Personalisering af AI svar med prompts

Personalisering af AI svar med prompts betyder, at du styrer svarenes tone, format, kontekst og relevans gennem klare instruktioner. Metoden kan gøre generative AI-svar mere brugbare i konkrete opgaver, men den ændrer ikke modellens grundlæggende viden, sikkerhedsregler eller risiko for fejl.

Hvordan virker personalisering med prompts?

Personalisering begynder med en præcis beskrivelse af, hvilken opgave modellen skal løse, hvem svaret er til, og hvordan resultatet skal se ud. En generativ sprogmodel fortsætter ikke bare en tekst mekanisk; den vægter instruktioner, samtalehistorik og tilgængelig kontekst, når den danner et sandsynligt svar.

Derfor virker personalisering bedst, når instruktionen adskiller formål, målgruppe, tone, fagligt niveau og outputformat. Hvis alt står i én lang, uklar besked, bliver modellen nødt til at gætte prioriteringen. Hvis du derimod skriver, at svaret skal være kort, neutralt, handlingsrettet og målrettet en bestemt læsertype, får modellen tydeligere rammer.

Personalisering er ikke det samme som en garanti. Modeller kan stadig misforstå kontekst, overse detaljer eller formulere sig for sikkert. Den praktiske værdi ligger i at gøre opgaven mere entydig, så modellen rammer det ønskede formål oftere og kræver mindre efterredigering.

Hvad kan du styre direkte i svaret?

Du kan styre flere synlige dele af et AI-svar med en målrettet instruktion. De mest stabile områder er tone, længde, struktur, perspektiv, detaljeniveau og format. Det kan for eksempel være forskellen på en kort forklaring til en kunde, en teknisk gennemgang til en udvikler eller en neutral opsummering til en beslutningstager.

Styring af format er ofte mere pålidelig end styring af dyb faglig korrekthed. En model kan godt levere en tabel, men tabellens indhold skal stadig kontrolleres, hvis den bruges til beslutninger, dokumentation eller offentlig kommunikation.

Hvor går grænsen mellem personlig tone og faglig korrekthed?

En personlig tone kan gøre et svar mere forståeligt, men den må ikke ændre faktagrundlaget. Hvis instruktionen beder modellen om at lyde sikker, positiv eller overbevisende, kan det skabe en stil, der skjuler usikkerhed. Derfor bør personalisering altid adskille sproglig form fra faglige krav.

En god arbejdsregel er at skrive tonekrav som form, ikke som sandhedskrav. Du kan bede om et kort og imødekommende svar, men du bør samtidig kræve, at usikre oplysninger markeres som usikre, og at modellen ikke opfinder tal, priser, datoer eller funktioner.

Det er især relevant ved emner som natural language processing, hvor svar kan blande generelle forklaringer med tekniske påstande. Jo mere konkret et svar bliver, desto mere brug for kildekontrol, testdata eller menneskelig faglig gennemgang.

Hvilke oplysninger bør ligge i selve instruktionen?

En brugbar personlig instruktion bør indeholde fem dele: opgave, målgruppe, kontekst, outputkrav og grænser. Opgaven fortæller, hvad modellen skal levere. Målgruppen fortæller, hvem der skal forstå svaret. Konteksten giver nødvendige oplysninger. Outputkravet styrer formen. Grænserne beskriver, hvad modellen ikke må antage.

For en kundeserviceopgave kan instruktionen for eksempel angive, at svaret skal være kort, høfligt, uden løfter om kompensation og med tydelig næste handling. For en intern analyse kan den i stedet kræve en sammenligning af muligheder, usikkerheder og anbefalede kontrolpunkter.

Den unikke værdi opstår, når instruktionen beskriver beslutningssituationen, ikke kun sproget. Hvis modellen ved, at svaret skal bruges til at sortere sager, prioritere support eller forklare et teknisk valg, kan den bedre vælge relevante detaljer fra og placere konklusionen først.

Hvordan bruges kontekst uden at overfylde modellen?

Kontekst gør personalisering mere præcis, men for meget kontekst kan gøre svaret mere støjfyldt. Modellen skal kunne se, hvilke oplysninger der er centrale, og hvilke der blot er baggrund. Derfor bør du give korte, prioriterede oplysninger frem for store tekstblokke uden struktur.

En praktisk metode er at dele konteksten i faste felter: formål, målgruppe, nøgledata, begrænsninger og ønsket output. Hvis der indgår dokumenter, kundedata eller produktinformation, bør du kun medtage det, der er nødvendigt for den aktuelle opgave. Det reducerer både fejlrisiko og unødig datadeling.

OpenAI beskriver tekstgenerering som et system, hvor instruktioner kan kombineres med input og forskellige roller. I praksis betyder det, at en personlig besked ikke bør være en løs ønskeseddel, men en lille opgavespecifikation med tydelig prioritet mellem kravene.

Hvad betyder rolle, format og eksempler for resultatet?

Rolle, format og eksempler virker på forskellige måder. En rolle sætter perspektivet for svaret, for eksempel om modellen skal skrive som teknisk forklarer, redaktør eller supportmedarbejder. Formatet styrer den synlige struktur. Eksempler viser den mønstertype, modellen skal efterligne.

Rollebeskrivelser bør være konkrete. Det er sjældent nok at skrive, at modellen skal være ekspert. Det virker bedre at beskrive, hvad ekspertrollen skal gøre: forklare begreber nøgternt, skelne mellem dokumenteret viden og antagelser, og skrive i et niveau, som målgruppen kan handle på.

Eksempler er nyttige, når stil eller klassifikation er svær at beskrive med regler alene. Det hænger sammen med zero-shot og few-shot prompting, hvor modellen enten løser en opgave uden eksempler eller styres af få viste mønstre. Få eksempler bør være forskellige nok til at vise grænsetilfælde, ikke kun idealsvar.

Hvordan tester du om personaliseringen virker?

Du tester personalisering ved at bruge faste testopgaver og sammenligne svarene mod tydelige kriterier. Testen bør ikke kun spørge, om svaret lyder rigtigt. Den bør undersøge, om svaret følger formatet, bruger relevant kontekst, undgår uønskede antagelser og håndterer usikkerhed på samme måde hver gang.

En enkel test kan bestå af fem til ti realistiske input. For hvert input vurderer du længde, faglig præcision, tone, manglende forbehold og brugbar næste handling. Hvis svarene varierer for meget, er instruktionen ofte for løs, eller også indeholder opgaven flere beslutninger, end modellen bør løse uden menneskelig kontrol.

Testen bør også indeholde negative eksempler. Det kan være et input med manglende data, en modstridende besked eller en anmodning om at ignorere tidligere regler. På den måde ser du, om personaliseringen holder fast i de vigtigste grænser, når input bliver rodet eller manipulerende.

Hvornår er få eksempler bedre end lange regler?

Få eksempler er ofte bedre end lange regler, når det ønskede svarmønster er let at genkende, men svært at beskrive præcist. Det gælder blandt andet tone, kategorisering, korte forklaringer og omskrivning til bestemte målgrupper. Eksempler gør det muligt at vise modellen, hvad der tæller som et godt svar.

Lange regler virker bedst, når der er klare betingelser, som ikke må brydes. Det kan være forbud mod at love leveringstid, krav om at markere usikkerhed eller regler for, hvornår en sag skal sendes videre. I praksis er en kombination ofte stærkest: korte regler for grænser og få eksempler for stil.

Eksempler må ikke være tilfældige. Hvis alle eksempler er korte, kan modellen tro, at korthed er vigtigere end præcision. Hvis alle eksempler er meget positive, kan den overtage samme vinkel. Gode eksempler viser både almindelige tilfælde og kanttilfælde, så personaliseringen ikke bliver for snæver.

Hvilke data bør du ikke bruge i personaliserede input?

Personlige input bør ikke indeholde flere personoplysninger, interne detaljer eller fortrolige data end opgaven kræver. Hvis du kan opnå samme resultat med anonymiserede roller, generelle segmenter eller korte sagsoplysninger, er det normalt bedre end at indsætte hele kundehistorikker eller interne dokumenter.

Dataminimering er særlig relevant, når AI-svar bruges i support, HR, sundhed, økonomi eller andre følsomme sammenhænge. Personalisering kan friste til at give modellen meget detaljeret baggrund, men mere data giver ikke automatisk bedre svar. Det kan også øge risikoen for fejl, utilsigtet videregivelse og uklare ansvarsforhold.

En praktisk kontrol er at spørge, om hver oplysning ændrer svarets indhold. Hvis en detalje kun gør teksten mere personlig, men ikke er nødvendig for beslutningen eller forklaringen, bør den udelades eller generaliseres.

Hvordan håndteres hukommelse og samtalehistorik?

Samtalehistorik kan gøre svar mere sammenhængende, fordi modellen kan bruge tidligere beskeder som kontekst. Det betyder dog ikke, at modellen har ubegrænset hukommelse eller altid ser hele forløbet. I lange samtaler kan ældre dele blive mindre synlige, forkortet eller erstattet af mere aktuel kontekst afhængigt af systemet.

OpenAI beskriver både manuel håndtering af samtalehistorik og API-funktioner, hvor samtaletilstand kan bevares på tværs af svar. For brugeren betyder det, at personalisering kan ligge i den aktuelle besked, i tidligere beskeder eller i et system, der gemmer udvalgte oplysninger.

Derfor bør faste præferencer holdes korte og stabile. Hvis du bruger modellen til gentagne arbejdsopgaver, er det bedre at have en kompakt standardinstruktion end at forlade sig på, at alle tidligere rettelser altid er aktive. Når en opgave ændrer sig, bør den faste instruktion revideres i stedet for at bygge videre på mange små korrektioner.

Hvilke sikkerhedsrisici følger med personlige instruktioner?

Personlige instruktioner kan skabe sikkerhedsrisici, hvis de får modellen til at vægte stil og effektivitet over kontrol. En model, der er bedt om altid at være hjælpsom, kort og løsningsorienteret, kan svare for hurtigt på usikre eller følsomme input. Derfor bør grænser skrives lige så tydeligt som ønsket tone.

OWASP placerer manipulerende input, følsom informationsdeling og lækage af styrende instruktioner blandt centrale risici for LLM-applikationer. Det er relevant for personalisering, fordi meget specifikke instruktioner ofte afslører arbejdsproces, interne regler eller databrug, hvis systemet ikke er designet til at beskytte dem.

Sikker personalisering kræver mindst tre kontroller: begræns de data, modellen får; adskil brugerinput fra styrende regler; og kræv menneskelig godkendelse ved handlinger med konsekvens. Hvis modellen kan sende beskeder, oprette sager, hente dokumenter eller kalde værktøjer, bliver denne afgrænsning mere end et skriveproblem.

Hvornår bør personalisering erstattes af andre metoder?

Personalisering med tekstinstruktioner er velegnet til tone, format og opgaveforståelse, men ikke altid til dyb specialisering. Hvis du har brug for stabil viden fra egne dokumenter, kan retrieval-augmented generation være mere relevant. Hvis du har brug for et konsekvent adfærdsmønster på mange ensartede opgaver, kan finjustering eller faste workflow-regler være bedre.

Finjustering af sprogmodeller ændrer modellen gennem træning på eksempler, mens personalisering normalt kun styrer den aktuelle opgave eller samtale. De to metoder løser derfor forskellige problemer. En instruktion er fleksibel og hurtig at ændre, mens finjustering kræver mere datakontrol, test og vedligeholdelse.

Du bør også overveje strukturerede outputkrav, når svaret skal bruges af software. Hvis et system forventer faste felter, er en almindelig personlig instruktion ofte for løs. Her kan skemabaserede svar, validering og efterkontrol give mere driftssikkerhed end flere sproglige regler.

Hvordan ser en praktisk arbejdsproces ud?

En god arbejdsproces begynder med at skrive den ønskede anvendelse i én sætning. Derefter beskriver du målgruppen, vælger formatet, tilføjer nødvendig kontekst og definerer grænser for usikkerhed, databrug og handlinger. Først til sidst finjusterer du tone og længde.

1. Definer opgaven og den konkrete modtager.
2. Angiv ønsket format, længde og sprogligt niveau.
3. Tilføj kun den kontekst, der ændrer svarets indhold.
4. Skriv tydelige grænser for antagelser, data og handlinger.
5. Test med realistiske input og juster én ting ad gangen.

Denne rækkefølge gør personalisering lettere at styre, fordi du først afklarer formålet og derefter de sproglige detaljer. Hvis du starter med tonekrav, risikerer du at få et pænt svar, der ikke løser den rigtige opgave.

Hvilke kilder ligger til grund?

Artiklen bygger især på OpenAI-dokumentationen om tekstgenerering, som beskriver instruktioner, roller og prioritet i tekstgenerering, samt OpenAI-dokumentationen om samtaletilstand, der forklarer håndtering af kontekst på tværs af svar.

Afgrænsningen af instruktionshierarki og personalisering er holdt op mod OpenAI Model Spec. Sikkerhedsafsnittet bygger på OWASP Top 10 for LLM Applications 2025, og risikostyringen er perspektiveret med NIST AI Risk Management Framework.