Finjustering vs. prompt-ingeniørkunst: En veiledning for små og mellomstore bedrifter

Se det for deg: Tilbudsteamet ditt bruker tre dager på et teknisk tilbudsforslag – men med KI kunne det vært klart på tre timer. Men hvordan oppnår du dette tidsspranget?

Valget mellom Prompt Engineering og Fine-Tuning avgjør omfanget, kostnadsstrukturen og resultatene dine. Det ene går ofte raskt og fleksibelt, det andre er mer tidkrevende – men gir dypere effekt.

Hvilken tilnærming passer så for din virksomhet? Akkurat det spør mange norske SMB-bedrifter seg nå – for KI er ikke lenger et valg, men en konkurransefordel.

Ute i praksis finnes ulike scenarioer: Daglig leder i industrien, hvor teamene bruker mye tid på dokumentasjon. HR-manageren som skal effektivisere ansettelsesprosesser – selvfølgelig compliant. Eller IT-lederen som vil gjøre kunnskap mer tilgjengelig i selskapet.

Alle står overfor det samme grunnspørsmålet: Hvordan kan du bruke Large Language Models til forretningssuksess?

I denne artikkelen får du et praktisk beslutningsverktøy – med eksempler, sammenligningstabeller og en tydelig beslutningsmatrise.

Én ting er sikkert: Det riktige valget i dag gir deg forsprang i morgen. La oss finne ut hvordan.

Forstå grunnlaget: De to verdenene innen LLM-tilpasning

Før vi dykker i detaljene, én nøkkelinnsikt: Prompt Engineering og Fine-Tuning er ikke motsetninger, men to verktøy i samme verktøykasse.

Se for deg bilkjøring: Med Prompt Engineering stiller du inn radioen, setet og ventilasjonen – raskt og presist. Fine-Tuning er som å optimalisere motoren: mer omfattende, men gir varig effekt.

Hva er Prompt Engineering?

Med Prompt Engineering får du Large Language-modellen til å svare bedre og mer målrettet på dine spørsmål. Du endrer ikke selve modellen – du blir dreven til å “snakke” med den.

Fra praksis: I stedet for «Skriv en prosjekt­rapport til meg» ber du heller:

«Du er en erfaren prosjektleder i en maskinbedrift. Lag en statusrapport til prosjektet ‘Automatiseringslinje Kunde XY’ med denne strukturen: 1) Nåværende status (maks 3 punkter), 2) Kritiske sti-aktiviteter, 3) Risikoer med sannsynlighet og påvirkning, 4) Neste steg med ansvarlig. Stil: saklig, presis, egnet for ledelsen.»

Slike oppsett løfter dokumentert kvaliteten. Ifølge leverandørene kan prestasjonen ved systematisk Prompt Engineering ofte økes med 20 til 50 prosent. Husk: Nøyaktige tall varierer med oppgave, modell og bransje – men effekten er som regel svært relevant.

Nøkkelteknikker i korte trekk:

• Few-Shot Learning: Bruk av eksempler direkte i prompten
• Chain-of-Thought: Få modellen til å tenke høyt underveis
• Role Prompting: Spesifiser en fagerolle eller persona
• Template-løsninger: Utnytt gjenbrukbare og gjennomtestede strukturer

Hva er Fine-Tuning?

Fine-Tuning går dypere: Du trener den forhåndstrente modellen videre – basert på dine egne eksempler. Modellen tilegner seg da språkstil, fagspråk og organisasjonens særegne behov.

I praksis overtar du en modell (som GPT-3.5, GPT-4 eller open source), og finjusterer dens nevronnett. Kravet: noen hundre til flere tusen eksempler på spørsmål og ønskede svar – alt etter brukstilfelle.

Se for deg: Et advokatkontor trener modellen på egne kontraktsanalyser. Etter fullført Fine-Tuning fanger modellen opp mønstre, termer og risikoer som vanlige LLM-er kun ville håndtert med mye lengre prompts.

Vanlige bruksområder for Fine-Tuning:

• Spesialiserte bransjer: helse, juss, teknologi
• Konsistente formater på tvers av applikasjoner
• Interne begreper og prosesser modellen må mestre
• Komplekse oppgaver der prompten alene ikke strekker til

Den grunnleggende forskjellen

Prompt Engineering endrer hvordan du kommuniserer – hvordan du stiller spørsmål. Fine-Tuning endrer selve modellen – dens forståelse og tankeprosess.

Førstnevnte kan sammenlignes med en god oversetter, sistnevnte med en spesialist. Begge tilnærminger har sine fordeler – den rette metoden overgår ofte den dyreste.

Men hvordan ser innsats og lønnsomhet ut? La oss se nærmere på det i praksis.

Prompt Engineering: Raskeste vei til bedre resultater

Prompt Engineering gjør KI tilgjengelig for hele organisasjonen. Du trenger ikke spesialister.

Dette er din ideelle inngang: raskt, lav risiko, fleksibelt og rimelig.

Fordeler i et nøtteskall

Hastighet: Optimaliser en prompt, se resultat. Dager – ikke måneder. En god promptstruktur kan gi effekt allerede neste møte.

Kostnadseffektivitet: Kostnadene ligger hovedsakelig i arbeidstid og API-forbruk. Et Fine-Tuning-prosjekt kan kreve femsifret investering, mens du her ofte holder deg til noen hundrelapper i måneden.

Fleksibilitet: Prompter tilpasses raskt, uansett nye formater, målgrupper eller oppgaver. Du holder deg smidig.

Minimal risiko: Feiler du, har du kun brukt noen få timer. Ingen tapt treningsbudsjett – du justerer bare innstillingene.

Typiske bruksscenarier

Dokumentgenerering: Rapporter, tilbud, spesifikasjoner. Mange bedrifter halverer tiden brukt på standarddokumenter slik.

Service-automatisering: Svar på kundehenvendelser og sortering av henvendelser. Behandlingstiden går ned, kvaliteten forblir høy.

Intern kommunikasjon: Protokoller, sammendrag og statusoppdateringer lages raskere og blir mer oversiktlige.

Innholdsproduksjon: Fra bloggskisser til SoMe-poster. Alltid et strukturert utkast – ikke en ren copy-paste-løsning.

Kostnadseksempel

Ved dagens markedssituasjon (2024) regner mange bedrifter slik:

Investeringen henter seg ofte inn i løpet av få måneder – hvis du sparer betydelig med tid. For eksempel: To timer spart per tilbud, 50 tilbud i året – en tydelig gevinst.

Begrensninger ved Prompt Engineering

Prompt Engineering har sine grenser. Det er viktig å kjenne dem før du satser fullt ut:

Lengde og kompleksitet: Lange prompts er dyrere og mer feilsårbare. Går du over 4.000 tokens, mister du oversikten – og kostnadene øker.

Konsistens i resultatene: Selv identiske prompts kan gi ulike svar. For enkelte bruksområder er dette uakseptabelt.

Faglig dybde: Meget spesialiserte emner overgår ofte det standard-prompter klarer. Da må du ofte videre til et spesialtrent modell.

Personvern: Ved konfidensiell data må du være forsiktig – data kan havne i eksterne API-er. For svært sensitivt innhold anbefales egne KI-løsninger eller lukkede systemer.

Fra praksis: Et selskap reduserte tiden på kravspesifikasjoner dramatisk, men støtte på grenser i kompliserte særtilfeller. Da ble Fine-Tuning aktuelt.

Men når lønner det seg å ta spranget? La oss se nærmere på det.

Fine-Tuning: Når standardmodeller ikke strekker til

Fine-Tuning er toppklassen innen tilpasning – krevende, men kraftfullt.

Viktig: Nok volum, god datakvalitet og solide prosesser må til for at investeringen skal lønne seg.

Strategiske fordeler

Dyp spesialisering: Modellen forstår ikke bare dine begreper, men også bransjeloggikk og tankesett – som om den har jobbet hos deg i årevis.

Konsistent kvalitet: Identiske innspill gir identiske svar. Kritisk i prosesser som ikke tåler avvik.

Effektivitet i høyt volum: Mindre behov for forklaringer – kortere prompts, lavere API-kostnader med større antall.

Vedvarende konkurransefortrinn: Selskapsunike modeller er ikke enkle å kopiere.

Typiske bruks­eksempler

Dokumentforståelse og tekstklassifisering: Et selskap trener med tusenvis av vedlikeholdsrapporter og modellen fanger opp mønstre, avvik og risikoer bedre enn standardløsninger.

Spesialiserte supportsystemer: SaaS-leverandører eller konsulenter som trener egne modeller for hver kunde får bedre, mer konteksttilpassede resultater.

Regulatoriske krav: Finansaktører eller advokater som automatiserer viktige compliance-kontroller med modellstøtte.

Kompleks prosessoptimalisering: Logistikkbedrifter eller produsenter bruker historiske data som treningsgrunnlag for raskere prosesser og tidlig feilgjenkjenning.

Kostnads- og tidsrammer

Fine-Tuning er en investering. Hvor mye? Avhenger av innsats i datainnsamling, kvalitetssikring og integrasjon.

For enkle oppgaver (eks. tekstklassifisering) er inngangsprisen lavere. For avanserte generatorer eller store datamengder kan kostnaden fort bli over 50.000€.

Kritiske suksessfaktorer

Datakvalitet: Det viktigste. Minimum 500–1.000 sterke eksempelsvar, jo flere jo bedre.

Kompetanse: Fine-Tuning krever teknisk kunnskap – fra dataforberedelse til modellovervåkning.

Infrastruktur: For trening/drift trengs passende skyløsninger, evt. tjenester som AWS Bedrock eller Azure OpenAI.

Vedlikehold: KI blir aldri «ferdig». Sett av 20–30% av startkostnadene årlig til oppdateringer og etter-trening.

Når lønner Fine-Tuning seg?

Fire scenarioer peker særlig på Fine-Tuning:

Høyt volum: Minst 1.000 applikasjoner/mnd for å forsvare startinvesteringen.

Ekspertdomene: Der egne regler, termer og domene kun er kjent for dere.

Konsistens: Der variasjon utgjør en risiko – for eksempel i compliance, HR-vurderinger eller strukturerte rapporter.

Konkurransefortrinn: Når modellen blir din forretningshemmelighet.

Men hvilken metode passer for ditt prosjekt? Nå kommer en strukturert beslutningsprosess.

Beslutningsrammeverk: Hvilken løsning passer for din virksomhet?

Valget mellom Prompt Engineering og Fine-Tuning bør evalueres nøye. Begge påvirker budsjett, tid – og noen ganger konkurransekraften din.

En beslutningsmatrise gir oversikt:

Tell opp hvor du får flest poeng. Om 60 % av de vektede kriteriene taler for én metode, har du et klart utgangspunkt.

Kostnadsdrivere og tidsbruk

Bak de åpenbare postene skjuler det seg flere kostnader:

Prompt Engineering – skjulte kostnader:

• Opplæring for brukere (1–2 uker)
• Iterasjoner og optimalisering (20–50 % av sluttarbeidet)
• Regelmessige justeringer (2–4 timer/mnd)
• API-variasjon ved vekst

Fine-Tuning – skjulte kostnader:

• Dataforberedelse (ofte 50 % av totalen)
• Ofte flere treningsrunder
• Cloud/infrastruktur (500–2.000€/mnd)
• Regelmessig ettertrening (20–30 % årlig kostnadsrate)

Tidsfaktorer og risiko – totalbilde

Prompt Engineering: Fra idé til prototype: 2–4 uker. Lansering på én måned er ofte mulig.

Fine-Tuning: Beregn 8–15 uker fra dataforberedelse til drift. Endringer senere kan bli kostbare.

Kompetansebehov:

Hvem trenger du på laget?

Prompt Engineering:

• Minst én engasjert «power-user»
• Domeneinnsikt og analytiske evner
• Nysgjerrighet og prøvelyst

Fine-Tuning:

• Minst én data scientist eller ML-utvikler (internt eller eksternt)
• Prosess- og prosjektledelse
• IT-kollegaer til drift/overvåkning

Pragmatisk beslutningstre

1: Må du levere resultat innen 6 uker?
→ Ja: Prompt Engineering
→ Nei: Gå til 2

2: Har du over 1.000 kvalitets-eksempler for trening?
→ Nei: Prompt Engineering
→ Ja: Gå til 3

3: Er absolutt konsistens avgjørende?
→ Ja: Fine-Tuning
→ Nei: Gå til 4

4: Ligger budsjettet over 15.000€?
→ Nei: Prompt Engineering
→ Ja: Fine-Tuning eller hybridtilnærming

Oftest viser dette treet rett vei. For grensecaser anbefales grundigere analyse – eller et pilotprosjekt.

Men i praksis er det handling som teller. Hvordan ser slike avgjørelser ut ute i bedriftsverden?

Praktiske eksempler fra SMB-sektoren

Teori er vel og bra, men erfaringer teller mest. Tre typiske scenarier fra aktuelle KI-prosjekter i SMB:

Case 1: Thomas – Industri & Dokumentasjon

Thomas leder en spesialmaskinprodusent, prosjektingenørene bruker mye tid på dokumentasjon av kravspesifikasjoner og tilbud.

Utfordringen: Hver maskin er unik. Standardmaler holder sjelden mål.

Første idé: Fine-Tuning
IT-lederen foreslår å mate alt prosjektdata inn i modellen. Kostnad: 25.000 euro og tre måneders arbeid.

Den bedre løsningen: Strukturerte prompts
Teamet satser på smarte prompts for ulike dokumenttyper, som for eksempel:

«Du er prosjektingeniør for spesialmaskiner. Lag en kravspesifikasjon for [kunde-bransje] med følgende spesifikasjoner: [Tekniske krav], rammer: [budsjett, tid, compliance]. Oversiktlig og forståelig også for ikke-eksperter.»

Resultatet:

• Utviklingstid: 3 uker i stedet for 15
• Kostnad: 4.500€ i stedet for 25.000€
• 60 % tidsbesparelse på dokumentasjonen
• Break-even etter 4 måneder

Det som først og fremst overbeviste var fleksibiliteten: Endringer gikk unna på timer, ikke uker.

Case 2: Anna – HR-automatisering

Anna er HR-sjef i et SaaS-selskap med 200–300 søknader hver måned.

Utfordringen: Forhåndsvurderingen tar opptil 20 min pr. søknad – altfor mye for et lite HR-team.

Løsning: Fine-Tuning for konsistens
Anna velger sin egen modell: trent på over 2.000 vurderte søknader, kontrollert og validert av HR.

Resultater:

• Prosjektvarighet: 12 uker
• Budjsett: 18.000€
• 70 % tidsbesparelse i vurderingene
• Ofte mye jevnere vurderinger
• Mer rettssikkerhet pga. sporbarhet

Særlig den pålitelige kvaliteten imponerte – modellen fjernet menneskelig variasjon.

Case 3: Markus – IT-tjenester & kunnskapsdeling

Markus leder IT i en tjenestegruppe. Problemet: Informasjon spredt i ulike systemer, «glemt» internkunnskap.

Hybridtilnærming:

• Fase 1 – Prompt Engineering: FAQ-chatbot, tildeling av tickets, standardsvar for faste spørsmål.
• Fase 2 – Senere Fine-Tuning for spesialtilfeller: trening på intern dokumentasjon, fokus på selskapets egne systemer.

Resultat:

• 80 % av standardhenvendelser håndteres automatisk
• Tiden per sak fra 4 til 1,5 timer
• Kraftig økning i teamtrivsel
• Invest: ca. 12.000 € for hurtig­løsningen, 22.000 € for spesialtilfellene

Oppsummert: Tre viktige læringspunkter

• 1. Start enkelt: Invester først når kost-nytte er tydelig.
• 2. Reell konsistens rettferdiggjør større kostnad: I HR var Fine-Tuning gamechanger.
• 3. Hybrid gir turboen: Rask suksess og dyp optimalisering lar seg kombinere.

Mønsteret? Rask oppstart med Prompt Engineering – og selektiv Fine-Tuning der det trengs.

Hybride tilnærminger: Det beste fra begge verdener

Ofte er det ikke enten–eller, men både–og som gir best løsning. Hybridtilnærminger gir både fleksibilitet og dypde.

Raske eksempler der hybrider gir stor verdi:

• Gradvis utvidelse: Først raske resultater med Prompts, deretter målrettet trening for de mest krevende bruksområdene.
• Blandet drift: Standardtilfeller løses med fine-tunede modeller, spesialoppgaver prompt-baseres.
• Lagskift-modell: Basis via Fine-Tuning, spesialtilpasning punktvis med Prompter.

Slik holdes KI-løsningen din fornybar og forretningsnær.

Eksempel på trinnvis veikart:

• Fase 1: Pilotprosjekt med Prompt Engineering
• Fase 2: Utvidelse og datainnsamling for mulig senere Fine-Tuning
• Fase 3: Målrettet Fine-Tuning der effekten er størst
• Fase 4: Løpende forbedring og kontinuerlig oppfølging

Viktige suksessmetrikker:

Enda viktigere enn tabeller: Lag din KI-strategi så den kan vokse. Kombinér fart og dybde!

Neste avsnitt viser hvordan du kommer fra planer til praksis.

Fra teori til praksis: Dine neste steg

Du har kunnskapen – nå handler det om å komme i gang. En praktisk oppstartsplan:

1. Use case-workshop (uke 1)

• Identifiser de mest tidkrevende oppgavene
• Kartlegg prosesser og ressursbruk
• Sjekk datagrunnlag og suksesskriterier

Mål: 1–2 prioriterte pilotprosjekter med tydelig RoI.

2. Proof of Concept (uke 2–3)

• Test ut første prompts for viktigste use case
• Test med ekte data – kontinuerlig, praktisk
• Brukeraksept og tidsbesparelse måles – klar? Kjør videre!

3. Pilot & utrulling (uke 4–8)

• Involver 2–3 testbrukere
• Innhent tilbakemeldinger, dokumenter prosessen
• Stabile resultater? Rull ut til fagmiljøet.

4. Skalering & optimalisering (måned 3+)

• Inkluder alle relevante brukere
• Prioritér flere bruksområder
• Fra måned 6+: Evaluer brukssaker for mulig Fine-Tuning

Viktige suksessindikatorer:

• Tidsbesparelse pr. oppgave
• Økt gjennomstrømming
• Reduksjon av feil
• Kundetilfredshet
• Tilbakemelding fra ansatte
• RoI og kostnadsgevinst

Vanlige fallgruver – slik unngår du dem:

• For store første steg? Velg små, enkelt avgrensbare bruksområder.
• Manglende aksept? Involver brukere tidlig.
• For høye forventninger? Snakk åpent om styrker OG begrensninger.
• Manglende kontroll? Sett tydelige regler og kvalitetssikring.

Med denne steg-for-steg-logikken får du raske resultater – uten å gå på akkord med varig effekt.

Konklusjon: Din veikart til optimal LLM-strategi

Prompt Engineering eller Fine-Tuning? Svaret utvikler seg med mål og organisasjon.

Prompt Engineering er den perfekte inngangen: rask, rimelig, fleksibel. For de fleste holder det til å dekke 80 % av behovene.

Fine-Tuning er det dype dykket for spesialtilfeller og store volumer. Dyrest, men gir varig verdi når du trenger konsistens, fagspråk og konkurransekraft.

De fleste virksomheter lykkes best med en hybrid, fleksibel tilnærming som vokser med behovet.

Mitt råd som sparringpartner: Start smått, bygg erfaring og kompetanse – da gir Fine-Tuning mening med tydelig mål.

SMB har farten på sin side. Dra nytte av det!

KI-revolusjonen er i gang. Spørsmålet er: Hvordan utnytter du denne kraften best?

Ofte stilte spørsmål