En prompt är den text du skriver in till en AI-modell för att få den att göra något: svara på en fråga, skriva ett utkast, sammanfatta ett dokument eller analysera en tabell. På engelska betyder ordet både "omedelbar" och "uppmaning", och den som arbetat i en terminal känner igen kommandoradsprompten – tecknet som väntar på nästa instruktion. I dag menar nästan alla AI-betydelsen.
Tekniskt är prompten hela den instruktion som skickas in till en LLM, modellen bakom verktyg som ChatGPT, Claude och Gemini. Modellen vet ingenting om vad du vill utöver det som står i prompten. Det är därför två personer med samma verktyg får helt olika resultat: skillnaden sitter sällan i modellen utan i instruktionen.
Prompter skiljer sig också från vanliga Google-sökningar. En sökning är ofta några ord ("webbyrå stockholm"), medan en prompt till Generativ AI är längre och mer beskrivande – människor skriver hela meningar, förklarar sin situation och ställer följdfrågor. Det påverkar hur innehåll behöver skrivas för att synas, vilket vi återkommer till.
En bra prompt består av fem delar: roll, kontext, uppgift, format och exempel. Alla behöver inte vara med varje gång, men ju fler som saknas, desto mer gissar modellen. Uppdelningen är i praktiken gemensam för de tre stora leverantörernas egna guider – Anthropic, OpenAI och Google – även om de använder lite olika ord.
Ett konkret exempel. En dålig prompt: "Skriv ett LinkedIn-inlägg om vår nya tjänst." Modellen vet inte vilken tjänst, vem som ska läsa, hur långt inlägget får vara eller hur ni brukar uttrycka er. Resultatet blir generiskt och måste skrivas om.
En bättre prompt: "Du är marknadsförare på en svensk redovisningsbyrå som riktar sig till ägarledda bolag med 5–50 anställda. Skriv ett LinkedIn-inlägg på max 120 ord om vår nya tjänst för löpande bokföring med fast månadspris. Tonen ska vara saklig och varm, inga utropstecken, inga hashtags. Avsluta med en fråga till läsaren. Här är ett tidigare inlägg som fungerade bra: [klistra in]." Samma verktyg, men nu finns roll, kontext, uppgift, format och exempel på plats.
Exempel är ofta det som gör störst skillnad. Att skicka med provexemplar kallas few-shot; att bara beskriva uppgiften kallas zero-shot. Zero-shot räcker för enkla uppgifter, few-shot är bättre så fort stil, struktur eller bedömning är svåra att beskriva i ord.
Prompt engineering är det systematiska arbetet med att utforma, testa och förbättra prompter tills de ger pålitliga resultat – gång på gång, inte bara en gång. Skillnaden mot att "skriva en prompt" är ungefär som skillnaden mellan att skriva ett mejl och att bygga en mall som hundra kollegor ska använda.
En känd teknik är chain-of-thought: att be modellen resonera steg för steg innan den svarar. Tekniken beskrevs av Wei m.fl. (2022) och förbättrade resultaten tydligt på räkneuppgifter. Senare forskning nyanserar bilden: en genomgång från 2024 visar att vinsten är störst vid matematik och symboliskt resonemang, inte vid vanliga skrivuppgifter. Prompt engineering är alltså inte magi – det är tydlighet, struktur och test.
En vanlig fråga är varför samma prompt ger olika svar i ChatGPT, Claude och Gemini. Modellerna är tränade på olika data, har olika inbyggda instruktioner och tolkar formatönskemål olika. En prompt som är tydlig i alla fem delarna fungerar bäst överallt, men räkna med att finjustera per verktyg. Ju vagare prompten är, desto större risk för AI-hallucination – att modellen fyller luckorna med påhittade fakta som låter trovärdiga.
Systemprompten sätter ramarna för hela sessionen; användarprompten är uppgiften i varje enskild tur. I systemprompten läggs roll, regler, tonläge och sådant som ska gälla oavsett vad som frågas: "Svara alltid på svenska", "hänvisa aldrig till konkurrenter", "svara 'jag vet inte' om underlag saknas". Användarprompten är sedan det konkreta: "Sammanfatta det här mötet", "Skriv om stycket kortare".
För den som bara chattar spelar skillnaden liten roll – de flesta verktyg har en dold systemprompt du inte ser. Den blir viktig när ett företag bygger egna lösningar. En AI agent som svarar på kundfrågor eller sorterar inkommande mejl styrs nästan helt av systemprompten; det är där företagets regler, kunskap och gränser skrivs in. Skriver ni en bra systemprompt en gång slipper ni upprepa samma instruktioner i varje användarprompt.
Nej. En fråga är en typ av prompt, men en prompt kan lika gärna vara en instruktion ("skriv om det här kortare"), ett underlag att bearbeta eller en kombination av roll, kontext, uppgift och format. En prompt är allt du skickar in till modellen – frågan är ofta bara en del av den.
De vanligaste misstagen är att utelämna kontext modellen inte kan veta, att be om flera saker i samma prompt och att inte ange format eller längd. Ett annat är att inte ge exempel när stil och ton är viktiga. Rätta till dessa fyra och kvaliteten på svaren höjs märkbart – oftast mer än ett byte av verktyg gör.
Grunderna, ja – att strukturera roll, kontext, uppgift, format och exempel. Det räcker långt för dagligt arbete med text, analys och idéer. Djupare prompt engineering, som att bygga och testa systemprompter för en AI agent eller en intern assistent, är ett projekt i sig och görs bäst tillsammans med någon som har byggt sådana lösningar tidigare.
Ja, i hög grad. När en användare ställer en prompt i AI-sök delas den upp i underfrågor som besvaras med innehåll från webben. Finns tydliga, självständiga svar på er hemsida – om pris, målgrupp, leveranstid, ort – kan ni citeras. Saknas de, riskerar AI:n att svara nej eller lyfta en konkurrent. Innehållet är det enda ni faktiskt kan styra.