Gode prompts: mål, kontekst og forventninger

Når man arbejder med sprogmodeller, er det fristende at tænke, at det vigtigste er, hvor god modellen er. I praksis er det ofte omvendt: Forskellen på et middelmådigt og et virkelig brugbart svar skyldes sjældent modellen, men måden, du spørger på. Gode prompts er derfor den færdighed, der hurtigst flytter noget — og den virker på tværs af ChatGPT, Microsoft Copilot, Claude og de fleste andre AI-værktøjer.

Når vi underviser i prompting, arbejder vi med tre grundkomponenter, som du kan overveje, hver gang du skriver til en sprogmodel: mål, kontekst og forventninger. De svarer til tre enkle spørgsmål: Hvad vil du opnå? Hvorfor og til hvem? Og hvordan skal svaret være?

Vi gennemgår dem én ad gangen med det samme eksempel hele vejen: et svar til en kunde, der vil returnere et par høretelefoner, selvom returfristen er overskredet.

Hvorfor korte prompts giver generiske svar

En sprogmodel “kender” ikke din arbejdsplads, din kunde eller det, der skete i sidste uge. Den “ved” kun det, du skriver ind i samtalen — resten udfylder den med sandsynlige standardantagelser fra sine træningsdata. Skriver du “hjælp med denne mail”, er svaret derfor nødt til at bygge på gæt: Hvem er modtageren? Hvad er situationen? Hvad må du love?

En god prompt er sjældent bare et spørgsmål; det er en opgavebeskrivelse. Den fortæller, hvad du vil opnå, hvem svaret er til, hvilke rammer der gælder, og hvordan resultatet skal bruges. Det er dét, de tre komponenter hjælper dig med at huske.

Mål: hvad skal modellen gøre?

Målet er den primære instruks — svaret på, hvad der helt konkret skal komme ud af interaktionen. Skal modellen skrive, omskrive, opsummere, forklare, strukturere eller sammenligne noget?

Mange prompts begynder med “Kan du …”, fordi det er sådan, man naturligt beder et menneske om hjælp. Men modellen behøver ikke høflighed for at løse opgaven. En enkel tommelfingerregel: Hvis du er ved at skrive “Kan du …”, så stop og omskriv det til et udsagnsord.

Skriv et udkast til svar på kundens mail.

Det er et klart mål. Men det er stadig kun en tredjedel af en god prompt — for uden kontekst må modellen gætte resten.

Kontekst: det, modellen ellers ville gætte

Kontekst er rammerne omkring opgaven: hvem du er, hvem modtageren er, hvad situationen er, og hvilke begrænsninger der gælder. Jo mindre kontekst du giver, jo mere skal modellen gætte — og jo større er risikoen for et svar, der er generisk eller direkte misvisende.

I vores eksempel kunne konteksten se sådan ud:

Jeg arbejder i kundeservice for en webshop. Kunden vil returnere et par høretelefoner, men er uden for vores returfrist på 30 dage, og produktet er tydeligt brugt. Kunden har fået afslag én gang tidligere og er frustreret. Vi vil gerne beholde et godt forhold til kunden, men kan ikke fravige fristen.

Den mest værdifulde kontekst er ofte noget, du ikke selv behøver formulere: Sæt kundens mail ind i prompten, så modellen kan svare på det, der faktisk står, i stedet for at digte detaljerne. Indeholder materialet personoplysninger, så anonymisér navne og ordrenumre først — det ændrer sjældent noget for kvaliteten af svaret.

En enkel test på, om konteksten er tilstrækkelig: Hvis en kollega ikke kunne løse opgaven ud fra din prompt alene, kan sprogmodellen heller ikke.

Forventninger: hvordan skal svaret se ud?

Uden forventninger vælger modellen selv form og fokus — og den vælger typisk længere og mere højtideligt, end du har brug for. Forventninger kan handle om tre ting:

• Format: længde, opbygning, tone. Fx “højst 120 ord, venlig og professionel tone, dansk uden fyldord”.
• Indhold: hvad der skal med, og hvad der skal udelades. Fx “anerkend frustrationen, forklar returreglen kort, og tilbyd et alternativ uden at love noget”.
• Kvalitetssikring: instruktioner, der reducerer risikoen for gætterier. Fx “brug kun de oplysninger, jeg har givet” eller “stil først opklarende spørgsmål, hvis der mangler noget”.

Samlet ser prompten sådan ud:

Skriv et udkast til svar på kundens mail herunder. Jeg arbejder i kundeservice for en webshop. Kunden er uden for returfristen på 30 dage, produktet er tydeligt brugt, og kunden har fået afslag én gang før og er frustreret. Svaret skal anerkende frustrationen, forklare returreglen kort og tilbyde et alternativ uden at love noget, vi ikke kan holde. Højst 120 ord, venlig og professionel tone. Brug kun de oplysninger, jeg har givet. [kundens mail indsat herunder]

Det tager et par minutter længere end “skriv et svar til kunden”. Til gengæld får du et udkast, der bygger på din konkrete situation i stedet for modellens gæt — og prompten kan genbruges, hver gang den samme type henvendelse lander i indbakken.

Arbejd i omgange

Det første udkast er et udgangspunkt, ikke et facit. Sprogmodeller er designet som en samtale, og du får typisk mere ud af at forbedre svaret i flere omgange end af at jagte den perfekte prompt i første forsøg: Giv konkret feedback (“kortere”, “mindre formelt”, “behold første afsnit”), og bed om en ny version.

I undervisningen ser vi ofte, at den samme deltager får markant bedre svar på få minutter — alene ved at omskrive sin prompt fra et høfligt spørgsmål til en opgavebeskrivelse og derefter justere i et par omgange.

Begynd med én opgave

Vælg en skriveopgave, der kommer igen hver uge — statusmailen, mødeindkaldelsen eller svaret på den samme type henvendelse. Skriv prompten ordentligt én gang med mål, kontekst og forventninger, og gem den som din skabelon. Så har du et konkret sted at mærke forskellen, inden du breder det ud til flere opgaver.

Vil I træne det sammen i afdelingen, er det netop sådan, vi arbejder på vores ChatGPT-workshop: Deltagerne bygger prompts til deres egne opgaver, ikke til tænkte eksempler. Arbejder I i Microsoft 365, gælder det samme på Copilot-workshoppen.