Prompt engineering er den kompetence, der i dag afgør, om AI bliver et professionelt arbejdsredskab eller en tidsspilde. Et studie fra MIT og Boston Consulting Group (Dell'Acqua et al., 2023) viste, at vidensarbejdere, der brugte AI med en struktureret tilgang, løste opgaver 25,1 procent hurtigere og producerede output, der blev vurderet 40 procent højere i kvalitet end kolleger, der brugte AI uden en systematisk metode. Det afgørende fund var ikke, hvilken AI de brugte – det var, hvordan de brugte den.
Alligevel er det de færreste kommunikatører og redaktører, der har fået en struktureret introduktion til, hvad god prompting egentlig indebærer. De bruger AI som en avanceret søgemaskine – skriver løse spørgsmål, får generiske svar og konkluderer enten, at AI ikke er nyttig, eller accepterer et output af lavere kvalitet end de ville acceptere fra en menneskelig kollega.
Denne guide giver dig det faglige fundament. Du lærer, hvad prompt engineering er, hvorfor det er en kommunikationsdisciplin frem for en teknisk øvelse, hvilke fem principper der konsekvent løfter outputkvaliteten, og hvad du konkret kan gøre i din daglige arbejdsproces som kommunikatør eller redaktør.
Prompt engineering er en systematisk metode til at formulere instruktioner til AI-systemer, så outputtet lever op til professionelle standarder. En prompt er den tekst, du sender til en AI-model – og kvaliteten af den tekst er den primære faktor, der bestemmer, om svaret er brugbart eller generisk.
Begrebet opstod i kølvandet på de store sprogmodellers kommercielle gennembrud og dækker over et praksisfelt, der kombinerer sproglig præcision, struktureret tænkning og forståelse for, hvordan AI-modeller behandler og vægter information. I professionel sammenhæng handler prompt engineering ikke om at finde hemmelige formler eller teste modellens tekniske grænser – det handler om at kommunikere klart og præcist, så AI forstår opgaven og kan løse den på et professionelt niveau.
Det er centralt at skelne mellem to former for AI-brug: instrumentel brug og analytisk brug. Instrumentel brug handler om tempo – at producere noget hurtigt. Analytisk brug handler om tænkning, faglig vurdering og kvalitet. McKinsey Global Institute estimerede i 2023, at generativ AI har potentiale til at tilføre 2,6–4,4 billioner dollars i produktivitetsgevinster globalt – men den potentielle gevinst er størst for dem, der arbejder med teknologien analytisk. Den mest produktive anvendelse af AI i vidensarbejde er ikke tekstgenerering – det er kognitiv forstærkning: at bruge AI til research, strukturering, argumentationstest og kvalitetssikring.
Prompt engineering er den metode, der gør analytisk AI-brug systematisk og gentagelig.
Sammenhængen mellem promptkvalitet og outputkvalitet er veldokumenteret i den videnskabelige litteratur om AI og vidensarbejde. Tre studier illustrerer mønstret særlig tydeligt.
Det mest citerede er Dell'Acqua et al. (2023), "Navigating the Jagged Technological Frontier", publiceret af Harvard Business School i samarbejde med MIT og Boston Consulting Group. Studiet fulgte 758 konsulenter, der enten arbejdede med eller uden AI på identiske opgaver. Konsulenter, der brugte AI med en struktureret tilgang, løste opgaverne 25,1 procent hurtigere og producerede output, der i blind evaluering blev bedømt 40 procent højere i kvalitet. Studiet introducerede begrebet "den jaggede teknologiske frontier" – den uregelmæssige grænse mellem opgaver, AI er god til, og opgaver den håndterer dårligt. Kommunikatørers primære opgave – at formidle komplekst indhold præcist og overbevisende – befinder sig direkte i det område, AI kan forstærke markant, men kun med den rette instruktion.
Nielsen Norman Group publicerede i 2023 en analyse af AI-asistenters effekt på produktiviteten i professionelt skrivearbejde. Analysen viste, at promptlæng de og præcision var den enkeltfaktor, der bedst forudsagde outputkvaliteten – ikke modellen, ikke brugernes generelle tekniske kompetence, men evnen til at formulere præcise og kontekstrige instruktioner. Brugere, der tilføjede eksplicit rollespecifikation og målgruppebeskrivelse til deres prompts, fik output af markant højere kvalitet end brugere, der stillede åbne spørgsmål.
Gartner forudsagde i sin 2024-rapport om generativ AI, at de organisationer, der investerer i AI-kompetenceudvikling frem for udelukkende i AI-teknologi, vil opnå 3,5 gange større ROI på deres AI-investeringer. Kompetencen, Gartner fremhæver, er præcis prompt engineering: evnen til systematisk at formulere instruktioner, der trækker det bedste ud af de tilgængelige AI-systemer.
Den vigtigste misforståelse om prompt engineering er, at det kræver teknisk viden. Det gør det ikke – og misforståelsen holder mange kommunikatører og redaktører tilbage fra en kompetence, de er naturligt godt rustede til at tilegne sig.
Der eksisterer en udbredt forestilling om, at gode prompts kræver kendskab til sprogmodellers arkitektur, til temperaturindstillinger og tokens, eller til de specifikke karakteristika ved de enkelte modeller. Forskningen peger i en anden retning. De mest effektive prompters er konsekvent folk, der tænker præcist om kommunikation: hvad vil jeg have sagt, til hvem, i hvilken tone og i hvilket format. Det er netop de spørgsmål, kommunikatører og redaktører besvarer professionelt til daglig.
En tekstforfatter, der kan skrive en præcis og handlingsorienteret briefingmail til en illustrator, har allerede den kognitive grundstruktur, der gør gode prompts mulige. En redaktør, der er vant til at instruere skribenterne i vinkel, målgruppe og format, har allerede de kompetencer, der adskiller en professionel prompter fra en, der bare skriver spørgsmål ind i et chatvindue.
Det, kommunikatører og redaktører mangler, er ikke evnen – det er den systematiske metode. Og det er præcis, hvad prompt engineering som fagdisciplin leverer: et sæt principper, der gør det, du allerede gør intuitivt, eksplicit og gentagbart.
Filosofien bag Sprogakademiets tilgang til AI-undervisning formulerer det direkte: AI skal ikke erstatte din faglighed. AI skal forstørre den. Det forudsætter, at du behersker prompt engineering – fordi det er metoden, der bestemmer, om du styrer AI, eller om AI styrer dig.
Systematisk prompt engineering hviler på fem grundprincipper, der tilsammen definerer forskellen på en god og en dårlig prompt. Principperne er uafhængige af, hvilken AI-model du bruger, og gælder på tværs af alle redaktionelle opgaver – fra research og idéudvikling til redigering og kvalitetssikring.
Rollebaseret prompting er et af de bedst dokumenterede redskaber til at forbedre AI-outputkvaliteten. Når du giver AI en eksplicit rolle, instruerer du modellen i, hvilken ekspertise den skal aktivere, hvilken linse den skal anlægge, og hvilke standarder outputtet skal leve op til.
Et konkret eksempel: "Indtag rollen som erfaren redaktør med speciale i kommunikation til erhvervsledere. Du har høje krav til argumentation, præcision og relevans for en travl målgruppe."
Nu ved modellen, at den skal ræsonnere ud fra redaktionel erfaring og specifikke kvalitetsstandarder. Outputtet ændrer sig markant i præcision, relevans og kritisk skarphed – sammenlignet med en prompt, der blot beskriver opgaven uden at specificere, hvem der løser den.
En vag opgavebeskrivelse producerer et vagt svar. Konkretisér præcist, hvad du vil have gjort – og bed eksplicit om kritik, hvis det er kritik du har brug for.
Det er en central pointe: sprogmodeller er optimeret til at tilfredsstille brugeren, og det betyder, at de som udgangspunkt søger at give positive og bekræftende svar. Beder du om "feedback", får du oftere ros end kritik. Beder du om "en kritisk analyse af om min argumentation holder – vær direkte og undgå at give ros, hvor det ikke er fortjent", aktiverer du et markant anderledes og langt mere værdifuldt output.
Eksplicit at bede om kritik er ikke blot en formulering – det er en instruktion, der omprioriterer, hvad modellen optimerer efter.
Kontekst er den mest undervurderede faktor i professionel prompting. Jo mere relevant baggrundsmateriale du giver AI-modellen, desto mere præcist og relevant bliver outputtet – fordi modellen nu kan vurdere din opgave i relation til din specifikke situation frem for at svare generisk.
Princippet er intuitivt forståeligt i menneskelige termer: en velinformeret sparringspartner leverer bedre svar end en, der hører om emnet for første gang. Del rapporter, tidligere tekster, analyser og tal. Byg en dialog op om emnet, inden du stiller den egentlige opgave. Giv modellen tid til at "sætte sig ind i" din kontekst – og det output, du modtager, vil afspejle denne investering.
I praksis kan det foregå i to trin: Første trin er kontekstetablering – du giver modellen baggrundsmateriale og beder den opsummere sin forståelse. Andet trin er den egentlige opgave, formuleret med udgangspunkt i den kontekst, modellen nu besidder.
Sprogmodeller kan levere output i tabeller, lister, skemaer, brødtekst, kronologiske oversigter, sammenligninger og mange andre formater. De fleste brugere specificerer aldrig det ønskede format og ender med generiske afsnit – selv når en tabel, et punktopsat skema eller en prioriteret liste ville have tjent formålet langt bedre.
Et konkret eksempel: "Lav en tabel med tre kolonner: argument, styrke fra 1 til 10, konkret forbedringsforslag. Uddyb de to svageste argumenter i separate afsnit under tabellen."
Du kan med fordel bruge de leveranceformater og analysemodeller, som er standard i din organisation. Outputtet bliver både mere brugbart og lettere at præsentere, når det lever op til kendte strukturer frem for at komme i et generisk format.
Målgruppebeskrivelsen er den faktor, der i størst grad bestemmer, om AI kan vurdere tekstens relevans og træfsikkerhed. Uden en konkret målgruppe kan modellen ikke vurdere, om din tekst rammer den rette tone, det rette abstraktionsniveau eller de rigtige argumenter – og outputtet bliver nødvendigvis generisk.
Et konkret eksempel: "Artiklen henvender sig til kommunikationschefer i mellemstore danske virksomheder med ansvar for intern kommunikation. De har 10–15 års erfaring, modtager mange informationer dagligt og har begrænset tålmodighed med lange redegørelser."
Med den beskrivelse kan AI præcist pege på steder, hvor din tekst er for indforstået, for lang eller mister relevans for den specifikke læser. Det er den samme kvalitetssikringsproces, der normalt kræver en runde med en erfaren kollega eller redaktionel sparringspartner.
Prompt engineering er ikke ét isoleret greb – det er en metode, der forbedrer samtlige faser af den redaktionelle arbejdsproces, fra den første idé til den færdige tekst klar til publicering.
AI kan kortlægge et emne systematisk og identificere perspektiver, argumenter og diskussioner, som ikke er umiddelbart tilgængelige via traditionel research. Den mest effektive tilgang er ikke at bede AI om at skrive teksten – men at bruge den som en struktureret research-assistent, der giver dig et bredere og mere informeret udgangspunkt, inden du formulerer din egen position.
I praksis kan en research-prompt se ud som følger: "Jeg skal skrive en faglig tekst om [emne]. Lav en dybdegående research-oversigt med de fem vigtigste perspektiver i feltet, de centrale uenigheder, typiske forenklinger og misforståelser, og de argumenter der oftest overses. Skriv neutralt og analytisk – tag ikke stilling."
Modellen fungerer nu som en struktureret research-assistent, der samler overblik og identificerer blinde vinkler, inden du har bundet dig til en vinkel. Resultatet er, at du skriver på basis af et informeret valg frem for én kilde eller din mavefornemmelse.
Strukturfejl er de dyreste fejl i redaktionelt arbejde, fordi de opdages sent – efter at skribenten har brugt timer på at formulere afsnit, der ender med at skulle omskrives fundamentalt. AI kan teste, om din disposition hænger logisk sammen, og om den tjener den intenderede målgruppe, inden du begynder at skrive.
En velformuleret strukturtest-prompt kan afsløre, at din tekst mister sin læser allerede ved det tredje punkt i dispositionen – og det er information, der er langt billigere at handle på, inden end efter skrivningen.
Redigering er et af de områder, hvor AI konsekvent leverer stor effekt med lavt risiko for kvalitetstab. Bed AI om at identificere gentagelser, klicheer, fyldord og steder, hvor argumentation er svag – men præcisér eksplicit, at du vil have stramningen uden en fuld omskrivning, og at din stemme og dine formuleringer skal bevares.
Det er en veldefineret og afgrænset opgave, AI løser godt, når prompten er præcis. Resultatet er en redigeret tekst, der er din – blot strammere.
Er du ny i brugen af AI til selve skriveprocessen, giver vores guide til AI til tekstforfatning det komplette overblik over workflow, kvalitetssikring og de hyppigste fejl.
AI kan simulere, hvordan din tekst lyder for en skeptisk læser, en travl kommunikationschef eller en journalist med faglig indsigt. Det er en hurtig kvalitetssikringsproces, der normalt kræver en runde med en kollega og tid, du sjældent har. Med en præcis prompt og en veldefineret persona for AI at simulere, får du reel og konkret feedback, inden teksten sendes videre.
Med en præcis prompt og en veldefineret persona for AI at simulere, får du reel og konkret feedback, inden teksten sendes videre. Vil du arbejde mere systematisk med at definere og fastholde din stemme, giver vores guide til tone of voice det komplette framework.
Bed AI om at spille djævlens advokat: identificere de svageste argumenter, pege på manglende belæg og markere steder, hvor teksten overforenkler eller undlader relevante modsynspunkter. Det er en af de mest undervurderede anvendelser – og en af de mest effektive. Forudsætningen er en prompt, der eksplicit beder om kritisk analyse frem for validering.
Fire fejlmønstre går igen hos kommunikatører og redaktører, der endnu ikke har tilegnet sig systematisk prompt engineering.
"Skriv en artikel om klimakommunikation" er ikke en professionel prompt – det er en åben invitation til generisk indhold. En præcis prompt specificerer rolle, opgave, kontekst, outputformat og målgruppe. Tilføjer du disse fem elementer, ændrer outputtet sig fundamentalt i relevans, præcision og brugbarhed.
Sprogmodeller er trænet til at tilfredsstille brugeren. Det betyder, at "feedback"-prompten næsten altid aktiverer en bekræftende og positiv respons. Beder du i stedet om "en kritisk analyse af, om min argumentation holder, med fokus på de svageste punkter og konkrete forbedringsforslag", aktiverer du et markant anderledes og langt mere værdifuldt svar.
Den hyppigste fejl er at behandle AI som en avanceret Google – én prompt, ét svar, og videre. Den mest effektive tilgang er dialogbaseret: byg kontekst op over flere runder, præciser opgaven, tilføj nyt materiale, bed om uddybning af specifikke punkter. En sprogmodel, der har fået tid til at arbejde med dit emne og din tekst, leverer markant bedre resultater end en, der besvarer en enkelt, isoleret forespørgsel.
Første output er startpunktet – ikke slutproduktet. Professionel AI-brug er iterativ: identificér hvad der er svagt i svaret, hvad der mangler, og hvad der skal uddybes. Brug det første output som et råudkast til at stille mere præcise opfølgningsprompts. Det er i de efterfølgende runder, outputkvaliteten konsolideres til noget, der kan bruges professionelt.
Dansk er et relativt lille sprog, og de store AI-modeller er primært trænet på engelsksprogede data. Det har konkrete konsekvenser for kommunikatører og redaktører, der arbejder på dansk: visse nuancer, fagtermer og redaktionelle konventioner, der er selvfølgelige på dansk, skal specificeres eksplicit i prompten for at AI kan håndtere dem korrekt.
I praksis betyder det, at en god dansk prompt er mere eksplicit om sproglige konventioner, tone og målgruppe end en tilsvarende engelsksproglig prompt ville behøve at være. Det øger behovet for præcis prompt engineering – og det øger gevinsten ved at beherske det systematisk.
For kommunikatører og redaktører, der arbejder med danske tekster til danske målgrupper, er promptkvaliteten derfor endnu mere afgørende end for engelsksprogede brugere. Et kursus i prompt engineering tilrettelagt specifikt til dansk professionelt sprogbrug giver en direkte og anvendelig gevinst i daglig praksis.
To ressourcer er særlig relevante for kommunikatører og redaktører, der vil arbejde systematisk med prompt engineering.
Leon Di Cara Voss har skrevet e-bogen AI som medredaktør – 20 tips til at skrive bedre tekster med AI, uden at lade AI skrive et eneste ord. E-bogen dækker hele den redaktionelle arbejdsproces med 20 konkrete prompteksempler – fra idéudvikling og research til redigering, argumentation, troværdighedstest og professionel finish.
E-bogen er skrevet til sprogprofessionelle og illustrerer i praksis, hvad analytisk AI-brug indebærer. Den er gratis og kan downloades her: Download "AI som medredaktør"
Sprogakademiet udbyder kurset Prompt engineering for kommunikatører og redaktører – et intensivt dagskursus underviste af Simon Linde, prisvindende copywriter og AI-specialist, der har undervist mere end 20.000 mennesker i professionel prompting.
Kurset er bygget op om det redaktionelle arbejde frem for tekniske detaljer. Du lærer at formulere prompts, der leverer professionelle resultater i din konkrete arbejdskontekst – og du arbejder med genbrugelige prompt-strukturer, du kan tage direkte hjem og anvende dagen efter.
Kurset kræver ingen forudgående AI-erfaring. Det kræver, at du arbejder professionelt med tekst.
Ønsker du et mere komplet forløb, tilbyder Sprogakademiet også Fremtidens AI-redaktør – et 4-dages kursus over 1–2 måneder, der dækker det fulde redaktionelle AI-workflow: fra promptarkitektur og tekstanalyse til opbygning af specialiserede AI-assistenter til dit daglige arbejde. Kurset er for kommunikatører, der vil gå fra AI-bruger til AI-kompetent professionel.
Prompt engineering er en systematisk metode til at formulere instruktioner til AI-systemer, så outputtet matcher professionelle krav. En velformuleret prompt specificerer AI'ens rolle, opgaven, den relevante kontekst, det ønskede outputformat og målgruppens karakteristika. Tilsammen bestemmer disse fem elementer, om AI leverer et generisk svar eller et professionelt brugbart output.
Nej. Prompt engineering er en kommunikationsdisciplin, ikke en teknisk. Forskning fra Nielsen Norman Group viser, at evnen til at formulere præcise, kontekstrige instruktioner er den primære faktor, der bestemmer outputkvaliteten – ikke teknisk viden om modellernes arkitektur.
Kommunikatører og redaktører er naturligt godt rustede til at beherske prompt engineering, fordi de er vant til at tænke systematisk om målgruppe, tone, opgave og format.
Prompt engineering for kommunikatører og redaktører koster 4.000 kr. ekskl. moms og afholdes som én intensiv kursusdag online fra kl. 9.00 til 15.00. Kommende hold: 5. maj, 11. august og 13. oktober 2026.
Simon Linde, prisvindende copywriter og AI-specialist, der har undervist mere end 20.000 mennesker i professionel prompting. Simon underviser med fokus på praktisk anvendelse i redaktionelt arbejde – ikke tekniske detaljer om AI-modeller.
ChatGPT er et AI-værktøj. Prompt engineering er metoden til at bruge det professionelt. De fleste brugere skriver løse spørgsmål og modtager generiske svar. Prompt engineering giver dig et systematisk sæt principper – rolle, opgave, kontekst, format og målgruppe – der konsekvent løfter outputkvaliteten markant. MIT og Boston Consulting Group dokumenterede i 2023, at vidensarbejdere med en struktureret AI-tilgang producerede output af 40 procent højere kvalitet end kolleger uden metoden.
Prompt engineering er relevant for alle, der arbejder professionelt med tekst og bruger eller overvejer at bruge AI i deres arbejde. Det er særlig værdifuldt for kommunikatører og redaktører, fordi de dagligt arbejder med præcis, målgruppetilpasset kommunikation – og dermed allerede besidder de grundlæggende kompetencer, som systematisk prompt engineering bygger videre på.