Sådan fungerer AI-chatbots – kort og letforståeligt

Du behøver ikke forstå matematikken bag for at få glæde af AI-chat, men en grundlæggende idé om, hvad der foregår, forklarer en hel del: hvorfor svar lyder selvsikre, selvom de er forkerte, hvorfor det samme spørgsmål giver forskellige svar, hvorfor AI'en mister tråden i lange samtaler, og hvorfor den måske ikke kender til helt nye begivenheder. Her er en enkel forklaring uden unødig fagjargon.

Den korte version

En AI-chatbot er bygget på en stor sprogmodel (LLM): et enormt neuralt netværk, der er trænet på gigantiske mængder tekst til at forudsige, hvad der kommer bagefter. Når du sender en besked, læser modellen samtalen og genererer et svar i små bidder ad gangen – hver gang ved at vælge den mest sandsynlige næste bid baseret på alt det foregående. Yderligere træning lærer den at følge instruktioner, føre en samtale og afvise skadelige forespørgsler.

Der er ingen database med færdige svar, den slår op i, og der sidder ikke et menneske bag kulisserne og taster. Næsten alt andet i denne guide udspringer af netop det.

Trin 1: Tekst bliver til tokens

Modeller læser hverken bogstaver eller hele ord. De opdeler teksten i tokens: almindelige ord er ofte et enkelt token, mens længere eller sjældnere ord deles op i mindre stykker. Mellemrum, tegnsætning og tal bliver også til tokens. Derfor kan en AI have svært ved opgaver som at tælle bogstaver i et ord eller vende en tekst baglæns: den ser ikke de enkelte bogstaver, som du gør.

Den samme betydning kan kræve et forskelligt antal tokens på forskellige sprog, hvilket er en af grundene til, at kvalitet og længdebegrænsninger kan variere fra sprog til sprog.

Trin 2: Forudtræning på enorme mængder tekst

I den første og største fase præsenteres modellen for en enorm mængde tekst – såsom offentligt tilgængelige hjemmesider, bøger, kode og andre kilder, afhængigt af udvikleren – og lærer at forudsige det næste token. Den bliver rettet igen og igen og justerer gradvist sine interne værdier, kaldet parametre eller vægte.

For at blive god til at forudsige tekst ender modellen med at opfange utrolig meget om grammatik, fakta, ræsonnementer og sprogtoner. Men den gemmer ikke en kopi af sine træningsdata som et bibliotek; den lagrer statistiske mønstre. Det er grunden til, at den kan forklare et komplekst emne flydende, men stadig huske forkert ved en bestemt dato, et navn eller et citat.

Trin 3: Finjustering forvandler en spåmand til en assistent

En model, der udelukkende forudsiger tekst, ville bare digte videre på din besked i stedet for at svare på den. Udviklerne træner den derfor videre på eksempler på gode samtaler og bruger feedback – fra mennesker og i stigende grad fra automatiserede tests og andre modeller – til at belønne hjælpsomme, ærlige og sikre svar. En velkendt metode er forstærkende læring ud fra menneskelig feedback (RLHF).

Denne fase giver chatbotten dens pli: at følge instruktioner, bruge formatering, indrømme usikkerhed en gang imellem og afvise skadelige anmodninger. Det kan også give visse særheder, f.eks. en tendens til at give brugeren ret eller lyde mere sikker, end der er belæg for.

Mange nyere modeller er også trænet i at ræsonnere: de arbejder sig igennem et problem i deltrin, før de giver det endelige svar. Det forbedrer resultaterne inden for matematik, kodning og planlægning, selvom det ikke gør dem ufejlbarlige.

Trin 4: Din samtale og kontekstvinduet

Når du chatter, sender appen en samlet pakke af tekst til modellen: instruktioner fra tjenesten, som du ikke ser (systemprompten), de tidligere beskeder i samtalen og din nye besked. Selve modellen gemmer ingen hukommelse mellem anmodningerne. Den "husker" kun samtalen, fordi hele samtalen sendes med igen hver gang.

Forenklet ser pakken for din tredje besked i en chat nogenlunde sådan ud:

[system]    Du er en hjælpsom assistent. Svar tydeligt...
[bruger]    Hvad er et godt navn til et bageri?
[assistent] Her er nogle idéer: Sprøde Skorper, Den Gyldne Krumme...
[bruger]    Gør dem mere franske.
[assistent] (modellen skriver denne del, token for token)

"Gør dem mere franske" giver kun mening, fordi de tidligere beskeder er sendt med. Hvis appen udelod dem, ville modellen ikke have nogen anelse om, hvad "dem" refererer til.

Mængden af tekst, en model kan forholde sig til på én gang, kaldes dens kontekstvindue, og apps beskærer ofte lange samtaler for at holde sig inden for grænserne. Derfor kan AI'en i en meget lang chat miste detaljer fra begyndelsen. Det hjælper som regel at starte en ny chat med et kort resumé.

Nogle tjenester tilføjer en separat hukommelsesfunktion, der gemmer fakta om dig på tværs af chats. Det er en funktion i selve appen udenom modellen – ikke noget, modellen gør af sig selv.

Trin 5: Generering af svaret

For hvert nyt token beregner modellen sandsynligheder for mange mulige kandidater. Appen vælger derefter ét – som regel med en kontrolleret mængde tilfældighed, så teksten ikke lyder mekanisk. Det forklarer to ting, du måske har bemærket:

• Det samme spørgsmål kan give forskellige svar. At generere svaret igen er en hurtig måde at se alternativer på.
• En velskrevet sætning er ikke nødvendigvis sand. Modellen vælger ord, der passer ind i mønstret; den faktatjekker ikke undervejs.

Prøv det selv: bed chatten om at forklare tokens med et eksempel, generer derefter svaret igen, og sammenlign de to versioner.

Hvorfor AI finder på ting

Når en model leverer forkerte oplysninger med stor overbevisning, kaldes det en hallucination. Det sker, fordi modellen er bygget til at skabe sandsynlig tekst, og en kildehenvisning, statistik eller biografi, der bare ser troværdig ud, er nem at generere – selv når de reelle fakta er ukendte. Træning har mindsket problemet, men ikke fjernet det. Områder med høj risiko omfatter:

• Præcise tal, datoer og citater.
• Henvisninger til bøger, forskningsartikler, retssager og websider.
• Nicheemner med begrænset træningsdata.
• Begivenheder, der fandt sted efter modellens træningsdata sluttede.

Vores guide til faktatjek forklarer, hvordan du hurtigt verificerer svar.

Hvorfor AI måske ikke kender til nye begivenheder

En models viden stammer fra data indsamlet frem til en bestemt dato – dens vidensgrænse (knowledge cutoff). Efter den dato ved den intet nyt, medmindre appen giver den friske oplysninger, for eksempel via et websøgeværktøj eller tekst, du selv indsætter. Når en assistent søger på nettet, er svaret kun så godt som de sider, den finder, så det kan stadig betale sig at tjekke kilderne. Hvis dit spørgsmål afhænger af aktuelle oplysninger, bør du selv indsætte den relevante tekst eller bekræfte svaret med en opdateret kilde.

Modeller, udviklere og modelmenuen

Flere virksomheder udvikler store sprogmodeller, herunder OpenAI (GPT-modellerne bag ChatGPT), Anthropic (Claude), Google (Gemini), Meta (Llama), xAI (Grok), DeepSeek, Alibaba (Qwen) og Mistral AI. Nogle offentliggør deres modelvægte, så enhver kan downloade og køre dem; andre tilbyder kun deres modeller gennem egne apps og API'er. Modellerne adskiller sig i tone, styrker, sprogdækning og hvor forsigtige de er. Vores modelguides og sammenligninger som ChatGPT vs Claude beskriver dem mere detaljeret.

I ChatG kan du vælge den modeltype, du foretrækker, i menuen eller lade den stå på ChatG Auto. ChatG er et uafhængigt websted og er ikke tilknyttet nogen af disse virksomheder.

Ofte stillede spørgsmål

Forstår AI'en, hvad den siger?

Det diskuteres stadig. Modeller opfanger helt klart en masse struktur om sprog og verden, og de kan løse problemer, de ikke har set før. Men de har ingen personlige erfaringer, og de kan fejle på måder, som et menneske med forstand på emnet aldrig ville gøre. I praksis bør du betragte AI som et stærkt værktøj – ikke en autoritet.

Lærer AI'en af min samtale?

Ikke under selve samtalen: modellens vægte ændrer sig ikke, mens du chatter med den. Visse tjenester kan senere bruge samtaler til at træne fremtidige modeller, afhængigt af deres vilkår og dine indstillinger.

Er AI'en forbundet til internettet?

Selve modellen er ikke. Den trækker på det, den lærte under træningen, plus det indhold, der er i den aktuelle samtale. Nogle apps tilføjer websøgning som et særskilt værktøj. Medmindre et svar viser kilder, der er slået op, må du gå ud fra, at det stammer fra træningsdata, som kan være forældede.

Hvorfor er nogle svar bedre på engelsk end på andre sprog?

Modeller ser som regel langt mere engelsk tekst under træningen end tekst på andre sprog, og andre sprog kan kræve flere tokens for at udtrykke det samme. Udbredte sprog klares generelt godt, mens mindre sprog kan give svagere resultater.