Modelversion

Modelversion er den måde, en AI-leverandør navngiver og nummererer en konkret modeludgivelse. Det kan være en generation (fx GPT-5), en variant med fokus på hastighed eller størrelse (Pro, Flash, mini) eller et datostemplet snapshot i API'en. Når leverandøren udgiver en ny modelversion, kan svar, priser og kompatibilitet ændre sig, og ældre versioner kan blive udfaset, det er et reelt driftsspørgsmål for jeres løsninger.

Sådan virker modelversioner i praksis

Leverandører kombinerer tre ting i modelnavne: generation, variant og snapshot. Generation fortæller hvor ny teknologien er, fx GPT-4 til GPT-5. Variant viser om modellen er hurtig, lille eller optimeret til kvalitet, fx Pro eller mini. Snapshot er et tidspunkt i API'en, og det er det, jeres system i praksis ringer efter. Tænk på det som at vælge en bilmodel og herefter vælge mellem en diesel, en el og en sportsudgave. I drift betyder det, at en modelversion I valgte i går, kan give anderledes svar i morgen, hvis leverandøren opgraderer eller giver variantnavne nye præferencer.

Hvorfor modelversioner betyder noget for din virksomhed

Du skal læse modelnavne, fordi beslutningen påvirker både kvaliteten af svar og driftsstabilitet. En nyere generation kan være bedre til komplekse opgaver, men den kan også ændre tone eller begynde at afvise visse prompts. Når I har en chatbot, en dokument-søgning eller et tilbudsflow, skal du afklare hvilken modelversion løsningen bruger, hvordan I opdaterer den, og hvem der tester efter skift. Uden en versionstyringsplan risikerer I overraskelser: pludselige ændringer i svar, ændrede omkostninger eller behov for genvalidering af data og prompttekster.

Eksempel: Modelversion hos en IT-chef

IT-chefen i en mellemstor rådgivervirksomhed skal rulle en intern kundeservicebot ud. Det er mandag morgen, to uger før kontraktstart. Botten bygges på en modelmarkeret som "Opus 3.2" i leverandørens API. Under test oplever teamet, at Opus 3.2 håndterer tekniske spørgsmål fint, men misforstår juridiske formuleringer i gamle PDF-er. Tre dage før lancering bliver Opus 4 annonceret som standard i API'en, og leverandøren planlægger udfasning af 3.x med fire ugers varsel. IT-chefen beslutter at hold tilbage lanceringen, fordi Opus 4s svar er mere reserverede på juridisk tekst og ændrer dialogflowet. Resultatet bliver en ekstra uge med test og en opdatering af prompts og fallback-regler. Det kostede tid og en kort udsættelse, men undgik at sende en bot i produktion, som kunne have svaret forkert i reelle kundesituationer.

Modelversion er ikke det samme som modelmærke eller modelgeneration

Der er ofte forvirring mellem navnene: "GPT-5" eller "Claude Opus" er generationer eller mærker, mens en konkret modelversion i jeres API kan være "GPT-5.0-snapshot-2026-08-01". Claude og Gemini er eksempler på leverandørnavne, men inden for hver leverandør findes mange versionsnumre og varianter. En Pro-variant er ikke altid bedre til alle opgaver; den kan være dyrere eller langsommere. Husk også, at "udfasning af modeller" betyder, at gamle versioner kan få sluttidspunkt, og at I derfor bør have en plan for opgradering.

Sådan kommer du i gang med at håndtere modelversioner

1. Kortlæg hvilke modeller jeres løsninger ringer til og noter generation, variant og snapshot. 2. Lav en testplan der validerer kritiske flows ved hver version: tone, korrekthed og fejlhåndtering. 3. Sæt en opdateringspolitik: hvornår I accepterer automatiske opgraderinger, og hvornår I kræver manuel godkendelse. 4. Overvåg leverandørens meddelelser om udfasning og priser og afsæt tid til genvalidering. 5. Dokumentér hvem der træffer beslutningen i en driftshændelse.

Modelversioner er teknisk navngivning, men konsekvenserne er praktiske. Løsningen er ikke at undgå opgraderinger, men at bygge en proces, så I ser forskellen, tester den og træffer et valg, før den rammer kunderne.

Skal flere end én i huset kunne noget med modelversion, så se, hvordan en AI-workshop er skruet sammen.