En prompt er teksten du sender til et KI-system for å styre hva det skal svare. Ordet kommer fra engelsk og betyr omtrent «ledetekst» eller «instruksjon». Kvaliteten på prompten påvirker direkte kvaliteten på svaret: en vag instruksjon gir et vagt svar, mens en presis og velstrukturert prompt gir et presist, nyttig og konsistent resultat. Prompt-engineering er kunsten og vitenskapen å formulere disse instruksjonene på en måte som får KI-modellen til å gjøre akkurat det du har behov for.

Hva er en prompt — og hvorfor spiller formuleringen en rolle?

KI-språkmodeller som Claude, ChatGPT og Gemini er trent på enorme mengder tekst, og de responderer på den teksten de mottar. De har ingen tidligere minne om deg, ingen felles bakgrunnsforståelse og ingen mulighet til å lese mellom linjene slik et menneske gjør. Det betyr at det du ikke skriver, heller ikke tas hensyn til.

En vanlig misforståelse er at moderne KI-modeller er så flinke at de alltid forstår intensjonen bak en vag beskjed. Det stemmer delvis for enkle oppgaver, men for alt som krever spesifikk tone, format, faglig nivå eller avgrenset tematikk, er en presis prompt avgjørende. Ifølge Anthropics offisielle dokumentasjon bør du ha klare suksesskriterier for brukstilfellet ditt før du begynner å finjustere prompter — det er lettere å forbedre noe du kan måle.

Det du ikke skriver i prompten, tas heller ikke hensyn til. Presisjon og kontekst er det viktigste du kan gi en KI-modell.

De seks kjerneprinsippene

Offisiell dokumentasjon fra Anthropic, OpenAI og Google peker alle på de samme grunnleggende teknikkene. Slik bygger du en god prompt steg for steg:

  1. Klar instruksjon — Skriv én konkret setning som beskriver nøyaktig hva du vil ha. Spesifiser format (liste, e-post, tabell, rapport), lengde og målgruppe. Unngå vage formuleringer som «hjelp meg med» eller «si noe om». Norsk eksempel: «Skriv en to-avsnitts oppsummering av artikkelen nedenfor, beregnet på en norsk dagligdags leser uten fagkunnskap. Maks 150 ord.»
  2. Kontekst — Legg til bakgrunnsinformasjon modellen ikke kan vite fra før: bransje, målgruppe, tone, eksisterende data, begrensninger eller krav. OpenAI anbefaler å gi modellen all relevant informasjon eksplisitt fremfor å forvente at den slutter seg til det fra generell kunnskap. Norsk eksempel: «Jeg er HR-leder i en norsk industribedrift med 80 ansatte. Vi bruker tariffavtalen i industrien (Fellesoverenskomsten). Svar i henhold til norsk arbeidsmiljølov.»
  3. Few-shot-eksempler — Legg ved ett eller to eksempler på ønsket inn- og utformat direkte i prompten. Ifølge Googles Gemini-dokumentasjon er prompts uten few-shot-eksempler gjennomgående mindre effektive enn prompts med eksempler. Du viser modellen hva du vil ha, i stedet for bare å beskrive det. Norsk eksempel: «Skriv overskriften i samme stil som disse: ‹Slik sparer du 20 minutter om dagen med én enkel vane›, ‹Fem tegn på at du trenger en digital pause›.»
  4. Rolleprompt (systemprompt) — Fortell modellen hvem den skal opptre som. En presis rolleinstruksjon kalibrerer tone, faglig nivå og respekterte begrensninger for hele samtalen. Anthropics dokumentasjon anbefaler å sette rollen i systemprompt-feltet (ikke i brukerfeltet) for API-bruk. Norsk eksempel: «Du er en erfaren norsk skatteadvokat. Svar alltid på bokmål. Hold deg til norsk skatterett, og si tydelig fra dersom du er usikker på gjeldende rett.»
  5. Steg-for-steg-resonnement (chain-of-thought) — Be modellen tenke høyt før den konkluderer ved å legge til «Tenk steg for steg» eller «Vis tankegangen din». Anthropics dokumentasjon fremhever at chain-of-thought er særlig nyttig for oppgaver som krever flerstegs resonnement, matematikk eller logisk analyse. For enkle oppgaver er teknikken unødvendig. Norsk eksempel: «Hjelp meg å vurdere om vi bør bytte regnskapssystem. Tenk steg for steg og vurder kostnad, integrasjoner og opplæringsbehov separat.»
  6. Iterasjon — Vurder svaret kritisk og juster instruksjonen. Prompt-engineering er en iterativ prosess der hvert forsøk gir deg mer informasjon om hva modellen trenger. Google anbefaler å eksperimentere systematisk: bytt ordlyd, endre rekkefølgen på kontekst og instruksjon, og test ulike eksempler. Norsk eksempel: Hvis svaret er for langt: legg til «Begrens svaret til maks fire setninger». Hvis tonen er feil: legg til «Skriv i en varm, uformell tone, som om du snakket med en kollega».

Vanlige feil og hvordan du unngår dem

De fleste svake prompts har ett eller flere av de følgende problemene:

For vag instruksjon. «Hjelp meg med markedsføring» gir modellen altfor mye rom. Konkretiser: hva slags markedsføring, for hvilket produkt, til hvilken målgruppe, i hvilket format?

Manglende kontekst. Modellen vet ikke hvem du er, hva bedriften din gjør eller hvilke begrensninger du opererer under. Uten kontekst må den gjette — og gjetningen blir generisk.

For lange og ustrukturerte prompts. En prompt som er ti avsnitt med blandet instruksjon, kontekst og unntak i tilfeldig rekkefølge, gjør det vanskelig for modellen å prioritere. Bruk klare overskrifter, lister eller XML-tagger for å strukturere komplekse instruksjoner. Anthropics dokumentasjon anbefaler XML-tagger (som <instruksjon> og <kontekst>) for å skille ulike deler av en kompleks prompt.

Negative instruksjoner alene. «Ikke vær formell», «ikke bruk faguttrykk» og «ikke vær for lang» hjelper modellen lite uten et positivt alternativ. Legg heller til: «Skriv i en uformell, hverdagslig tone, som i en e-post til en god kollega».

Forsøke å få alt i én prompt. Komplekse oppgaver gir bedre resultater når de deles opp i sekvensielle steg — det OpenAI kaller prompt chaining. Be om plan først, deretter utførelse, deretter revisjon.

Chain-of-thought-prompting — å be modellen «tenke steg for steg» — øker nøyaktigheten merkbart på oppgaver som krever flerstegs resonnement, men er unødvendig for enkle spørsmål og kan gjøre svaret ordrikere uten å tilføre verdi.

Norske eksempler på gode prompts

For å se prinsippene i praksis, her er tre komplette prompteksempler du kan tilpasse direkte:

Eksempel 1 — Oppsummering for intern rapport: «Du er en erfaren norsk forretningsanalytiker. Les artikkelen nedenfor og skriv en oppsummering på maks 120 ord beregnet på en styreleder uten teknisk bakgrunn. Bruk et avsnitt per hovedpoeng. Avslutt med én konkret anbefaling. [Lim inn artikkeltekst her]»

Eksempel 2 — Kundekommunikasjon: «Vi er et norsk strømselskap og bruker bokmål i all kundekommunikasjon. Skriv et e-postsvar til en kunde som klager på høy strømregning. Tonen skal være empatisk og løsningsorientert. Tilby en betalingsavtale og forklar årsaken til prisøkning i to enkle setninger. Maks 200 ord.»

Eksempel 3 — Juridisk analyse med chain-of-thought: «Du er en norsk advokat spesialisert på arbeidsrett. En ansatt har vært sykmeldt i 12 måneder og arbeidsgiver vurderer oppsigelse. Tenk steg for steg: vurder først reglene i arbeidsmiljøloven § 15-8, deretter om det foreligger saklig grunn, og til slutt hvilke prosessuelle krav som gjelder. Avslutt med en konklusjon.»

Hva skiller modellene — og har det betydning for promptingen?

De store KI-modellene — Claude (Anthropic), GPT-4o og o3 (OpenAI), Gemini (Google) — responderer alle på de samme grunnleggende promptingprinsippene. Det finnes likevel noen forskjeller verdt å kjenne til:

Claude følger instruksjoner svært bokstavelig, ifølge Anthropics egne dokumentasjon — særlig de nyeste versjonene. Det betyr at du bør spesifisere scope eksplisitt: «Gjør dette for alle seksjoner, ikke bare den første.» OpenAIs resonneringsmodeller (o3, o4-mini) har innebygd chain-of-thought og anbefaler at du ikke legger til «tenk steg for steg» manuelt, siden de resonnerer internt uavhengig av instruksjoner. Google Gemini responderer godt på strukturerte prompts med XML-tagger og klare avgrensninger.

For hverdagsbruk er forskjellene i promptingstrategi mellom modellene marginale: klar instruksjon, kontekst og eksempler gir bedre resultater uavhengig av hvilken modell du bruker.