Du sender en melding til ChatGPT med teksten "skriv et svar" under en innlimt e-post. Svaret du får tilbake er ok, men generisk. Tonen stemmer ikke helt, det er for langt, og det mangler viktig informasjon. Du ender opp med å skrive det meste selv likevel. Problemet er ikke at språkmodellen er dårlig. Problemet er at den fikk for lite å jobbe med.
Prompt engineering handler om akkurat dette: å gi tydelige instruksjoner slik at KI-en forstår hva du vil ha. Ikke vagt og åpent, men konkret og spesifikt. Jo klarere du kommuniserer, jo bedre blir resultatet.
Fire byggeklosser for gode prompts
Du trenger ikke et avansert rammeverk for å skrive gode prompts. Fire byggeklosser dekker det aller meste:
- Rolle. Fortell språkmodellen hvem den skal være. "Du er en erfaren kommunikasjonsrådgiver" gir et helt annet svar enn om du bare ber om en tekst uten kontekst.
- Kontekst. Gi bakgrunnsinformasjon som er relevant for oppgaven. Lim inn e-posten du skal svare på, forklar situasjonen, eller beskriv målgruppen. Bruk gjerne anførselstegn rundt konteksten så det er tydelig hva som er bakgrunnsmateriale og hva som er din instruksjon.
- Oppgave. Si konkret hva du vil at KI-en skal gjøre. "Skriv et utkast til svar som takker for henvendelsen, foreslår et konkret kurs og forklarer forskjellen på standard og premium" er mye bedre enn "skriv et svar".
- Format. Beskriv hvordan du vil at resultatet skal se ut. Antall ord, tone, om du vil ha punktlister eller løpende tekst, hvilket språk. "Vennlig og profesjonell tone, korte avsnitt, maks 150 ord" gir modellen klare rammer å jobbe innenfor.
Forskjellen mellom vag og presis prompting
Tenk deg at du har fått en henvendelse fra en HR-rådgiver som vil vite om KI-opplæring for bedriften sin. En vag prompt ser slik ut: "Jeg har fått følgende e-post. Skriv et svar." Språkmodellen vil gi deg noe. Men den må gjette seg frem til tonen, lengden, hva du vil fremheve og hva du vil utelate.
En presis prompt med de fire byggeklossene ser slik ut: Du definerer at modellen er en kommunikasjonsrådgiver med en varm, profesjonell tone. Du limer inn e-posten som kontekst. Du beskriver oppgaven punkt for punkt (takk for henvendelsen, foreslå et kurs, forklar prisforskjellene). Du setter format til korte avsnitt, ingen punktlister, maks 150 ord.
Forskjellen i output er merkbar. Det første svaret krever mye redigering. Det andre svaret er nesten klart til å sendes.
Prompt engineering fungerer på alle språkmodeller
Selv om mange forbinder prompt engineering med ChatGPT, fungerer de samme prinsippene på tvers av alle språkmodeller. Claude fra Anthropic, Gemini fra Google, Copilot fra Microsoft. Alle responderer bedre på klare, strukturerte instruksjoner enn på vage spørsmål.
Grunnen er enkel: Alle språkmodeller er trent til å følge instruksjoner. De forutsier hva som er mest sannsynlig neste ord basert på det du har skrevet. Jo mer presis inputen er, jo mer presis blir outputen. Den logikken gjelder uansett hvilken modell du bruker.
Når trenger du prompt engineering?
Ikke alltid. For enkle spørsmål ("hva er hovedstaden i Portugal?") er det bortkastet å bygge opp en detaljert prompt. Språkmodellene blir stadig bedre til å forstå hva du mener, selv med korte og uformelle meldinger.
Men for oppgaver der resultatet skal brukes direkte, der tonen må stemme, eller der du trenger et spesifikt format, gjør de fire byggeklossene en stor forskjell. E-postutkast, rapporter, presentasjoner, blogginnlegg. Alt som krever at outputen treffer en bestemt standard.
En god tommelfingerregel: Jo viktigere oppgaven er, jo mer lønnsomt er det å bruke noen ekstra sekunder på å formulere en god prompt. Det tar kanskje 30 sekunder ekstra å definere rolle, kontekst, oppgave og format. Til gjengjeld slipper du å redigere et halvgodt svar i fem minutter etterpå.
Vanlige feil som gir dårlige resultater
Den vanligste feilen er å skrive for kort og vagt. "Lag en presentasjon om bærekraft" gir et generisk resultat. "Lag fem kulepunkter om tiltak små bedrifter kan gjøre for å bli mer bærekraftige, skrevet for en presentasjon til styret" gir noe du kan bruke med en gang.
En annen vanlig feil er å anta at modellen vet ting den ikke vet. Språkmodellen har ikke tilgang til tankene dine. Hvis du vil at resultatet skal tilpasses en bestemt målgruppe, en bestemt tone eller et bestemt formål, må du si det eksplisitt. Den kan ikke gjette at du trenger teksten til en 5-minutters presentasjon for 12-åringer med mindre du forteller det.
Den tredje feilen er å aldri iterere. Prompt engineering handler ikke om å skrive den perfekte prompten på første forsøk. Får du et svar som er 70 % av det du vil ha, gi en oppfølgingsinstruksjon: "Gjør det kortere", "endre tonen til mer uformell", "legg til et avsnitt om priser". Du kan kjede flere prompts sammen for å komme nærmere målet steg for steg.
Neste steg
Når du har de fire byggeklossene på plass, er neste steg å lære mer avanserte prompting-teknikker som eksempler, begrensninger og prompt chaining. Hvis du er ny med språkmodeller, gir guiden om hvordan du bruker en språkmodell i praksis deg en konkret gjennomgang av verktøyene.
Denne artikkelen er basert på en video fra kurset Generativ KI – komplett guide på Utdannet.no. I kurset lærer du prompt engineering med praktiske eksempler, bygger opp egne prompts steg for steg, og ser hvordan du bruker teknikkene i konkrete arbeidsoppgaver som e-post, rapporter og presentasjoner.
