Prompt – hva en prompt er, og hvordan en god AI-prompt er bygget opp

Definisjon

En prompt er instruksjonen du gir en KI-modell – teksten som styrer hva ChatGPT, Claude eller Gemini svarer. Jo tydeligere rolle, kontekst, oppgave og format, desto bedre svar.

Hva er en prompt?

En prompt er teksten du skriver inn til en KI-modell for å få den til å gjøre noe: svare på et spørsmål, skrive et utkast, oppsummere et dokument eller analysere en tabell. På engelsk betyr ordet både «umiddelbar» og «oppfordring», og den som har jobbet i en terminal, kjenner igjen ledeteksten på kommandolinjen – tegnet som venter på neste instruksjon. I dag mener nesten alle KI-betydningen.

Teknisk er prompten hele instruksjonen som sendes inn til en LLM, modellen bak verktøy som ChatGPT, Claude og Gemini. Modellen vet ingenting om hva du vil, utover det som står i prompten. Det er derfor to personer med samme verktøy får helt forskjellige resultater: forskjellen ligger sjelden i modellen, men i instruksjonen.

Prompter skiller seg også fra vanlige Google-søk. Et søk er ofte noen få ord («webbyrå oslo»), mens en prompt til generativ KI er lengre og mer beskrivende – folk skriver hele setninger, forklarer situasjonen sin og stiller oppfølgingsspørsmål. Det påvirker hvordan innhold må skrives for å bli synlig, og det kommer vi tilbake til.

Hvordan er en god prompt bygget opp?

En god prompt består av fem deler: rolle, kontekst, oppgave, format og eksempler. Ikke alle trenger å være med hver gang, men jo flere som mangler, desto mer gjetter modellen. Inndelingen går i praksis igjen i de tre store leverandørenes egne guider – Anthropic, OpenAI og Google – selv om de bruker litt ulike ord.

• Rolle – hvem modellen skal være («du er en erfaren B2B-tekstforfatter»).
• Kontekst – bakgrunn modellen ikke kan vite: bedrift, målgruppe, kanal, tone.
• Oppgave – nøyaktig hva som skal gjøres, helst én ting om gangen.
• Format – lengde, struktur, språk, overskriftsnivåer, punktliste eller løpende tekst.
• Eksempler – ett eller et par eksempler på hvordan et godt resultat ser ut.

Et konkret eksempel. En dårlig prompt: «Skriv et LinkedIn-innlegg om den nye tjenesten vår.» Modellen vet ikke hvilken tjeneste, hvem som skal lese, hvor langt innlegget kan være eller hvordan dere pleier å uttrykke dere. Resultatet blir generisk og må skrives om.

En bedre prompt: «Du er markedsfører i et norsk regnskapsbyrå som retter seg mot eierstyrte selskaper med 5–50 ansatte. Skriv et LinkedIn-innlegg på maks 120 ord om den nye tjenesten vår for løpende bokføring til fast månedspris. Tonen skal være saklig og varm, ingen utropstegn, ingen hashtags. Avslutt med et spørsmål til leseren. Her er et tidligere innlegg som fungerte bra: [lim inn].» Samme verktøy, men nå er rolle, kontekst, oppgave, format og eksempel på plass.

Eksempler er ofte det som gjør størst forskjell. Å sende med eksempler kalles few-shot; å bare beskrive oppgaven kalles zero-shot. Zero-shot holder for enkle oppgaver, few-shot er bedre så snart stil, struktur eller vurdering er vanskelig å beskrive med ord.

Hva er prompt engineering?

Prompt engineering er det systematiske arbeidet med å utforme, teste og forbedre prompter til de gir pålitelige resultater – gang på gang, ikke bare én gang. Forskjellen fra å «skrive en prompt» er omtrent som forskjellen mellom å skrive en e-post og å bygge en mal som hundre kolleger skal bruke.

En kjent teknikk er chain-of-thought: å be modellen resonnere trinn for trinn før den svarer. Teknikken ble beskrevet av Wei mfl. (2022) og forbedret resultatene tydelig på regneoppgaver. Senere forskning nyanserer bildet: en gjennomgang fra 2024 viser at gevinsten er størst ved matematikk og symbolsk resonnering, ikke ved vanlige skriveoppgaver. Prompt engineering er altså ikke magi – det er tydelighet, struktur og testing.

Et vanlig spørsmål er hvorfor samme prompt gir ulike svar i ChatGPT, Claude og Gemini. Modellene er trent på ulike data, har ulike innebygde instruksjoner og tolker ønsker om format forskjellig. En prompt som er tydelig i alle fem delene, fungerer best overalt, men regn med å finjustere per verktøy. Jo vagere prompten er, desto større er risikoen for KI-hallusinasjon – at modellen fyller hullene med oppdiktede fakta som høres troverdige ut.

Hva er forskjellen mellom systemprompt og brukerprompt?

Systemprompten setter rammene for hele økten; brukerprompten er oppgaven i hver enkelt runde. I systemprompten legges rolle, regler, tone og det som skal gjelde uansett hva som spørres om: «Svar alltid på norsk», «vis aldri til konkurrenter», «svar ‹jeg vet ikke› hvis grunnlaget mangler». Brukerprompten er deretter det konkrete: «Oppsummer dette møtet», «Skriv avsnittet kortere».

For den som bare chatter, spiller forskjellen liten rolle – de fleste verktøy har en skjult systemprompt du ikke ser. Den blir viktig når en bedrift bygger egne løsninger. En KI-agent som svarer på kundespørsmål eller sorterer innkommende e-post, styres nesten helt av systemprompten; det er der bedriftens regler, kunnskap og grenser skrives inn. Skriver du en god systemprompt én gang, slipper du å gjenta de samme instruksjonene i hver brukerprompt.