Sprogmodel

En sprogmodel er et neuralt netværk, trænet på store mængder tekst, hvis opgave er at forudsige det næste stykke tekst, et token, ud fra det foregående. Det er den underliggende motor i ChatGPT, Gemini, Claude og Copilot. Modellen vælger tekst ud fra sandsynligheder, ikke ved at slå fakta op i en database.

Sådan virker en sprogmodel i praksis

Forestil dig en erfaren redaktør, der ser en sætning og hele tiden gætter, hvilket ord der kommer næste. I praksis læser modellen den tekst, du giver den, deler den op i tokens (dele af ord eller hele ord), og beregner hvilke tokens der er mest sandsynlige at komme efter. Jo flere parametre modellen har, og jo mere træningsdata den er fodret med, desto finere bliver dens gæt. Den gætter på mønstre: grammatik, almindelige formuleringer, mønstre i fagtekster. Den gætter ikke med fuld sikkerhed, og den finder ikke beviser eller kilder automatisk.

Hvorfor sprogmodeller er fundamentet, når I køber AI

Alle de værktøjer, du møder i 2026, bygger på sprogmodeller. Det betyder, at du altid arbejder med noget, der er rigtig god til at skrive sammenhængende tekst og genkende mønstre i jeres dokumenter, men som kan lave fejl i fakta og kontekst. Som leder skal du derfor spørge: Hvilken træningsdata ligger bag modellen, hvor mange parametre forventes der at være, og hvordan kontrollerer vi outputtet? Når I køber en løsning, køber I ikke et facit; I køber en avanceret tekstgenerator og et værktøj, der kræver overvågning.

Eksempel: Sprogmodel hos en IT-ansvarlig i en mellemstor virksomhed

IT-ansvarligens navn er ikke relevant, men situationen er: Midt i en travl januaruge, tre uger før årsrapporten skal sendes, beslutter IT-ansvarlig at teste en ny intern chat-bot, der bruger en stor sprogmodel til at finde svar i virksomhedens vejledninger og PDF'er. Botten får adgang til en mappe med 120 PDF'er og to scannede tegninger fra 2018. Første dag virker den fint på generelle spørgsmål, men den begynder at blande tal fra en ældre prisliste ind i svarene. Problemet opstår, fordi modellen bruger mønstre fra træningsdata og de uploadede dokumenter til at gætte, ikke til at validere tal.

Det kræver en halv dag at lave regler, så botten kun bruger prislister fra 2022 og frem, og en ekstra dag at tilføje en simpel kildehenvisning i svarene. Resultatet: botten hjælper i en daglig supportkasse, men den kan ikke stå alene ved regnskabsspørgsmål. Erfaringen kostede tid, men lærte IT-ansvarlig at stille krav om versionering af dokumenter og at planlægge en menneskelig godkendelse af økonomiske svar.

Sprogmodel er ikke det samme som et neuralt netværk, træningsdata eller search

Sprogmodel navnet beskriver funktionen, men det bygger på et neuralt netværk, og begreberne overlapper. Et neuralt netværk er selve arkitekturen, parametre er de tal, modellen justerer under træning, og træningsdata er de tekster modellen har lært af. En sprogmodel er ikke det samme som en søgemaskine: search leder efter dokumenter, mens en sprogmodel genererer tekst ud fra sandsynligheder. Relaterede begreber du vil møde er Token, Parametre, Træningsdata, og værktøjsnavne som Copilot (begrebet) eller ChatGPT.

Hvad du skal være opmærksom på

Sprogmodeller er stærke til at formulere, opsummere og omformulere, men de har begrænsninger. De kan finde på fakta, blande versioner af dokumenter og mangle kildehenvisninger. Derfor: kræv sporbarhed for kritiske svar, test modellen med jeres egne data før udrulning, og indfør menneskelig kontrol der, hvor fejl kan få konsekvenser. Overvej også privatliv og fortrolighed: hvis I fodrer modellen med kundedata, skal I kende leverandørens regler for opbevaring og genbrug af træningsdata.

Men ikke hvis du er lidt smart. Du kan bruge modellen som assistent til at skitsere udkast, foreslå struktur og identificere mulige kilder i jeres dokumenter, og så lade en fagperson kontrollere det endelige indhold.

Sådan kommer du i gang med en sprogmodel i virksomheden

1. Identificer konkrete opgaver: vælge tre skrive- eller supportopgaver, hvor modellen skal hjælpe, ikke tage beslutningen.
2. Test med jeres dokumenter: læg relevante PDF'er og vejledninger i en test-mappe og se, hvordan modellen svarer.
3. Kræv kildehenvisning og menneskelig godkendelse på kritiske svar.
4. Definér dataregler: hvilke dokumenter må bruges, og hvordan håndteres fortrolige oplysninger.
5. Mål løbende: noter tid til opsætning, antal fejl og hvilke spørgsmål modellen ofte misforstår.

En sprogmodel kan løfte dagligt arbejde, men kun hvis I forstår hvad den gør: gætter på mønstre, ikke slår op i en sandhedskilde.

Hvor sprogmodellen ofte går galt

En almindelig fejl er at tro, at en større model altid er mere korrekt. Flere parametre og mere træningsdata gør modellen bedre til mønstre, men den garanterer ikke rigtige facts. En anden fejl er at give modellen fortrolige dokumenter uden klare aftaler om opbevaring. Spørg altid: Hvordan håndteres vores data, og hvilken dokumentversion bruger modellen, når den svarer?

Vil I arbejde videre med sprogmodel på jeres egne opgaver, er det dét, en AI-workshop går ud på. Skal I beslutte, hvor meget sprogmodel må fylde hos jer, er det den slags valg, AI-rådgivning handler om.