Startside

Blog

AI-termer afdækket: En enkel guide til hvad der betyder noget (og hvad der ikke gør)

AI-termer afdækket: En enkel guide til hvad der betyder noget (og hvad der ikke gør)

Skrevet af

Daria Olieshko

Udgivet den

13 aug 2025

Læsetid

3 - 5 min læsning

AI er overalt. Men lad os være ærlige — mange af “AI-termer” derude er bare buzzwords kastet ind i præsentationer og produktopslag. Hvis du nogensinde har følt dig overvældet af forkortelser som AGI, LLM eller A2A, er du ikke alene.

Denne guide nedbryder det hele på enkelt engelsk. Ingen jargon. Ingen tom snak. Bare de væsentlige ting, der virkelig betyder noget i 2025 og fremover.

Uanset om du er inden for HR, IT, marketing, drift, eller bare forsøger at lyde klog ved dit næste møde, er dette dit lynkursus. Gem det. Del det. Bogmærk det. Lad os afkode AI-termer sammen — og lære, hvordan man bruger dem til faktisk at få tingene gjort.

Hvorfor AI-termer endda betyder noget i 2025

AI er ikke længere et teknologisk eksperiment. Det er motoren bag dine planlægningsværktøjer, ansættelsesprocesser, analyse-dashboard og Slack-advarsler. Alligevel taler de fleste stadig ikke sproget.

Her er hvorfor det at kende til AI-termer betyder noget:

Du vil spotte hypen fra reel værdi.
Du vil træffe smartere beslutninger, når du evaluerer leverandører.
Du vil endelig forstå hvordan dine værktøjer fungerer.
Du vil samarbejde bedre med udviklere og tekniske teams.

Reelt eksempel:

Et HR-hold købte en “AI-chatbot” til at automatisere ansættelser. Det viste sig at være en glorificeret kontaktformular uden NLP, ingen automatisering og ingen integration. Hvorfor? De forstod ikke termerne.

De eneste AI-termer, du faktisk har brug for at kende

Lad os starte med de kernebegreber, du oftest vil støde på.

AI-agent

Et system, der opfatter, beslutter og handler mod et mål. Det behøver ikke manuel input for at bevæge sig — det tager initiativ. Tænk på det som en utrættelig digital assistent.

Agentisk AI

En AI, der kan sætte sine egne mål og handle uden konstant instruktion. Den lærer undervejs, optimerer resultater over tid. Eksempel: planlægning af vagter og løsning af konflikter autonomt.

A2A (Agent-til-agent)

En kommunikationsprotokol, der lader uafhængige AI-agenter samarbejde. Din planlægnings-AI kunne tale med en lønregnskabs-AI for at synkronisere timer, overarbejde og overholdelse.

AGI vs ANI

AGI

(Kunstig Generel Intelligens)

En stadig hypotetisk form for AI, der kan lære og ræsonnere som et menneske. Det eksisterer endnu ikke, men det dominerer overskrifterne.

ANI

(Kunstig Smal Intelligens)

Virkelighedens AI, der specialiserer sig i én opgave — som planlægning, ansigtsgenkendelse eller oversættelse. Dette er den AI, du bruger i dag.

AI-chatbotter: Ud over Small Talk

Moderne AI-chatbotter kan:

Besvare HR-spørgsmål
Håndtere PTO-anmodninger
Giv vejledning til onboarding
Virke som 24/7 supportagenter

Værktøjer som ChatGPT, Claude, Gemini og skræddersyede botter trænet på interne dokumenter kan være meget nyttige.

Automatisering vs Orkestrering

AI-automatisering

Håndterer specifikke, gentagne opgaver — som mærkning af billetter, tildeling af vagter eller udsendelse af advarsler.

AI-orkestrering

Forbinder systemer og opgaver til end-til-end-flows. Tænk: onboring af en ny medarbejder, indstilling af deres vagtmønster, synkronisering af løn og udsendelse af overholdelsesdokumenter.

AI-modeller & Familier

AI-model

Kernealgoritmen trænet til at kortlægge input til output. GPT-4o, Claude 3 og Gemini 1.5 er eksempler.

Modelfamilie

En gruppe af relaterede modeller trænet på lignende arkitektur, men optimeret til forskellige opgaver. GPT-3.5, GPT-4, GPT-4o er alle i GPT-familien.

Tilpasning, Opmærksomhed & Forudindtagethed

Tilpasning

Sikrer at AI-adfærd matcher menneskelige værdier. Dårlig tilpasning = utilsigtede handlinger.

Opmærksomhed

Hvordan modeller “fokuserer” på de vigtigste data for at generere svar. Kerne til transformer-modeller.

Forudindtagethed

Hvis træningsdataene er forudindtaget, vil AI's output også være det. Dette er vigtigt for HR, overholdelse og beslutningstagning.

AI-integration

Brug platforme som:

Zapier til at udløse handlinger mellem apps
API'er til at indlejre AI-funktioner
No-code værktøjer til at bygge smarte automatiseringer uden udviklingstid

Eksempel: Brug ChatGPT til at generere vagtplanrapporter inde i Shifton baseret på tidsregistreringsdata.

Avancerede AI-termer, du vil se mere af

LLM (Large Language Model)

Kraftværket bag chatbots, indholdsgenerering og smarte svar. LLM'er er trænet på massive tekstdatasæt og kan udføre en bred vifte af sproglige opgaver.

Populære LLM'er:

GPT-4o (OpenAI)
Claude 3 (Anthropic)
Gemini 1.5 (Google)
Mistral (open-source)

RAG (Retrieval-Augmented Generation)

Kombinerer en sprogmodel med en søgemaskine eller dokumentbase for at generere tidsrelevante, kontekstbevidste svar. Nyttigt for AI-supportagenter og vidensbaser.

Zero-shot / Few-shot læring

Zero-shot: AI gør noget uden eksempler.
Few-shot: AI bruger et par eksempler i prompten til at lære, hvordan man udfører en opgave.

Disse færdigheder gør, at AI hurtigt kan tilpasse sig — fantastisk til at analysere nye trends i supportbilletter eller HR-tilbagemeldinger.

Multimodal AI

Modeller, der forstår tekst, billeder, lyd eller video på én gang. God til at fortolke visuelle skemaer, stemmekommandoer og formularinput sammen.

Vektordatabaser

Gemmer oplysninger i et format, AI kan forstå og søge semantisk (efter betydning, ikke nøgleord). Drivkraft bag dokumentsøgning, chatbots og personalisering.

Populære værktøjer:

Pinecone
Weaviate
Chroma

Fuld ordliste over 40+ AI-termer (forklaret simpelt)

AI-agent — Et system, der kan træffe beslutninger og handle mod mål uden menneskelig mikrostyring.
Agentisk AI — AI, der sætter sine egne mål og tager initiativ baseret på sit miljø.
A2A (Agent-til-agent) — En protokol for AI-agenter til at kommunikere og samarbejde.
AGI (Kunstig Generel Intelligens) — En hypotetisk AI med menneskeniveau læring og ræsonnering.
ANI (Kunstig Smal Intelligens) — Virkelighedens AI, der udmærker sig ved én specifik opgave.
AI-model — En trænet funktion, der konverterer input til intelligent output.
Modelfamilie — En gruppe af relaterede AI-modeller bygget fra den samme arkitektur.
LLM (Large Language Model) — En model trænet på storskala sprogdata til at forstå og generere menneskelignende tekst.
Multimodal AI — AI, der kan forstå og arbejde med flere inputtyper (tekst, billede, stemme).
Vektordatabase — En type database, der bruges til at gemme og søge data baseret på betydning, ikke bare nøgleord.
Indlejring — Numeriske repræsentationer af tekst/data, der hjælper AI med at forstå relationer og betydning.
RAG (Retrieval-Augmented Generation) — Kombinerer realtidsøgning med generering for mere præcise svar.
Prompt engineering — Udformning af bedre input for at få ønskede output fra AI.
Zero-shot læring — AI udfører en opgave uden at have set den før.
Few-shot læring — AI lærer en ny opgave med blot nogle få eksempler.
Finjustering — Tilpasning af en generel model til en specifik opgave eller datasæt.
Forskogsuddannelse — Den indledende træningsfase af en AI-model på et bredt datasæt.
Hallucination — Når AI selvsikkert genererer falsk eller forkert information.
Forudindtagethed — Systemisk uretfærdighed i AI-adfærd på grund af skævvredne træningsdata.
Tilpasning — At sørge for AI-output matcher menneskelige mål, værdier og etik.
Forfatningsmæssig AI — Træning af modeller ved brug af indbyggede etiske principper.
Forklarlighed — Evnen til at forstå, hvorfor AI traf en bestemt beslutning.
Sort boks — En model eller system, hvis interne arbejdsmetoder ikke er gennemsigtige eller kan tolkes.
Tankegang-ræsonnering — En teknik, hvor AI forklarer sine trin før de når en konklusion.
RLHF (Forstærkningslæring fra menneskelig feedback) — En træningsmetode, hvor menneskelige præferencer guider læringsprocessen.
Syntetiske data — Kunstigt genererede data, der bruges til at træne eller teste modeller.
Åbne vægte — Når en models parametre deles offentligt (open-source).
Lukket model — En proprietær AI-model, hvis interne elementer ikke er tilgængelige.
Token — Den mindste enhed af tekst, AI-modeller bruger (ofte et ord eller en del af et ord).
Forsinkelse — Tidsforsinkelsen mellem en brugerinput og AI-respons.
Afsløring — Handlingen at bruge en trænet model til at generere output.
Grundlæggelse — At forbinde AI-output med reel, verificerbar information.
Autonom AI — AI, der kan operere uafhængigt over lange sekvenser uden intervention.
Benchmarking — Test af AI-ydeevne ved hjælp af standardiserede datasæt og opgaver.
Sikkerhedsforanstaltninger — Begrænsninger eller grænser sat på AI for at forhindre misbrug eller fejl.
Tilpasningsknapper — Justerbare indstillinger, der ændrer, hvordan en AI-model opfører sig.
Skalerbarhed — Hvor godt et AI-system præsterer, når brugerkravet øges.
Overtilpasning — Når en model præsterer godt på træningsdata, men dårligt i den virkelige verden.
Generaliserbarhed — AI's evne til at præstere godt på usete data.
NLP (Naturligt Sprogbehandling — AI-feltet fokuseret på at forstå og generere menneskesprog.
Datalabeling — Tagge rå data (billeder, tekst osv.) for at lære AI, hvad den ser.
Selvstyret læring — Træning af AI til at lære mønstre fra ulabelerede data.
Co-pilot AI — En type assistent-AI, der supplerer i stedet for at erstatte menneskelige arbejdere.
Orkestrering — Forbinder AI-drevne værktøjer til smarte, automatiserede arbejdsflows.