Finjustering vs. Prompt Engineering: Din beslutningsguide til små og mellemstore virksomheder

Forestil dig dette: Dit tilbudsteam bruger tre dage på et teknisk tilbud, som AI kunne udarbejde på tre timer. Hvordan opnår du dette tidsspring?

Valget mellem Prompt Engineering og Fine-Tuning afgør dit ressourceforbrug, omkostningsstruktur og resultat. Det ene er ofte hurtigt og fleksibelt, det andet krævende, men dybtgående.

Men hvilken tilgang passer til din virksomhed? Netop dette spørger mange mellemstore virksomheder om nu, efter at have erkendt: AI er ikke længere et valg – det er et konkurrenceparameter.

Der findes flere praktiske scenarier: Direktøren i maskinindustrien, hvis teams binder meget tid i dokumentation. HR-manageren, der vil accelerere ansættelsesprocesser – selvfølgelig compliant. Eller IT-lederen, der vil gøre viden lettere tilgængelig internt.

Alle står overfor det samme centrale valg: Hvordan udnytter du Large Language Models til forretningsmæssig succes?

Her får du et praksisnært beslutningsværktøj – med eksempler, sammenligningstabeller og en klar beslutningsmatrix.

En ting er sikkert: Dagens rette valg sikrer morgendagens forspring. Lad os finde ud af hvordan.

Forstå det grundlæggende: De to verdener af LLM-tilpasning

Før vi dykker ned i detaljerne, én grundlæggende erkendelse: Prompt Engineering og Fine-Tuning er ikke modpoler, men to værktøjer i samme værktøjskasse.

Forestil dig det som bilkørsel. Med Prompt Engineering indstiller du radioen, sædet og ventilationen – hurtigt og præcist. Fine-Tuning svarer til motortuning: krævende, men med vedvarende effekt.

Hvad er Prompt Engineering?

Med Prompt Engineering får du din Large Language Model til at svare bedre og mere målrettet på dine forespørgsler. Du ændrer ikke selve modellen – du bliver ekspert i at “tale” med den.

Et praktisk eksempel: I stedet for “Skriv en projektstatus”, vælger du:

“Du er en erfaren projektleder i en maskinproduktionsvirksomhed. Udarbejd en statusrapport for projektet ‘Automationslinje Kunde XY’ med følgende struktur: 1) Aktuel status (max. 3 bullet points), 2) Kritiske sti-aktiviteter, 3) Risici med sandsynlighed og impact, 4) Næste skridt med ansvarlige personer. Stil: saglig, præcis, egnet til ledelsen.”

Sådanne strukturer øger tydeligt kvaliteten af output. Ifølge udbyderne kan systematisk Prompt Engineering booste performance markant – ofte med 20 til 50 procent. Vigtigt: De præcise tal varierer efter opgave, model og branche, men er ofte meget relevante i praksis.

Vigtige teknikker i et overblik:

• Few-Shot Learning: Brug eksempler direkte i prompten
• Chain-of-Thought: Få modellen til at tænke højt og ræsonnere
• Role Prompting: Indtag en specifik fagrolle
• Template-tilgange: Genbrug gennemprøvede strukturer

Hvad er Fine-Tuning?

Fine-Tuning går dybere: Du træner den fortrænede model videre – med dine egne eksempler. På den måde lærer modellen din organisations sprogtone, terminology og specifikke krav.

Teknisk set overtager du eksempelvis GPT-3.5, GPT-4 eller open source-modeller og justerer modellens neurale vægte. Forudsætning: nogle hundrede til flere tusinde par af input og ønskede outputs – afhængig af casen.

Forestil dig: Et advokatfirma træner sin model på virksomhedens kontraktanalyser. Efter fine-tuning genkender modellen mønstre, begreber og risici, hvor standard-LLMs skulle bruge omfattende prompts.

Typiske anvendelser for Fine-Tuning:

• Specialiserede brancher: Medicin, jura, teknik
• Ensartede formater på tværs af mange use cases
• Interne begreber og processer, som modellen skal forstå
• Komplekse opgaver, som overstiger promptens grænse

Den fundamentale forskel

Prompt Engineering ændrer kommunikationen – hvordan du taler til modellen. Fine-Tuning ændrer modellen – hvordan den forstår verden.

Det første er som en god oversætter, det sidste som en erfaren specialist. Begge tilgange har deres plads – det rigtige værktøj slår altid det dyreste.

Men hvordan adskiller indsats og økonomi sig? Lad os se på det i praksis.

Prompt Engineering: Den hurtige vej til bedre resultater

Prompt Engineering gør AI brugbar for hele virksomheden. Du behøver ikke et specialistteam.

Det er din ideelle start: hurtigt, lav risiko, fleksibelt og billigt.

Fordelene kort fortalt

Hastighed: Optimer prompten – se resultatet. Dage i stedet for måneder. En struktureret prompt kan bringes i spil til næste møde.

Omkostningseffektivitet: Udgifter er primært arbejdstid og API-forbrug. Et Fine-Tuning-projekt kræver typisk femcifrede investeringer, mens du her oftest holder dig til nogle hundrede euro om måneden.

Fleksibilitet: Prompts tilpasses hurtigt – til nye formater, målgrupper eller opgaver. Det holder dig agil.

Minimal risiko: Fejler en tilgang, taber du kun få timer. Ingen spildt træningsbudget – juster blot indstillingerne.

Typiske brugsscenarier

Dokumentgenerering: Rapportering, tilbud, specifikationer. Mange virksomheder halverer dermed tidsforbrug på standarddokumenter.

Serviceautomatisering: Besvarelse af kundehenvendelser og billet-sortering. Behandlingstiden falder, kvaliteten bibeholdes.

Intern kommunikation: Referater, opsummeringer og statusopdateringer bliver hurtigere at lave – og mere forståelige.

Indholdsproduktion: Fra blogudkast til sociale medier. Husk: altid som struktureret udkast – ikke copy-paste løsning.

Eksempel på omkostninger

Ved det aktuelle marked (2024) regner mange således:

Return on investment ses ofte efter få måneder – når tidsbesparelsen er markant. F.eks.: to timer sparet pr. tilbud, ved 50 tilbud/år – et klart udbytte.

Begrænsninger ved Prompt Engineering

Prompt Engineering har sine begrænsninger. Det bør du vide, før du satser alt:

Længde og kompleksitet: Lange prompts er dyrere og mere fejlbehæftede. Over 4.000 tokens kan det hurtigt blive uoverskueligt – og dyrt.

Konsekvens i output: Selv ved samme prompt kan output variere. I visse tilfælde et no-go.

Faglig dybde: Højt specialiserede emner overskrider ofte mulighederne for standardprompts. Her hjælper kun specialtrænede modeller.

Databeskyttelse: Ved følsomt indhold: vær forsigtig – data kan ende i eksterne API’er. Ved meget kritiske data anbefales dedikerede AI-løsninger eller lukkede systemer.

Praktisk eksempel: En virksomhed reducerede tiden til kravspecifikationer drastisk – men stødte på grænser ved komplekse særtilfælde. Her blev Fine-Tuning relevant.

Men hvornår er det næste skridt værd? Lad os kigge nærmere.

Fine-Tuning: Når standardmodeller ikke er nok

Fine-Tuning er den avancerede disciplin – krævende, men yderst effektiv.

Det vigtigste: Du skal have nok volumen, stærk databasis og solide processer for, at investeringen kan betale sig.

De strategiske fordele

Dybt specialiseret: Modellen forstår ikke kun dine termer, men også branchens logikker og tankesæt – som om den havde arbejdet i virksomheden i årevis.

Konsistent outputkvalitet: Identiske input giver identisk output. Vigtigt til processer uden plads til afvigelser.

Effektivitet ved store mængder: Færre forklaringer nødvendige – prompts kan gøres korte, og API-udgifter falder med volumen.

Vedvarende konkurrencefordel: Dine modeller kan ikke bare kopieres én-til-én.

Typiske anvendelsesområder

Dokumentforståelse og tekstklassifikation: En virksomhed træner med tusindvis af vedligeholdsrapporter og genkender mønstre, outliers og risici bedre end med standardløsninger.

Specialiserede supportsystemer: SaaS-udbydere eller rådgivere, der træner særskilte modeller til hver kunde, leverer mere præcise og kontekstoptimerede svar.

Regulatoriske krav: Finansielle rådgivere eller advokatfirmaer, der automatiserer kritisk compliance-kontrol på model-basis.

Kompleks procesoptimering: Logistikvirksomheder eller producenter, der bruger historiske data som træningsbasis for at optimere processer eller finde fejl.

Omkostnings- og tidsramme

Fine-Tuning er en investering. Hvor meget? Det afhænger af, hvor meget indsats du lægger i dataindsamling, kvalitet og integration.

Ved simple opgaver (fx tekstklassifikation) starter du billigere; ved avancerede generatorer eller store datamængder rammer du hurtigt 50.000 euro eller mere.

Kritiske succesfaktorer

Datakvalitet: Den vigtigste ingrediens. Ideelt: mindst 500–1.000 skarpe eksempler, gerne flere.

Knowhow: Fine-Tuning kræver teknisk indsigt – fra databehandling til modelovervågning.

Infrastruktur: Til træning/deployment kræves egnede cloud-ressourcer, fx AWS Bedrock eller Azure OpenAI.

Vedligehold: AI er aldrig helt “færdig”. Afset 20–30% af startomkostningerne årligt til updates og retræning.

Hvornår giver Fine-Tuning mening?

Fire situationer taler især for Fine-Tuning:

Højt volumen: Min. 1.000 anvendelser pr. måned, så de indledende investeringer kan tjenes hjem.

Specialviden: Når det gælder specifikke domæner, regler og udtryk, som ikke findes i standardmodeller.

Konsistens: Hvor variation giver risiko – fx i compliance, HR-vurderinger eller strukturerede rapporter.

Konkurrencefordel: Når modellen bliver din forretningshemmelighed.

Men hvilken metode er bedst til dit konkrete projekt? Tid til en struktureret afvejning.

Beslutningsramme: Hvilken tilgang passer til din virksomhed?

Valget mellem Prompt Engineering og Fine-Tuning kræver omtanke. Begge formerer dit budget, din timing – og i visse tilfælde også din konkurrenceevne.

En beslutningsmatrix gør det håndgribeligt:

Opgør, hvor du scorer flest point. Ligger 60 % af de vægtede kriterier på én metode? Så har du en klar startretning.

Omkostningsfaktorer og tidsforbrug

Bag facaden gemmer sig tit ekstraudgifter:

Prompt Engineering – skjulte udgifter:

• Indlæring for brugerne (1–2 uger)
• Iteration og optimering (20–50% af målopgaven)
• Løbende tilpasning (2–4 timer/mdr)
• API-udsving ved vækst

Fine-Tuning – skjulte udgifter:

• Databehandling (ofte 50% af totalen)
• Eventuelt flere træningsrunder
• Cloud-udgifter/infrastruktur (500–2.000€/md)
• Løbende retræning (20–30% årligt)

Tidsfaktorer og risici – det samlede billede

Prompt Engineering: Fra idé til prototype: 2–4 uger. Udrulning efter en måned? Ofte helt realistisk.

Fine-Tuning: Til gengæld bør du regne med 8–15 uger fra dataforberedelse til drift. Senere ændringer kan blive dyre.

Kompetencekrav:

Hvem skal du have på holdet?

Prompt Engineering:

• Mindst én proaktiv power-user
• Faglig viden og analytisk sans
• Nysgerrighed og lyst til at eksperimentere

Fine-Tuning:

• Mindst én data scientist eller ML-udvikler (internt eller eksternt)
• Proces- og projektstyring
• IT-medarbejdere til deployment og overvågning

Pragmatisk beslutningstræ

1: Skal du levere resultater inden for de næste 6 uger?
→ Ja: Prompt Engineering
→ Nej: Gå til 2

2: Har du over 1.000 høj-kvalitets træningseksempler?
→ Nej: Prompt Engineering
→ Ja: Gå til 3

3: Er absolut konsistens afgørende?
→ Ja: Fine-Tuning
→ Nej: Gå til 4

4: Er dit budget klart over 15.000€?
→ Nej: Prompt Engineering
→ Ja: Fine-Tuning eller hybridløsning

Ofte viser beslutningstræet den rette retning. For grænsetilfælde anbefales en grundigere analyse – eller et pilotprojekt.

Men til sidst tæller virkeligheden. Hvordan ser sådanne beslutninger ud i praksis?

Eksempler fra praksis for mellemstore virksomheder

Teori er fint – men virkelige erfaringer overbeviser. Tre typiske scenarier fra aktuelle AI-projekter i mellemstore virksomheder:

Case 1: Thomas – Maskinindustri & dokumentation

Thomas står i spidsen for en specialmaskinproducent, hvor projektledere bruger meget tid på at dokumentere kravspecifikationer og tilbud.

Udfordringen: Hver maskine er unik. Standard-skabeloner rækker sjældent.

Første idé: Fine-Tuning
IT-lederen foreslår at fodre et model med alle projektdata. Prisen? 25.000 euro og tre måneder.

Den bedre løsning: Strukturerede prompts
Teamet satser på kloge prompts til forskellige dokumenter, f.eks.:

“Du er projektingeniør for specialmaskiner. Udarbejd en kravspecifikation til [kundebranche] med disse specifikationer: [tekniske krav], rammebetingelser: [budget, tid, compliance]. Tydeligt opstillet, forståelig for lægfolk.”

Resultatet:

• Udviklingstid: 3 uger i stedet for 15
• Pris: 4.500€ fremfor 25.000€
• 60% tidsbesparelse på dokumentation
• Return on Investment efter 4 måneder

Især promptens fleksibilitet overbeviste: Ændringer klares på timer, ikke uger.

Case 2: Anna – HR-automatisering

Anna er HR-chef i en SaaS-virksomhed. Hver måned modtager hun 200–300 ansøgninger.

Udfordringen: For-screening tager op mod 20 minutter pr. kandidat – uholdbart for et lille HR-team.

Løsning: Fine-Tuning for konsekvens
Anna vælger en egen model: trænet med 2.000 vurderede ansøgninger, kvalitetssikret af HR-eksperter.

Resultaterne:

• Projektlængde: 12 uger
• Budget: 18.000€
• 70% tidsbesparelse på vurdering
• Ofte målbar mere ensartede vurderinger
• Større retssikkerhed via sporbarhed

Den stabile kvalitet overbeviser mest – modellen forhindrer menneskelige udsving.

Case 3: Markus – IT-services & vidensstyring

Markus leder IT hos en servicegruppe. Problemet: Information spredt i forskellige systemer; uforløst intern viden.

Hybridtilgangen:

• Fase 1 – Prompt Engineering: FAQ-chatbot, billetklassificering, standardsvar på gentagne henvendelser.
• Fase 2 – Fine-Tuning til specialtilfælde: Træning på intern dokumentation, fokus på egenudviklede systemer.

Resultatet:

• 80% af standardhenvendelser løses automatisk
• Tidsforbrug pr. billet falder fra 4 til 1,5 time
• Klar fremgang i teamets tilfredshed
• Investering: ca. 12.000 € for den hurtige løsning, 22.000 € til specialsystemerne

Konklusion: Tre centrale learnings

• 1. Start simpelt: Ingen investering uden tydelig cost/benefit-analyse.
• 2. Ægte konsekvens retfærdiggør højere investering: Fine-Tuning var HR’s gamechanger.
• 3. Hybridløsning giver fart og dybde: Hurtige gevinster og dyb optimering – det kan lade sig gøre.

Mønsteret? Hurtig opstart med Prompt Engineering – og selektiv Fine-Tuning hvor behovet er størst.

Hybride tilgange: Det bedste fra begge verdener

Den bedste vej er ofte ikke et ENTEN – men et smart OG. Hybride tilgange forener fleksibilitet og specialistdybde.

Kort overblik, hvornår det især giver mening:

• Trinvis udbygning: Først hurtige gevinster med prompts, dernæst fokuseret træning til de mest komplekse opgaver.
• Blandet drift: Standardopgaver løses med finjusterede modeller, specialopgaver løses promptbaseret.
• Lagsmodel: Basisydeevne via Fine-Tuning, skræddersyede justeringer punktvist med prompts.

Sådan forbliver din AI-løsning agil og forretningsnær.

Eksempel på trinvis roadmap:

• Fase 1: Prompt Engineering i pilotprojekt
• Fase 2: Udvidelse og dataindsamling til muligt Fine-Tuning senere
• Fase 3: Målrettet Fine-Tuning, hvor effekten er størst
• Fase 4: Løbende optimering og monitorering

Vigtige målepunkter for succes:

Endnu vigtigere end tabeller: Udvikl din AI-strategi så den kan vokse undervejs. Så får du både tempo og dybde.

Hvordan du omsætter din viden i handling – det viser næste afsnit.

Fra teori til praksis: Dine næste skridt

Du har knowhow – nu er det tid til handling. Her er en hands-on startplan:

1. Use Case-workshop (uge 1)

• Identificér de mest tidskrævende opgaver
• Dokumentér workflows og tidsforbrug
• Tjek datagrundlag og succeskriterier

Mål: 1–2 prioriterede pilotprojekter med synlig RoI.

2. Proof of Concept (uge 2-3)

• Udarbejd første prompts til den vigtigste opgave
• Test med rigtige data – iterativt og virkelighedsnært
• Er accept og tidsbesparelse på plads? Videre!

3. Pilot & udrulning (uge 4-8)

• Involvér 2–3 testbrugere
• Indsaml feedback, dokumentér processer
• Er resultaterne stabile? Udrul i afdelingen.

4. Skalering & optimering (måned 3+)

• Involvér alle relevante brugere
• Prioritér nye use cases
• Fra måned 6+: Vurder etablerede use cases for mulighed for Fine-Tuning

Vigtige succeskriterier:

• Tidsbesparelse pr. opgave
• Forøgelse af gennemløb
• Fejlreduktion
• Kundetilfredshed
• Medarbejderfeedback
• RoI og omkostningsbesparelse

Typiske faldgruber – og hvordan de undgås:

• For store første skridt? Vælg tydeligt afgrænsede use cases.
• Manglende accept? Involver brugere fra starten.
• For høje forventninger? Tal åbent om både styrker og begrænsninger.
• Manglende kontrol? Sæt klare regler og kvalitetssikring op.

Med denne trin-for-trin-vej leder du hurtigt til succes – uden at kompromittere bæredygtighed.

Konklusion: Din roadmap til optimal LLM-strategi

Prompt Engineering eller Fine-Tuning? Svaret følger dine mål og din organisation.

Prompt Engineering er den perfekte indgang: hurtigt, billigt, fleksibelt. For mange er det nok til at dække 80 % af behovene sikkert.

Fine-Tuning er det dybe dyk for specialcases og store mængder. Det koster mere, men giver varig værdi, hvis du vil have konsekvens, specialudtryk og konkurrencefordel.

De fleste klarer sig bedst med et hybridt, skalerbart mix.

Mit tip som sparringspartner: Start småt, opbyg erfaring og kompetence – så kan Fine-Tuning bruges målrettet og med klar retning.

Mellemstore virksomheder har tempoet på deres side. Udnyt det!

AI-revolutionen er i fuld gang. Spørgsmålet er: Hvordan udnytter du denne kraft bedst muligt?

Ofte stillede spørgsmål