Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Forge vs. RAG vs. Prompting

Lektion 10 af 14 Opdateret 28. juli 2026 Mellem
På denne side
  1. Vælg den rigtige tilgang til dit brugstilfælde
  2. Hvad hver tilgang faktisk gør
  3. Fire spørgsmål du skal stille i rækkefølge
  4. Kombinér, modsæt ikke
  5. Vigtige pointer

Vælg den rigtige tilgang til dit brugstilfælde

Der findes tre strategier til at tilpasse en generativ AI-model til din forretningskontekst: prompt engineering, RAG (Retrieval-Augmented Generation) og finjustering via Forge. Det er ikke konkurrerende teknologier, hvor den ene er iboende bedre end de andre. De adskiller sig ved omkostninger, implementeringstid og den specifikke type problem, de løser. Spørgsmålet er aldrig „Hvilken er bedst?”, men snarere „Hvilken står mål med det, jeg forsøger at opnå?”

Hvad hver tilgang faktisk gør

Prompt engineering handler om at udforme præcise instrukser i system-prompten for at styre modellens adfærd. Det kræver ingen ændring af modellen og tilfører ingen proprietære data – kun tekstinstrukser. En direktiv som „Du er en juridisk assistent specialiseret i fransk arbejdsret. Svar koncist og citér relevante lovparagraffer” er nok til permanent at styre stil, omfang og detaljeringsgrad i svarene. Det er øjeblikkeligt, reversibelt og gratis, hvilket er grunden til, at de fleste projekter bør starte her.

RAG fungerer anderledes. For hver forespørgsel søger systemet i en dokumentdatabase efter relevante passager og fodrer modellen med dem som kontekst, før den udformer sit svar. Det er præcis sådan, Enterprise Search fungerer. Når en medarbejder spørger: „Hvad er vores politik for hjemmearbejde?”, henter systemet dokumentet „Remote_Work_Charter_2026.pdf”, og modellen genererer sit svar baseret på denne fil. Viden forbliver i indekset, uden for modellen, hvilket sikrer, at den holdes ajour.

Finjustering via Forge genoptræner modellen på dine proprietære data. Viden hentes ikke længere fra et eksternt indeks; den er bagt ind i modellens parametre. Efter finjustering på 50.000 support-billetter klassificerer modellen nye anmodninger med den korrekte kategori, prioritetsniveau og destinationstjeneste uden at konsultere nogen dokumentdatabase. Den forventede adfærd er blevet lært; den behøver ikke længere at blive mindet om det ved hver eneste anmodning.

KriteriumPrompt engineeringRAGForge (finjustering)
ImplementeringstidMinutter til timerDage til uger3 til 6 måneder
OmkostningerUbetydeligeModerate (infrastruktur + connectors)Høje (data + træning + FDE)
Proprietære dataNej (kun instrukser)Ja (hentes i realtid)Ja (integreret i modellen)
Forretningsmæssig præcisionGennemsnitligGod (hvis docs er tilgængelige)Fremragende
Data-aktualitetIkke relevantReal-timeFrosset på træningstidspunktet
HallucinationerHyppige ved domænespecifikke opgaverReduceret (kilder citeres)Meget reduceret ved domænespecifikke opgaver
Påkrævet teknisk kunnenIngenIT + adminDatateam + Mistral FDE
VedligeholdelseJustér promptsVedligehold connectorsPeriodisk genoptræning

Fire spørgsmål du skal stille i rækkefølge

Har du faktisk brug for proprietære data? Hvis en korrekt instrueret generisk model er tilstrækkelig – som det er tilfældet ved skrivning, oversættelse, brainstorming og de fleste produktivitetsopgaver – så hold dig til prompt engineering. Mange organisationer iværksætter dyre projekter for behov, som en solid system-prompt kunne have dækket.

Hvor hurtigt ændrer dine data sig? Hvis din vidensbase, dokumentation eller billetvolumen ændrer sig dagligt, er RAG bedre egnet end Forge, fordi det altid spørger den seneste version. En Forge-model kender kun data, som de eksisterede på træningstidspunktet; integrering af en ny procedure kræver genoptræning.

Hvilken dybde af ekspertise forventer du i et stabilt domæne? Når regulativer kun ændrer sig én gang om året, det tekniske korpus er etableret, forretningsterminologien er fastlåst, og præcision er afgørende, bliver Forge det rigtige valg. Modellen internaliserer denne ekspertise i sine parametre og viser sig mere pålidelig end RAG til specialiserede opgaver.

Endelig, hvad er dit budget og din tidsplan? Svaret er ofte afgørende. Forge er en investering. Hvis du skal vise resultater på få uger med begrænsede ressourcer, så start med RAG og gem Forge til en senere fase, når du har demonstreret RAG’s ROI over for ledelsen.

Kombinér, modsæt ikke

Disse tilgaver udelukker ikke hinanden, og modne organisationer driver dem side om side. Prompt engineering håndterer generelle opgaver – skrivning, resumé, oversættelse. RAG, via Enterprise Search, giver adgang til opdaterede interne data. Forge tackler kritiske forretningsopgaver, der kræver maksimal præcision. Intet hindrer dig i at bruge en Forge-model sammen med Enterprise Search: så kombinerer du dyb ekspertise lært under træningen med adgang til de seneste oplysninger.

Nogle refleksioner kan forhindre skuffelser. At hoppe direkte til Forge uden seriøst at teste prompt engineering og RAG betyder, at du betaler en overpris for resultater, en lettere tilgang måske kunne have opnået. Omvendt fører troen på, at RAG erstatter Forge, til stædighed: ved klassificering, struktureret ekstraktion eller specialiseret generering rammer RAG et loft, hvor Forge fortsat forbedrer sig. To punkter undervurderes konsekvent: datakvalitet, da en model trænet på et middelmådigt korpus giver middelmådige resultater, og vedligeholdelse, da en Forge-model skal genoptrænes periodisk for at holde sig ajour.

Vigtige pointer

  • Prompt engineering er udgangspunktet – hurtigt, gratis og ofte tilstrækkeligt
  • RAG (Enterprise Search) er ideelt til adgang til interne data, der ændrer sig hyppigt
  • Forge er reserveret til kritiske brugstilfælde, der kræver dyb ekspertise i et stabilt domæne
  • De tre tilgaver kombineres – start simpelt, og skalér op, hvis det er nødvendigt