Analyse og beslutningstagning
På denne side
Lektion opdateret 2. november 2026. De oprindelige eksempler brugte Magistral, som blev udfaset den 31. juli 2026. De benytter nu Mistral Small 4 (
mistral-small-2603) eller Mistral Large 4 (mistral-large-4-0) medreasoning_effort="high"og parser svaret ved hjælp af funktionenseparerfra lektion 3. Kilde: Reasoning (Mistral Documentation).
Ræsonnement til støtte for beslutningstagning
Lad os være ærlige, før vi dykker ned i teknikkerne: Modellen træffer ikke beslutningen for dig, og det er heller ikke pointen. Det, ræsonnementet tilfører beslutningsprocessen, er det, en god konsulent leverer: eksplicitering. Kriterier, der ellers ville være underforståede, scenarier du ikke har gennemtænkt, risici ingen har nævnt – alt dette lagt sort på hvidt overlader det endelige valg til dig, men med et langt bedre grundlag.
Komplekse beslutninger kræver analyse på tværs af flere kriterier, overvejelse af forskellige perspektiver og evnen til at vurdere afvejninger. Det er opgaver, hvor struktureret ræsonnement leverer betydelig værdi sammenlignet med et intuitivt svar.
Struktureret komparativ analyse
Ræsonnement muliggør metodiske sammenligninger:
from mistralai.client import Mistral
client = Mistral(api_key="YOUR_API_KEY")
comparison = """My team needs to choose between PostgreSQL and MongoDB for a new application.
Context:
- B2B SaaS project management application
- 500 initial users, target of 10,000 in 2 years
- Structured data (users, projects, tasks) + free-text comments
- Team of 4 developers, all experienced in SQL
- Limited server budget (startup)
Analyze both options and recommend the best one."""
response = client.chat.complete(
model="mistral-small-2603",
reasoning_effort="high",
messages=[
{"role": "system", "content": """Senior technical consultant.
ANALYSIS METHOD:
1. Identify relevant decision criteria
2. Evaluate each option against each criterion
3. Weight criteria based on context
4. Identify risks for each option
5. Formulate an argued recommendation
REFLECTION:
Explore trade-offs. Consider short-term and long-term implications.
RESPONSE:
Clear recommendation with justification, risk mitigation plan."""},
{"role": "user", "content": comparison}
],
)
Scenarieanalyse
Ræsonnement er særligt effektivt til at udforske konsekvenserne af forskellige valg:
scenario = """Our startup (15 employees, $2M ARR) received two offers:
1. Series A funding round of $5M from a VC with 25% dilution
2. Acquisition offer of $12M by a large group (3-year earn-out)
Analyze both scenarios and their implications."""
response = client.chat.complete(
model="mistral-small-2603",
reasoning_effort="high",
messages=[
{"role": "system", "content": """Strategic analyst.
For each scenario, evaluate:
- Financial impact at 1 year, 3 years, 5 years
- Impact on decision-making autonomy
- Risks and probability of realization
- Impact on team and culture"""},
{"role": "user", "content": scenario}
],
)
Mønster: Automatiseret beslutningsmatrix
Du kan automatisere opbygningen af beslutningsmatricer:
def decision_matrix(client, options, criteria, context):
"""Generates a structured decision matrix."""
options_text = "\n".join(f"- {opt}" for opt in options)
criteria_text = "\n".join(f"- {crit}" for crit in criteria)
prompt = f"""Context: {context}
Options to evaluate:
{options_text}
Evaluation criteria:
{criteria_text}
For each option, rate each criterion on a scale of 1 to 5.
Justify each rating.
Calculate the total weighted score.
Recommend the optimal option."""
response = client.chat.complete(
model="mistral-small-2603",
reasoning_effort="high",
messages=[
{"role": "system", "content": "Decision analysis expert. Be objective and rigorous in your evaluations."},
{"role": "user", "content": prompt}
],
)
return separer(response.choices[0].message.content)[1] # the response, without the reasoning
# Example: framework selection
result = decision_matrix(
client,
options=["React + Next.js", "Vue + Nuxt", "Svelte + SvelteKit"],
criteria=[
"Learning curve",
"Ecosystem and community",
"Performance",
"Developer recruitment",
"Long-term maintainability"
],
context="Redesign of a B2C e-commerce site, team of 3 junior devs"
)
Risikoanalyse
Struktureret ræsonnement er ideelt til at identificere og evaluere risici:
risk_analysis = """We plan to migrate our production database
(50 GB, 200 tables, 15 connected applications) from MySQL 5.7 to PostgreSQL 16.
Identify all risks associated with this migration and propose a mitigation plan."""
response = client.chat.complete(
model="mistral-small-2603",
reasoning_effort="high",
messages=[
{"role": "system", "content": """Senior DBA and system architect.
RISK ANALYSIS:
For each identified risk, specify:
- Probability (low/medium/high)
- Impact (low/medium/critical)
- Mitigation plan
- Rollback plan"""},
{"role": "user", "content": risk_analysis}
],
)
Evaluering af afvejninger
Tekniske beslutninger indebærer ofte afvejninger. Ræsonnement hjælper med at gøre dem eksplicitte:
tradeoff = """Microservices vs. monolithic architecture for our application:
Our situation:
- Team of 6 developers
- HR management application
- 3 modules: recruitment, payroll, leave management
- Deployment on Kubernetes
- Need for independent module updates
Analyze the trade-offs of each approach."""
response = client.chat.complete(
model="mistral-small-2603",
reasoning_effort="high",
messages=[{"role": "user", "content": tradeoff}]
)
Mønster: Djævlens advokat
Dette er det mest værdifulde mønster i denne lektion, fordi det korrigerer en bias, vi alle deler: Når en beslutning er truffet, leder vi kun efter bekræftelse. Ved eksplicit at bede modellen om at angribe beslutningen – finde svagheder, fejlscenarier og skrøbelige antagelser – tvinger du dig selv til at høre det, ingen kollega tør sige, og det, du ikke længere fortæller dig selv:
def challenge_decision(client, decision, context):
"""Plays devil's advocate on a decision."""
prompt = f"""A team has made the following decision:
DECISION: {decision}
CONTEXT: {context}
Play devil's advocate:
1. Identify the 5 main arguments AGAINST this decision
2. For each argument, assess its severity (1-5)
3. Propose conditions under which this decision would be catastrophic
4. Suggest necessary safeguard measures
5. Conclude: Is the decision solid despite the counter-arguments?"""
return client.chat.complete(
model="mistral-small-2603",
reasoning_effort="high",
messages=[
{"role": "system", "content": "Critical analyst. Be incisive but constructive."},
{"role": "user", "content": prompt}
],
)
Small 4 eller Large 4 til analyse?
Den rigtige refleks er at tilpasse modellen til beslutningens kritikalitet og reversibilitet. Til en simpel sammenligning mellem to muligheder med klare kriterier, en hurtig evaluering eller en beslutning, du kan rette op på næste uge, fungerer Mistral Small 4 i high-tilstand fremragende til en lavere pris. Men så snart analysen bliver multikriteriel med debatterbare vægtninger, beslutningen er strategisk og svær at reversere – et arkitekturvalg, en produktionsmigration, en finansiel afgørelse – eller scenariet indebærer reel usikkerhed, bør du teste Mistral Large 4 i high-tilstand. En mere capable model har større chance for at gøre en forskel i udforskningen af afvejninger og ugunstige tilfælde, men kun en sammenligning på dine egne cases vil fortælle dig, om merprisen er berettiget.
Vigtige pointer
- Ræsonnement transformerer beslutningsanalyse til en struktureret og reproducerbar proces
- Brug en system-prompt, der håndhæver en analysemetode (kriterier, vægtning, risici)
- Beslutningsmatricer og scenarieanalyse drager enorm fordel af ræsonnement
- Mønsteret djævlens advokat udnytter ræsonnement til at udfordre dine beslutninger
- Tilpas modellen til beslutningens kritikalitet: Small 4 til daglige opgaver, test Large 4 til strategiske