Selvom ChatGPT er den næsthurtigst voksende app nogensinde og allerede i februar 2025 havde imponerende 400 millioner ugentlige brugere, vil jeg vove at påstå, at 99 % ikke ved, hvordan de bruger den rigtigt.
Det jeg mener er, at mange ikke ved, hvordan de skal tale til AI'en. Resultatet er upræcise svar, spildtid og frustration.
For at undgå det viser jeg dig her, hvordan du skriver prompts, der fungerer stabilt og med høj præcision.
Her er emnerne, vi gennemgår i denne guide:
- Hvad er en prompt?
- Eksempler på prompts
- Hvem er guiden til?
- Hvorfor gode prompts er vigtige
- Sådan ser en dårlig prompt ud
- Prompt-opbygning og trin-for-trin implementering
Hvad er en prompt?
Kort sagt: En prompt er det input, du giver en AI for at få et bestemt output.
Bliv ikke forvirret, hvis du har læst andre artikler med lange forklaringer på "hvad er en prompt". I praksis er en prompt ikke svær at definere.
Det svære er at skrive en god prompt. Men før jeg viser dig hvordan, får du 3 konkrete eksempler.
Hvem er guiden til?
At skrive effektive prompts er en udfordring, de fleste kommer til at møde på et tidspunkt i deres arbejde.
Derfor er guiden ikke skrevet til én bestemt branche eller rolle. Den er skrevet til dig, der arbejder med data og automatisering. Vi fokuserer især på prompts, der hjælper dig med at redigere, analysere og rense store datasæt effektivt, uanset om du er studerende eller erfaren professionel.
Alle tests til denne og vores andre prompts blev kørt med Datablist.com.
Hvorfor gode prompts er vigtige
Tænk på det som at give instruktioner til en assistent uden nogen form for agency, men som kan udføre arbejdet korrekt, hvis du fortæller præcist, hvad der skal gøres. Jo klarere og mere konkret din anmodning er, desto bedre bliver resultatet.
Sådan ser en dårlig prompt ud
Hvorfor prompten er dårlig:
- Ingen strukturerede instruktioner: Kravene er spredt ud i teksten uden tydelig organisering.
- Ingen klare sektioner eller separatorer: AI'en skal fortolke en tekstblok uden logiske pauser.
- Placeholders blandet ind i teksten: Når {{company_about}} og {{Website Texts}} placeres tilfældigt midt i sætningerne, bliver det sværere for AI'en at erstatte værdierne korrekt.
- Uformelt sprog: Udtryk som "stuff" og "btw" gør opgaven mere uklar.
Sådan ser AI'en prompten
Når prompten bruges med rigtige data, ser den sådan ud for AI'en:
Når disse placeholders bliver erstattet med rigtige data, ender du med en rodet tekst, som gør det svært for AI'en at forstå og behandle opgaven korrekt.
Her er, hvad der går galt i eksemplet:
- Forvirring og placeholder-problemer: Når placeholders bliver erstattet, kan AI'en ikke tydeligt adskille de to datakilder.
- Fortolkningsproblemer: AI'en får svært ved at forstå de præcise kriterier for HR-virksomheder.
👉 Med det på plads: Lad os gennemgå, hvordan en god prompt ser ud, og hvordan du bygger den!
Eksempler på prompts
Én kommando-prompt
I sin enkleste form kan en prompt være en kommando som:
“Create me an essay about the Renaissance"
Spørgsmåls-prompt
En prompt kan også være et simpelt spørgsmål som:
"Are roses red?"
Tagged prompt (de bedste prompts)
En prompt kan også være et mere detaljeret sæt instruktioner, der kan redigere, analysere eller rense dine data, så du kan personalisere cold emails, analysere kundefeedback, rense virksomhedsnavne og meget mere.
Jeg kalder det en tagged prompt, fordi hver sektion har et tag. Se eksemplet nedenfor. Tagget forklarer AI'en, hvad sektionen handler om. Ellers drager AI'en sine egne konklusioner om sektionerne.
Kontekst: Jeg giver dig nu en record med account-data, herunder accountens LinkedIn-beskrivelse og website-tekster fra virksomheder, hvor vi ikke er sikre på, hvilken niche eller branche de tilhører.
=====
Hvad jeg vil have dig til at gøre: Vurdér, om virksomheden passer til vores targeting baseret på det, de tilbyder som service eller produkt.=====
Sådan gør du: Jeg giver dig LinkedIn-virksomhedsbeskrivelsen, website-teksterne eller begge dele. Du skal læse teksten og vurdere, om konteksten viser, at virksomheden passer til den beskrivelse, jeg giver dig.
=====
Vigtigt om opgaven: Vurdér altid konteksten frem for isolerede keywords.
=====
Her er en beskrivelse af de virksomheder, vi leder efter: B2B-virksomheder, der hjælper andre virksomheder med HR-services som recruitment, HR consulting, anskaffelse af specialiseret arbejdskraft, employer branding, medarbejderudvikling, executive search, payroll, HR software og outplacement.
=====
Vigtigt om dataene: Mange virksomheder kan have keywords i deres beskrivelser, som kan få det til at lyde, som om de arbejder i B2B-personalesektoren, selvom de reelt laver noget andet. Derfor skal du altid vurdere konteksten. Det betyder, at ikke alle virksomheder, der nævner "employees" eller "teams", er et match.
=====
Sådan starter du: Læs først den første beskrivelse, derefter den anden, og træf din beslutning bagefter.
=====
Her er den første virksomhedsbeskrivelse: {{company_about}}
=====
Her er den anden beskrivelse: {{Website Texts}}
Men vent, før du tænker, at det dér ikke er praktisk at bruge.
Jeg deler det op for dig.
Prompt-opbygning og trin-for-trin implementering
Sådan er en god prompt bygget op
Når du ser på nogle af vores AI prompt templates i Datablist.coms AI-prompts library, vil du bemærke, at næsten alle prompt templates er bygget op af sektioner. Hver sektion har 3 elementer:
- Tag: Fortæller AI'en, hvad sektionen handler om
- Body: Indeholder instruktioner, der hjælper AI'en med at forstå og løse opgaven gennem:
- Forklaring: Fortæller AI'en noget, den skal vide, eller giver den kontekst
- Kommando: Fortæller AI'en, hvad den skal gøre, eller giver den en opgave
- Separatorer (===): Vi bruger separatorer til 2 ting:
- Visuel adskillelse: Separatoren skaber tydelige pauser mellem sektioner, så prompten er nemmere for mennesker at læse, forstå og redigere.
- AI parsing: Separatoren hjælper AI'en med at identificere og behandle promptens sektioner mere effektivt, hvilket giver bedre svar.
Til sidst har vi også: Placeholder properties:
- Kolonner, der bliver erstattet med data, når prompten bruges.
- Disse placeholders bruges til at tilpasse prompten til hver record i et datasæt.
For eksempel bruger vi i vores Job Title Categorizer prompt {{job_title}} som placeholder. Den bliver erstattet med en rigtig jobtitel fra datasættet, når hver record behandles.
Min prompt gennemgået trin for trin
Note: HR Companies er ikke vores ICP ("Ideal Customer Profile") — vi bruger dem bare som eksempel.
Første trin: Kontekst
Da jeg gav AI'en kontekst, gjorde jeg tre vigtige ting:
- Jeg forklarede, hvilke data AI'en ville modtage, uden at afsløre de specifikke targeting-kriterier
- Det holder AI'ens analyse mere neutral
- Jeg forklarede konteksten omkring dataene og beskrev det konkrete problem
- Det hjælper AI'en med at forstå, hvad den arbejder med
- Jeg beskrev min konkrete situation
- Det gør det muligt for AI'en at tilpasse sin tilgang til mit behov
Det skal du gøre, når du skriver din prompt:
- Fortæl AI'en om de data, du vil give den
- Beskriv dit problem
- Brug separatorer (===)
Andet trin: Opgave/kommando (hvad jeg vil have dig til at gøre)
I denne sektion af prompten gjorde jeg to vigtige ting:
- Jeg satte rammen for AI'en igen med tagget "Hvad jeg vil have dig til at gøre", så den ved, hvad jeg taler om
- Jeg gav kun en overordnet beskrivelse af opgaven uden at nævne de konkrete trin eller hvilke data, den skulle kigge efter. Det holder informationsflowet logisk
Det skal du gøre, når du skriver din prompt:
- Start med at identificere det centrale formål med din opgave eller kommando.
- Brug derefter separatorer (===)
Hvis du har flere lignende opgaver, der skal løses, så prøv ikke at samle dem alle i én prompt. Det bliver svært for AI'en at håndtere og svært for dig at opdage fejl.
Tredje trin: Instruktioner til kommandoen (sådan gør du)
Når jeg tilføjer instruktioner til en prompt, gør jeg typisk dette:
- Holder det enkelt og direkte
- Forklarer opgaven, som om jeg skulle lære en person at gøre den manuelt
- Fokuserer på klare trin-for-trin instruktioner
Husk, at AI er stærk til repetitive opgaver, når den får ordentlige instruktioner. Hvis du ikke får de ønskede resultater, skyldes det som regel, at dine instruktioner skal være klarere eller mere konkrete - ikke at AI'en ikke kan finde ud af opgaven.
Det skal du gøre, når du skriver din prompt:
- Lav en enkel trin-for-trin instruktion med klart og simpelt sprog
- Brug separatorer (===)
Fjerde trin: Fejlforebyggelse nr. 1 (kontekst om opgaven) – valgfrit
Dette trin giver ekstra opgavespecifik kontekst, der hjælper AI'en med at:
- Forstå nuancerne i opgaven
- Undgå typiske faldgruber
- Træffe bedre beslutninger
Når vi er tydelige omkring potentielle problemer og edge cases, skaber vi rammer, der forhindrer AI'en i at gætte eller lave fejl.
Dette trin er ikke nødvendigt i alle prompts, men det er vigtigt ved komplekse opgaver.
Det skal du gøre, når du skriver din prompt:
- Tænk på de typiske fejl, juniorprofiler laver, når de udfører denne type opgave
- Tilføj de potentielle fejl i din prompt, så AI'en kan undgå dem
- Brug separatorer (===)
Femte trin: Mål (hvad du leder efter)
Dette er det vigtigste at have med, når du beskriver dine forventninger i en prompt:
- Giv detaljeret kontekst om det ønskede resultat
- Vær konkret omkring de forventede resultater
- Undgå at afsløre bias eller ønskede konklusioner, der kan påvirke analysen
Naturligt, samtalende sprog giver ofte bedre resultater fra AI-systemer end tung teknisk jargon.
Det skal du gøre, når du skriver din prompt:
- Definér tydelige resultater, du vil have ud af analysen eller opgaven
- Vær konkret om, hvilke indikatorer eller signaler der betyder mest for dig
- Giv eksempler
- Brug separatorer (===)
Sjette trin: Datakontekst (bemærkning om data) – valgfrit
Når jeg tilføjer datakontekst til mine prompts, følger jeg disse regler:
- Forstærk fejlforebyggelse med klare regler og giv en begrundelse
- Regel-eksempel: "Vurdér altid den fulde kontekst"
- Begrundelse: "Enkeltstående indikatorer kan være misvisende"
- Tilføj flere lag af kontekst
- Potentielle fejl, der skal undgås
- Dataspecifikke problemer
- Opgavespecifikke påmindelser
Det skal du gøre, når du skriver din prompt:
- Tænk på potentielle fejl, AI'en kan lave, og bed den eksplicit om at undgå de konkrete fejl.
- Del informationen op i logiske dele i stedet for at give det hele på én gang.
- Brug separatorer (===)
📘 Hurtig fakta
Når du er eksplicit i stedet for at lade AI'en gætte sig frem til intentionen bag prompten, undgår du mange fejl.
Syvende trin: Sådan starter du (første skridt)
Det sidste trin handler om at give AI'en klare startinstruktioner. Her er, hvad jeg gjorde:
- Jeg holdt det enkelt og direkte
- Nummererede trinnene kronologisk
- Brugte klare handlingsord som “læs, lav, beslut…”
Det skal du gøre, når du skriver din prompt:
- Giv tydelige startinstruktioner med nummererede trin
- Brug handlingsverber, så trinnene er lette at følge
- Hold instruktionerne enkle og direkte
- Brug separatorer (===)
Ottende trin: Placeholder-format (altid til sidst)
Dette er det sidste trin i at skrive en effektiv prompt: Indsæt kolonner som placeholders.
Dette trin skal komme til sidst, fordi data-placeholders tidligere i prompten kan føre til forkerte resultater.
Det skal du gøre:
Brug dobbelte krøllede parenteser {{ }} til at tilføje data fra dine spreadsheet-kolonner
Brug separatorer (===)
❗Vigtigt
Alle placeholders bør indsættes til sidst i prompten for at sikre korrekte resultater.
Reglerne anvendt på et nyt eksempel
For nogle dage siden modtog jeg en email fra et M&A-firma, som er et perfekt eksempel at tage med i denne guide.
Dette var deres request:
Lad os begynde at skrive prompten!
Trin ét
I dette trin giver vi AI'en generel kontekst.
====
Trin to
Nu beskriver vi de vigtigste mål tydeligt for vores AI assistant.
====
Trin tre
Her deler vi de konkrete trin op, som AI'en skal følge i analysen.
- Læs først hele recorden, inklusive alle tilgængelige datafelter (finansielle rapporter, executive info, tech stack).
- Opret et struktureret format for dataene.
- Identificér records med problemer i datakvalitet eller inkonsistenser, og markér dem.
- Scor virksomhederne ud fra de givne kriterier.
=====
Trin fire
For at sikre præcision forklarer vi nu potentielle faldgruber og vigtige hensyn.
- Nogle finansielle nøgletal kan ligne hinanden, men beregnes forskelligt på tværs af brancher
- Tegn på company distress skal vurderes i konteksten af branche- og markedsforhold
=====
Trin fem
Nu definerer vi, hvordan succes ser ud, ved at fastlægge klare evalueringskriterier.
- Her er et eksempel på, hvordan scoring-kriterier kan præsenteres tydeligt:
Scoring Model Structure: Hver virksomhed får en score baseret på 4 centrale kriterier. Vi giver point for hvert opfyldt kriterium, og virksomheder, der opfylder 3 eller flere kriterier, får prioritetsstatus.
Nøglekriterier (1 point hver):
- Financial Health Score
- Technology Alignment Score
- Leadership Stability Score
- Market Position Score
=====
Trin seks
Nu giver vi kontekst om datafortolkning og branchespecifikke forhold.
Begrundelse: Finansielle nøgletal giver kun mening, når de sammenlignes inden for samme branchekontekst
Eksempel: En SaaS-virksomhed med $5M i revenue ved en 10x multiple ($50M valuation) kan være mere værd end en retail-virksomhed med $30M i revenue ved en 1,5x multiple ($45M valuation)
=====
Trin syv
Nu fortæller vi AI'en den præcise rækkefølge, den skal starte analysen i.
- Læs hver record og verificér, at alle nødvendige datafelter er til stede
- Opret et struktureret format for dataene, organiseret i tydelige kategorier
- Markér alle records med problemer i datakvalitet eller inkonsistenser
- Anvend scoring-kriterierne til at evaluere og rangere virksomheder =====
Trin otte
Til sidst giver vi AI'en data at arbejde med.
This is the Company Name: {{Company Name}}
====
This is the Industry: {{Industy}}
====
This is the Revenue of the last 12 months: {{Rev. 2024}}
====
This is the Growth Rate YoY: {{Growth Rate}}
====
This is the Technology Stack: {{Tech Stack}}
====
This is the Executive Team Size: {{Execs.}}
=====
Det var prompten. Som du kan se, kan denne template bruges effektivt til næsten enhver opgave.
Konklusion
At skrive gode prompts er en nødvendig kompetence i dagens arbejdsliv. Uanset om du bruger ChatGPT, Claude, DeepSeek eller en anden AI model, er en god prompt den mest direkte vej til mere præcise, relevante og brugbare svar. Følger du principperne i denne guide, kan du bruge AI mere effektivt og få mere ud af din tid.
Ofte stillede spørgsmål om AI prompts
Hvad er en god AI prompt?
En god AI prompt er klar, konkret og velstruktureret. Den indeholder kontekst om, hvad du vil opnå, specifikke instruktioner til, hvordan opgaven skal løses, og det ønskede format for outputtet. Prompten bør være skrevet i enkelt sprog og undgå tvetydighed, der kan føre til misforståelser.
Se vores eksempler på AI prompts til lead generation.
Hvorfor virker mine ChatGPT prompts ikke?
AI prompts virker ofte dårligt på grund af:
- Uklare eller vage instruktioner
- For mange opgaver i én prompt
- Manglende kontekst eller baggrundsinformation
- Komplekst eller teknisk sprog
- Mangel på konkrete eksempler eller ønsket output-format
Hvordan skriver jeg AI prompts, der giver bedre resultater?
For at skrive effektive AI prompts:
- Start med et klart mål
- Del komplekse opgaver op i mindre trin
- Giv relevant kontekst og baggrund
- Angiv det ønskede output-format
- Brug enkelt og direkte sprog
- Tilføj eksempler, når det er muligt
Hvad er de mest almindelige fejl, når man skriver prompts?
Typiske fejl i prompt writing er:
- At være for vag eller generel
- At fylde prompten med for mange opgaver
- Ikke at give nok kontekst
- At bruge uklart eller tvetydigt sprog
- At antage, at AI'en forstår underforstået information
- Ikke at angive det ønskede output-format
Hvor lang bør en AI prompt være?
En AI prompt bør være så lang, som det kræver for at få alle vigtige oplysninger med, men ikke længere. Effektive prompts er typisk fra få sætninger til et afsnit ved simple opgaver, og længere ved komplekse opgaver, der kræver detaljerede instruktioner og kontekst. Nøglen er at være grundig, men præcis.
Hvad er prompt engineering?
Prompt engineering er arbejdet med at designe og optimere inputs til AI modeller for at få de mest præcise og brugbare outputs. Det handler om at forstå, hvordan AI modeller fortolker instruktioner, strukturere prompts effektivt og løbende forbedre dem baseret på resultater.













