det endelige svaret når den har resonnert seg gjennom problemet. Kostnaden for den fasen avhenger av vanskelighetsgraden: en enkel oversettelse trenger kanskje bare hundre tenketokens, mens et vanskelig bevis kan kreve mange tusen.

Beregningskraft ved bruk: den nye skaleringsloven

Resonneringsmodeller drives av beregningskraft ved bruk, som gir ekstra beregning under AI-inferens i stedet for under trening. Ideen, som noen kaller den tredje skaleringsloven ved siden av for-trening og etter-trening, er at å la en modell tenke lenger under inferens låser opp evner som en større, men raskere modell ikke kan nå. Flere tenketokens gir mer nøyaktige løsninger, innenfor rimelighetens grenser.

Tallene er slående. Ifølge Introl økte DeepSeek-R1 sin AIME-nøyaktighet fra 15.6 prosent til 71 prosent gjennom utvidet resonnering, og en 7B-modell med hundre ganger så mye inferensberegning kan måle seg med en 70B-modell som kjører med standard inferens. Den samme analysen anslår at etterspørselen etter inferens vil overstige etterspørselen etter trening med 118 ganger i 2026, et tegn på hvor klart feltet har skiftet mot å tenke under kjøring.

Slik trenes resonneringsmodeller

De fleste resonneringsmodeller formes av forsterkningslæring som optimaliserer for riktige resultater, ikke for neste token. Det finnes to brede tilnærminger: søk mot verifikatorer, der systemet trekker mange kandidatsvar og en belønningsmodell velger det beste, og å endre forslagsfordelingen, der modellen trenes gjennom finjustering eller forsterkningslæring til å foretrekke resonneringstokens på naturlig vis.

Et bemerkelsesverdig resultat er at resonnering kan oppstå fra ren forsterkningslæring. Ifølge Zylos utviklet DeepSeek-R1-Zero spontant selvrefleksjon, strategitilpasning og oppdeling i flere steg uten menneskemerkede resonneringseksempler. Teknikker som RLHF er fortsatt viktige for justering og nytteverdi, men selve resonneringsevnen kan styrkes ved å belønne riktige løsninger i flere steg.

Resonneringsmodeller mot vanlige LLM-er

Den praktiske forskjellen er utforskningsfasen i mellom. En standardmodell svarer raskt og overfladisk, noe som er ideelt for søk, oppsummering og korte faktasvar. En resonneringsmodell svarer saktere og dypere, og det er det kompleks analyse krever. På ARC-AGI-2-testen for abstrakt resonnering lå standardmodeller nær null, mens resonneringssystemer oppnådde klart høyere resultater, med OpenAI o3 rapportert av Zylos til 45.1 prosent.

Derfor gjør flere leverandører tenkingen justerbar nå. Google beskriver dynamisk tenkning som tilpasser resonneringsinnsatsen til oppgavens kompleksitet, og Anthropic gir utviklere styrbare tenkebudsjetter. Målet er å bruke dyp resonnering bare der den er verdt det, og falle tilbake til rask generering for alt annet. Disse skillene henger også sammen med bredere grunnmodeller som leveres i både standard- og resonneringsvarianter.

Hvorfor resonneringsmodeller betyr noe for SEO og GEO

Resonneringsmodeller er motoren bak dyp research og svarene i flere steg som i økende grad former oppdagelsen. Når en assistent resonnerer seg gjennom et spørsmål, bryter den ned forespørselen, kjører flere søk og veier bevisene før den skriver. Innholdet ditt konkurrerer dermed om å bli sitert på tvers av mange resonneringssteg, ikke om én enkelt rangeringsplass.

Det flytter optimaliseringen mot klarhet og verifiserbarhet. Innhold som sier fakta rett ut, strukturerer informasjon slik at en modell kan hente den ut, og holder seg konsekvent på tvers av sider, er lettere for en resonneringsmodell å stole på og gjenbruke. Dette er kjernen i generativ motoroptimalisering: bli kilden en tenkende modell går tilbake til når den arbeider seg gjennom delspørsmålene i en større forespørsel, og kombiner det med nøye søkeordsresearch og innholdsplanlegging for å dekke disse spørsmålene.

Bruksområder og ledende modeller

Resonneringsmodeller kommer til sin rett der ett enkelt gjennomløp ikke er nok: konkurransematematikk, programvareutvikling, vitenskapelig analyse og kompleks planlegging. Zylos rapporterer at o3 når 91.9 prosent på GPQA Diamond og gullnivå i store matematikkonkurranser, mens DeepSeek-R1 nådde 97.3 prosent på MATH-500 som en helt åpen kildekodemodell. DeepSeek viste spesielt at åpne modeller kan måle seg med proprietære til en brøkdel av kostnaden.

Utover referansetestene driver disse modellene agentbasert research, kodegenerering med verifisering og strukturert beslutningsstøtte. Evnen til å planlegge og kontrollere seg selv gjør dem til standardvalget for oppgaver med høye innsatser, selv om raskere modeller fortsatt håndterer rutinespørsmål.

Utfordringer og begrensninger

Den første begrensningen er kostnad og forsinkelse. Resonneringsmodeller kan generere ti til hundre ganger flere tokens per forespørsel enn standardmodeller, så de er tregere og dyrere. Ifølge Introl nådde OpenAIs inferensutgifter i 2024 femten ganger treningskostnadene, en direkte følge av at modellene tenker lenger under kjøring.

Pålitelighet er den andre bekymringen. En lang resonneringskjede kan fortsatt gå galt, og et tidlig feilsteg kan vokse til et svar som er sikkert, men feil. Lengre tenking er heller ikke alltid bedre, siden for lange kjeder kan drive av kurs, og derfor forblir adaptive tenkebudsjetter og menneskelig verifisering viktige. Behandle resonneringsutdata som et sterkt utkast som kan kontrolleres, ikke som et ufeilbarlig resultat.

Konklusjon

Resonneringsmodeller gjør svar til en bevisst, flertrinns prosess der modellen tenker, utforsker og verifiserer før den svarer. Den drives av beregningskraft ved bruk heller enn stadig større for-trening. De er langt sterkere på komplekse oppgaver og ligger nå bak funksjonene for dyp research som former hvordan folk finner informasjon.

For markedsførere er budskapet å gjøre innholdet klart, strukturert og verifiserbart, slik at en tenkende modell kan stole på og sitere det gjennom resonneringen sin. Koble dette til tankekjede og beregningskraft ved bruk for å se hele bildet. Kildehenvisninger: Zylos Research, Introl og Maarten Grootendorst.