Namnkonsistens – när modellen tror du är tre bolag

Modellen tror kanske att du är tre olika bolag

En AI-modell försöker knyta det den läser till en entitet – ett specifikt företag, med en specifik historia och en specifik uppsättning egenskaper. Den gör det genom att leta efter signaler om att flera textbitar faktiskt handlar om samma sak. Skrivs ditt namn på fyra olika sätt på fyra olika ställen, utan någon explicit koppling mellan dem, har modellen ingen garanti för att ”Citation Lab AB”, ”CitationLab”, ”Citation Lab” och ”CL” är ett och samma företag. Den kan lika gärna läsa det som tre eller fyra svagare entiteter, var och en med sin egen, tunnare bråkdel av den totala auktoriteten – och ingen av dem stark nog att bli rekommenderad framför en konkurrent med ett enda, konsekvent namn.

Var namnvarianterna faktiskt uppstår

Ingen bestämmer sig för att splittra sin entitet med avsikt. Varianterna smyger sig in för att olika delar av ett företags digitala fotavtryck sätts upp av olika personer, vid olika tillfällen, utan att någon ser dem samlat i efterhand.

Ingen av källorna i tabellen ovan är fel isolerat sett. Problemet uppstår först när ingen av dem är explicit kopplad till de andra – då står de som fem obesvarade frågor i stället för fem bekräftelser på samma svar.

En kanonisk form, kontrollerade alias: sameAs och alternateName

Lösningen är varken att tvinga fram identisk ordalydelse överallt (juridiska namn och marknadsföringsnamn har olika syften och bör få avvika) eller att ignorera varianterna och hoppas att modellen löser det själv. Lösningen är att välja en kanonisk form – typiskt varumärkesnamnet, inte det fulla juridiska namnet – och deklarera resten explicit som kända varianter av just den entiteten.

Tekniskt görs detta med två egenskaper i schema.org-märkningen för organisationen: alternateName listar alternativa namn (förkortningar, tidigare namn) entiteten är känd under, medan sameAs pekar till andra auktoritativa profiler av samma entitet – Wikidata, Wikipedia, LinkedIn-sidan, bolagsregistret. Tillsammans säger de: ”dessa strängar och dessa profiler är alla samma, enda entitet”, i stället för att lämna kopplingen åt gissningar.

Bolagsregistret och Wikidata: de starkaste ankarna

Alla källor väger inte lika i den bedömningen. Ett påstående på den egna webbplatsen är lätt att skriva och lika lätt att ignorera. Ett strukturerat, offentligt register är något annat: bolagsregistret ger ett verifierat organisationsnummer och registrerat namn som inte är självpublicerat av företaget självt, och Wikidata ger en strukturerad, maskinläsbar post som många kunskapsgrafer redan hämtar från. Båda är precis den typ av ankare en modell – eller systemet bakom den – kan korskolla andra källor mot, och de bör stå explicit i sameAs-listan där företaget är registrerat i dem.

Namnbyte, fusion och domänbyte utan att förlora entiteten

Det vanligaste misstaget vid ett namnbyte eller en fusion är tyst utfasning: det gamla namnet slutar plötsligt att användas, utan att något berättar för världen – eller en AI-modell – att det nya namnet är en fortsättning på samma entitet, inte en helt ny en. Rätt hanterad är övergången en explicit koppling, inte en utradering: sätt upp 301-redirect från gammal till ny domän där det är relevant, behåll det gamla namnet i alternateName som en deklarerad tidigare variant, och uppdatera bolagsregistret, Wikidata och LinkedIn till det nya namnet så snart som praktiskt möjligt. Rätt gjort ärver den nya entiteten historiken och auktoriteten från den gamla, i stället för att börja om från noll som en okänd nykomling.

Samma problem har ett namn: personer

Entitetssplittring drabbar inte bara företagsnamn. En grundare som omtalas med fullt namn i en byline, med enbart initialer i en pressomtal och med ett förkortat smeknamn på LinkedIn kan splittras i flera svagare personentiteter på exakt samma sätt som ett företag med fyra namnvarianter. Lösningen är strukturellt identisk: en kanonisk form av namnet som används konsekvent i egna kanaler, och övriga varianter deklarerade explicit via sameAs på personens egen entitet – i stället för överlämnat åt att en modell ska gissa sig till att ”grundaren” och initialerna på förstasidan är samma person.

Självkoll: fråga en modell om två av dina namnvarianter

Självkoll. Välj två kända sätt att skriva ditt företags namn – till exempel det fulla juridiska namnet och den korta varumärkesversionen. Fråga en AI-modell ”vad är [namnvariant A]?” och sedan, i en ny konversation, ”vad är [namnvariant B]?”.

Får du två tydligt olika svar – olika beskrivning, olika detaljer, eller i värsta fall att den ena varianten inte känns igen alls – har du ett entitetsproblem, inte bara en stilistisk oenighet om hur namnet ska skrivas. Får du i huvudsak samma svar båda gångerna, är varianterna troligen redan kopplade tillräckligt väl.