Definition
En LLM (large language model) er en sprogmodel trænet til at forudsige næste ord i en tekst. Den er stærk til sprog og struktur, men har ingen egen adgang til fakta og kan levere forkerte svar overbevisende.
Også kaldet: LLM, Large Language Model, SprogmodelFra opgave til kontrolleret output.
Kontekst
Beskriv opgave, målgruppe, begrænsninger og relevante kilder.
Udkast
Modellen genererer et forslag ud fra input og lærte mønstre.
Kontrol
Kontrollér fakta, rettigheder, tone og anvendelighed før brug.
01Beskriv opgave, målgruppe, begrænsninger og relevante kilder.
Hvad den faktisk gør
En LLM (large language model) er en model trænet på store mængder tekst til at forudsige, hvad der kommer næst. Alt andet — svar, resuméer, oversættelser — er den samme mekanisme brugt i forskellige sammenhænge.
Det forklarer både styrken og svagheden. Den er god til sprog, mønstre og struktur. Den har ingen forbindelse til virkeligheden, og et forkert svar leveres med præcis samme tone som et rigtigt.
Hvorfor det angår markedsføring
To ting er ændret på kort tid. Folk søger i stigende grad i chatgrænseflader frem for i en søgeboks, og resultatet er ét svar frem for ti links. Det flytter værdien fra at rangere til at være den kilde, svaret bygger på.
Og produktionen er blevet billigere. Udkast, varianter, oversættelser og annoncetekster kan laves på minutter. Det gør ikke indholdet bedre — det gør bare mængden af middelmådigt indhold større. Det, der skiller sig ud, er stadig det, kun I ved.
Sådan bruger vi dem
Til det, der er formbart: første udkast, mange varianter af den samme annoncetekst, opsummering af kundeinterviews, oprydning i regneark. Alt sammen med et menneske, der ser efter bagefter.
Ikke til tal. En model, der får lov at gætte på et resultat, gør det gerne, og det er præcis den fejl, der ødelægger en kunderapport. Tal kommer fra kontoen, aldrig fra modellen.
Ofte stillede spørgsmål
Kan en LLM finde på tal?
Ja, og den gør det med selvtillid. Alt, der ligner en måling, skal komme fra kilden — annoncekontoen, webshoppen, analyseværktøjet — ikke fra modellen.
Skal vi optimere vores indhold til AI-svar?
Delvist. De samme ting hjælper: klare svar tidligt på siden, konkret data, og at man er en kilde værd at citere. Det er beskrevet nærmere under answer engine optimization.
Fra indsigt til handling
Se, hvordan det bruges i praksis.
Vækst krævede også en bedre indkøbsproces
Vi byggede Matraws' trade-in-løsning med indsendelse, vurdering, tilbud og håndtering i én backend. Indsatsen tog fat i vareforsyningen som flaskehals.
Læs casenPrioritering og samarbejde
Vend jeres næste skridt med os
Fortæl, hvor virksomheden står. Vi afklarer behovet, og om vi er de rette til at hjælpe.
Vælg et tidspunkt30 minutter · Uforpligtende
Om forfatteren
Nicklas Segatz Mortensen
Growth hacker og fractional CMO med 10+ års erfaring og trecifrede millioner i forvaltet ad spend bag sig. Erfaring fra større danske og internationale scale-ups og fra bureaubranchen.
Mød teamet