Hvad er generativ AI? En jordnær introduktion for virksomheder

Du behøver ikke være teknisk ekspert for at tage stilling til generativ AI. Men du skal vide, hvad teknologien grundlæggende er, hvad den er god til, og hvor den fejler. Det er præcis det, denne introduktion giver dig — hvad er generativ AI, forklaret gennem de opgaver, den løser i en almindelig arbejdsdag.

Hvad er generativ AI helt konkret?

Generativ AI er en type kunstig intelligens, der kan skabe nyt indhold på baggrund af eksisterende indhold. Hvor mange tidligere AI-systemer først og fremmest var gode til at genkende og sortere — er der en kat på dette billede? — kan generativ AI producere noget nyt: tekst, billeder, lyd og kode. Når du skriver en besked til en sprogmodel som ChatGPT, Copilot eller Claude, er det generativ AI, du bruger.

Bag kulissen er en sprogmodel et statistisk system. Den har “læst” enorme mængder tekst og har “lært”, hvilke ord og formuleringer der typisk optræder sammen. Når du giver den en opgave, forsøger den ikke at “forstå” din situation, som et menneske ville. Den beregner løbende, hvilket næste ord der statistisk set passer bedst som fortsættelse — og gentager det, ord for ord, til svaret er færdigt.

Det er værd at holde fast i, at modellen ikke er “tænkende” i menneskelig forstand. Den har ikke egne mål, følelser eller sund fornuft, og den har ikke en indbygget “sandhedssans”, der kan skelne mellem det, der lyder rigtigt, og det, der faktisk er korrekt. Den gætter sig frem på baggrund af sandsynligheder og mønstre i data. Det forklarer på én gang, hvorfor den kan skrive flydende og hjælpsomt — og hvorfor den kan tage fejl med stor overbevisning.

Fire slags opgaver, den kan løse

Den hurtigste vej til at vurdere, om teknologien betyder noget for jer, er at se på opgavetyper frem for teknik. Der er især fire, hvor sprogmodeller gør en forskel:

Skabelse af indhold. Første udkast til mails, referater, tilbud og notater. En medarbejder, der før brugte tyve minutter på at få hul på et referat, kan have et brugbart udkast på to — og bruge tiden på at rette, vurdere og tage stilling i stedet.
Informationsarbejde. Opsummere lange mailtråde og rapporter, finde svar i dokumenter, skabe overblik i materiale, ingen har tid til at læse i fuld længde.
Sparring. Feedback på et udkast, alternative vinkler, huller i en argumentation — en samtalepartner, der aldrig bliver træt af at blive spurgt igen.
Automatisering af gentagne opgaver. Her bevæger vi os over i AI-agenter, der kan udføre handlinger på egen hånd — et emne for senere, ikke for den første beslutning. Er I nysgerrige, kan I se, hvordan vi arbejder med det på agent-workshoppen.

Fællesnævneren for de tre første: Du sidder selv med fagligheden og bruger modellen til at komme hurtigere fra tanke til tekst. Ansvaret flytter aldrig med over.

Begrænsningerne, du skal kende

Den vigtigste hedder hallucinationer: situationer, hvor modellen finder på information, som lyder rigtig, men ikke stemmer overens med virkeligheden — opdigtede tal, kilder eller henvisninger, leveret i et flydende og selvsikkert sprog. Det er ikke en børnesygdom, der forsvinder med næste version. Det er en kendt og forventelig fejltype, som følger direkte af den måde, modellerne er bygget på. Konsekvensen er enkel: Alt, der skal kunne stå distancen, skal efterses af et menneske, før det bruges.

Dernæst “ved” modellen kun det, du giver den. Den kender ikke jeres sag, jeres aftaler eller jeres retningslinjer, medmindre det står i det, du skriver ind.

Og netop dét fører til afklaringen, vi anbefaler at tage før alt andet: Hvad må medarbejderne taste ind? Persondata og fortrolige oplysninger hører ikke hjemme i et vilkårligt AI-værktøj, før I har afklaret, hvad jeres databehandleraftaler og retningslinjer tillader. Den afklaring bør ligge, inden medarbejderne for alvor går i gang — ikke bagefter.

Tre spørgsmål, før I bruger et svar

Til hverdagsbrugen er der en enkel tommelfingerregel i tre spørgsmål, som vi bruger i undervisningen (frit efter UNESCO):

Er det vigtigt, at resultatet er sandt? Hvis nej — idéudvikling, brainstorm, første udkast — kan modellen ofte bruges uden større risiko.
Har jeg kompetencer til selv at verificere svaret? Hvis ikke, bør du som udgangspunkt ikke bruge en sprogmodel til opgaven, for så kan du heller ikke opdage, når den tager fejl.
Er jeg villig til at tage ansvar for eventuelle fejl? Kan og vil du stå på mål for indholdet, er det fornuftigt at lade modellen hjælpe.

De tre spørgsmål er ikke en AI-politik, men de er en god prøve, indtil I har en.

Sådan tager I stilling uden at gøre det stort

Vores anbefaling er at starte småt og konkret: Vælg én tilbagevendende tekstopgave — referatet, standardsvaret, tilbudsudkastet — og lad et par medarbejdere afprøve et værktøj på den i to uger. Så mærker I, hvor det hjælper, og hvor det halter, i stedet for at diskutere det abstrakt.

Vil I have flere med på én gang, er det netop den øvelse, vi laver på vores workshops: Deltagerne arbejder med deres egne opgaver, hvad enten det er i ChatGPT eller Microsoft Copilot, og går hjem med teknikker, de kan bruge med det samme.

Det mindste skridt er også det vigtigste: Prøv teknologien på én rigtig opgave. Så bliver “vi bør gøre noget med AI” til noget konkret, I kan tage stilling til.