Hur publicerar man en rapport när den inte längre läses?

Publicering för två målgrupper

Publicering är inte längre bara ett formatval, utan en fråga om hur information ska tolkas i olika sammanhang: visuellt för människor och strukturerat för AI-system.

Traditionella rapporter – ofta PDF eller HTML – där layout, typografi, diagram och visuell identitet är i linje med varumärket kommer fortsatt att spela en viktig roll. De är optimerade att läsas av människor och kan vara en viktig version för distribution.

AI-system kan läsa dessa versioner och ofta ge korrekta svar. Men kontrollen över tolkningen är begränsad. Därför uppstår behovet av en parallell version som inte är optimerad för läsning, utan för tolkning.

Struktur, terminologi och explicit fakta blir viktigare än design. Syftet är inte att förenkla innehållet, utan att minska risken för feltolkning. Det handlar inte om att ta bort information, utan om att göra den mer stabil i tolkning. Några praktiska principer:

• Tolkning av bilder och diagram är osäker och bör inte vara primära informationsbärare
• Struktur hjälper tolkning. Typografi är irrelevant för AI
• Sammanfattningar bör vara korta och tydliga och täcka alla fakta och åtaganden
• Strukturerad text (t ex Markdown) gör innehållet tolkningsbart för AI

Vårt proof-of-concept

Vi gjorde ett proof-of-concept där vi jämförde hur AI-system svarade på frågor baserat på olika sätt att paketera information.

Utifrån ett flertal kvartals- och årsrapporter från företag i Fortune 500 och FTSE 100 skapade vi 4-sidiga Markdown-versioner. Dessa jämfördes med originalrapporter i separata AI-tjänster med identiska frågor.

Resultat

De strukturerade Markdown-versionerna gav genomgående mer konsekventa och precisa svar. Färre fall där AI:

• drog implicita slutsatser utan stöd i materialet
• kompletterade med antaganden när information saknades i direkt närhet
• blandade samman fakta och resonemang

I de längre originalrapporterna ökade i stället risken för:

• att centrala detaljer tappades i större kontexter
• att information behövde sammanställas från flera olika delar av rapporten
• att svar blev mer varierande mellan körningar

Vad detta indikerar

Tre faktorer förklarar sannolikt skillnaden:

• större informationsvolym i originalrapporterna
• längre avstånd mellan fråga och relevant innehåll
• högre strukturell komplexitet

Originalrapporterna är inte felaktiga, men de är optimerade för en annan typ av konsumtion. För tolkning av AI-system är en kortare, strukturerad och anpassad informationsmodell konsekvent bättre än den fullständiga rapporten.

Publicering i en AI-driven informationsmiljö

AI-system prioriterar oftast tydliga fakta framför storytelling och varumärkesmässig inramning. Samtidigt används externa källor som kontext, vilket innebär att rapporter tolkas i relation till annan tillgänglig information, inklusive konkurrenter och publika webbkällor.

Språkmodeller påverkas av struktur: innehåll i början och slutet får ofta större vikt än innehåll i mitten. Det gör att struktur inte bara påverkar läsbarhet, utan även hur information prioriteras i svar.

I praktiken innebär det att:

• innehåll bör vara formulerat så att det speglar hur frågor faktiskt ställs
• rubriker blir centrala strukturella ankare
• viktig information behöver vara explicit och lätt att hitta

Det här handlar i grunden inte om nya filformat eller nya standarder för publicering. Snarare om hur kontrollen över tolkning av information förändras när AI blir ett mellanlager mellan organisationer och deras intressenter.

Olika AI-system beter sig olika, och det finns ännu inga etablerade standarder. Initiativ som llms.txt bör utforskas och men inte ses som standard. Snarare tidiga försök att skapa struktur i en informationsmiljö som snabbt förändras.

För finansiella rapporter innebär det att publicering inte längre enbart handlar om distribution av innehåll, utan om hur innehåll tolkas, förstås och används.