Hvis du nogensinde har siddet med en AI og tænkt, at svaret var lidt forudsigeligt eller overfladisk, er du ikke alene. Kvaliteten af de prompts, vi skriver, er nemlig helt afgørende for, hvor meget værdi vi får ud af AI – uanset om vi arbejder i det offentlige, det private eller i uddannelsessektoren. For mange organisationer er AI stadig lidt af et sort hul, hvor outputtet ofte afhænger af held og tilfældigheder. Men sådan behøver det ikke være.

Hvorfor prompts er nøglen til AI-værdi

AI’s potentiale udnyttes kun fuldt ud, når vi stiller de rigtige spørgsmål på den rigtige måde. Dårlige prompts giver overfladiske svar, mens gennemtænkte prompts kan forvandle AI fra en simpel chatbot til en ægte tænke-partner. Det gælder både, når en kommune skal svare borgerne, når virksomheder skal effektivisere processer, og når lærere vil gøre eleverne til kritiske AI-brugere.

Hvad er T.C.R.E.I.-modellen?

T.C.R.E.I. står for Task, Context, References, Evaluate og Iterate. Modellen er udviklet for at give struktur til prompt-skrivning og sikre, at AI’en forstår både opgaven og baggrunden. Hvor mange bare skriver “Lav en rapport om X”, tvinger T.C.R.E.I. brugeren til at tænke over:

• Task: Hvad er den konkrete opgave?
• Context: Hvilken baggrundsinformation er vigtig?
• References: Hvilke kilder eller eksempler skal AI’en bruge?
• Evaluate: Hvordan vurderer vi kvaliteten af svaret?
• Iterate: Hvordan kan vi forbedre prompten og outputtet?

Det er en markant forbedring i forhold til klassisk prompt-brug, hvor man ofte glemmer at give AI’en nok kontekst eller feedback.

Eksempler fra det offentlige: Borgerbetjening med AI

Forestil dig en dansk kommune, hvor borgerne skriver ind med spørgsmål om byggesager. Med T.C.R.E.I.-modellen kan sagsbehandlere formulere præcise prompts, der sikrer, at AI’en både forstår spørgsmålet, har adgang til relevante regler og kan give et svar, der faktisk kan bruges. For eksempel:

• Task: “Svar på borgerens spørgsmål om byggelovgivning.”
• Context: “Borgeren spørger til regler for carporte i byzone.”
• References: “Brug Planloven og kommunens egne retningslinjer.”
• Evaluate: “Tjek om svaret matcher kommunens praksis.”
• Iterate: “Forbedr svaret, hvis borgeren efterspørger flere detaljer.”

Resultatet? Mindre ventetid, færre fejl og mere tilfredse borgere.

Erhvervslivet: Effektivisering og bedre output

I erhvervslivet kan T.C.R.E.I. bruges til alt fra onboarding af nye medarbejdere til automatiseret kundeservice. En dansk virksomhed har fx brugt modellen til at strømline onboarding-processen:

• Task: “Lav en onboarding-guide til nye ansatte.”
• Context: “Virksomheden arbejder med SaaS og har 50 ansatte.”
• References: “Tag udgangspunkt i vores interne wiki og HR-politikker.”
• Evaluate: “Er guiden forståelig og dækkende?”
• Iterate: “Opdater guiden baseret på feedback fra nye medarbejdere.”

Her oplevede virksomheden, at tiden brugt på onboarding faldt med 30 %, og at de nye medarbejdere hurtigere følte sig hjemme.

Undervisning: Didaktiske tips og elevopgaver

Lærere kan bruge T.C.R.E.I. til at lære eleverne at tænke kritisk over, hvordan de bruger AI. Et konkret undervisningsforløb kunne være, at eleverne skal formulere prompts til en AI, der skal skrive en artikel om klimaforandringer. Eleverne arbejder i grupper og bruger T.C.R.E.I. til at justere og forbedre deres prompts, så de ser, hvordan outputtet ændrer sig. Det gør AI til et didaktisk værktøj, ikke bare en snyder-genvej.

Konsulentens værktøj: Forretningsværdi og prompt chaining

For konsulenter åbner T.C.R.E.I. for avancerede teknikker som prompt chaining, hvor flere prompts kobles sammen for at løse komplekse opgaver. Vi har set danske virksomheder bruge denne metode til fx at automatisere rapportering, hvor AI’en først indsamler data, derefter analyserer og til sidst formidler resultaterne i et letforståeligt sprog. Konsulenten kan løbende evaluere og justere prompts, så outputtet hele tiden bliver bedre.

Teknisk fordybelse: Avancerede prompts og output-sammenligning

For udviklere og AI-specialister er T.C.R.E.I. et framework, der gør det muligt at systematisere prompt-udvikling. Prøv fx at sammenligne output fra en simpel prompt med en T.C.R.E.I.-prompt på samme opgave – forskellen er ofte markant. Her er et kodeeksempel på, hvordan man kan strukturere prompts i Python:

prompt = f"Task: {task}\n
Context: {context}\n
References: {references}\n
Evaluate: {evaluate}\n
Iterate: {iterate}"

Tip: Brug versionering af prompts og gem output, så du kan tracke, hvordan små ændringer påvirker kvaliteten.

Opsummering: Derfor skal du mestre T.C.R.E.I.-prompting

Uanset om du arbejder med borgere, kunder eller elever, kan T.C.R.E.I.-modellen løfte kvaliteten af dine AI-interaktioner markant. Modellen tvinger dig til at tænke over, hvad du egentlig vil have ud af AI’en – og hvordan du bedst guider den derhen. Vi anbefaler at eksperimentere med modellen og dele erfaringer med kolleger og netværk. Og har du brug for sparring eller workshops, står vi i Snilld altid klar til at hjælpe dig videre.

Kilder:

• https://towardsai.net/p/machine-learning/the-3-level-prompting-system-that-transforms-ai-into-your-ultimate-thinking-partner
• https://www.linkedin.com/pulse/two-prompting-frameworks-tcr-race-ayse-altunsacli-ozturk-qqzhe
• https://medium.com/age-of-awareness/the-3-level-prompting-system-that-makes-ai-insanely-useful-c37f9e64d547
• https://pub.towardsai.net/master-prompt-engineering-for-ai-agents-your-complete-guide-to-langchain-langgraph-6b7dcc03fc0c
• https://towardsai.net/ai/statistics
• https://academy.towardsai.net/

Målgruppens mening om artiklen

Anne Madsen, Digitaliseringskonsulent i kommune:
Jeg giver artiklen 85. Jeg synes, den er meget relevant for mit arbejde, især fordi den tager udgangspunkt i konkrete eksempler fra det offentlige og forklarer, hvordan T.C.R.E.I.-modellen kan bruges til at forbedre borgerbetjening. Det er praktisk anvendeligt, og jeg kan se mig selv bruge det i min hverdag. Dog kunne artiklen godt have haft lidt mere fokus på de udfordringer, der kan opstå i implementeringen.

Jacob Sørensen, IT-projektleder i privat virksomhed:
Jeg giver artiklen 78. Jeg synes, den er god til at forklare, hvorfor gode prompts er vigtige, og T.C.R.E.I.-modellen virker som et brugbart værktøj. Eksemplerne fra erhvervslivet er relevante, men jeg savner lidt mere teknisk dybde og flere konkrete cases fra større virksomheder.

Lise Holm, Gymnasielærer:
Jeg giver artiklen 90. Jeg kan virkelig bruge de didaktiske tips og eksempler til undervisning, og det er fedt at se, hvordan AI kan bruges mere refleksivt sammen med eleverne. Artiklen er let at forstå og giver konkrete ideer, jeg kan tage direkte med ind i klasselokalet.

Thomas Bæk, AI-udvikler:
Jeg giver artiklen 70. Jeg synes, det er fint, at T.C.R.E.I.-modellen bliver præsenteret, men for mig som udvikler er det lidt for overfladisk. Jeg havde gerne set mere om de tekniske aspekter, fx hvordan man versionerer prompts eller integrerer modellen i større systemer.

Maria Jensen, HR-chef:
Jeg giver artiklen 80. Onboarding-eksemplet rammer plet ift. mine udfordringer, og jeg kan se, hvordan T.C.R.E.I.-modellen kan gøre vores processer mere effektive. Jeg kunne dog godt have brugt flere HR-relaterede eksempler og måske lidt mere om, hvordan man får medarbejderne med på AI-bølgen.

*Denne artiklen er skrevet af en redaktion bestående af kunstig intelligenser, der har skrevet artiklen på baggrund af automatiseret research og oplysninger om de seneste teknologi nyheder fra internettet.

Billederne i artiklen er lavet af FLUX.1.1 Pro fra Black Forest Labs.