GPT (Generative Pre-trained Transformer)

GPT er en type sprogmodel, der kan skrive tekst, svare på spørgsmål og generere indhold ud fra en prompt. Navnet står for Generative, Pre-trained, Transformer: generativ fordi modellen skaber tekst, fortrænet fordi den først læser enorme mængder tekst, og transformer fordi den bruger den transformer-arkitektur, som gør den god til at forstå sammenhæng i sprog.

Sådan virker GPT i praksis

Forestil dig en ny medarbejder, der inden første arbejdsdag har læst tusindvis af bøger, e-mails og manualer. Når du stiller et spørgsmål, trækker medarbejderen hurtigt i alt, han har lært, og skriver et svar. GPT fungerer på samme måde: du giver en prompt, modellen søger i sit mønsterbibliotek og producerer tekst, der statistisk ligner det, den tidligere har set. Den har ingen medfødt viden om rigtige eller forkerte fakta, den gætter ud fra mønstre. Derfor kan svarene virke overbevisende, selv når de er forkerte; det kaldes hallucination.

Hvorfor GPT betyder noget for din virksomhed

I ser "GPT" i produktnavne, i presseomtale og i leverandørers roadmap. Ordet er ikke et brand, men en modeltype, og konkurrenter har lignende modeller. Det betyder, at når I vælger et værktøj, vælger I ikke blot en teknologi: I vælger en modelfamilie, en leverandørpolitisk tilgang til data og en prisstruktur. Du skal spørge: hvem ejer de data, der bruges til at træne eller tilpasse modellen, hvordan håndteres personoplysninger, og hvem opdaterer modellen, når den begynder at tage fejl? Hvis I ikke stiller dem, kan I få en pæn demo, men også uventede regninger eller datalækager.

GPT er ikke det samme som ChatGPT eller en "custom GPT"

Mange blander begreberne. GPT er modeltypen, ChatGPT er et produkt, som bruger GPT-modeller til at levere en chatoplevelse, og 'custom GPTs' er brugerbyggede assistenter indeni ChatGPT-platformen. Du kan bruge en GPT-model direkte fra en skyudbyder, få den pakket ind i ChatGPT med ekstra funktioner, eller få en 'custom GPT', der er finjusteret eller konfigureret til jeres sprog og data. Valget påvirker alt fra brugervenlighed til kontrol over jeres fortrolige information.

Eksempel: GPT hos en dansk webshop, IT-ansvarlig i aktion

IT-ansvarlig på en mellemstor webshop modtog i november en opgave: lancere en chatbot, der kan svare på produktspørgsmål før Black Week. Det var onsdag morgen, to dage før go-live. Der lå 1.200 ulæste support-beskeder, en 60-siders PDF-produktkatalog fra 2019, en scannet leverandørtegning og en prisliste i et gammelt regneark. Teamet valgte en cloud-GPT som grundmodel og byggede en simpel promptlogik ovenpå.

Første uge viste problemer. Chatbotten gav hurtige svar, men gentog gamle priser fra 2019 og fandt på leveringsdetaljer, som ikke eksisterede. Der kom også bekymring fra kundeservice om, at chatbotten brugte kundernes beskeder i træningen uden klar aftale. IT-ansvarlig måtte bruge to fulde arbejdsdage på at konfigurere prompt-skabeloner, fjerne følsomme felter i de data, der sendes til modellen, og lave et fallback, så menneskelig medarbejder overtager ved usikre svar. Resultatet var en fungerende chat inden Black Week, men ikke uden ekstra arbejde og en tydelig erkendelse: GPT kan levere hurtigt, men kræver opsætning, datarensning og løbende overvågning.

Hvad du skal være opmærksom på

GPT-modeller er stærke, men ikke fejlfri. De kan:

• Hallucinere fakta, særligt om nye begivenheder eller interne forhold. Spørg altid om kilder.
• Udfordre persondatarammer, hvis I sender kundeoplysninger uden anonymisering. Tjek reglerne hos Datatilsynet før I bruger følsomme data. Datatilsynet
• Ændre adfærd ved modelopdateringer eller ved at I vælger forskellige leverandører, så forvent drift og vedligehold.

Omkostninger er både penge og tid. Licensmodeller kan være forbrugbaserede, og jo mere tekst I genererer, jo højere regning. I skal også budgettere for test, prompt-udvikling og monitorering. Endelig: ingen model er neutral. Træningsdata afspejler menneskelig tekst, og derfor kan GPT videreføre både gode og dårlige skævheder.

Onkel Bens replik gælder her: med stor kraft følger stort ansvar. Brug GPT, men stil krav til governance, sikkerhed og hvordan svar valideres.

Kort guide til at komme i gang med GPT internt

1. Start med et pilotprojekt, der har klare succeskriterier og et begrænset datagrundlag.
2. Anonymisér eller undlad følsomme personoplysninger i prompts og træningsdata.
3. Lav en plan for overvågning: log svar, identificer hyppige fejl og juster prompts eller fallback-regler.
4. Aftal drift og opdateringer med leverandøren: hvem retter modeller, hvem betaler for forbrug.

Brug ord som ChatGPT, sprogmodel og Transformer i jeres kravspecifikation, så leverandøren svarer på det rigtige. Husk: GPT kan hjælpe mange roller i virksomheden, men det kræver ansvarlig opsætning og løbende arbejde.

Når medarbejderne selv skal kunne bruge GPT og ikke bare kende ordet, sker det hurtigst på en AI-workshop.