Hvad er en LLM, AI og GenAI

Man kan hurtigt drukne i begreber, når man overvejer brugen af AI i hverdagen. Derfor har vi lavet dette korte indlæg med det formål at give jer en praktisk introduktion til begreberne AI, LLM og GenAI. Artiklen er målrettet ledere og beslutningstagere, der ønsker at anvende teknologien i den daglige opgaveløsning uden at dykke ned i tekniske detaljer.

AI er det overordnede felt og dækker metoder og systemer, der kan løse opgaver, som tidligere krævede menneskelig indsats. Det omfatter både statistiske metoder, maskinlæring og simple regelbaserede løsninger. LLM (Large Language Model) er en type AI, der er trænet til at forstå og generere tekst og kan hjælpe jer med at skrive, opsummere og formulere svar. GenAI (generativ AI) dækker over modeller – ofte LLM’er – der kan skabe nyt indhold, f.eks. tekst, billeder eller kode, samt forstå og fortolke eksisterende indhold.

En LLM kan virke meget klog – eller dum ??. Det skyldes, at nutidige modeller har stærke evner inden for sprogforståelse, mønstergenkendelse og ræsonnement, men samtidig bygger deres svar på den viden, de er trænet med, samt den information, I tilfører dem i brugssituationen (herunder den opgave, I stiller). Derfor kan korrektheden variere, og modellen kan i nogle tilfælde levere fejlagtige eller misvisende udsagn. Promptning – evnen til at stille de rigtige spørgsmål og give klare instrukser til en LLM – er derfor en af de vigtigste kompetencer, når man arbejder med disse modeller.

Det er nyttigt at skelne mellem to centrale elementer i LLM’er: intelligens og viden. Intelligens dækker modellens evne til at strukturere sprog, følge instrukser og genkende mønstre. Viden er det faktuelle indhold, herunder både modellens træningsdata og de data, den tilføres for at løse en konkret opgave. I praksis betyder denne opdeling, at I godt kan udnytte en models intelligens uden nødvendigvis at anvende dens indbyggede viden.

Måden at gøre dette på er grundlæggende enkel, men kan være udfordrende i praksis. Det starter altid med den instruks, I giver modellen (prompts), men kan yderligere optimeres gennem de indstillinger og rammer, en assistent arbejder under. Der findes enkle, men effektive metoder til at verificere, om en model anvender den viden, I har tilført, eller om den trækker på sin egen generelle viden. Når I anvender jeres egen viden, betegnes disse data ofte som RAG-data, og den samlede oplevelse med sådanne løsninger er typisk væsentligt bedre end ved blot at anvende åbne standardmodeller.

Husk altid, at der kommer en ny LLM-model i morgen
Da LLM’er og GenAI-landskabet udvikler sig meget hurtigt, er det afgørende, at I tænker fleksibilitet ind i jeres strategi. Prioritér en modulær arkitektur, hvor data, forretningslogik og modeladgang er adskilt, typisk via API’er. Det giver jer mulighed for at skifte model eller leverandør uden at skulle genopbygge hele løsningen.

Undgå at investere tidligt i dyre og meget specialiserede løsninger. Gennemfør i stedet små, målrettede pilotprojekter, der er hurtige at lukke ned eller udbygge. Fokusér på at opbygge genbrugelige komponenter og klare processer for dataanvendelse, gerne baseret på åbne dataformater. På den måde undgår I teknisk lock-in og kan hurtigere tage nye modeller og funktioner i brug, efterhånden som de bliver tilgængelige.

Pas på med at købe dyr hardware – det er aldrig fremtidssikret
Når det gælder hardware, er det vigtigt at have realistiske forventninger. Mindre lokale modeller, kan kører godt på en kraftig PC og kan faktisk løse relativt komplekse opgaver med den rigtige tilgang. Dybere dokumentanalyser og komplekse sammenhænge på tværs af større dokumentsamlinger kræver derimod betydelig regnekraft og bør håndteres af de store modeller i skyen. Udviklingen går dog meget stærkt, og i 2025 blev der f.eks. introduceret AI-dedikerede PC’er med meget kraftige chips målrettet lokal afvikling af modeller. De blev ikke nogen umiddelbar succes, men med den hastighed udviklingen har, vil sådanne hardwareløsninger sandsynligvis blive langt mere relevante inden for kort tid.

Hvis I ved, at I skal anvende lokale modeller af hensyn til datasikkerhed, bør I starte med at afprøve gratis eller mindre modeller på en kraftig PC. Brug en erfaren promter, som forstår at nedbryde problemstillinger og tilpasse instrukser til den konkrete model. Vurdér kvaliteten af output i samarbejde med jeres domæneeksperter, og fokusér på, om opgaven kan sammensættes på en måde, der gør, at modellen kan levere brugbare svar.

Svartider er mindre vigtige i denne fase. Hvis kvaliteten lokalt er tilfredsstillende, kan I overveje kraftigere hardware eller hybridløsninger, men test altid først og mål effekten i forhold til konkrete mål som tidsbesparelse, fejlreduktion eller forbedret kundeoplevelse.

Konklusion og næste skridt
LLM og GenAI er effektive værktøjer til at automatisere og skalere sprog- og vidensintensive opgaver. Teknologien er kommet for at blive og udgør allerede i dag en markant konkurrencefaktor for organisationer, der formår at anvende den klogt og ansvarligt.