AI trenger mer enn en god prompt

De fleste bruker fortsatt AI som en pratsom søkemotor. De stiller et spørsmål, får et svar og lukker vinduet. Det fungerer, men når du bruker AI til mer enn enkle, avgrensede oppgaver, oppstår et annet problem: AI vet ofte altfor lite om hva du holder på med. Etter noen år med AI i eget arbeid har jeg merket at det sjelden er den perfekte prompten som gjør den store forskjellen. Det handler mer om hva du bringer med deg inn i rommet.

Kalkulator eller kollega

Tenk på det slik: AI kan bare jobbe med det som finnes på bordet. Problemet er at de fleste legger én gul Post-it-lapp på bordet og forventer strategisk rådgivning.

I den enkleste formen gir du AI en oppgave og får et resultat tilbake. Litt som en kalkulator: du putter noe inn og får noe ut. Det er nyttig når oppgaven er avgrenset og du allerede vet omtrent hva et godt svar bør være. En god kollega fungerer annerledes. Hun kjenner prosjektet, vet hvilke beslutninger som allerede er tatt, forstår hva du prøver å oppnå og kan si: «Vent litt. Henger dette egentlig sammen?» AI kan også brukes på den måten, men ikke hvis det eneste du gir den er én setning med en forespørsel.

I juni 2025 satte Andrej Karpathy ord på dette i et mye delt innlegg: «Context engineering is the delicate art and science of filling the context window with just the right information for the next step.» Han satte det eksplisitt opp mot «prompt engineering». Forskjellen er nyttig også utenfor teknisk utvikling. Det holder ikke alltid å formulere oppgaven godt. Du må også gi modellen det den trenger for å løse den.

Hva kontekst faktisk er

Kontekst trenger ikke å være komplisert. Det er bare alt AI har å jobbe med.

Tenk på konteksten som arbeidsbordet. Prompten din, altså det du skriver akkurat nå, er beskjeden du legger på bordet. Men det kan ligge mye mer der: bakgrunnen for prosjektet, et eksempel på noe du synes fungerer, dokumenter AI skal bruke, beslutninger som allerede er tatt, hvem du snakker til og noen rammer for hvordan den skal jobbe.

Det er heller ikke likegyldig hva du legger der. Et eksempel viser AI omtrent hva du er ute etter. En kilde gir den et kunnskapsgrunnlag. Instruksjoner forteller hvordan den skal jobbe, mens prosjektbeskrivelsen gir den sammenhengen oppgaven står i. Alt er kontekst, men det gjør forskjellige jobber.

Når alt dette bare kalles «prompt», blir det vanskeligere å forstå hvorfor resultatet endrer seg. Det er ikke nødvendigvis setningen du skrev til slutt som gjorde forskjellen. Du hadde ryddet arbeidsbordet.

Hva som faktisk skjer: tre forsøk

La meg vise hva dette betyr i praksis, fordi det er enklere å forstå som en demonstrasjon enn som en forklaring. Jeg bruker LinkedIn som eksempel, men mekanismen er den samme uansett oppgave.

Forsøk 1 — bare oppgaven:

Prompt: «Skriv et LinkedIn-innlegg om hvorfor ledere bør kommunisere tydeligere.»

Et realistisk resultat kan se omtrent slik ut:

«God kommunikasjon er en av de viktigste egenskapene en leder kan ha. Når ledere kommuniserer tydelig, skaper de tillit, reduserer misforståelser og sørger for at alle jobber mot samme mål. Likevel ser vi gang på gang at kommunikasjonssvikt er en av de vanligste klagene i arbeidslivet. Hva kan du som leder gjøre? Start med å sjekke om budskapet ditt faktisk har landet. Still spørsmål. Inviter til dialog. Tydelig kommunikasjon handler ikke bare om hva du sier, men om at den andre faktisk forstår.»

Det er ingenting galt med dette. Det er nesten verre enn som så. Alt er riktig. Ingen faktafeil. Kompetent. Og det kunne vært skrevet av hvem som helst, om hvem som helst, til hvem som helst.

AI vet ikke hva jeg mener med tydelighet. Den vet ikke hvem lederen er. Den vet ikke hvilken situasjon teksten skal gripe inn i. Den vet ikke hva jeg selv mener om dette. Og den vet ikke hvem som skal lese innlegget og hva de skal sitte igjen med. Derfor ender den lett i det mest sannsynlige og generelle svaret. Det som passer ganske godt for mange, men særlig godt for ingen. Kompetent, men ikke ditt.

Forsøk 2 — oppgaven pluss kontekst:

Prompt: «Jeg er kommunikasjonsstrateg og jobber primært med ledere i mellomstore bedrifter. Jeg skriver for et LinkedIn-publikum som kjenner meg fra faglig innhold. Standpunktet mitt er at de fleste ledere ikke har et kommunikasjonsproblem — de har et avklaringsproblem. Ingen har bestemt seg for hva de vil si før de begynner å si det. Budskapet skal være litt utfordrende, men ikke nedlatende. Jeg bruker ikke emojis og foretrekker kortere avsnitt med god flyt. Mål: leserne skal kjenne seg truffet, ikke belært. Rundt 150 ord. Skriv et LinkedIn-innlegg.»

Et realistisk resultat kan se slik ut:

«De fleste ledere jeg møter har ikke et kommunikasjonsproblem. De har et avklaringsproblem. De begynner å formulere seg før de har bestemt seg for hva de egentlig vil si. Så ber de noen om hjelp til å «kommunisere tydeligere» — og vi sitter igjen med pent pakket tåke. Tydelig kommunikasjon starter ikke med bedre setninger. Den starter med en beslutning. Hvem snakker du til? Hva skal de forstå? Hva skal de gjøre etterpå? Og hva er du villig til å si, selv om noen er uenige? De spørsmålene er ubehagelige å svare på. Men uten dem er kommunikasjonsarbeid bare å male veggene mens grunnmuren sprekker.»

Nå er noe annet skjedd. Ikke fordi AI ble smartere, men fordi bordet inneholder noe å arbeide med.

Forsøk 3 — la AI si hva den mangler:

Prompt: «Ikke skriv innlegget ennå. Fortell meg hvilken informasjon du mangler for å skrive dette godt.»

AI kan da komme tilbake med noe som dette: Hvem er den primære leseren — en leder som selv sliter, en kommunikasjonsansvarlig, en HR-person? Hva er den konkrete situasjonen du skriver inn i? Er dette et standpunkt du har blitt utfordret på, eller noe du observerer gjentatte ganger? Vil du ha et eksempel i teksten, og i så fall fra et bestemt bransjesegment? Skal leseren gjøre noe konkret etterpå, eller er målet refleksjon?

Prøv dette selv. Svaret du får er ikke en teknisk feil. Det er en oppskrift. Hvert spørsmål AI stiller deg er et stykke kontekst du ikke hadde lagt på bordet. Og listen er en direkte veiledning til hva du bør tenke gjennom neste gang du skal be AI om hjelp til noe som betyr noe.

Samme prinsipp, annen oppgave

Kontekst handler ikke bare om skriving. Ta et enkelt strategieksempel.

Dårlig kontekst: «Bør vi gjennomføre dette arrangementet?»

AI kan svare på det, men svaret blir generisk. Den vet ikke hva arrangementet er, hvem det er for, hva som er alternativet, hvilke ressurser som er tilgjengelige eller hva som faktisk er målet.

Bedre kontekst: «Vi vurderer et halvdagsarrangement for 40 deltakere. Målet er ikke inntekter, men å få fem konkrete aktører til å bli enige om tre prioriteringer. Vi har begrenset kapasitet, to mulige datoer, og disse aktørene må kunne delta for at arrangementet skal ha noen verdi. Her er erfaringene fra fjorårets arrangement: [vedlegg]. Ikke anbefal en løsning ennå. Hvilken informasjon mangler du for å kunne vurdere om vi bør gjennomføre?»

Nå brukes AI til noe det faktisk er godt til: å se hva du ikke har tenkt på, stille spørsmål du glemte å stille deg selv, og hjelpe deg å avklare hva du egentlig vet og ikke vet. Legg merke til hva som har skjedd: AI har fortsatt ikke fått lov til å bestemme om arrangementet skal gjennomføres. Først skal den hjelpe deg å finne ut om beslutningsgrunnlaget er godt nok. Det er beslutningsstøtte, ikke tekstproduksjon. Og det krever god kontekst på akkurat samme måte.

Mer er ikke alltid bedre

Her er det viktig å stoppe og si noe som ofte utelates fra AI-guider: mer kontekst er ikke alltid bedre.

Anthropic beskriver i sin tekniske dokumentasjon om context engineering at kontekst er en begrenset ressurs. Tester viser et ganske menneskelig problem: når det blir mye å holde styr på samtidig, kan modellene bli dårligere til å finne tilbake til enkeltopplysninger. Fenomenet har fått navnet «context rot». Anbefalingen er å lete etter det minste settet med relevant informasjon som gir modellen det den trenger, ikke mest mulig, men det rette.

Litt som ellers i livet: skrivebordet blir ikke nødvendigvis bedre av at du legger hele boden oppå det.

Et konkret eksempel på hvordan dette slår ut: du skal skrive en invitasjon til et arrangement. Så laster du opp årsrapporten på 84 sider, strategien fra 2022, tre møtereferater, organisasjonskartet, fire tidligere invitasjoner og et dokument om merkevareverdier. Alt er «kontekst». Nesten ingenting er nødvendigvis relevant. Hva trenger AI faktisk? Arrangementets formål, mottaker, tidspunkt, praktisk informasjon, ønsket handling og ett godt eksempel. Det er det.

Forskjellen mellom å helle alt du har inn i en samtale og å kuratere hva du faktisk trenger, er nettopp det Karpathy peker på: «just the right information for the next step». Ikke mest mulig. Det rette.

Kontekst er ikke det samme som minne

Dette er et skille som er blitt viktigere i takt med at AI-verktøyene har utviklet seg, og som mange blander sammen.

Når en AI-tjeneste «husker» noe du sa forrige uke, og når AI har riktig kontekst for oppgaven du jobber med akkurat nå, er det ikke det samme. Du kan ha en kollega som husker at du foretrekker korte setninger. Det er verdifull kunnskap om deg. Men hun kan fortsatt mangle rapporten du diskuterer. Omvendt kan hun sitte med rapporten foran seg og fortsatt ikke vite hvorfor du har bedt henne lese den.

Minne handler om hva AI kan ta med seg om deg over tid. Kontekst handler om hva den har tilgjengelig for å løse denne oppgaven akkurat nå. Begge deler er relevante, og ingen av dem erstatter det andre.

Bygg kontekst du kan bruke igjen

Noe av konteksten vil være forskjellig fra oppgave til oppgave, men mye går igjen. Hvem du er, hva du jobber med, hvordan du skriver og hvilke prinsipper du holder deg til, trenger du ikke forklare på nytt hver gang. Skriv heller ned det viktigste et sted du kan bruke det igjen.

Det trenger ikke å være særlig avansert. Noen sider kan være nok. Jeg har for eksempel over tid skrevet ned hvordan jeg liker å skrive, hvilke pedagogiske prinsipper jeg jobber etter og hvordan jeg vil håndtere faktasjekk og kilder. Jeg har notert ting jeg gjerne vil gjøre mer av, men også ting jeg vil unngå. At jeg foretrekker konkrete eksempler fremfor abstrakte forklaringer. At jeg vil ha færre linjeskift og sammenhengende avsnitt. Jeg kan også legge ved tekster jeg synes fungerer godt, fordi eksempler ofte sier mer enn en lang beskrivelse av «stemmen min».

Det samme gjelder måten jeg jobber på. Hvis jeg vil at AI skal være forsiktig med sterke faktapåstander, skille tydelig mellom primærkilder og sekundærkilder eller si fra når argumentasjonen min går lenger enn dokumentasjonen tillater, kan jeg skrive ned det også. Neste gang jeg jobber med en faglig tekst, trenger jeg ikke forklare hele arbeidsmåten på nytt. Jeg kan gi AI disse prinsippene sammen med selve oppgaven.

Det er ikke noen avansert teknisk løsning. Det er stort sett vanlige dokumenter og notater som jeg har bygget opp litt etter litt fordi jeg har oppdaget hva som er nyttig å ta vare på. Poenget er heller ikke å dokumentere absolutt alt om meg selv. Jeg prøver å ta vare på den konteksten som ellers ville krevd den samme forklaringen igjen og igjen. Da kan en ny samtale begynne noen hakk lenger frem enn «Hei, jeg trenger hjelp med en tekst».

Forskjellen merkes særlig når jeg ber om noe annet enn produksjon. Med nok relevant kontekst kan AI utfordre argumentene mine, stille spørsmål jeg ikke selv har tenkt på og oppdage svakheter jeg har gått forbi fordi jeg er for tett på teksten eller prosjektet.

Be om motstand

Det vanskeligste og mest verdifulle er ikke å få AI til å skrive noe for deg. Det er å bruke det til å tenke bedre selv.

I et prosjekt der jeg jobbet med en lengre faglig tekst, hadde jeg lest innholdet så mange ganger at jeg ikke lenger så det ordentlig. I stedet for å be AI redigere teksten ba jeg den gjøre noe annet: opptre som en kritisk fagfelle og gå systematisk gjennom alle faktapåstander. Der jeg trodde jeg hadde belegg, skulle den si det. Der jeg hadde antagelser formulert som fakta, skulle den flagge det. Der kausalitetspåstander var sterkere enn grunnlaget tilsa, skulle den si det. Funnene var nyttige. Ikke fordi AI er spesielt klok, men fordi jeg hadde gitt den en tydelig instruks og prinsipper å sjekke mot. Det er en annen type bruk enn å be AI formatere et dokument.

Her er noen spørsmål jeg bruker jevnlig:

«Hva er den svakeste påstanden i dette argumentet?»

«Hvilke innvendinger vil en kritisk leser ha mot dette?»

«Er det noe jeg tar for gitt her som faktisk burde vært begrunnet?»

«Hva sier denne teksten implisitt om meg som avsender?»

«Lag den sterkeste versjonen av motargumentet mot det jeg anbefaler.»

«Hvilken informasjon ville fått deg til å endre konklusjon?»

Og det kanskje mest nyttige: «Hva trenger du å vite fra meg for å hjelpe meg godt med dette?» Hvis AI svarer med en lang liste over ting den mangler, har du samtidig fått en ganske god oppskrift på hvilken kontekst du bør gi den.

En viktig begrensning

Når du bruker AI til noe du allerede vet svaret på, er det lett å bedømme kvaliteten. Når du bruker det til noe du ennå ikke har løst, blir det vanskeligere. Jo mindre du selv kan om temaet, desto vanskeligere blir det også å oppdage et overbevisende feil svar. AI blir ikke en autoritet bare fordi du har gitt den god kontekst. Når fakta betyr noe, må kildene fortsatt sjekkes. Når konsekvensene er store, må mennesker fortsatt eie beslutningen. Skillet mellom sparring og outsourcing av dømmekraft er viktig å holde fast i.

Det tryggeste er ikke alltid det mest nyttige

Det er et mønster jeg kjenner igjen hos meg selv: Jeg bruker gjerne AI på oppgaver der jeg allerede vet omtrent hvordan et godt svar ser ut. Da er det enkelt å kontrollere resultatet, oppdage feil og justere underveis. Det er en fornuftig måte å bruke AI på, men det betyr også at jeg ofte bruker et ganske kraftig verktøy til problemer jeg allerede vet hvordan jeg skal løse.

Noe av den mer interessante bruken skjer tidligere i prosessen, før jeg selv har bestemt meg. Jeg kan komme med et halvferdig resonnement, en idé jeg ikke helt får tak på eller et problem der jeg ser flere mulige veier videre. Da trenger jeg ikke nødvendigvis at AI gir meg et svar. Jeg kan be den undersøke premissene mine, finne det jeg overser eller argumentere mot løsningen jeg selv heller mot. Noen ganger er det mest nyttige svaret nettopp: «Det der tror jeg du har bestemt deg for litt for tidlig.»

Det krever mer kontekst, fordi AI må forstå nok av problemet til å kunne gi relevant motstand. Men det krever også noe av meg. Jeg må tåle at oppgaven ikke bare er å bekrefte eller forbedre det jeg allerede har tenkt. Kontekst gjør AI mindre generisk. Motstand er det som gjør samarbeidet interessant.

Et konkret eksperiment

Neste gang du skal bruke AI til noe som faktisk betyr noe, prøv å ikke begynne med selve oppgaven. Bruk heller et par minutter på å forklare situasjonen. Hva prøver du å få til? Hvem gjelder det for? Hva vet du allerede? Hva har du bestemt deg for, og hva er fortsatt åpent? Fortell også hva du mener kjennetegner et godt resultat.

Og før du ber AI løse noe, still ett spørsmål:

«Hva trenger du fortsatt å vite fra meg for å hjelpe meg godt med dette?»

Kildenotat: Karpathy-sitatet er hentet fra hans innlegg på X 25. juni 2025. Beskrivelsen av context engineering og «context rot» bygger på Anthropics «Effective context engineering for AI agents» fra 29. september 2025. Eksemplene bygger på eget arbeid. LinkedIn-eksemplene er konstruerte illustrasjoner.