Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Få ChatGPT att resonera: Från tankekedjor till resonemangsnivåer

Lektion 7 av 16 Uppdaterad 5 november 2026 Nybörjare
På denna sida
  1. Vad som har förändrats
  2. Vad som fortfarande är användbart: Att formulera problemet väl
  3. Strukturera det förväntade svaret
  4. Resonera baklänges från målet
  5. Din tur
  6. Viktiga punkter

Under lång tid var den så kallade tankekedjetekniken (chain-of-thought) det mest kända knepet för att förbättra svar på svåra problem: att lägga till “resonera steg för steg” i slutet av prompten. De modeller som används i ChatGPT idag resonerar internt, och OpenAIs dokumentation har ändrat inställning. Den här lektionen förklarar vad som inte längre fungerar, vad som fortfarande är användbart och hur du får ett genomtänkt svar som du kan verifiera.

Vad som har förändrats

OpenAIs guide för resonemangsmodeller är tydlig: dessa modeller tänker innan de svarar, så att be dem att “tänka steg för steg” eller “förklara sitt resonemang” är meningslöst, och vissa tekniker av detta slag kan till och med försämra resultatet. Istället rekommenderas enkla, direkta prompter.

I ChatGPT styr du djupet i resonemanget med modellväljaren: i Chat-läge, från Instant till Extra High, och sedan Pro på abonnemang som erbjuder det; i ChatGPT Work och Codex med effektinställningen. När ett problem visar sig vara svårt är det rätta svaret inte längre att lägga till en magisk formel, utan att höja resonemangsnivån. Kursen OpenAI Reasoning på denna webbplats beskriver dessa inställningar i detalj.

Få ChatGPT att resonera idag Två kolumner. Undvik: formeln "tänk steg för steg", meningslös med modeller som resonerar internt och ibland skadlig. Gör: höj resonemangsnivån när problemet är svårt och skriv en prompt med all data, framgångskriterier och ett verifierbart svar. VAD SOM HAR FÖRÄNDRATS Få ChatGPT att resonera idag Undvik Formel "Tänk steg för steg" Varför Meningslöst med en resonemangsmodell, ibland skadligt Gör Inställning Höj resonemangsnivån Prompt Data, framgångskriterier, svar verifierbart
Baserat på guiden för bästa praxis gällande resonemang från OpenAI API-dokumentationen (november 2026).

Vad som fortfarande är användbart: Att formulera problemet väl

En resonemangsmodell behöver substans och ett tydligt mål. OpenAIs guide råder dig att vara mycket specifik med det förväntade resultatet, ange begränsningar explicit och separera delarna av prompten. I praktiken är det fyra element som gör skillnaden: all användbar data, de antaganden som ska behållas eller flaggas, dina framgångskriterier och svarsformatet.

Ta en lönsamhetsfråga. Istället för att skriva “resonera steg för steg”, be om ett svar som du kan kontrollera rad för rad:

Our revenue is €2.4M, our fixed costs are €1.8M,
and our variable costs represent 25% of revenue.
Are we profitable?

Present the calculation in a table (variable costs, total costs,
profit), then conclude in one sentence.

Tabellen finns inte där för att få modellen att tänka: den finns där för att låta dig verifiera. Här bör du se rörliga kostnader på 0,6 miljoner euro, totala kostnader på 2,4 miljoner euro och noll vinst: företaget ligger exakt på break-even-punkten. Om en siffra skiljer sig ser du omedelbart var.

Att be om antaganden följer samma logik. “Ange de antaganden du gör” lyfter fram implicita postulat, såsom en antagen konstant tillväxttakt, vilket kan snedvrida en slutsats utan att någonsin synas i den. “Börja med att återge problemet i en mening” ger dig en kontrollpunkt innan modellen producerar tre sidor om fel fråga.

Strukturera det förväntade svaret

Struktur är fortfarande värdefullt, förutsatt att det fokuserar på vad du vill ha tillbaka, inte på hur modellen ska tänka. För ett beslut tvingar det fram en jämförelse innan en dom fälls och integrerar kostnader som en snabb jämförelse missar: rekrytering, upplärningstid, risk för personalomsättning.

I need to choose between hiring a senior developer (€75,000 per year)
or outsourcing development to an agency (estimated €90,000 per year).
Our backlog represents 8 months of work.

Structure your response as follows:
1. Advantages and risks of each option
2. Real cost over 24 months, including recruitment and onboarding
3. Non-financial factors
4. Argued recommendation, with the assumptions made

För en diagnos, kräv ett brett spektrum av orsaker innan rangordning: utan “minst 8” riskerar svaret att stanna vid den första trovärdiga förklaringen.

Our conversion rate dropped from 3.2% to 1.8% in two months.
Traffic is stable, the product hasn't changed, but we redesigned
the page 6 weeks ago.

1. List at least 8 possible causes
2. Rank them by probability
3. For the 3 most likely, indicate how to verify them
4. Propose a prioritized action plan

För en kritisk utvärdering undviker en mall med specifika punkter inställsamma kommentarer. Om mallen ber om en marknadsjämförelse, kräv webbresearch och källor: utan dem riskerar de citerade “marknadsstandarderna” att vara påhittade.

Here is our SaaS pricing grid: Starter €29 per month,
Pro €79 per month, Enterprise upon request.

Evaluate it based on these points:
1. Consistency of the gap between plans
2. Gaps in the range
3. Comparison with three competing offers, citing your sources
4. Risks (cannibalization, barrier to entry)
5. Proposed adjustments, each justified

Resonera baklänges från målet

För att planera, börja från målet och arbeta baklänges mot medlen. Detta är ett snabbt sätt att omvandla en numrerad ambition till en trovärdig plan, eller att upptäcka att målet kräver en budget du inte har.

Our goal: €100,000 in monthly recurring revenue in 12 months.
We are at €35,000. Average basket: €200 per month.
Lead-to-customer conversion rate: 5%. Visitor-to-lead rate: 2%.

Starting from the goal, calculate the additional revenue needed,
the corresponding number of customers, leads, and visitors,
then propose the acquisition channels and the resulting budget.
Present the calculations in a table.

Din tur

Jämför två sätt att fråga. Välj ett beräknings- eller beslutsproblem från din vecka. Ställ frågan första gången med den snabbaste resonemangsnivån och formeln “resonera steg för steg”. Ställ frågan en andra gång med en högre resonemangsnivå, all data, dina framgångskriterier och en verifierbar svarsstruktur. Jämför noggrannheten och framför allt hur lätt det är att kontrollera varje svar.

Officiella källor: Reasoning best practices (OpenAI API-dokumentation) · GPT-6 and other models in ChatGPT · Prompt engineering best practices for ChatGPT (OpenAI Help Center) · Prompting (ChatGPT-dokumentation)

Viktiga punkter

  • ChatGPT-modeller resonerar internt: “tänk steg för steg” är meningslöst och kan till och med vara skadligt
  • När ett problem är svårt, höj resonemangsnivån istället för att lägga till formler
  • Tillhandahåll all data, de antaganden som ska behållas och dina framgångskriterier
  • Strukturera det förväntade svaret så att du kan verifiera det: beräkningar i en tabell, rangordnade orsaker, citerade källor
  • För att planera, börja från målet och arbeta baklänges mot medlen