Hvilket prompt-trick hjælper din AI — og hvornår giver det bagslag

Det samme trick kan hjælpe en mindre model og skade en mere kapabel. Kunsten er at matche teknikken til hvor din model sidder.

Der findes mange tricks til at få bedre svar ud af en sprogmodel: bed den tænke trin for trin, få den til at tjekke sit eget arbejde, bed den spotte forkerte antagelser. De fleste guides præsenterer dem som bare "gode". Det er de ikke. Den ærlige version er mere brugbar:

Et trick er kun godt når det passer til modellen

Et ræsonnerings-trick er ikke godt eller dårligt i sig selv. Det samme trick hjælper eller skader afhængigt af hvor kapabel din model allerede er. Et puf der hjælper en mellemstor model er bare støj for en topmodel, og et forkert puf kan direkte vildlede den. Og det vigtigste: at fortælle modellen hvad den skal, er den egentlige løftestang. At omrokere den information du giver den, rykker sjældent noget af sig selv.

At fortælle modellen hvad den skal (den egentlige løftestang)

Sig hvad fakta skal bruges til — først

Hvad: før du giver information, så fortæl modellen hvad den skal bruge den til.
Hjælper: mellemstore modeller på flertrinsopgaver. Det sætter dem op til arbejdet der kommer.
Bagslag: topmodeller der allerede har organiseret problemet; en forkert framing vildleder dem bare.
Eksempel: "Du skal bruge disse fakta til at udregne X. [fakta] Nu: [spørgsmål]"

Bed den tjekke præmissen

Hvad: bed modellen markere en forkert antagelse i stedet for at spille med, og så svare.
Hjælper: mellemstore modeller, både til at fange spørgsmål med en falsk præmis og til svære multiple-choice.
Bagslag: de mest kapable modeller, der allerede gør det her. Instruktionen kommer bare i vejen.

Ræsonnerings-rutiner (vælg efter spørgsmålstypen)

Tænk trin for trin (chain-of-thought)

Hjælper: spørgsmål med en vildledende detalje, eller et tæt opkald mellem muligheder.
Skader: ægte tvetydige spørgsmål. Det ekstra ræsonnement opfinder falsk sikkerhed, hvor "det kommer an på" er det ærlige svar.

Tjek dit eget svar (selvkritik)

Hjælper: spørgsmål hvor modellen ikke reelt har nok at gå efter. Det fanger opdigtede svar.
Skader: tætte opkald. At tvivle vælter et svar der var usikkert men rigtigt.

Antag du tager fejl — hvorfor? (pre-mortem)

Hjælper: at ryste et svar løs, som modellen ved, men ikke sagde første gang.
Pris: den taler ofte modellen fra et svar der allerede var rigtigt. Brug den til at redde, ikke til at dobbelttjekke alt.

Ting der giver bagslag

At tvinge et langt, stift svar-format

At gentræne en model til altid at svare i et fast fler-delt format (svar, så fakta, så verifikation, så konklusion…) knækker større modeller: én stor model faldt fra 86% til 3% på en bred test, jo hårdere vi trænede den på formatet. Et format der kæmper mod måden modellen naturligt skriver på, bliver tvunget ned over alting. (Effekten på små modeller er stadig under test.)

En framing der kæmper mod opgaven

At give et formål der modsiger den reelle opgave ("til en børnebog…" på et teknisk spørgsmål) skader større modeller. De registrerer konflikten, og det forstyrrer svaret. Mindre modeller ignorerer det bare.

At stable mange instruktioner

At dynge flere framing-instruktioner på lægger ikke deres fordele sammen. Du betaler prisen for dem alle og får gavn af ingen. Én god instruktion slår tre stablede.

Bare at omrokere informationen

På modeller af ChatGPT-typen, hvor du selv giver alle fakta i opgaven, betyder det næsten ikke noget at flytte rundt på de samme fakta. Retningen kommer fra instruktionen. Men det er ikke uvirksomt for alle: på andre typer modeller og på flertrinsopgaver kan rækkefølgen hjælpe markant, og den ændrer målbart modellens indre tilstand uanset typen.

Det større billede

Alt ovenstående er den nemme halvdel: teknikkerne. Den svære halvdel er at finde ud af hvor netop din model sidder, så du ved hvilken teknik der hjælper den. Det er et helt forskningsfelt for sig. Den praktiske pointe du kan bruge i dag: spørg ikke "er dette trick godt?" Spørg "hvor sidder min model, og hjælper dette trick dér?"

Relaterede sider

Adfærdsdesign: find det felt der blokerer — den samme match-grebet-til-barrieren-idé, for menneskelig adfærd
Finjuster eller prompt? — hvornår man gentræner vs bare prompter
Læring — hvorfor støttehjul hjælper begyndere og sinker eksperter, i modeller og mennesker

Bygger på friktionsteori-serien (Tomas Pødenphant Lund, 2026; Paper 4C under forberedelse). For tallene og kilderne, se den tekniske version (engelsk).