--- title: "Hvor store sprogmodeller gør gavn i en virksomhed" url: "https://hurukan.com/da/blog/hvor-sprogmodeller-goer-gavn" description: "Sprogmodeller er stærke til at læse, skrive udkast og bygge bro mellem mennesker og systemer, men svage til regning og beslutninger. Her hører de hjemme." --- # Hvor store sprogmodeller gør gavn i en virksomhed 19\. juni 2026·3 min. læsning·Redaktionen En kundeservicemedarbejder med headset set fra siden ved et ryddeligt skrivebord, der læser et svarudkast på en skærm med abstrakte blå tekstblokke, en lille stak papirfakturaer ved siden af tastaturet, blødt dagslys En virksomhed køber licenser til en chatassistent til alle medarbejdere. Seks måneder senere er billedet blandet. Nogle bruger den hver dag til e-mails og mødereferater. De fleste prøvede den et par gange og holdt op. En i økonomi bad den afstemme to regnskaber og fik selvsikre, pænt formaterede, forkerte tal. Da fornyelsen kommer, kan ingen sige, hvad den har ændret, og beslutningen træffes på anekdoter. Licenserne var ikke fejlen. Fejlen var at rulle en stor sprogmodel ud som et generelt værktøj til alle i stedet for at placere den på bestemte punkter i bestemte processer, hvor dens styrker passer til arbejdet. De styrker er reelle og snævre. En sprogmodel er god til sprog: at læse ustruktureret input, trække struktur ud af det, skrive udkast, opsummere, klassificere og oversætte mellem den måde, et menneske stiller et spørgsmål på, og den måde, et system skal forespørges på. Den er svag til præcis regning, til at huske fakta, den ikke har fået, til at holde en konsistent tilstand gennem en lang proces og til at stå til ansvar for en beslutning. ## Hvor de gør gavn **At læse det, der kommer ustruktureret ind.** E-mails, indgående fakturaer, følgesedler, reklamationer og ordrer sendt som vedhæftede filer. Modellen gør dem til strukturerede felter, hver med den passage, den er hentet fra, så et menneske kan tjekke det på sekunder. Det er forenden af processen for indgående fakturaer i Hurukans modul [Økonomi](https://hurukan.com/da/modules/oekonomi): indlæst, konteret, godkendt, eksporteret. **At skrive udkast, som et menneske sender.** Svar til kunder, første versioner af tilbud, opsummeringer af en sagshistorik før et opkald. Personen redigerer og sender; modellen sparer det tomme ark. Modulet [Kundeservice](https://hurukan.com/da/modules/kundeservice) er designet efter præcis den regel: Agenter skriver udkast, et menneske sender. **At gøre spørgsmål til forespørgsler.** En leder spørger, hvorfor leveringer til én region er forsinkede. Modellen omsætter det til en forespørgsel mod en defineret model af forretningen og returnerer svaret med forespørgslen vist. **At klassificere og route.** Hvilket team, hvilken prioritet, hvilken skabelon. Snævert, gentaget og let at tjekke — hvilket også gør det til en god kandidat til en mindre model. **At forklare en post.** Hvorfor er denne ordre sat i bero? Modellen læser postens historik og skriver tre sætninger, et menneske kan handle på. **At skrive ændringer af selve systemet.** Et nyt felt, en ny regel, en ny rapport, skrevet af en agent som en ændring, et menneske gennemgår. Sådan er Hurukan tænkt udvidet: beskrevet, skrevet af en agent, godkendt af et menneske, registreret. ## Hvor de ikke gør **Regning og afstemning.** Brug kode. En model kan skrive eller kalde den kode, der laver udregningen, men bør ikke regne den i hovedet. **Fakta, den ikke har fået.** Uden forankring i virksomhedens data frembringer en model plausibel tekst. Hvad den er forankret i, betyder lige så meget som modellen, som argumenteret i [søgning i ontologien](https://hurukan.com/da/blog/soegning-i-ontologien). **Talprognoser.** Prognoser for efterspørgsel, likviditet og kapacitet er en opgave for klassiske statistiske modeller og maskinlæringsmodeller med en backtest, som forklaret i [klassisk ML slår stadig en LLM i efterspørgselsprognoser](https://hurukan.com/da/blog/klassisk-ml-slaar-stadig-llm-i-prognoser). **Endelige beslutninger med konsekvenser.** Betalinger, prisforpligtelser, kontraktvilkår, alt, der har med folks ansættelse at gøre. Modellen forbereder; et menneske beslutter. **Alt, du ikke kan tjekke.** Hvis et output ikke kan verificeres billigt, er prisen for dets fejl skjult, indtil den er stor. ## Sådan placerer du dem Stil fire spørgsmål for hver mulig anvendelse. Er inputtet hovedsageligt tekst? Kan resultatet tjekkes hurtigt af den, der modtager det? Kan en fejl gøres om? Hvem godkender, før noget forlader virksomheden eller ændrer en post? De gode anvendelser har tekst ind, et resultat, der hurtigt kan tjekkes, og en fejl, der kan gøres om — med en godkendelse overalt, hvor den sidste betingelse ikke er opfyldt. Send derefter hver opgave til den model, der passer. Hurukans [lag Superintelligens](https://hurukan.com/da/system/superintelligens) er designet til at gøre det pr. opgave, mellem frontiermodeller og modeller, der kører på virksomhedens egen hardware, efter regler for kvalitet, omkostninger og hvor data må gå hen. Integrationer med Microsoft 365 Copilot, Claude og ChatGPT er planlagt og ikke i drift. ## En test, du kan køre i dag List de ti opgaver, der tager mest tid i én afdeling hver uge. Markér tre ting for hver: 1. Inputtet er hovedsageligt tekst. Ja eller nej. 2. Resultatet kan tjekkes på under et minut. Ja eller nej. 3. En fejl kan gøres om. Ja eller nej. Opgaver med tre ja er der, hvor en sprogmodel mest sandsynligt gør gavn. Opgaver med et nej i den sidste kolonne kræver, at et godkendelsestrin er designet før alt andet. Opgaver med et nej i den anden kolonne kræver en måde at tjekke outputtet på, før de overhovedet kræver en model. - LLM - anvendelser - dokumentbehandling - menneskelig godkendelse ## Læs videre - [Én identitet for mennesker og agenter: hvem må hvad](https://hurukan.com/da/blog/en-identitet-for-mennesker-og-agenter) - [Den levende tilstand og registret: to hukommelser i et operativsystem for virksomheden](https://hurukan.com/da/blog/den-levende-tilstand-og-registret-to-hukommelser)