Når et nyt værktøj bliver populært, opstår der hurtigt en risiko for, at man begynder med værktøjet i stedet for opgaven. Det gælder også AI. Mange spørger: ‘Skal vi bruge ChatGPT, Copilot, Gemini, Claude eller noget helt femte?’ Det er et relevant spørgsmål, men det bør ikke være det første.

Det første spørgsmål bør være: Hvad er det for en opgave, vi vil løse? Hvis man begynder med værktøjet, kan alt komme til at ligne en AI-opgave. Det minder om det gamle udtryk: Hvis man kun har en hammer, ligner alt et søm. ChatGPT er en stærk hammer til nogle opgaver, men ikke alle problemer er søm.

AI-værktøjer kan groft sagt hjælpe med tekst, analyse, idéudvikling, struktur, opsummering, programmering, billedarbejde, dokumentgennemgang, søgning, automatisering og integration. Men der er stor forskel på at skrive et udkast til en e-mail og at integrere en AI-løsning med et økonomisystem. Det første kan ofte løses i et chatværktøj. Det andet kræver systemforståelse, sikkerhed, datastyring, adgangskontrol og måske helt andre værktøjer.

En praktisk beslutningsmodel begynder med opgavens type. Er det en tekst- eller kommunikationsopgave? Er det analyse af et dokument? Er det søgning i virksomhedens egne data? Er det automatisering af en proces? Er det beslutningsstøtte? Er det kundevendt funktionalitet? Er det intern læring? Opgavetypen peger på, hvilke værktøjer der overhovedet bør overvejes.

Derefter skal du se på data. Hvilke oplysninger skal værktøjet bruge? Er det offentligt materiale, interne dokumenter, kundedata, personoplysninger, økonomi, kontrakter eller tekniske oplysninger? Jo mere følsomme data er, desto mere betyder det, om værktøjet er godkendt, hvordan data behandles, hvilke indstillinger der gælder, og hvem der har adgang.

Det tredje spørgsmål er outputtet. Hvad skal værktøjet levere? Et udkast? En forklaring? En tabel? En beslutningsanbefaling? En automatiseret handling? En opdatering i et system? Jo tættere AI kommer på handlinger i rigtige systemer, desto større krav bør der være til kontrol, rettigheder, logning og ansvar.

Det fjerde spørgsmål er brugerens kompetence. Et værktøj kan være stærkt, men uegnet, hvis brugeren ikke forstår, hvordan det skal bruges sikkert. En simpel chatløsning kan være god til læring og udkast. En connector til virksomhedens dokumenter kan være stærk, men kræver mere styring. En automatisering, der kan udføre handlinger på tværs af systemer, kræver endnu mere kontrol.

ChatGPT og lignende generative AI-værktøjer er ofte gode til at skrive, omskrive, forklare, strukturere, brainstorme, opsummere og fungere som sparringspartner. De er også gode til at hjælpe med at lave første udkast til mange kontoropgaver. De er mindre egnede som eneste kilde til faktatunge beslutninger, juridiske vurderinger eller processer, hvor der kræves garanteret korrekthed uden menneskelig kontrol.

Microsoft Copilot kan give mening i organisationer, der allerede arbejder tungt i Microsoft 365, fordi værktøjet kan være tættere knyttet til dokumenter, mails, møder og arbejdsflader i det økosystem. Gemini kan give mening i organisationer, der arbejder meget i Googles værktøjer. Claude, ChatGPT og andre modeller kan have forskellige styrker i tekst, analyse, kode, dokumentarbejde eller arbejdsgange. Pointen er ikke at kåre én vinder. Pointen er at vælge ud fra opgaven.

Der findes også situationer, hvor et chatværktøj slet ikke er nok. Hvis opgaven handler om at flytte data mellem systemer, opdatere poster, sende automatiske beskeder, oprette sager eller forbinde AI med faste processer, kan værktøjer som Power Automate, Make, Zapier, n8n eller specialbyggede integrationer være relevante. Så er AI måske en del af løsningen, men ikke hele løsningen.

For virksomheder er det en god idé at lave en simpel beslutningstrappe. Første trin er individuel brug til ufarlige opgaver. Andet trin er godkendt brug med interne, men ikke-følsomme data. Tredje trin er brug med fortrolige data i kontrollerede systemer. Fjerde trin er integrationer og automatiseringer, hvor AI kan påvirke rigtige processer. Hvert trin kræver mere styring end det forrige.

Det betyder også, at ledelsen bør være tydelig. Hvis medarbejdere selv skal gætte, hvilke AI-værktøjer de må bruge, opstår der uens praksis. Nogle bruger ingenting. Andre bruger alt. Begge dele kan være problematisk. En god AI-politik bør forklare, hvilke værktøjer der er godkendt til hvilke opgaver, hvilke data der må bruges, og hvordan output skal kontrolleres.

En anden praktisk overvejelse er sprog og målgruppe. Nogle værktøjer er stærke på dansk, andre er stærkere på engelsk. Nogle er gode til lange dokumenter, andre til hurtige korte svar. Nogle passer godt til kreative udkast, andre til struktureret analyse. Derfor bør værktøjsvalg også testes på rigtige opgaver, ikke kun vurderes ud fra produktbeskrivelser.

Pris og adgang betyder naturligvis også noget, men pris bør ikke stå alene. Et billigt værktøj kan blive dyrt, hvis det skaber datarisiko, dårlige beslutninger eller rod i arbejdsgange. Et dyrere værktøj kan være fornuftigt, hvis det passer til virksomhedens data, sikkerhedskrav og eksisterende systemer. Værdien skal vurderes i forhold til opgaven, ikke kun abonnementet.

Den enkelte medarbejder kan bruge samme princip i lille skala. Før du åbner ChatGPT, så spørg: Hvad vil jeg have ud af dette? Skal jeg have et udkast, et overblik, en forklaring, en kritisk vurdering eller en ny struktur? Hvilke oplysninger må jeg bruge? Skal resultatet faktatjekkes? Hvis du kan svare på de spørgsmål, er du allerede bedre i gang end mange.

Det rigtige AI-værktøj er altså ikke det mest omtalte. Det er det værktøj, der passer bedst til opgaven, dataene, brugeren, sikkerhedskravene og det ønskede resultat. Når man starter der, bliver AI mindre forvirrende. Man går fra værktøjshype til arbejdsmetode.

Den vigtigste regel er enkel: Start med opgaven. Definér resultatet. Vurder data. Vælg værktøjet derefter. Så undgår du at gøre ChatGPT til svaret på alt, og du får i stedet AI ind som en praktisk del af en gennemtænkt arbejdsproces.

En enkel måde at teste et værktøj på er at bruge samme opgave i flere systemer. Vælg en ufarlig, men realistisk opgave: en tekst, en forklaring, en analyse af et offentligt dokument eller en struktur til en arbejdsgang. Giv samme prompt til de værktøjer, du overvejer, og vurder resultatet på klarhed, korrekthed, brugbarhed, tone, kontrolmuligheder og datarammer. Det giver ofte mere indsigt end produktbrochurer.

Du bør også teste, hvordan værktøjet håndterer din egen arbejdssprog. Hvis du arbejder på dansk, skal værktøjet kunne levere naturlig dansk tekst. Hvis du arbejder internationalt, kan engelsk, tysk, fransk, spansk eller italiensk være relevant. Sprogkvalitet er ikke kun grammatik. Det handler også om tone, kultur, formalia og målgruppeforståelse.

Et andet vurderingspunkt er dokumentarbejde. Nogle opgaver kræver, at AI kan arbejde med lange tekster, filer, tabeller eller flere dokumenter. Andre kræver kun korte chats. Hvis dine opgaver ofte handler om manualer, rapporter, tilbud eller vejledninger, bør du teste værktøjets evne til at holde sammenhæng over længere materiale.

For virksomheder er support, administration og adgangsstyring også vigtige. Kan brugere administreres centralt? Kan apps eller connectors slås til og fra? Kan dataindstillinger styres? Er der forskel på privat konto, teamkonto og enterprise-løsning? Den slags spørgsmål kan virke mindre spændende end selve AI-svaret, men de betyder meget for sikker drift.

Det er også vigtigt at skelne mellem et AI-værktøj og en AI-strategi. Et abonnement på et værktøj er ikke en strategi. En strategi forklarer, hvad virksomheden vil bruge AI til, hvilke opgaver der prioriteres, hvilke risici der accepteres, hvordan medarbejdere oplæres, og hvordan resultater måles. Værktøjet er kun en del af svaret.

På medarbejderniveau kan du lave din egen lille værktøjsmatrix. Skriv opgavetyper i venstre kolonne: skrive, opsummere, analysere, oversætte, lave præsentation, håndtere filer, automatisere, søge i egne dokumenter. Skriv værktøjer i toppen. Notér hvilke værktøjer der passer bedst til hvilke opgaver, og hvilke data de må bruges med. Det giver overblik uden at gøre beslutningen for teknisk.

Husk også, at værktøjsvalg kan ændre sig. AI-markedet bevæger sig hurtigt. Det bedste valg i dag er ikke nødvendigvis det bedste valg om et år. Derfor bør du ikke kun lære ét produkts knapper. Lær principperne: opgave, data, output, ansvar, sikkerhed og kvalitet. Så kan du lettere flytte din metode til nye værktøjer.

Det rigtige spørgsmål er derfor sjældent ‘Hvilket AI-værktøj er bedst?’ Det bedre spørgsmål er: ‘Hvilket værktøj er bedst til denne opgave, med disse data, for denne bruger, under disse krav?’ Når du stiller spørgsmålet sådan, bliver svaret mere professionelt og langt mere brugbart.

Når et værktøj er valgt, bør beslutningen følges op. Virker det i praksis? Bruger medarbejderne det? Skaber det bedre resultater? Opstår der nye risici? Er der behov for flere skabeloner, retningslinjer eller oplæring? AI-værktøjer bør ikke bare indkøbes og derefter overlades til tilfældig brug. De bør indgå i en løbende forbedringsproces.

Det er også klogt at skelne mellem individuel produktivitet og organisatorisk værdi. En medarbejder kan spare tid med AI, men virksomheden får først fuld værdi, når erfaringerne deles, gode arbejdsgange dokumenteres, og sikkerheden er på plads. Ellers bliver gevinsten afhængig af enkelte personer og forsvinder let, hvis de skifter rolle eller arbejdsplads.

Den mest holdbare tilgang er derfor at vælge få værktøjer bevidst, teste dem på konkrete opgaver, lære medarbejderne at bruge dem ordentligt og justere undervejs. Det lyder mindre spændende end at jagte alle nye AI-lanceringer, men det er sådan AI bliver et stabilt arbejdsredskab i stedet for endnu et system, der skaber forvirring.

Når opgaven styrer valget, bliver teknologien et middel til bedre arbejde i stedet for et mål i sig selv.

Næste gang du overvejer et AI-værktøj, så skriv først opgaven, dataene og det ønskede output ned. Vælg først derefter værktøjet.

Der er en tendens til at tale om AI som noget, der enten er fantastisk eller farligt. Den diskussion er vigtig, men den kan også skygge for noget mere praktisk: AI er ved at blive en arbejdsfærdighed. For mange medarbejdere vil det ikke være nok at vide, at AI findes. De skal kunne bruge det fornuftigt i deres egne opgaver.

Det betyder ikke, at alle skal være AI-specialister. De fleste skal heller ikke lære at programmere modeller, bygge systemer eller forstå avanceret matematik. Men mange får brug for at kunne stille gode spørgsmål, formulere klare prompts, vurdere AI-svar, beskytte data, vælge det rigtige værktøj og bruge AI som støtte i almindelige arbejdsprocesser.

Hvis man ser tilbage på tidligere teknologisk udvikling, er mønstret genkendeligt. På et tidspunkt var tekstbehandling, regneark, e-mail og præsentationsværktøjer noget nyt. Senere blev de en naturlig del af arbejdet. I dag forventes det ofte, at medarbejdere kan bruge digitale værktøjer uden at få en lang forklaring hver gang. AI kan bevæge sig i samme retning.

Forskellen er, at AI ikke kun er et værktøj til at skrive eller beregne. Det er et værktøj, der kan hjælpe med at formulere, analysere, strukturere, forklare og udfordre. Derfor kan det påvirke mange typer kontorarbejde: administration, kundeservice, salg, marketing, indkøb, HR, projektledelse, ledelse, økonomi og teknisk dokumentation.

AI-kompetence bliver en konkurrencefaktor, fordi to medarbejdere med samme faglighed kan få forskellige resultater, hvis den ene bruger AI metodisk og den anden slet ikke gør. Den AI-kompetente medarbejder kan hurtigere komme fra tomt dokument til brugbart udkast, få overblik over komplekst materiale, forberede bedre spørgsmål, lave flere versioner af en tekst og teste flere vinkler på en problemstilling.

Det betyder ikke, at AI alene skaber kvalitet. Tværtimod bliver menneskelig dømmekraft endnu vigtigere. Jo lettere det bliver at producere tekst, analyser og forslag, desto vigtigere bliver evnen til at vurdere, hvad der er rigtigt, relevant og ansvarligt. Fremtidens stærke medarbejder er ikke den, der blindt accepterer AI-svar, men den, der kan bruge AI uden at miste faglig kontrol.

I virksomheder bliver AI-kompetence også et ledelsesemne. Hvis nogle medarbejdere bruger AI meget, mens andre er usikre eller undgår det, kan der opstå store forskelle i arbejdsform. Hvis virksomheden ikke har retningslinjer, kan medarbejdere komme til at bruge værktøjer på måder, der skaber datarisiko. Hvis ledelsen kun taler om effektivisering, kan medarbejdere opleve AI som en trussel i stedet for en kompetenceudvikling.

Derfor bør AI introduceres som en færdighed, ikke kun som et spareværktøj. Medarbejdere har brug for at forstå, hvad AI kan hjælpe med, hvor grænserne går, hvilke data der må bruges, og hvordan kvaliteten kontrolleres. Når AI kobles til læring og bedre arbejdsmetoder, bliver det lettere at skabe tillid.

EU’s AI Act har også sat fokus på AI literacy, altså AI-kompetence eller AI-forståelse hos mennesker, der bruger AI-systemer i en organisatorisk sammenhæng. Pointen er ikke, at alle skal blive eksperter, men at brugere skal have et tilstrækkeligt niveau af forståelse i forhold til deres rolle, erfaring og den kontekst, AI bruges i. Det understøtter den praktiske pointe: AI skal læres på en måde, der passer til arbejdet.

For den enkelte medarbejder er den vigtigste beslutning at komme i gang på et fornuftigt niveau. Vent ikke på, at alt er perfekt. Start heller ikke med virksomhedens mest følsomme dokumenter. Vælg i stedet ufarlige opgaver, hvor du kan lære arbejdsformen. Det kan være at forbedre en tekst, lave en mødedisposition, opsummere et offentligt dokument, forberede spørgsmål eller udarbejde en tjekliste.

Efterhånden kan du udvide. Du kan opbygge faste promptskabeloner. Du kan bruge AI til at gennemgå egne udkast kritisk. Du kan få hjælp til at forklare teknisk stof til en bestemt målgruppe. Du kan sammenligne muligheder og risici, før du træffer en beslutning. Du kan bruge AI til at blive bedre forberedt, ikke bare hurtigere færdig.

Karrieremæssigt kan AI-kompetence blive et plus, fordi den viser, at du kan arbejde med nye værktøjer, strukturere opgaver og tænke i forbedringer. Det handler ikke om at skrive ‘jeg bruger ChatGPT’ på et CV. Det handler om at kunne forklare, hvordan du bruger AI ansvarligt til at løse opgaver bedre. Det er en helt anden og mere værdifuld kompetence.

Et konkret eksempel kan være en medarbejder i kundeservice, der bruger AI til at skabe bedre svarskabeloner, analysere typiske kundespørgsmål og forbedre interne forklaringer. Et andet eksempel kan være en projektleder, der bruger AI til at forberede risikolister, mødereferater og beslutningsoplæg. Et tredje kan være en marketingmedarbejder, der bruger AI til at teste budskaber, omskrive tekster til forskellige målgrupper og planlægge indhold mere systematisk.

Fælles for de eksempler er, at AI ikke erstatter fagligheden. Det forstærker den, hvis brugeren forstår både opgaven og værktøjet. AI uden faglighed kan give pæne, men svage resultater. Faglighed uden moderne værktøjer kan blive unødigt langsom. Kombinationen er stærk.

Virksomheder bør derfor tænke AI-kompetence ind i oplæring, politikker og arbejdsgange. Det kan være små interne workshops, fælles promptbiblioteker, godkendte værktøjer, simple sikkerhedsregler, eksempler fra egne opgavetyper og tydelige forventninger til kvalitetssikring. AI skal ikke implementeres som en løs individuel hobby. Det bør blive en kontrolleret og praktisk del af arbejdet.

Den bedste måde at forberede sig på er at lære principperne. Værktøjer skifter navn. Knapper flytter sig. Modeller bliver hurtigere og bedre. Men de grundlæggende spørgsmål består: Hvad er opgaven? Hvilket input må bruges? Hvad skal outputtet bruges til? Hvem har ansvaret? Hvordan kontrolleres resultatet? Hvilket værktøj passer bedst?

AI som konkurrencefaktor handler derfor ikke om at løbe efter alt nyt. Det handler om at opbygge en stabil arbejdsfærdighed. Den medarbejder, der kan bruge AI med struktur, sikkerhed og dømmekraft, står stærkere. Ikke fordi AI gør arbejdet værdiløst, men fordi god AI-brug kan gøre menneskets arbejde mere fokuseret, mere gennemarbejdet og mere værdifuldt.

AI-kompetence kan også blive en måde at skabe mere ro i arbejdet på. Mange kontormedarbejdere har dage fyldt med afbrydelser, små hasteopgaver og skift mellem mange forskellige typer arbejde. AI kan ikke fjerne afbrydelserne, men det kan hjælpe med at genfinde struktur. En hurtig tjekliste, en opsummering, en prioriteret plan eller et udkast kan gøre det lettere at komme tilbage på sporet.

Det betyder, at AI ikke kun bør måles i sparede minutter. Det bør også måles i bedre overblik, færre gentagelser, bedre forberedelse og højere kvalitet i det første udkast. Nogle gange er den største gevinst ikke, at opgaven tager kortere tid, men at den bliver mindre mentalt tung at komme i gang med.

For den enkelte medarbejder kan det være en god strategi at vælge tre AI-kompetencer at øve. Den første er at skrive gode prompts. Den anden er at vurdere svar kritisk. Den tredje er at finde sikre og relevante opgaver. Hvis man mestrer de tre, er man langt bedre stillet end den bruger, der blot prøver tilfældige spørgsmål.

For ledere kan konkurrencefaktoren ligge i at skabe fælles praksis. Hvis en afdeling lærer at bruge AI på en ensartet og sikker måde, kan den opbygge fælles skabeloner, forbedre dokumentation, dele gode prompts og løfte kvaliteten på tværs. Det er stærkere end at have enkelte superbrugere, der arbejder hver for sig.

AI-kompetence handler også om at forstå begrænsninger. En medarbejder, der ved hvornår AI ikke skal bruges, er mere værdifuld end en medarbejder, der bruger AI til alt. Den professionelle bruger kan sige: ‘Her kan AI hjælpe med struktur’, ‘her skal vi bruge et godkendt system’, ‘her kræves juridisk vurdering’, eller ‘her må vi ikke bruge disse data’. Den skelneevne bliver vigtig.

Det er derfor klogt at dokumentere erfaringer. Hvilke prompts virker? Hvilke opgaver giver værdi? Hvor opstår fejl? Hvilke data giver usikkerhed? Hvilke medarbejdere har brug for mere oplæring? Den slags læring kan gøre AI fra en individuel aktivitet til en organisatorisk kompetence.

Set fra karriereperspektiv er det stærkt at kunne sige: ‘Jeg bruger AI til at forbedre mine arbejdsprocesser på en kontrolleret måde.’ Det er mere troværdigt end at sige, at man bare bruger de nyeste værktøjer. Arbejdsgivere vil i stigende grad have medarbejdere, der både kan udnytte mulighederne og forstå risikoen.

AI bliver derfor ikke kun en teknisk trend. Det bliver en del af den almindelige professionelle værktøjskasse. Den, der lærer at bruge værktøjet tidligt og fornuftigt, får et forspring. Ikke et forspring baseret på hype, men på praktisk arbejdsevne.

Der er også en social side af AI-kompetence. På mange arbejdspladser vil nogle medarbejdere være nysgerrige og hurtige, mens andre er skeptiske eller usikre. Hvis virksomheden kun hylder de hurtige, kan de andre føle sig hægtet af. Hvis virksomheden ignorerer AI, mister de nysgerrige mulighed for at bruge værktøjerne sikkert. Den gode løsning er fælles læring i et tempo, hvor flere kan være med.

Her kan små interne eksempler være stærkere end store visioner. Vis hvordan AI kan forbedre en konkret mail, skabe en bedre tjekliste eller gøre et mødereferat mere brugbart. Når medarbejdere ser AI løse genkendelige opgaver, bliver emnet mindre abstrakt. Det skaber mere tryghed end store udsagn om revolution og disruption.

AI-kompetence bør derfor kobles til faglig stolthed. Budskabet skal ikke være, at maskinen er klogere end medarbejderen. Budskabet skal være, at medarbejderen får et nyt værktøj til at bruge sin viden bedre. Den formulering er vigtig, fordi den gør AI til en del af professionel udvikling i stedet for en trussel mod den.

Vælg én tilbagevendende arbejdsopgave, hvor AI kan hjælpe dig med første udkast, struktur eller kritisk gennemgang. Gør det til din første AI-rutine.

Et af de vigtigste spørgsmål ved brug af AI på arbejdet er ikke, hvad værktøjet kan. Det er, hvad du må dele med det. Mange opdager hurtigt, at AI bliver bedre, når den får mere kontekst. Det kan friste til at kopiere mails, dokumenter, kundesager, kontrakter eller interne notater direkte ind i chatten. Det kan også være præcis dér, risikoen opstår.

AI-værktøjer kan være meget nyttige, men de skal behandles som rigtige digitale arbejdsredskaber. Hvis du ikke ville sende et dokument til en ekstern rådgiver uden aftale, bør du heller ikke uden videre lægge det ind i et AI-værktøj. Det gælder især, hvis værktøjet ikke er godkendt af virksomheden, eller hvis du ikke kender dataindstillingerne.

Den første kategori, du skal være forsigtig med, er personoplysninger. Det kan være navne, adresser, telefonnumre, e-mailadresser, CPR-numre, medarbejdernumre, helbredsoplysninger, lønoplysninger, fravær, personalesager eller andre oplysninger, der kan knyttes til en bestemt person. Selv oplysninger, der virker uskyldige, kan blive følsomme i den rigtige sammenhæng.

Den anden kategori er kundedata. Det kan være kunders navne, aftaler, købshistorik, klager, priser, rabatter, tekniske løsninger, kontaktpersoner eller interne vurderinger af kunden. Mange virksomheder bruger lang tid på at opbygge kunderelationer og kommerciel viden. Den slags oplysninger skal behandles med samme alvor som andre forretningskritiske data.

Den tredje kategori er tilbud, priser og kalkulationer. Et tilbud kan indeholde langt mere end en pris. Det kan vise virksomhedens marginer, rabatstruktur, leveringsstrategi, produktpakker, risikoforståelse og forhandlingsposition. Hvis du bruger AI til tilbudsarbejde, bør du derfor arbejde med anonymiserede eller fiktive data, medmindre der findes en godkendt virksomhedsløsning og klare retningslinjer.

Den fjerde kategori er kontrakter og juridisk materiale. AI kan hjælpe med at skabe overblik, forklare begreber eller opstille spørgsmål til gennemgang, men en kontrakt kan indeholde fortrolige vilkår, parter, priser, ansvar, leverancer og risici. Juridiske dokumenter bør ikke behandles i et åbent AI-værktøj uden afklaring. Hvis AI bruges, skal outputtet altid vurderes af relevante fagpersoner.

Den femte kategori er interne strategier og beslutningsmateriale. Det kan være budgetter, organisationsændringer, produktplaner, opkøbsplaner, markedsstrategier, leverandørvurderinger eller ledelsesnotater. Selv hvis teksten ikke indeholder persondata, kan den være forretningskritisk. AI-sikkerhed handler derfor ikke kun om GDPR og personoplysninger. Det handler også om virksomhedens viden, konkurrenceevne og tillid.

Den sjette kategori er tekniske oplysninger. I nogle brancher kan tekniske manualer, systemtegninger, sikkerhedsbeskrivelser, adgangsoplysninger, sårbarheder, konfigurationer eller installationsdetaljer være særligt følsomme. Det gælder især, hvis oplysningerne kan misbruges, eller hvis de vedrører kunders sikkerhed, drift eller infrastruktur.

En praktisk metode er at dele data op i tre niveauer. Grønne data kan normalt bruges frit. Det kan være offentlige oplysninger, egne ufarlige øvelsestekster, generelle spørgsmål og materiale uden personer, kunder, priser eller interne forhold. Gule data kræver vurdering. Det kan være interne, men ikke særligt følsomme tekster, hvor du måske kan anonymisere indholdet. Røde data bør ikke deles i almindelige AI-værktøjer uden klar godkendelse. Det omfatter personfølsomme oplysninger, fortrolige kundedata, kontrakter, interne priser og forretningskritiske dokumenter.

Anonymisering kan være en god løsning, men den skal gøres ordentligt. Det er ikke altid nok at fjerne et navn. Hvis teksten stadig indeholder stilling, afdeling, dato, sagstype, beløb og andre detaljer, kan personen eller kunden måske stadig genkendes. En bedre metode er at erstatte konkrete oplysninger med neutrale pladsholdere: [kunde], [medarbejder], [produkt], [beløb], [dato] og [lokation].

Du kan også omskrive situationen til et fiktivt eksempel. I stedet for at bruge den rigtige kundesag kan du skrive: ‘En kunde har klaget over forsinket levering af et produkt. Lav et udkast til en professionel svarmail.’ Det giver AI nok kontekst til at hjælpe med strukturen, uden at du deler det konkrete kundeforhold.

Et andet vigtigt punkt er hukommelse og gemte filer. Moderne AI-værktøjer kan have funktioner, hvor chats, filer eller præferencer gemmes og bruges senere. Det kan være praktisk, men det kræver omtanke. Hvis du uploader en fil, kan den ligge i et bibliotek eller være knyttet til en chat eller et projekt. Derfor bør du lære, hvordan du sletter materiale, og hvordan dine dataindstillinger fungerer.

Midlertidige chats kan være nyttige, når du vil arbejde uden at gemme samtalen i historikken på samme måde, men de er ikke en undskyldning for at dele følsomme oplysninger ukritisk. Sikker praksis begynder før værktøjsvalget: Hvad er data? Hvem ejer dem? Må de deles? Hvilket system er godkendt? Hvad står der i virksomhedens politik?

Virksomheder bør derfor lave klare retningslinjer. Medarbejdere skal ikke gætte sig frem. En god AI-politik bør forklare, hvilke AI-værktøjer der må bruges, hvilke data der må deles, hvordan output skal kontrolleres, hvem der kan godkende særlige anvendelser, og hvad medarbejderen skal gøre ved fejl eller utilsigtet deling.

Som medarbejder kan du bruge en enkel tjekliste før du deler noget med AI: Indeholder materialet personoplysninger? Indeholder det kundedata? Indeholder det priser eller kontraktvilkår? Indeholder det interne strategier? Indeholder det tekniske oplysninger, som kan misbruges? Er værktøjet godkendt til denne type data? Har jeg anonymiseret nok? Ved jeg, hvordan materialet slettes igen?

AI kan give stor værdi, netop fordi det kan arbejde med tekst, dokumenter og kontekst. Derfor skal datasikkerhed ikke ses som en bremse, men som en forudsætning for professionel brug. En virksomhed ville ikke køre uden antivirus, adgangskontrol og grundlæggende IT-sikkerhed. På samme måde bør AI ikke bruges med følsomme eller forretningskritiske data uden klare rammer.

Den sikre vej er ikke at holde op med at bruge AI. Den sikre vej er at bruge det rigtigt. Start med ufarligt materiale. Anonymiser, når det er nødvendigt. Brug godkendte løsninger til følsomme opgaver. Kontroller indstillingerne. Ryd op i filer og chats. Spørg, hvis du er i tvivl. Så kan AI blive et stærkt værktøj uden at sætte data, kunder eller kolleger på spil.

Det kan være nyttigt at lave en lille personlig beslutningsmodel. Først vurderer du, om data er offentlige, interne eller følsomme. Derefter vurderer du, om værktøjet er privat, offentligt tilgængeligt eller godkendt af virksomheden. Til sidst vurderer du, hvad outputtet skal bruges til. Hvis alle tre forhold er lav risiko, kan opgaven ofte løses uden problemer. Hvis et eller flere forhold er høj risiko, bør du stoppe og afklare det.

En almindelig faldgrube er, at man kun tænker på navne og CPR-numre. Men fortrolighed er bredere end persondata. En anonym prisliste kan stadig være forretningskritisk. En kontrakt uden personnavne kan stadig indeholde følsomme vilkår. Et teknisk dokument kan stadig afsløre noget, virksomheden ikke ønsker delt. Derfor skal spørgsmålet ikke kun være: ‘Er der persondata?’ Spørgsmålet skal også være: ‘Er dette materiale noget, virksomheden vil beskytte?’

Det samme gælder interne udkast. Mange tænker, at et dokument ikke er vigtigt, før det er færdigt. Men et udkast kan afsløre strategi, usikkerhed, konflikter, fremtidige beslutninger eller forhandlingspositioner. Derfor bør interne arbejdsdokumenter behandles med omtanke, også selv om de ikke er endelige.

Hvis du vil bruge AI til at arbejde med en følsom sag, kan du ofte adskille struktur fra indhold. Du kan bede AI lave en generel skabelon, en tjekliste eller en spørgeramme uden at dele de rigtige data. Du kan for eksempel skrive: ‘Lav en tjekliste til gennemgang af en leverandørkontrakt, men uden at jeg deler selve kontrakten.’ Så får du hjælp til arbejdsprocessen uden at dele materialet.

Du kan også bruge AI til at formulere bedre spørgsmål til en fagperson. I stedet for at bede AI afgøre en juridisk eller HR-mæssig sag kan du skrive: ‘Hvilke spørgsmål bør jeg stille vores jurist, før vi træffer beslutning?’ Det giver værdi, uden at AI bliver gjort til beslutningstager.

Et andet område er billeder, præsentationer og genereret indhold. Hvis du bruger AI til at lave materiale, skal du stadig overveje rettigheder, logoer, navne, personer, varemærker og ophavsret. AI-genereret materiale kan se færdigt ud, men det fritager ikke brugeren for ansvar. Ved ekstern brug bør indhold altid kontrolleres.

Den praktiske løsning er at gøre sikker deling til en vane, ikke en ekstra byrde. Før du kopierer noget ind, så brug ti sekunder på at klassificere materialet. Grøn, gul eller rød. Hvis det er gult, anonymisér eller spørg. Hvis det er rødt, stop og brug en anden metode. Den lille pause kan forhindre store problemer.

Når du først har arbejdet på den måde nogle gange, føles det ikke tungt. Det bliver en naturlig del af professionel AI-brug, på samme måde som du allerede tænker over, hvem der må modtage en mail, hvem der skal have adgang til et dokument, og hvilke oplysninger der må deles uden for virksomheden.

Et godt sikkerhedsgreb er at lave sikre eksempeldata på forhånd. Hvis du ofte skal øve prompts til kundeservice, tilbud, HR eller interne processer, kan du have et sæt fiktive cases klar. Så behøver du ikke stå i situationen og overveje, om du må bruge en rigtig sag. Du kan øve metoden på sikkert materiale og senere overføre strukturen til godkendt arbejde.

Det er især nyttigt i undervisning og intern oplæring. Hvis medarbejdere får at vide, at de skal lære AI, men ikke får sikkert øvelsesmateriale, vil nogle bruge rigtige data, fordi det er det mest nærliggende. Derfor bør virksomheder og undervisere give brugerne ufarlige tekster, fiktive kundesager og kunstige eksempler, der ligner virkelige opgaver uden at være det.

Sletning og oprydning bør også indgå i sikkerhedsvanen. Det er ikke nok at tænke over, hvad du lægger ind. Du bør også tænke over, hvad der bliver liggende. Gennemgå med jævne mellemrum gamle chats, projekter og filer. Fjern materiale, der ikke længere er nødvendigt. En renere AI-arbejdsflade gør det lettere at bevare overblik og reducere unødvendig risiko.

Lav din egen grøn/gul/rød-liste over data, før du begynder at bruge AI til arbejdsopgaver.

Når AI giver et svagt svar, er årsagen ofte, at prompten er for uklar. Det betyder ikke, at du skal skrive lange tekniske instruktioner hver gang. Det betyder, at du skal give værktøjet de oplysninger, en menneskelig kollega også ville have brug for. Hvad er opgaven? Hvem er modtageren? Hvad skal resultatet bruges til? Hvilken form skal outputtet have? Hvilke krav og begrænsninger gælder?

En enkel promptmodel kan bestå af seks dele: formål, kontekst, rolle, input, ønsket output og kvalitetstjek. Du behøver ikke bruge alle seks dele i hver eneste prompt, men modellen hjælper dig med at se, hvad der mangler, når svaret bliver for generisk.

Formålet forklarer, hvorfor opgaven skal løses. Det kan være: ‘Jeg skal skrive en kort introduktion til et internt møde’, ‘Jeg skal forklare en teknisk ændring til en kunde’, eller ‘Jeg skal skabe overblik over de vigtigste risici i et forslag’. Formålet hjælper AI med at forstå, hvilken type svar der er brug for.

Konteksten forklarer situationen. Det er her, du fortæller om målgruppen, baggrunden, tonen, virksomheden, materialet eller den beslutning, der skal træffes. Hvis konteksten mangler, vil AI ofte vælge en neutral standardløsning. Den kan være pæn, men den rammer sjældent præcist.

Rollen fortæller, hvilket perspektiv AI skal arbejde fra. Det kan være ‘skriv som en erfaren underviser’, ‘gennemgå dette som en kritisk projektleder’, ‘forklar det som en teknisk supportmedarbejder’ eller ‘vurder teksten som en salgschef, der er optaget af kundens næste skridt’. Rollen skal ikke få AI til at foregive at være en virkelig ekspert med ansvar. Rollen skal styre fokus, tone og analysevinkel.

Inputtet er det materiale, AI skal arbejde med. Det kan være en tekst, en liste, et udkast, nogle krav, et referat eller en række punkter. Her skal du være særlig opmærksom på data. Hvis materialet indeholder fortrolige oplysninger, persondata, kundedata eller interne priser, skal du ikke bare kopiere det ind. Brug anonymiseret eller fiktivt materiale, medmindre virksomheden har godkendt værktøjet og anvendelsen.

Ønsket output fortæller, hvordan svaret skal leveres. Skal det være en e-mail, en punktopstilling, en tjekliste, en tabel, et blogindlæg, en kort forklaring eller en handlingsplan? Skal det være kort eller grundigt? Skal det have overskrifter? Skal sproget være let, fagligt, venligt eller direkte? Jo tydeligere du beskriver outputtet, desto mindre oprydning skal du lave bagefter.

Kvalitetstjekket er den del, mange glemmer. Her kan du bede AI om at kontrollere sit eget svar ud fra bestemte kriterier. Du kan skrive: ‘Tjek til sidst, om teksten er konkret nok’, ‘Peg på usikre antagelser’, ‘Skriv hvilke oplysninger du mangler’, eller ‘Marker steder, hvor jeg bør faktatjekke’. Det gør svaret mere brugbart, fordi AI ikke kun producerer, men også hjælper med at vurdere begrænsninger.

En svag prompt kunne være: ‘Skriv en mail til en kunde.’ Den er for bred. En bedre prompt kunne være: ‘Skriv et venligt og professionelt udkast til en e-mail til en kunde, der har spurgt, hvorfor leveringstiden er længere end forventet. Mailen skal forklare situationen uden at give skylden videre, bekræfte at vi følger op, og slutte med en klar næste handling. Hold den på cirka 150 ord.’

Forskellen er tydelig. Den gode prompt giver formål, kontekst, tone, situation, output og længde. AI skal ikke gætte lige så meget. Resultatet bliver derfor mere målrettet.

En anden vigtig teknik er at bede AI stille spørgsmål, før den svarer. Det er især nyttigt, når opgaven er uklar. Du kan skrive: ‘Stil mig op til fem afklarende spørgsmål, før du løser opgaven.’ Det tvinger dig til at tænke over opgaven, og det kan forhindre, at AI producerer et langt svar på et forkert grundlag.

Du kan også arbejde i trin. I stedet for at bede AI løse hele opgaven på én gang kan du først bede om en disposition, derefter om et udkast, derefter om en kritisk gennemgang og til sidst om en færdig version. Det giver mere kontrol. Det minder om en almindelig arbejdsproces, hvor man først tænker, så skriver, så redigerer.

En god prompt behøver ikke være perfekt. Det vigtigste er, at du lærer at forbedre den. Hvis svaret bliver for langt, så sig det. Hvis det bliver for generisk, så bed om mere konkrete eksempler. Hvis tonen er forkert, så beskriv den ønskede tone. Hvis AI overser noget vigtigt, så tilføj det. Prompting er en dialog, ikke en eksamen.

Du kan med fordel opbygge et lille promptbibliotek til dine egne opgaver. Gem de prompts, der virker, og juster dem over tid. En prompt til kundemails, en prompt til mødereferater, en prompt til kritisk gennemgang af tekst, en prompt til at skabe overblik i et dokument og en prompt til at omskrive teknisk stof til almindeligt sprog kan hurtigt blive faste arbejdsredskaber.

En stærk prompt indeholder også afgrænsning. Det kan være: ‘Gæt ikke på tal’, ‘Skriv hvilke oplysninger der mangler’, ‘Brug ikke juridiske konklusioner’, ‘Lav ikke en endelig vurdering, men en liste over spørgsmål jeg bør undersøge’, eller ‘Hold dig til det materiale, jeg har givet’. Afgrænsning er især vigtig, når emnet er følsomt, komplekst eller faktatungt.

Den bedste måde at lære prompting på er at øve med rigtige, men ufarlige opgaver. Tag en tekst, der ikke indeholder følsomme oplysninger. Bed AI forbedre den. Giv mere kontekst. Bed om en kortere version. Bed om en kritisk gennemgang. Sammenlign resultaterne. Efter få forsøg vil du kunne mærke, at kvaliteten ikke kun afhænger af AI, men af måden du styrer opgaven på.

En god prompt er altså ikke et hemmeligt trick. Det er god opgavekommunikation. Når du kan forklare opgaven tydeligt til AI, bliver du ofte også bedre til at forklare den til dig selv og andre. Det er en af de oversete gevinster ved AI: Det tvinger dig til at blive mere præcis om formål, målgruppe, format og kvalitetskrav.

Når du arbejder med prompts, kan du med fordel skelne mellem tre typer: produktionsprompts, analyseprompts og læringsprompts. En produktionsprompt beder AI lave noget: en tekst, en mail, en disposition eller en tjekliste. En analyseprompt beder AI undersøge noget: styrker, svagheder, risici, forskelle eller manglende oplysninger. En læringsprompt beder AI forklare noget, så du selv bliver klogere.

De tre typer kræver forskellige krav. En produktionsprompt bør være tydelig om format, tone og målgruppe. En analyseprompt bør være tydelig om kriterier og afgrænsning. En læringsprompt bør være tydelig om niveau og forklaringsform. Hvis du blander dem sammen uden at tænke over det, kan svaret blive uklart.

Et godt eksempel på en analyseprompt er: ‘Gennemgå denne tekst kritisk. Vurder om budskabet er klart, om målgruppen er tydelig, om der mangler vigtige informationer, og om tonen passer til en professionel, men venlig kundekommunikation. Skriv først de vigtigste problemer, derefter konkrete forbedringsforslag.’ Her beder du ikke bare AI sige, om teksten er god. Du giver kriterier.

Et godt eksempel på en læringsprompt er: ‘Forklar dette begreb for mig, som om jeg er en erfaren kontormedarbejder, men ny inden for AI. Brug korte afsnit og konkrete eksempler fra arbejdsdagen.’ Her hjælper du AI med at ramme et niveau, der hverken er for barnligt eller for teknisk.

Du kan også bruge prompts til at få AI til at stille bedre spørgsmål. Skriv for eksempel: ‘Jeg skal løse denne opgave, men jeg er ikke sikker på, hvilke oplysninger der mangler. Stil mig de spørgsmål, du skal bruge for at kunne hjælpe ordentligt.’ Det er en stærk teknik, fordi den flytter AI fra at være svarmaskine til at være sparringspartner.

En anden nyttig metode er at bede om en struktur før indholdet. Hvis du skal skrive en artikel, en vejledning eller et oplæg, kan du først bede om en disposition. Når dispositionen er god, beder du om at få den skrevet ud. Det giver mere kontrol og gør det lettere at rette kursen tidligt.

Du bør også lære at skrive negative afgrænsninger på en konstruktiv måde. Det kan være: ‘Undgå salgssprog’, ‘Brug ikke tekniske forkortelser uden forklaring’, ‘Giv ikke juridisk rådgivning’, ‘Skriv ikke som om AI er en mirakelløsning’, eller ‘Lav ikke konklusioner, der ikke kan udledes af materialet’. Den type afgrænsning hjælper AI med at holde sig inden for opgaven.

Endelig er der en vigtig vane: Bed altid om en forbedret version, når svaret næsten er godt. Mange stopper for tidligt. Skriv: ‘Behold hovedindholdet, men gør teksten 20 procent mere konkret’, eller ‘Gør sproget mere direkte og fjern gentagelser’. Små justeringer kan løfte et middelmådigt udkast til noget, der næsten kan bruges.

Hvis du vil gøre promptarbejdet mere systematisk, kan du give dine prompts navne. Det kan lyde overdrevet, men det virker i praksis. En prompt kan hedde ‘kritisk tekstgennemgang’, ‘kundemail med rolig tone’, ‘forklar teknisk stof enkelt’ eller ‘lav mødetjekliste’. Når en prompt har et navn, er den lettere at genbruge, forbedre og dele med andre.

I en virksomhed kan promptskabeloner blive en del af fælles arbejdsgange. En afdeling kan have en godkendt prompt til interne referater, en anden til kundevendte forklaringer og en tredje til analyse af ufarlige data. Det skaber mere ensartede resultater og gør det lettere at tale om kvalitet, fordi alle ikke starter med hver deres tilfældige formulering.

Det ændrer også samtalen om AI. I stedet for at spørge, om AI er godt eller dårligt, kan man spørge: ‘Hvilken prompt brugte du?’, ‘Hvilket input gav du?’, ‘Hvordan kontrollerede du svaret?’, og ‘Hvad ændrede du bagefter?’ Det er langt mere professionelt, fordi fokus flyttes fra værktøjets mystik til den konkrete arbejdsmetode.

Lav en fast promptskabelon med felterne formål, kontekst, rolle, input, output og kvalitetstjek. Brug den næste gang du beder AI hjælpe med en arbejdsopgave.

AI er hverken magi eller almindelig søgning. Det er et værktøj, der reagerer på den opgave, du giver det, og på den kontekst, du stiller til rådighed. Når outputtet bliver dårligt, skyldes det ofte, at opgaven var uklar, data var mangelfulde, forventningen var forkert, eller svaret ikke blev kontrolleret. Det er ikke et tegn på, at du ikke kan bruge AI. Det er et tegn på, at du skal lære arbejdsformen.

Den første fejl er at stille for brede spørgsmål. Hvis du skriver ‘lav en tekst om kundeservice’, får du typisk en generisk tekst. Den kan være pænt skrevet, men den passer sjældent præcist til din situation. En bedre prompt forklarer, hvem teksten er til, hvad den skal bruges til, hvilken tone den skal have, og hvad modtageren skal gøre efter at have læst den. Jo tydeligere opgaven er, desto bedre bliver svaret.

Den anden fejl er at acceptere første svar som færdigt. ChatGPT fungerer bedst som et dialogværktøj. Første svar er ofte et udkast, ikke en slutversion. Du kan bede om en mere konkret version, en kortere version, en mere professionel tone, flere eksempler, en bedre struktur eller en kritisk gennemgang. Når du arbejder iterativt, bliver svaret gradvist mere brugbart.

Den tredje fejl er at tro, at et velformuleret svar også er korrekt. AI kan formulere sig sikkert, selv når indholdet er forkert, upræcist eller baseret på en misforståelse. Det gælder især fakta, regler, tal, priser, juridiske forhold, tekniske detaljer og aktuelle oplysninger. Derfor skal du altid kvalitetssikre AI-output, før det bruges. Jo større konsekvens svaret har, desto grundigere kontrol kræver det.

Den fjerde fejl er at give AI for lidt kontekst. Mange vil gerne spare tid og skriver derfor en meget kort prompt. Det kan fungere til simple spørgsmål, men det giver sjældent gode resultater i arbejdsopgaver. Hvis AI skal skrive til en bestemt målgruppe, analysere en situation eller forberede et dokument, har den brug for baggrund. Fortæl hvad opgaven handler om, hvem modtageren er, hvilken beslutning teksten skal understøtte, og hvilke begrænsninger der gælder.

Den femte fejl er at dele for meget. Det er næsten den modsatte fejl. Brugeren opdager, at AI bliver bedre med mere kontekst, og begynder derfor at kopiere alt ind: mails, kontrakter, kundedata, tilbud, interne dokumenter, personaleoplysninger eller priser. Det kan være en alvorlig fejl. Før du deler materiale med et AI-værktøj, skal du vurdere, om det er fortroligt, personfølsomt, forretningskritisk eller reguleret af virksomhedens politikker.

En enkel tommelfingerregel er denne: Hvis du ikke måtte sende materialet til en ekstern konsulent uden aftale og sikkerhedsafklaring, skal du heller ikke bare kopiere det ind i et AI-værktøj. Brug i stedet anonymiserede data, fiktive eksempler, korte uddrag uden følsomme detaljer eller godkendte virksomhedsløsninger, hvor datahåndteringen er afklaret.

Den sjette fejl er at bruge AI uden at definere rollen. Rollen bestemmer ikke kun tonen, men også perspektivet. Hvis du beder AI skrive som en kundeservicemedarbejder, vil den typisk fokusere på venlighed, klarhed og løsning af kundens problem. Hvis du beder den vurdere teksten som en salgschef, ser den måske mere på kommerciel effekt og kundens næste skridt. Hvis du beder den agere kritisk reviewer, vil den lede efter svagheder. En god rolle kan gøre svaret langt mere relevant.

Den syvende fejl er at bruge AI som en facitliste. AI er god til at foreslå, opsummere og strukturere, men den bør ikke være den eneste kilde til vigtige beslutninger. Hvis du bruger AI til beslutningsstøtte, skal du forstå antagelserne, kontrollere datagrundlaget og vurdere konsekvenserne. AI kan hjælpe dig med at tænke, men den skal ikke overtage dit ansvar.

Der findes også en mere skjult begynderfejl: Mange beder AI om at bekræfte deres egen idé. De skriver måske: ‘Er dette ikke en god plan?’ eller ‘Kan du forklare, hvorfor denne idé er stærk?’ Så får de ofte et svar, der lyder positivt og hjælpsomt. Det kan være rart, men det er ikke altid nyttigt. Hvis du vil have kvalitet, skal du også bede AI udfordre dig.

Prøv i stedet formuleringer som: ‘Gennemgå denne plan kritisk’, ‘Find de tre største svagheder’, ‘Hvilke antagelser bygger dette på?’, ‘Hvad kan gå galt?’, eller ‘Hvad ville en skeptisk leder spørge om?’ Den type prompts giver ofte langt mere værdi end endnu en pæn bekræftelse.

En god begyndermetode kan samles i fem trin. Først beskriver du opgaven. Derefter giver du kontekst. Så beder du om et konkret output. Når svaret kommer, kontrollerer du det. Til sidst justerer du prompten eller beder om en ny version. Den metode virker enkel, men den ændrer kvaliteten markant.

Det er også en god idé at gemme de prompts, der virker. Mange bruger AI tilfældigt fra gang til gang, selv når de løser de samme typer opgaver. Hvis du ofte skriver kundemails, mødereferater, LinkedIn-opslag, produkttekster eller interne forklaringer, kan du opbygge små standardskabeloner. Det sparer tid og giver mere ensartede resultater.

AI bliver først rigtig nyttigt, når du holder op med at behandle det som et orakel og begynder at behandle det som et arbejdsredskab. Et orakel forventes at give rigtige svar. Et arbejdsredskab skal bruges korrekt. Du skal stadig vælge opgaven, styre processen, kontrollere resultatet og tage ansvar for det, du sender videre.

Begynderfejl er ikke et problem i sig selv. De er en del af læringen. Problemet opstår, hvis man bruger AI ukritisk i vigtige opgaver uden at forstå, hvad der sker. Start med ufarlige opgaver, lær af fejlene, byg en enkel metode, og udvid gradvist. Så bliver AI ikke bare noget, du prøver, men noget du kan bruge professionelt.

En ottende fejl, der ofte følger med de andre, er at bruge AI uden et klart næste skridt. Brugeren får et svar, synes måske det ser fint ud, og så stopper processen. Men et AI-svar bør næsten altid føre til en handling: skal teksten redigeres, faktatjekkes, sendes til en kollega, sammenlignes med en kilde, eller bruges som råmateriale til noget andet? Hvis næste skridt ikke er klart, ender svaret let som digitalt støj.

Det hjælper at skrive formålet ind i prompten. I stedet for ‘lav en oversigt over dette emne’ kan du skrive ‘lav en oversigt, jeg kan bruge til at beslutte, hvilke tre punkter der skal med i en intern præsentation’. Så ved AI, hvad oversigten skal bruges til. Du får ikke bare information. Du får information formet mod en opgave.

En niende fejl er at bruge samme prompt til alle målgrupper. En tekst til en kunde, en kollega, en direktør og en ny medarbejder skal sjældent lyde ens. AI kan let tilpasse sprog og fokus, men kun hvis du beder om det. Målgruppen bør derfor være en fast del af de fleste arbejdsrelaterede prompts.

En tiende fejl er at glemme virksomhedens stemme. AI skriver ofte i et neutralt, pænt og lidt generisk sprog. Det kan være udmærket som start, men det passer ikke nødvendigvis til virksomhedens måde at kommunikere på. Hvis du arbejder med kundetekster, nyhedsbreve, supportmateriale eller ledelseskommunikation, bør du altid justere tonen, så teksten føles som jer, ikke som en tilfældig standardtekst.

For at undgå fejlene kan du bruge en enkel efterkontrol. Spørg: Er formålet tydeligt? Er målgruppen tydelig? Er der følsomme data? Er svaret korrekt? Er tonen passende? Er der noget, AI har gættet på? Hvad er næste skridt? Hvis du kan svare på de spørgsmål, har du allerede reduceret risikoen for de fleste begynderfejl.

Det er også værd at huske, at dårlige AI-svar kan være nyttige. De viser ofte, hvad prompten manglede. Hvis svaret bliver for langt, manglede der måske en længdeangivelse. Hvis det bliver for overfladisk, manglede der kontekst. Hvis det bliver for sælgende, manglede der tone. Hvis det gætter, manglede der afgrænsning. På den måde kan hvert dårligt svar lære dig noget.

En professionel AI-bruger er derfor ikke en person, der altid får perfekte svar første gang. Det er en person, der kan se, hvorfor et svar ikke virker, og som kan styre processen videre. Det er en mere realistisk og langt mere brugbar kompetence.

Begynderfejlene forsvinder ikke ved at læse om dem én gang. De forsvinder ved at arbejde bevidst med små opgaver, hvor du kan se effekten af dine justeringer. Når du opdager, hvor meget en bedre prompt ændrer svaret, bliver AI mindre tilfældigt og langt mere anvendeligt.

En praktisk måde at fastholde læringen på er at skrive din oprindelige prompt og den forbedrede prompt ved siden af hinanden. Så kan du se, hvad der ændrede resultatet. Var det målgruppen, rollen, formatet, afgrænsningen eller kvalitetstjekket? Den lille sammenligning gør prompting konkret og fjerner følelsen af, at AI bare svarer tilfældigt.

Du kan også lave en fast regel om, at vigtige AI-svar aldrig bruges uden en anden runde. Første runde skaber udkastet. Anden runde forbedrer og kontrollerer. Tredje runde kan være menneskelig gennemlæsning eller faktatjek. Det lyder langsommere, men i praksis sparer det ofte tid, fordi du undgår at sende noget videre, der senere skal rettes eller forklares.

Den vigtigste pointe er, at begynderfejl kan gøres ufarlige, hvis du øver på ufarligt materiale. Brug ikke din første AI-erfaring på en følsom kundesag eller et vigtigt ledelsesoplæg. Brug den på en tekst, en tjekliste eller en forklaring, hvor konsekvensen er lav. Når metoden sidder bedre, kan du gradvist bruge AI i mere værdifulde opgaver med passende kontrol.

Næste gang du bruger AI, så prøv ikke kun at bede om et svar. Bed også om en kritisk vurdering af svaret.

Den gode nyhed er, at du ikke behøver være teknisk specialist for at komme i gang. Du skal bare forstå nogle få grundprincipper. Du skal vide, hvad en chat er, hvordan du giver AI en opgave, hvorfor kontekst betyder så meget, hvilke data du bør holde tilbage, og hvilke indstillinger du bør kigge på, før du bruger værktøjet i forbindelse med arbejde.

En chat er den samtale, du har med ChatGPT. Du skriver noget, ChatGPT svarer, og du kan fortsætte med at justere, spørge, uddybe eller bede om en ny version. Mange begyndere tror, at første svar er det færdige resultat. Det er sjældent den bedste måde at bruge værktøjet på. Tænk i stedet på samtalen som et samarbejde, hvor du gradvist styrer svaret i den rigtige retning.

Start med en ufarlig opgave. Det kan være en tekst om et offentligt emne, en fiktiv kundesituation, en intern informationsmail uden fortrolige oplysninger eller en forklaring af et begreb. Det vigtige er, at du ikke begynder med personoplysninger, kundedata, kontrakter, lønoplysninger, interne priser eller andet materiale, du ikke frit kunne sende til en ekstern person.

Din første prompt kan være enkel. Skriv for eksempel: ‘Forklar kort, hvad kunstig intelligens kan bruges til i kontorarbejde, på et niveau hvor en almindelig medarbejder kan være med.’ Det vil give dig et udgangspunkt. Derefter kan du arbejde videre: ‘Gør teksten mere praktisk’, ‘Skriv den i en mere rolig tone’, ‘Lav tre konkrete eksempler’, eller ‘Fjern tekniske udtryk’.

Det er sådan, ChatGPT bliver nyttigt. Du behøver ikke ramme perfekt første gang. Du kan justere. Du kan spørge igen. Du kan bede om kortere, længere, mere konkret, mere kritisk, mere enkelt eller mere målrettet tekst. Mange af de bedste resultater opstår i anden, tredje eller fjerde omgang, fordi du selv bliver klogere på, hvad du egentlig har brug for.

Når du bruger ChatGPT til arbejde, bør du tidligt lære forskellen på en almindelig chat, en midlertidig chat og et projekt. En almindelig chat gemmes normalt i din historik, så du kan finde den igen. En midlertidig chat er beregnet til samtaler, der ikke skal ligge i din historik eller bruges til hukommelse på samme måde. Projekter bruges til at samle chats, filer og instruktioner omkring et bestemt emne eller en bestemt opgave.

Projekter er især nyttige, når du arbejder med noget over længere tid. Det kan være en bog, en hjemmeside, en intern vejledning, en marketingplan eller et sæt faste arbejdsopgaver. I stedet for at have ti løse chats kan du samle dem i et projekt og give projektet faste instruktioner om tone, målgruppe og arbejdsform. Det gør det lettere at holde sammenhængen.

Det betyder dog også, at du skal tænke over, hvad du lægger ind i et projekt. Hvis et projekt indeholder filer, noter og instruktioner, kan det blive en form for arbejdsrum. Det er en fordel, når materialet er egnet til det. Det er en risiko, hvis du ukritisk uploader følsomt materiale. Brug derfor projekter med omtanke, og hold virksomhedens retningslinjer for data og værktøjer for øje.

Et andet område, du bør kende, er Library eller filbiblioteket, hvis det er tilgængeligt på din konto. Her kan uploadede eller genererede filer blive gemt, så du kan finde dem igen. Det kan være praktisk, men det betyder også, at en fil ikke nødvendigvis forsvinder, bare fordi du er færdig med en samtale. Du bør derfor lære, hvordan du kan se, håndtere og slette filer, du ikke længere har brug for.

Før du begynder at bruge ChatGPT meget, bør du åbne indstillingerne. Kig især på områder som data controls, memory, apps/connectors og eventuelle sikkerheds- eller privatlivsindstillinger. Navne og placeringer kan ændre sig, men pointen er den samme: Du skal vide, om dine samtaler kan bruges til forbedring af modeller, om ChatGPT kan huske oplysninger mellem chats, og om værktøjet har adgang til eksterne apps eller tjenester.

Memory kan være nyttig, fordi ChatGPT kan huske præferencer, arbejdsform eller tilbagevendende oplysninger. Det kan gøre svarene mere personlige og relevante. Men memory er ikke noget, man bare bør lade være uovervejet. Hvis du arbejder med emner, hvor kontekst ikke skal bæres videre, bør du enten slå hukommelse fra, styre den aktivt eller bruge midlertidig chat, når det er mere passende.

Apps og connectors er et andet vigtigt område. Hvis ChatGPT kan forbindes til andre tjenester, kan det i nogle tilfælde søge i eller arbejde med indhold fra de tjenester. Det kan være stærkt, men også mere følsomt end en almindelig tekstchat. Når et AI-værktøj får adgang til filer, mails, kalender, dokumenter eller andre datakilder, bør du betragte det som en rigtig systemadgang, ikke som en uskyldig genvej.

En god begynderrutine er derfor denne: Vælg en ufarlig opgave. Skriv en tydelig prompt. Læs svaret kritisk. Bed om forbedringer. Gem kun det, du har brug for. Slet eller ryd op i chats og filer, når de ikke længere er relevante. Tjek indstillingerne, før du bruger værktøjet til mere end simple testopgaver.

Du kan også bruge ChatGPT til at lære ChatGPT. Det kan lyde lidt selvrefererende, men det er faktisk praktisk. Du kan skrive: ‘Jeg er ny bruger. Hjælp mig med at forbedre denne prompt, uden at gøre den for teknisk.’ Du kan også bede den forklare, hvorfor et svar blev for generisk, eller hvordan du kan give mere kontekst næste gang.

Det vigtigste i begyndelsen er ikke at lære alle funktioner på én gang. Begynd med chats, prompts og sikker databrug. Når du er tryg ved det, kan du gå videre til projekter, filer, faste instruktioner, apps og mere avancerede arbejdsgange. På den måde bliver ChatGPT et værktøj, du gradvist får kontrol over, i stedet for et stort system, du føler, du skal forstå fuldt ud fra dag ét.

En rolig start giver bedre resultater. Du lærer hurtigere, når du arbejder med konkrete opgaver, du kan forstå og kontrollere. Brug ChatGPT til at hjælpe dig, men lad ikke værktøjet fjerne din egen vurdering. Det er stadig dig, der kender formålet, modtageren, arbejdspladsen og konsekvensen af det, der bliver brugt.

Når du har prøvet nogle få almindelige chats, kan du begynde at tænke i genbrug. De fleste arbejdsopgaver gentager sig i en eller anden form. Det kan være samme type e-mail, samme type referat, samme type forklaring eller samme type forberedelse. Hvis du hver gang starter helt forfra, bruger du ikke AI så effektivt, som du kunne.

Gem derfor dine bedste prompts et sted, hvor du kan finde dem igen. Det behøver ikke være avanceret. Det kan være et dokument med overskrifter som ‘mail’, ‘referat’, ‘kritisk gennemgang’, ‘kort forklaring’ og ‘tjekliste’. Når du senere skal løse en lignende opgave, kan du kopiere prompten og tilpasse den. På den måde bliver du gradvist bedre uden at skulle opfinde din metode fra bunden hver gang.

Et andet godt begyndergreb er at bede ChatGPT om at forklare sin arbejdsproces. Du kan skrive: ‘Forklar kort, hvordan du vil løse denne opgave, før du skriver selve svaret.’ Det giver dig mulighed for at opdage, om værktøjet har forstået opgaven rigtigt. Hvis planen er forkert, kan du rette den, før du får en lang tekst, der rammer ved siden af.

Du kan også bede om alternativer. Hvis du kun får én version, kan den virke som det naturlige svar. Hvis du beder om tre forskellige vinkler, får du noget at vælge imellem. Det kan være en kort version, en mere forklarende version og en mere direkte version. Det gør det lettere at finde den tone og struktur, der passer til din situation.

For en ny bruger er det også vigtigt at kende forskellen på at bruge AI privat og at bruge AI på arbejdet. Privat kan du eksperimentere mere frit med opskrifter, rejseidéer, tekster og forklaringer. På arbejdet skal du tænke mere over data, ansvar, kvalitet og virksomhedens regler. Det er samme værktøj, men konteksten er anderledes.

Hvis du arbejder i en virksomhed, bør du derfor undersøge, om der findes en politik for brug af AI. Må du bruge en privat konto? Findes der en firmakonto? Hvilke typer data må bruges? Må filer uploades? Skal AI-output markeres eller kontrolleres? Hvis svarene ikke findes endnu, er det et tegn på, at virksomheden bør få dem på plads.

En rolig start kan være at arbejde med tre faste øvelser. Først beder du ChatGPT forklare et ufarligt emne på tre niveauer: til en ny medarbejder, til en erfaren kollega og til en leder. Derefter beder du den forbedre en kort tekst, du selv har skrevet. Til sidst beder du den lave en tjekliste til en opgave, du kender. De tre øvelser viser hurtigt, hvordan kontekst, målgruppe og outputform påvirker svaret.

Efter nogle dages brug bør du evaluere dine erfaringer. Hvilke opgaver gav værdi? Hvilke svar var for generiske? Hvilke prompts virkede bedst? Hvor blev du nødt til at rette meget? Den refleksion er vigtig, fordi målet ikke er at bruge AI mest muligt. Målet er at finde de steder, hvor AI faktisk forbedrer arbejdet.

Prøv at starte med en enkel tekst, en kort forklaring eller en ufarlig tjekliste. Brug fem minutter på at justere svaret i stedet for at acceptere første version.

Kunstig intelligens er på få år gået fra at være et teknisk emne for specialister til at være et værktøj, almindelige medarbejdere møder i deres hverdag. Mange har allerede prøvet ChatGPT eller et lignende værktøj. Nogle har bedt det skrive en tekst, forklare et begreb eller lave en oversigt. Andre har testet det af nysgerrighed og derefter lagt det væk igen, fordi de ikke helt kunne se, hvordan det skulle bruges i rigtige arbejdsopgaver.

Det er netop her, begrebet AI på kontoret bliver vigtigt. AI på kontoret handler ikke om kunstig intelligens som legetøj, teknologisk modeord eller et mirakelværktøj, der løser alt af sig selv. Det handler om at bruge AI som et praktisk arbejdsredskab i den del af arbejdet, hvor mange i forvejen bruger tid på at skrive, læse, strukturere, analysere, sammenligne, forberede, dokumentere, forklare og kommunikere.

Når AI bruges rigtigt, kan det fungere som en ekstra arbejdsflade. Du kan bruge det til at få et første udkast, en bedre struktur, en alternativ formulering, en forklaring på et svært emne eller en liste over spørgsmål, du selv bør undersøge nærmere. Det betyder ikke, at AI overtager din faglighed. Det betyder, at du får et værktøj, der kan støtte den.

En god måde at forstå AI på kontoret er at sammenligne det med tidligere kontorværktøjer. Tekstbehandling gjorde det lettere at skrive, redigere og genbruge dokumenter. Regneark gjorde det lettere at beregne, sammenligne og finde mønstre. E-mail gjorde det lettere at kommunikere hurtigt. AI kan på samme måde blive et nyt lag i kontorarbejdet, fordi det kan hjælpe med mange af de tanke- og formuleringsopgaver, der ligger mellem idé og færdigt resultat.

Det betyder ikke, at alle opgaver skal løses med AI. Nogle opgaver er for følsomme. Andre kræver direkte faglig vurdering, juridisk ansvar, teknisk kontrol eller menneskelig dømmekraft. AI på kontoret begynder derfor med et vigtigt princip: Du skal først forstå opgaven, før du vælger værktøjet. Hvis opgaven kræver et regnskabssystem, et CRM-system, et projektstyringsværktøj eller en godkendt virksomhedsløsning, er ChatGPT ikke automatisk det rigtige valg. AI skal støtte arbejdet, ikke styre det blinde valg af værktøj.

I praksis kan AI bruges på mange niveauer. På det enkle niveau kan du få hjælp til en e-mail, et møderesumé, en kort forklaring eller en tekst, der skal gøres mere klar. På et mere avanceret niveau kan du bruge AI til at gennemgå et længere dokument, sammenligne to versioner, opbygge en tjekliste, forberede spørgsmål til en kunde, omskrive teknisk materiale til en bestemt målgruppe eller skabe et udkast til en arbejdsgang.

Den største forskel ligger ofte ikke i selve værktøjet, men i måden du bruger det på. Hvis du skriver ‘lav en tekst om AI’, får du sandsynligvis et generisk svar. Hvis du derimod fortæller, hvem målgruppen er, hvad teksten skal bruges til, hvilken tone den skal have, hvilke pointer der skal med, og hvad teksten ikke må gøre, får du et langt bedre udgangspunkt. AI bliver bedre, når du giver den en tydelig opgave.

Derfor er prompting en vigtig del af AI på kontoret. En prompt er den instruktion, du giver AI. Det kan være et enkelt spørgsmål, men det kan også være en mere præcis arbejdsbeskrivelse. En stærk prompt forklarer formål, kontekst, input, ønsket output, rolle, afgrænsning og kvalitetstjek. Du behøver ikke skrive lange og komplicerede prompts hver gang. Du skal bare lære at give AI nok information til, at svaret kan blive brugbart.

AI kan også hjælpe med at tænke. Det lyder måske mærkeligt, men i mange kontoropgaver er problemet ikke kun at skrive teksten. Problemet er at få overblik over, hvad der egentlig skal siges, hvilke valg der skal træffes, hvilke risici der findes, og hvilke spørgsmål der mangler at blive besvaret. Her kan AI fungere som sparringspartner. Du kan bede den udfordre et forslag, finde svage punkter, stille kritiske spørgsmål eller pege på antagelser, du måske ikke har tænkt over.

Det er samtidig her, den menneskelige rolle bliver tydelig. AI kan foreslå, forklare og strukturere, men den har ikke dit ansvar. Den ved ikke automatisk, hvad der gælder i din virksomhed, hvilke aftaler der er indgået, hvilke data der er følsomme, eller hvilke juridiske krav der gælder i din branche. Den kan tage fejl. Den kan lyde overbevisende, selv når den gætter. Den kan misforstå konteksten. Derfor skal AI-output altid vurderes, før det bruges.

Et sundt udgangspunkt er at tænke på AI som en dygtig assistent med høj arbejdshastighed, men uden endeligt ansvar. Den kan give dig et stærkt udkast, men du skal godkende. Den kan lave en oversigt, men du skal kontrollere. Den kan foreslå en beslutning, men du skal forstå grundlaget. Den kan skrive en kundetekst, men du skal sikre, at den er korrekt, loyal over for virksomheden og egnet til modtageren.

AI på kontoret kræver også en mere bevidst tilgang til data. Mange begynder med at kopiere en tekst eller et dokument direkte ind i et AI-værktøj. Det kan være ufarligt, hvis materialet er offentligt eller ikke-fortroligt. Det kan være problematisk, hvis teksten indeholder kundedata, personoplysninger, medarbejderforhold, priser, tilbud, kontrakter, interne strategier eller tekniske oplysninger, der ikke bør deles. Derfor bør man altid spørge: Må jeg lægge dette materiale ind i værktøjet? Hvad indeholder det? Hvem kan få adgang? Hvilke indstillinger gælder? Er der en virksomhedsstandard, jeg skal følge?

For virksomheder bliver AI-kompetence mere end et individuelt spørgsmål. Det handler også om fælles retningslinjer. Medarbejdere har brug for at vide, hvilke værktøjer de må bruge, hvilke typer data de må arbejde med, hvordan svar skal kontrolleres, og hvornår en opgave skal løses i et godkendt system. Hvis virksomheden ikke giver svar, opstår der ofte uformel brug. Det kan give værdi, men det kan også skabe risiko.

En praktisk AI-kultur begynder ikke med store strategier alene. Den begynder med små, konkrete opgaver, hvor medarbejderne lærer, hvad AI er god til, og hvor grænserne går. Det kan være en standardmail, en opsummering af et ufarligt dokument, en tjekliste til mødeforberedelse eller en forbedring af en intern tekst. Når erfaringerne vokser, kan opgaverne blive mere avancerede.

Det vigtigste er at bevare balancen. AI skal ikke bruges, fordi det er nyt. Det skal bruges, når det hjælper med at skabe et bedre resultat. For nogle opgaver betyder det hurtigere første udkast. For andre betyder det bedre struktur. For andre igen betyder det, at du får øje på mangler, du ellers havde overset. Værdien ligger ikke i selve værktøjet, men i det arbejde, det hjælper dig med at udføre.

AI på kontoret er derfor ikke et spørgsmål om at blive teknologinørd. Det er et spørgsmål om at lære et nyt arbejdsredskab at kende. Når du forstår de grundlæggende principper, kan du bruge AI mere sikkert, mere målrettet og mere professionelt. Det er dér, AI begynder at flytte sig fra nysgerrig test til reel arbejdsværdi.

En af de vigtigste misforståelser er, at AI kun handler om at skrive hurtigere. Hastighed kan være en gevinst, men den største værdi ligger ofte et andet sted. AI kan hjælpe dig med at få struktur på løse tanker, opdage mangler i en plan, omskrive fagstof til et sprog modtageren forstår, eller skabe et første overblik, før du selv går i dybden. Det er ikke kun tidsbesparelse. Det er arbejdsstøtte.

Forestil dig en medarbejder, der skal skrive en kort intern vejledning. Uden AI begynder arbejdet måske med et tomt dokument og en halv time, hvor man forsøger at finde den rigtige begyndelse. Med AI kan medarbejderen først bede om en disposition, derefter et udkast, derefter en mere enkel forklaring og til sidst en tjekliste. Den færdige tekst skal stadig kontrolleres, men processen er kommet hurtigere fra uklar idé til konkret materiale.

AI på kontoret kan også være en hjælp for den medarbejder, der ikke føler sig stærk i skriftlig formulering. Mange har gode faglige pointer, men bruger lang tid på at få dem skrevet i et klart sprog. Her kan AI fungere som en sproglig støtte. Medarbejderen leverer indholdet og vurderingen, mens AI hjælper med at formulere, strukturere og tilpasse teksten til modtageren.

Det samme gælder ledere og specialister. En leder kan bruge AI til at forberede en kommunikation, hvor budskabet skal være tydeligt uden at virke hårdt. En specialist kan bruge AI til at forklare en teknisk ændring i et mindre teknisk sprog. En sælger kan bruge AI til at tilpasse en tilbudstekst til en kundetype. Fælles for det hele er, at AI hjælper med at oversætte faglig viden til brugbar kommunikation.

Den praktiske værdi afhænger dog af, at man holder opgaverne adskilt. AI kan hjælpe med at skrive en tekst, men det betyder ikke, at den bør opfinde fakta. AI kan hjælpe med at analysere et dokument, men det betyder ikke, at den bør bruges som eneste beslutningsgrundlag. AI kan hjælpe med at finde risici, men det betyder ikke, at den har det juridiske, tekniske eller økonomiske ansvar. Brugeren skal kende grænsen mellem hjælp og ansvar.

Derfor er AI på kontoret også en læringsopgave. Man skal lære at stille bedre spørgsmål, læse svarene kritisk, arbejde i flere runder, bruge sikre data og vide, hvornår output skal kontrolleres af en fagperson. Det er præcis som med andre værktøjer: Værdien kommer ikke kun fra adgangen til værktøjet, men fra den måde det bruges på.

Et godt første skridt er at vælge en opgave, du allerede kender godt. Det kan være en teksttype, du ofte skriver, et referat, du ofte laver, eller en forklaring, du ofte giver. Når du bruger AI på en opgave, du selv forstår, kan du lettere vurdere kvaliteten. Det er langt bedre end at begynde med et område, hvor du ikke selv kan opdage fejl.

På den måde bliver AI ikke en erstatning for erfaring. Det bliver en metode til at bruge erfaringen mere effektivt. Du ved, hvad der er vigtigt. AI hjælper dig med at få det ud i et format, der kan bruges.

Vil du i gang på en enkel måde, så begynd med én ufarlig arbejdsopgave og brug AI til at lave et første udkast, en tjekliste eller en bedre struktur.