Kreative anvendelser af prompt engineering

Kreative anvendelser af instruktionsdesign til generativ AI handler om at forme instruktioner, kontekst og eksempler, så modeller kan bruges til idéudvikling, tekst, billeder, kode, undervisning og analyse. Metoden giver mest værdi, når målet er tydeligt, materialet er relevant, og resultatet kontrolleres af et menneske.

Hvad betyder kreativt instruktionsdesign i praksis?

Kreativt instruktionsdesign er arbejdet med at beskrive en opgave så præcist, at en generativ AI-model kan producere et brugbart første resultat, en variation eller et struktureret udkast. Det handler ikke kun om ordvalg. Det handler om at definere mål, målgruppe, kontekst, begrænsninger, eksempler og ønsket format, så modellen får et tydeligt arbejdsrum.

I kreative opgaver bruges metoden ofte til at udforske flere mulige retninger hurtigt. Det kan være overskrifter, billedbeskrivelser, dialogscener, undervisningsaktiviteter, produktnavne, kodeidéer eller analysevinkler. Resultatet bør behandles som forslag, ikke som færdigt bevis eller autoritativ sandhed.

Den praktiske forskel ligger i styringen. En løs instruktion giver typisk brede og uforudsigelige svar. En velbygget instruktion fortæller modellen, hvad den skal lave, hvad den skal undgå, hvilket materiale den må bygge på, og hvordan svaret skal kunne vurderes bagefter.

Hvorfor er kreative opgaver særligt egnede til generativ AI?

Generativ AI er velegnet til kreative opgaver, fordi teknologien kan danne nye tekstlige, visuelle eller strukturelle forslag ud fra sproglig kontekst. Den kan kombinere mønstre, variere tone, omskrive en idé, opstille alternativer og forklare konsekvenser af forskellige valg. Det passer godt til arbejdsfaser, hvor du ikke leder efter ét endeligt facit.

Det betyder ikke, at modellen er kreativ på samme måde som et menneske. Den forstår ikke formål, erfaring, etik eller målgruppe med menneskelig dømmekraft. Den kan derimod give materiale, du kan vælge fra, forfine, afvise eller bruge som afsæt for en bedre idé.

For en bredere teknisk ramme er det nyttigt at skelne mellem generativ AI og andre AI-modeller. Kreative instruktioner virker bedst, når opgaven faktisk kræver generering, variation eller formulering og ikke blot opslag, beregning eller verificering.

Hvilke kreative arbejdsopgaver kan styrkes med AI-instruktioner?

De mest oplagte anvendelser ligger i de tidlige og mellemste faser af kreativt arbejde. Her kan AI hjælpe med at udvide mulighederne, sammenligne retninger og gøre et uklart problem mere håndterbart. Den bør ikke erstatte den endelige faglige beslutning.

• Idéudvikling: generering af vinkler, titler, spørgsmål, scenarier og alternative koncepter.
• Tekst og redaktion: udkast, omskrivning, tonevariation, opsummering og struktur.
• Visuel planlægning: billedbeskrivelser, stilretninger, storyboardidéer og kompositionsvalg.
• Undervisning: øvelser, cases, forklaringer på flere niveauer og spørgsmål til refleksion.
• Analyse: hypoteser, kategorisering, sammenligningsrammer og forslag til datakontrol.
• Kode og prototyper: pseudokode, testcases, UI-tekster og alternative løsningsmønstre.

Fælles for opgaverne er, at du får mere ud af AI, når du angiver en tydelig rolle for svaret, et konkret slutformat og et kriterium for, hvad der gør resultatet brugbart.

Hvordan bruges teknikken til idéudvikling?

I idéudvikling fungerer AI bedst som en systematisk sparringspartner. Du kan bede modellen skabe mange varianter, sortere dem efter kriterier og forklare forskellen mellem sikre, overraskende og risikable forslag. Den nyttige instruktion beskriver ikke kun emnet, men også hvilken type idéer du søger.

En god fremgangsmåde er at arbejde i runder. Først beder du om brede muligheder. Derefter vælger du de mest lovende spor og beder om konkrete variationer. Til sidst beder du om kritik, svagheder og manglende antagelser. På den måde bliver AI en metode til at udvide og indsnævre valgrummet.

Det kreative udbytte stiger ofte, når instruktionen indeholder spændinger: lavpraktisk og original, kort og nuanceret, realistisk og visuelt stærk. Spændingen tvinger ikke modellen til kvalitet, men den giver tydeligere retning end en generel bestilling.

Hvordan kan eksempler gøre kreative svar mere præcise?

Eksempler er en af de mest konkrete måder at styre generativ AI på. Google beskriver i sin officielle vejledning, at få eksempler kan hjælpe modellen med at identificere mønstre og regulere format, formulering, afgrænsning og generel responsstruktur. Det er særligt nyttigt, når du ønsker en bestemt stil eller en gentagelig type output.

Eksempler bør være forskellige nok til at vise bredden i opgaven og ensartede nok til at vise strukturen. Hvis alle eksempler ligner hinanden for meget, kan modellen blive snæver. Hvis de er for forskellige, kan modellen miste mønsteret. Derfor bør du vælge eksempler, der viser både variation og de faste regler, resultatet skal følge.

OpenAI beskriver også, at instruktioner ofte kan opdeles i identitet, regler, eksempler og relevant kontekst. I kreative opgaver kan den opdeling bruges som tjekliste: Hvem skal svaret lyde som, hvad skal det gøre, hvilke eksempler viser kvaliteten, og hvilket materiale må modellen bygge på?

Hvordan kan visuelle ideer beskrives bedre?

Ved visuelle opgaver er instruktionen ikke kun en beskrivelse af motivet. Den bør også angive komposition, stil, lys, farver, materiale, udsnit, funktion og eventuelle begrænsninger. Hvis du arbejder med tekst til billede-modeller, er forskellen mellem motiv og visuel styring central.

En svag visuel instruktion beskriver kun, hvad billedet skal forestille. En stærkere instruktion beskriver, hvad billedet skal bruges til, hvilken stemning det skal understøtte, hvilke elementer der skal være tydelige, og hvilke fejl der skal undgås. Det kan være afgørende, hvis resultatet skal bruges i undervisning, præsentation, produktudvikling eller konceptarbejde.

Visuel AI kan stadig misforstå relationer, tekst i billeder, proportioner og detaljer. Derfor bør kreative billedinstruktioner altid følges af en kontrolrunde, hvor du vurderer rettigheder, nøjagtighed, repræsentation og om billedet faktisk løser den oprindelige opgave.

Hvordan kan teknikken bruges i undervisning og læring?

I undervisning kan AI-instruktioner bruges til at tilpasse forklaringer, øvelser og eksempler til forskellige niveauer. En lærer kan for eksempel bede om tre forklaringer af samme begreb: én til begyndere, én til elever med faglig erfaring og én med en praktisk case. Det gør det lettere at variere formidlingen uden at ændre det faglige mål.

For elever og studerende er den mest værdifulde brug ofte dialogisk. De kan få modellen til at stille spørgsmål, pege på uklare antagelser eller give feedback på en disposition. Det kræver dog, at instruktionen beder om processtøtte frem for færdige afleveringer.

Hvis du arbejder med grundlæggende brug af ChatGPT, er det nyttigt at skelne mellem hjælp til forståelse og hjælp til aflevering. Den første kan styrke læring, mens den anden kræver klare rammer fra underviseren.

Hvordan kan kreative instruktioner hjælpe med analyse?

Kreativt instruktionsdesign bruges ikke kun til tekst og billeder. Det kan også gøre analysearbejde mere åbent og systematisk. AI kan foreslå kategorier, stille alternative spørgsmål, opdage mulige blinde vinkler og omsætte komplekst materiale til flere mulige forklaringsmodeller.

Den sikre brug kræver, at du holder data, fortolkning og konklusion adskilt. Modellen kan foreslå, hvordan noget kan kategoriseres, men den bør ikke alene afgøre, om kategorien er sand, rimelig eller statistisk holdbar. Ved beslutninger med økonomisk, juridisk, sundhedsfaglig eller organisatorisk betydning skal analysen kontrolleres mod pålidelige kilder og faglige metoder.

En nyttig instruktion kan bede modellen markere usikkerhed, skelne mellem observation og fortolkning og nævne, hvilke oplysninger der mangler. Det gør svaret mere anvendeligt som analysehjælp og mindre tilbøjeligt til at ligne en færdig konklusion.

Hvordan adskiller kreativ styring sig fra automatiserede arbejdsgange?

Kreativ styring er typisk en åben proces, hvor mennesket vælger retning undervejs. Automatiserede arbejdsgange kræver derimod mere faste regler, gentagelige input og tydelige kontrolpunkter. Det er en vigtig forskel, fordi en kreativ instruktion kan tåle variation, mens en driftsproces ofte kræver stabilitet.

Hvis AI kobles til værktøjer, data eller handlinger, nærmer opgaven sig en arbejdsgang. Her er det relevant at forstå forskellen mellem AI-agenter og AI-workflows, fordi graden af autonomi ændrer kravene til sikkerhed og kontrol.

Hvilke risici følger med kreative AI-processer?

Den mest almindelige risiko er, at et flydende og velformuleret svar virker mere korrekt, end det er. Kreative forslag kan indeholde opdigtede detaljer, skjulte antagelser, stereotyper, upræcise kilder eller rettighedsproblemer. Det gælder især, når instruktionen beder om overbevisende formulering uden samtidig at kræve kildegrundlag eller usikkerhedsmarkering.

NIST beskriver AI Risk Management Framework som et frivilligt rammeværk til at håndtere risici for personer, organisationer og samfund. For kreativ brug betyder det, at kvalitet ikke kun handler om et flot resultat. Du bør også vurdere datagrundlag, bias, sikkerhed, forklarlighed, ansvar og mulighed for at opdage fejl.

En særskilt risiko opstår, når modellen får adgang til ubetroet materiale, for eksempel eksterne dokumenter, mails eller websider. Forskning fra Google DeepMind om indirekte instruktionsangreb beskriver, hvordan skjulte eller ondsindede instruktioner i sådant materiale kan forsøge at ændre modellens adfærd. Det er især relevant, når AI ikke kun skriver, men også bruger værktøjer.

Hvordan vurderer du kvaliteten af et kreativt AI-resultat?

Kvalitet bør vurderes ud fra formål, ikke ud fra hvor imponerende svaret lyder. Et godt resultat løser den konkrete opgave, passer til målgruppen, respekterer begrænsningerne og kan forklares eller efterprøves. Det gælder både kreative tekster, billedbeskrivelser, undervisningsmateriale og analyseudkast.

• Relevans: Svarer resultatet på opgaven og ikke på et beslægtet, men forkert spørgsmål?
• Afgrænsning: Holder svaret sig inden for det materiale og de regler, du gav?
• Variation: Giver resultatet reelle alternativer i stedet for små omskrivninger?
• Faktuel kontrol: Kan konkrete påstande bekræftes af kilder eller faglig viden?
• Brugbarhed: Kan resultatet omsættes til næste trin uden omfattende oprydning?

Hvis resultatet ikke kan vurderes med disse kriterier, er instruktionen ofte for uklar. Så bør du først forbedre mål, format og kontrolkrav, før du beder om flere variationer.

Hvordan skriver du bedre kreative instruktioner?

En praktisk metode er at opbygge instruktionen som en kort arbejdsordre. Start med målet, tilføj relevant kontekst, angiv målgruppe, definer format, nævn begrænsninger og bed om kontrol af usikkerhed. Hvis opgaven kræver stil eller struktur, kan du tilføje få eksempler, der viser ønsket resultat.

1. Definer opgaven i én sætning: Hvad skal AI hjælpe med at skabe eller undersøge?
2. Angiv brugssituationen: Hvem skal bruge resultatet, og i hvilken sammenhæng?
3. Giv materiale: fakta, noter, mål, tonekrav eller data, som svaret må bygge på.
4. Vælg format: liste, tabel, disposition, kort tekst, sammenligning eller trinvis plan.
5. Kræv kontrol: bed modellen markere antagelser, usikkerhed og mulige fejl.
6. Iterer: vælg de bedste dele og bed om en ny, smallere version.

Det er sjældent nødvendigt at gøre instruktionen lang for enhver pris. Den skal være tilstrækkelig præcis. For kreative opgaver er de vigtigste elementer ofte kontekst, kriterier og eksempler, fordi de giver modellen en tydelig måde at vælge mellem mulige svar.

Hvornår bør du ikke bruge metoden?

Kreativt instruktionsdesign bør ikke bruges som genvej til beslutninger, hvor fejl kan skade mennesker, økonomi, rettigheder eller sikkerhed. Det bør heller ikke bruges til at omgå faglig kontrol, skabe vildledende materiale eller producere indhold, hvor ophavsret, samtykke eller fortrolighed er uklart.

Metoden er mindst egnet, når opgaven kræver præcis dokumenteret viden, men du ikke har adgang til pålidelige kilder. Den er også svag, når du ikke kan vurdere svaret. Hvis du ikke selv kan opdage fejl, bør AI højst bruges til at formulere spørgsmål, strukturere læsning eller foreslå, hvilke kilder du bør kontrollere.

Den mest robuste brug er derfor menneskestyret: AI kan udvide dit mulighedsrum, men du afgør relevans, korrekthed, rettigheder og endelig kvalitet.

Hvilke kilder ligger til grund?

Artiklen bygger på officielle vejledninger fra OpenAI om prompting og Google AI for Developers om instruktionsstrategier, NISTs AI Risk Management Framework og Google DeepMind-forskernes rapport om indirekte instruktionsangreb.