Samspillet mellem AI og bruger gennem prompts

Samspillet mellem AI og bruger gennem prompts handler om, hvordan brugerens instruktioner, kontekst og krav former modellens svar. Gode prompts gør opgaven tydeligere, men de erstatter ikke faglig kontrol, kildekritik eller sikker håndtering af data, især når AI-systemet arbejder med eksternt indhold eller værktøjer.

Hvordan styrer prompts en AI-models svar?

Prompts er den tekst eller de instruktioner, som beskriver, hvad en AI-model skal gøre. De kan indeholde en opgave, baggrund, målgruppe, afgrænsning, eksempler og krav til format. Modellen bruger instruktionerne som kontekst, når den beregner et sandsynligt svar, men den forstår ikke opgaven på samme måde som et menneske med ansvar for resultatet.

Derfor er samspillet ikke en simpel ordre og et garanteret svar. Det er en styringsproces, hvor du gradvist præciserer målet, fjerner tvetydighed og kontrollerer, om svaret passer til den virkelige opgave. Når et svar er upræcist, skyldes det ofte ikke kun modellen, men også uklare krav, manglende datagrundlag eller for bred opgaveformulering.

En praktisk måde at se samspillet på er at skelne mellem tre lag: hvad modellen skal gøre, hvilket materiale den må bruge, og hvordan svaret skal leveres. Hvis alle tre lag er tydelige, bliver svaret lettere at evaluere og genbruge.

Hvilke dele består en brugbar instruktion af?

En brugbar instruktion beskriver opgaven så konkret, at modellen kan prioritere mellem mulige svar. Den behøver ikke være lang, men den skal gøre det tydeligt, hvad der tæller som et godt resultat. Officielle vejledninger fra modeludbydere fremhæver især klarhed, relevant kontekst, eksempler, begrænsninger og forventet outputformat.

• Opgave: Hvad skal modellen producere, analysere, omskrive eller forklare?
• Kontekst: Hvilken målgruppe, situation, kanal eller beslutning skal svaret passe til?
• Afgrænsning: Hvad må modellen ikke antage, medtage eller ændre?
• Format: Skal svaret være en tabel, en kort vurdering, en liste, en plan eller et resumé?
• Kvalitetskrav: Skal svaret være kildebaseret, forsigtigt formuleret, kort, teknisk eller handlingsorienteret?

Hvis du kun skriver en bred opgave, får modellen større frihed til at gætte på formål, niveau og format. Hvis du derimod beskriver den konkrete brugssituation, kan modellen bedre vælge detaljer, udelade irrelevant stof og holde svaret inden for opgaven.

Hvordan ændrer kontekst kvaliteten af svaret?

Kontekst er det materiale, som hjælper modellen med at forstå opgavens ramme. Det kan være en målgruppe, et datasæt, en tekst, et produktkrav, en intern politik eller en beslutningssituation. Kontekst gør ikke modellen sandere i sig selv, men den reducerer antallet af mulige fortolkninger.

Hvis du beder en model skrive en forklaring om en teknisk funktion, vil svaret ændre sig markant afhængigt af, om målgruppen er udviklere, ledere, elever eller supportmedarbejdere. Den samme opgave kan kræve forskellige ordvalg, detaljer og forbehold. Det er derfor ofte mere effektivt at give modellen en præcis situation end at bede den om at være generelt “bedre”.

Kontekst skal dog afgrænses. Lange dokumenter, irrelevante bilag og uklare uddrag kan forstyrre modellen. Når opgaven bygger på mange kilder, bør du markere, hvilke dele der er autoritative, hvilke der kun er baggrund, og hvilke spørgsmål svaret skal afgøre.

Hvorfor virker eksempler ofte bedre end abstrakte krav?

Eksempler viser modellen, hvilken type mønster den skal følge. Et eksempel kan demonstrere tone, struktur, detaljeringsniveau, klassifikation eller ønsket svarform. Det er især nyttigt, når opgaven har en bestemt standard, som er svær at beskrive med generelle ord.

Hvis du vil have ensartede svar på mange lignende opgaver, kan et eller flere eksempler mindske variationen. Det kan for eksempel være et eksempel på et godt kundesvar, en korrekt kategorisering eller en kort rapportskabelon. Eksempler bør være repræsentative, ellers kan modellen kopiere en uhensigtsmæssig undtagelse som om den var hovedreglen.

Eksempler bør heller ikke stå alene. De fungerer bedst sammen med en forklaring af, hvad der gør eksemplet godt. Dermed kan modellen overføre princippet til nye tilfælde i stedet for kun at efterligne overfladen.

Hvordan bør du arbejde iterativt med prompts?

Det mest stabile samspil opstår ofte i flere trin. Først beskriver du opgaven og får et udkast. Derefter tester du svaret mod formålet, retter uklare krav og beder om en forbedret version. Denne iterative proces er særlig nyttig ved analyse, planlægning, tekstproduktion og teknisk problemløsning.

Iteration betyder ikke, at du blot beder modellen “prøve igen”. Den næste instruktion bør forklare, hvad der manglede: for få kilder, forkert niveau, uklart format, manglende forbehold eller for bred konklusion. Jo mere præcis tilbagemeldingen er, desto bedre kan modellen rette kurs.

1. Start med en kort opgave og ønsket resultat.
2. Kontrollér, om svaret dækker formål, fakta og format.
3. Ret instruktionen med konkrete mangler og nye begrænsninger.
4. Bed om en revideret version, ikke bare en længere version.
5. Afslut med menneskelig kvalitetssikring, især ved fakta, jura, økonomi, sundhed og sikkerhed.

Denne arbejdsmåde gør samspillet mere sporbar. Du kan se, hvilke krav der ændrede svaret, og du kan genbruge de dele, der faktisk forbedrede resultatet.

Hvad kan prompts ikke løse alene?

Prompts kan forbedre relevans, format og opgaveforståelse, men de kan ikke alene garantere sandhed, aktualitet eller sikkerhed. En model kan stadig lave fejlslutninger, overse kilder, blande begreber sammen eller formulere et sandsynligt svar uden tilstrækkeligt grundlag.

Det er især tydeligt, når opgaven kræver opdaterede fakta, præcise tal, compliance-vurderinger eller beslutninger med høj risiko. I de situationer skal du koble instruktionen med autoritative kilder, interne regler, validering, faglig gennemgang eller tekniske kontroller. Det gælder også, når modellen bruges i et workflow med adgang til filer, webdata eller værktøjer.

En god instruktion kan få modellen til at markere usikkerhed og bede om manglende oplysninger. Den kan ikke i sig selv afgøre, om organisationens data må bruges, om en kilde er tilstrækkelig, eller om et output er korrekt nok til at danne grundlag for handling.

Hvordan adskiller systeminstruktioner sig fra brugerens instruktioner?

I mange AI-systemer findes der flere lag af instruktioner. Systeminstruktioner beskriver typisk modellens rolle, grænser og overordnede adfærd, mens brugerens instruktioner beskriver den aktuelle opgave. Det kan gøre samspillet mere stabilt, fordi faste krav ikke skal gentages i hver besked.

Et systemlag kan for eksempel angive, at svar skal være korte, kildebaserede eller skrevet til en bestemt arbejdssituation. Brugerlaget kan derefter angive den konkrete opgave, teksten eller spørgsmålet. Denne opdeling er relevant i både chatværktøjer, API-løsninger og agentiske systemer.

Systeminstruktioner er dog ikke det samme som en fuld sikkerhedsbarriere. Hvis modellen modtager modstridende tekst fra brugere, dokumenter eller websider, kan der stadig opstå uønsket adfærd. Derfor bør styring med instruktioner kombineres med datakontrol, rettighedsstyring, outputvalidering og begrænsning af, hvad systemet må udføre.

Hvordan påvirker outputformatet samarbejdet?

Outputformatet bestemmer, hvordan svaret kan vurderes og bruges bagefter. Hvis du beder om en tabel, en beslutningsliste eller en trinvis plan, bliver det lettere at se mangler og fejl. Hvis formatet er uklart, vælger modellen selv struktur, længde og detaljeringsgrad.

Ved tekniske integrationer er formatkrav særlig vigtige. Hvis output skal læses af et andet system, bør du ikke nøjes med at håbe på korrekt formatering. Brug strukturerede outputfunktioner, skemavalidering eller deterministisk kode, når opgaven kræver stabil maskinlæsning.

Hvordan hænger prompts sammen med grounding og kilder?

Grounding betyder, at modellens svar forankres i et bestemt datagrundlag, for eksempel dokumenter, søgeresultater, interne politikker eller en database. Prompts beskriver, hvordan modellen skal bruge materialet, mens selve groundinglaget leverer indholdet, der skal begrænse frie antagelser.

Det er en central forskel. En instruktion som “brug kun kilderne” er nyttig, men den skal helst understøttes af en teknisk opsætning, hvor modellen faktisk får relevante kilder og kan citere dem. I artiklen om grounding af AI-modeller er fokus netop, hvordan svar kan bindes til et kontrolleret grundlag.

Når du arbejder med viden, der ændrer sig, kan Retrieval-Augmented Generation være relevant. Her hentes materiale fra en ekstern kilde, før modellen svarer. Prompts styrer stadig opgaven, men kildesøgning og kildeudvælgelse bliver en selvstændig del af kvaliteten.

Hvilke risici opstår, når instruktioner blandes med data?

En væsentlig risiko ved store sprogmodeller er, at instruktioner og data kan ligge i samme kontekst. Hvis et dokument, en webside eller en brugerbesked indeholder tekst, der ligner en ordre til modellen, kan systemet blive påvirket på en uønsket måde. OWASP beskriver dette som en central risikotype for LLM-applikationer.

Direkte angreb kommer fra en bruger, der forsøger at ændre modellens adfærd. Indirekte angreb kan komme fra eksternt indhold, som modellen læser som led i opgaven. Risikoen bliver større, når AI-systemet kan kalde værktøjer, sende beskeder, ændre filer eller hente data fra flere kilder.

Derfor bør organisationer ikke behandle en velformuleret instruktion som tilstrækkelig beskyttelse. Sikker brug kræver også afgrænsede rettigheder, logning, kontrol af værktøjskald, filtrering af eksternt indhold og klare processer for menneskelig godkendelse ved handlinger med konsekvens.

Hvordan kan du bruge prompts i en professionel arbejdsgang?

I en professionel arbejdsgang bør prompts betragtes som en del af en proces, ikke som en isoleret tekst. Du kan starte med at definere opgaven, vælge datagrundlag, angive format og derefter kontrollere output mod et fagligt kriteriesæt. Det gør arbejdet mere gentageligt.

Et team kan for eksempel opbygge interne skabeloner til research, mødenoter, kundesvar eller kodegennemgang. Skabelonen bør angive formål, inputfelter, forbehold, outputformat og kontrolpunkter. Den bør også forklare, hvornår opgaven skal sendes videre til en fagperson i stedet for at blive afsluttet af AI-systemet.

Hvis arbejdsprocessen indeholder følsomme oplysninger, bør du først afklare datagrundlag og adgang. En god instruktion kan bede modellen undgå persondata i svaret, men den afgør ikke, om data må indtastes. Læsere, der arbejder med udvikling eller integration, kan også have gavn af overblikket over ChatGPT for udviklere og API-brug.

Hvordan vurderer du, om et svar er godt nok?

Et AI-svar er godt nok, når det passer til formålet, bygger på et acceptabelt datagrundlag og kan kontrolleres. Det er ikke nok, at svaret lyder flydende. Du bør vurdere, om modellen har løst den rigtige opgave, brugt de rigtige oplysninger og markeret usikkerhed, hvor den ikke kan vide nok.

• Fakta: Er tal, datoer, navne og tekniske påstande kontrollerbare?
• Afgrænsning: Holder svaret sig til opgaven uden at tilføje uvedkommende antagelser?
• Format: Kan svaret bruges direkte i den ønskede arbejdsgang?
• Risiko: Kan fejlen få økonomiske, juridiske, sikkerhedsmæssige eller menneskelige konsekvenser?
• Ansvar: Er der en tydelig person eller rolle, som godkender resultatet?

Ved lavrisikoopgaver kan en hurtig gennemlæsning være nok. Ved beslutningsstøtte, automatiserede workflows og eksterne svar bør kontrollen være mere systematisk. Artiklen om AI-sikkerhed mod jailbreaking uddyber, hvorfor modeladfærd ikke bør vurderes ud fra almindelig tekstkvalitet alene.

Hvordan udvikler samspillet sig, når AI får flere værktøjer?

Når AI-systemer kun genererer tekst, handler samspillet primært om kvaliteten af svaret. Når systemet får adgang til værktøjer, filer, databaser eller handlinger, bliver instruktionerne også en del af en styrings- og risikoproces. Et forkert svar er én type fejl; en forkert handling kan være mere alvorlig.

Derfor bør prompts til værktøjsbrug være mere eksplicitte end almindelige skriveopgaver. De bør angive, hvilke handlinger modellen må foreslå, hvilke den må udføre, hvornår den skal spørge om godkendelse, og hvilke datakilder der er autoritative. Det bør også være tydeligt, hvornår modellen skal stoppe og rapportere usikkerhed.

Samspillet mellem bruger og AI bevæger sig dermed fra tekstforbedring mod procesdesign. Den bedste instruktion er ikke nødvendigvis den længste, men den der placerer modellen rigtigt i arbejdsgangen: som hjælper, analytiker, udkastsmager eller kontrolleret værktøjsbruger med klare grænser.

Hvilke kilder ligger til grund?

Artiklen bygger især på OpenAIs dokumentation om tekstgenerering, Google AI Developers’ strategier for prompting og Anthropics dokumentation om Claude. Sikkerhedsafsnittene bygger desuden på OWASP Top 10 for LLM Applications og NISTs AI Risk Management Framework.