Chain of thought

Chain of thought er en promptteknik, hvor du beder en sprogmodel vise sine mellemregninger, altså bede den "tænk trin for trin" før den svarer. Teknikken forbedrer svar på logikopgaver, regnestykker og beslutningsrækkefølger, fordi modellen lægger sine ræsonnementer åbent frem, så du kan tjekke dem og fange fejl.

Sådan virker Chain of thought i praksis

Forestil dig, at du får et udkast til et kort resume og beder modellen forklare, hvordan den kom frem til hver prioritet. Modellen skriver så en række trin: antagelser, delberegninger og konklusion. Analogien: det er som at bede en kollega tænke højt, mens han regner i Excel, du ser både cellerne og regnestykket. For moderne modeller er ræsonnement ofte indbygget, så selve effekten varierer; i dag handler Chain of thought tit om at få dokumentation og gennemsigtighed i svaret.

Når AI'en svarer forkert: bed om Chain of thought

Når du opdager en forkert beregning eller en mærkelig prioritering, er det første virkelige trick at spørge modellen om mellemregningerne. Skriv for eksempel: "Forklar dine trin, og vis beregningerne". Så kan du enten rette fejlen direkte eller spørge videre om et enkelt skridt. Det er også den hurtigste måde at finde hallucinationer på, fordi en model, der gætter, ofte ikke kan forklare et logisk mellemled klart.

Eksempel: Chain of thought hos en kommunikationsmedarbejder

En kommunikationsmedarbejder sidder mandag morgen med et presserende oplæg til et kunde­møde om to dage. Hun bruger AI til at lave målgruppeprioritering af et oplæg på seks punkter. Første udkast viser en prioritering, der baserer sig på antagelser om kundegruppe og prisfølsomhed. Hun beder modellen om at "vise trin for trin, hvordan du vurderer prioriteringen". Modellen skriver fire trin, og i andet trin bruger den en forkert antagelse om et segment, som i virkeligheden er lukket sidste år. Modstand: det tog 35 minutter ekstra at rette prompten og indhente dokumentation fra en kollega, og mødeoplægget blev først færdigt senere samme dag. Resultat: oplægget var nu baseret på de rigtige antagelser, og hun fik en klar linje at vise chefen. Læringen: Chain of thought gjorde fejlen synlig, men det kostede tid at følge op og tjekke kilder.

Chain of thought er ikke det samme som Iterativ prompting eller prompt-kæder

Chain of thought beder modellen om at vise ræsonnementet i ét svar. Iterativ prompting handler om at forbedre svaret ved at gentage spørgsmålet eller give feedback i flere runder. Prompt-kæder sætter ofte flere prompts sammen, så hvert trin løser en delopgave. Alle tre metoder hører under prompt engineering, men de løser forskellige opgaver: Chain of thought øger gennemsigtigheden; iterativ prompting forbedrer resultatet over tid; prompt-kæder deler en kompleks opgave op i sekvenser.

Sådan kommer du i gang med Chain of thought

1. Start med en simpel instruktion: "Forklar dine trin, og vis beregningerne". Hold sætningen klar og kort.
2. Bed om kilder eller hvilke antagelser modellen brugte. Det gør det nemmere at tjekke.
3. Når et trin er uklart, spørg ind til kun dét trin i næste prompt. Det sparer tid.
4. Brug Chain of thought ved beslutninger, der påvirker kunder eller regnskab, og beregn, hvor meget ekstra tid hver gennemgang tager.
5. Overvej at kombinere med iterativ prompting eller en prompt-kæde, hvis opgaven er flerstadet.

Chain of thought gør AI's ræsonnement synligt, men det er ikke en garanti for korrekthed. Tjek antagelserne, og regn selv de kritiske trin efter, før du stoler på resultatet.

Når medarbejderne selv skal kunne bruge chain of thought og ikke bare kende ordet, sker det hurtigst på en AI-workshop. Vil I have chain of thought sat i drift på jeres egen maskine, er det dét, AI Hero Sidekick er bygget til.