391+ AI-begreber, forklaret i dansk virksomhedskontekst.

A2A (Agent-to-Agent Protocol)

En åben kommunikationsprotokol, der lader AI-agenter fra forskellige leverandører og frameworks samarbejde og udveksle information på tværs af platforme.

ACP (Agent Client Protocol)

En åben standard der standardiserer kommunikationen mellem kode-editorer og AI coding agents, så enhver agent kan fungere i enhver editor uden specialbyggede integrationer.

ACP (Agent Communication Protocol)

En åben standard udviklet af IBM til agent-til-agent-kommunikation, der gør det muligt for AI-agenter fra forskellige systemer at samarbejde og udveksle information.

Adversarial Distillation (Fjendtlig destillation)

En praksis, hvor konkurrenter systematisk udtrækker viden fra en AI-models API-svar for at træne deres egne modeller – uden tilladelse eller betaling.

AEO (Answer Engine Optimization)

Disciplinen at optimere indhold, så AI-drevne søgemaskiner som ChatGPT, Gemini og Perplexity citerer det som kilde i deres genererede svar – en naturlig videreudvikling af traditionel SEO.

Agent 365 (Microsoft Agent 365)

Microsofts governance- og sikkerhedsplatform til styring af AI-agenter i virksomheder – med overvågning, politikkontrol og runtime-beskyttelse.

Agent Control Plane (Agent-kontrolplan)

Et centralt styrings- og overvågningslag, der giver virksomheder overblik over alle AI-agenter – hvem de er, hvad de gør, og hvilke data de tilgår.

Agent Evaluation (Agent-evaluering)

Systematisk test og kvalitetsvurdering af AI-agenter — måler om de løser opgaver korrekt, følger regler og håndterer fejl fornuftigt, før de sættes i produktion.

Agent Identity Card (Agent-identitetskort)

En standardiseret oplysningsprofil for AI-agenter, der beskriver agentens kapaciteter, begrænsninger, tilladte handlingsdomæner og eskaleringsprocedurer.

Agent Mesh (Agent-netværk)

En sikkerhedsarkitektur der forbinder flere AI-agenter i et kontrolleret netværk med krypteret kommunikation og gensidige tillidspolitikker.

Agent Payments Protocol (AP2)

Agent Registry (Agent-register)

En central fortegnelse over alle AI-agenter i en organisation — med metadata om hver agents formål, ejer, tilladelser, status og afhængigheder.

Agent Sprawl (Agent-spredning)

Fænomenet hvor en virksomhed ender med hundredvis af AI-agenter uden samlet overblik — ofte med overlappende funktioner, uklare ejerskaber og manglende styring.

Agent Swarm / AI Agent Swarm

Et netværk af mange uafhængige AI-agenter, der samarbejder decentralt om at løse komplekse, storskalerede opgaver.

Agentic AI

AI-systemer, der har en grad af handlekraft (agency) – de kan planlægge, træffe beslutninger og udføre handlinger autonomt for at nå et mål.

Agentic AI Foundation

En afdeling under Linux Foundation, der styrer åbne standarder for AI-agenter — herunder Model Context Protocol (MCP) og andre interoperabilitetsprotokoller.

Agentic Browser (AI-browser)

En webbrowser med indbygget AI-agent, der selvstændigt kan navigere websider, udfylde formularer og udføre flertrinsopgaver på brugerens vegne.

Agentic Coding (Agentbaseret kodning)

En softwareudviklingsmetode, hvor AI-agenter selvstændigt skriver, tester og refaktorerer kode baseret på overordnede instruktioner fra en udvikler.

Agentic Commerce (Agentbaseret handel)

En ny handelsform, hvor AI-agenter selvstændigt researscher, sammenligner og gennemfører køb på vegne af forbrugere eller virksomheder.

Agentic Engineering (Agentbaseret softwareudvikling)

Ingeniørdisciplinen bag design, opbygning og drift af AI-agentsystemer – fra arkitektur og orkestrering til test og overvågning.

Agentic Estate (Agentisk portefølje)

Summen af alle AI-agenter i en organisation – uanset hvem der har bygget dem, hvilken platform de kører på, eller hvilken afdeling der ejer dem.

Agentic Governance (Agent-styring)

Disciplinen og de processer, der sikrer kontrol, overvågning og ansvarlighed på tværs af en virksomheds fleet af autonome AI-agenter.

Agentic Payment (Agentbaseret betaling)

En betalingsform, hvor AI-agenter selvstændigt kan gennemføre køb, godkende transaktioner og håndtere betaling på vegne af en bruger eller virksomhed – med indbyggede sikkerhedskontroller.

Agentic Primitives (Agentiske byggeklodser)

Standardiserede grundkomponenter – som værktøjskald, hukommelse, planlægning og sandboxing – som platforme tilbyder som færdige moduler til at bygge AI-agenter.

Agentic RAG

En avanceret form for RAG, hvor autonome AI-agenter styrer hele søge- og svarprocessen – fra at vælge datakilder til at validere og sammensætte det endelige svar.

Agentic Scaling (Agentisk skalering)

Skaleringsmetode hvor AI-agenter interagerer med andre agenter og værktøjer for at løse komplekse opgaver – en ny fase ud over traditionel træning og inferens.

Agentic Trust Framework (ATF)

En åben sikkerhedsstandard fra Cloud Security Alliance, der anvender Zero Trust-principper til styring af autonome AI-agenter.

Agentic Workflow (Agentbaseret arbejdsgang)

En dynamisk sekvens af forretningsopgaver, der udføres af AI-agenter, som selv kan ræsonnere, træffe beslutninger og tilpasse sig ændringer undervejs – i modsætning til traditionel regelbaseret automatisering.

AgentOps

Den operationelle disciplin for styring, overvågning og drift af AI-agenter i produktion – svarende til hvad DevOps er for software og MLOps for maskinlæring.

AGENTS.md

En åben standard, der giver AI-kodningsagenter struktureret vejledning om, hvordan de skal arbejde i et specifikt softwareprojekt – som en README, men skrevet til AI.

AI (Kunstig Intelligens)

Paraplybetegnelsen for maskiner og systemer, der kan udføre opgaver, som normalt kræver menneskelig intelligens (f.eks. problemløsning og mønstergenkendelse).

AI Advisor (AI-rådgiver)

En AI-applikation, der analyserer data og giver anbefalinger inden for et specifikt fagområde – uden selv at udføre handlinger.

AI Agent

Et autonomt AI-system, der ikke bare svarer på spørgsmål, men aktivt kan udføre handlinger i andre softwaresystemer.

AI Agent Loop (AI-agentløkke)

Den grundlæggende arkitektur bag autonome AI-agenter: en cyklus af observation, ræsonnering, handling og ny observation, der gentages, indtil opgaven er løst.

AI Agent Marketplace

En platform eller markedsplads, hvor virksomheder kan finde, sammenligne og implementere specialiserede AI-agenter til specifikke forretningsopgaver.

AI Agent Memory (AI-agenthukommelse)

Mekanismer der gør det muligt for AI-agenter at huske information på tværs af sessioner og interaktioner, så de kan opbygge kontekst og blive mere personaliserede over tid.

AI Agent Stack (AI-agentstak)

Den lagdelte teknologiarkitektur, der tilsammen udgør en fungerende AI-agent – fra brugerfladen og agentens kerne til hukommelse, værktøjer, modeller og infrastruktur.

AI Agent Standards (AI-agentstandarder)

Fælles standarder og protokoller, der sikrer, at AI-agenter fra forskellige leverandører kan kommunikere sikkert og arbejde sammen.

AI App Automation (AI-appautomatisering)

Teknologi hvor AI selvstændigt udfører flertrinsopgaver på tværs af flere apps – f.eks. bestiller varer, udfylder formularer eller koordinerer kalendere.

AI App Builder (AI-appbygger)

Værktøjer, der genererer komplette applikationer – med database, login og hosting – ud fra en naturlig sprogbeskrivelse, helt uden traditionel kodning.

AI Audit Trail

En sporbar log over beslutninger, modelversioner, træningsdata og ændringer, der gør det muligt at revidere et AI-system.

AI Business Case

En økonomisk begrundelse for et AI-projekt, der afvejer implementeringsomkostninger mod forventet ROI, tidsbesparelser og øget omsætning.

AI Center of Excellence (AI CoE)

Et tværfagligt team, der driver AI-strategi, standarder, governance og best practice på tværs af virksomheden.

AI Coding Agent (AI-kodeagent)

Autonome AI-værktøjer, der selvstændigt kan planlægge, skrive, teste og deploye kode – en kategori der i 2026 ledes af Claude Code, OpenAI Codex og Cursor.

AI Companion (AI-ledsager)

En AI-drevet digital assistent, der er designet til løbende, personlig interaktion – i modsætning til enkeltopgavebaserede chatbots.

AI Compliance (AI-efterlevelse)

Den praktiske proces med at sikre, at en virksomheds brug af AI lever op til gældende love, regler og branchestandarder – herunder EU AI Act.

AI Content Generation

Automatisering af indholdsproduktion (tekst, billeder, video) til SEO, sociale medier og e-mail marketing ved hjælp af generativ AI.

AI Cybersecurity (AI-cybersikkerhed)

Brugen af kunstig intelligens til at opdage, forebygge og reagere på cybertrusler – fra sårbarhedsscanning og trusselsanalyse til automatiseret incident response.

AI Data Factory (AI-datafabrik)

En samlet infrastruktur, der automatiserer hele livscyklussen for AI-træningsdata – fra generering og augmentering til kvalitetskontrol og evaluering i stor skala.

AI Deployment Company (AI-implementeringsvirksomhed)

En ny forretningsmodel hvor AI-leverandører opretter datterselskaber eller joint ventures med kapitalfonde for at implementere AI direkte hos virksomheder.

AI Divide (AI-kløften)

Den voksende kløft mellem virksomheder, der høster markant værdi af AI, og dem, der stadig sidder fast i pilotprojekter uden målbar effekt.

AI Dreaming (AI-drømme)

En teknik, hvor AI-agenter mellem sessioner gennemgår tidligere samtaler, finder mønstre og opdaterer deres hukommelse – så de løbende forbedrer sig selv uden menneskelig indgriben.

AI Drug Discovery (AI-drevet lægemiddelforskning)

Anvendelsen af AI-modeller til at accelerere opdagelsen og udviklingen af nye lægemidler – fra molekyledesign til kliniske forsøg.

AI Factory (AI-fabrik)

Et datacenter specifikt designet og optimeret til at træne og køre AI-modeller i stor skala – en fabrik, der producerer intelligens.

AI FinOps

Disciplinen for at styre, optimere og forudsige omkostningerne ved en virksomheds AI-infrastruktur og -forbrug på tværs af cloud, on-premise og hybrid-miljøer.

AI Gateway (AI-gateway)

Et centralt infrastrukturlag, der sidder mellem virksomhedens applikationer og de AI-modeller, der bruges – og håndterer sikkerhed, overvågning, caching og adgangskontrol på tværs af flere modeller.

AI Governance

Det interne regelsæt, framework og processer en virksomhed sætter op for at sikre, at AI udvikles og bruges etisk, sikkert og lovligt.

AI Hypercomputer

En AI-optimeret infrastrukturarkitektur, der samler compute, storage, netværk og software i ét integreret system designet specifikt til at køre AI-workloads effektivt.

AI Impact Assessment (AI-konsekvensvurdering)

En systematisk evaluering af, hvordan et AI-system påvirker mennesker, rettigheder og samfund – påkrævet under EU AI Act for højrisiko-systemer og i flere amerikanske delstatslovgivninger.

AI Inbox (AI-indbakke)

En intelligent indbakke der bruger AI til automatisk at prioritere, opsummere og kategorisere beskeder – så brugeren ser det vigtigste først.

AI Lead Scoring

Algoritmer der automatisk vurderer og rangerer indkomne leads, ofte integreret direkte i CRM-systemer som HubSpot.

AI Liability (AI-ansvar)

Det juridiske spørgsmål om hvem der bærer ansvaret, når et AI-system forvolder skade — udvikleren, virksomheden der anvender det, eller AI'en selv.

AI Literacy (AI-kompetence)

Det generelle vidensniveau i organisationen om, hvad AI kan og ikke kan, så ledere og medarbejdere kan træffe kvalificerede beslutninger.

AI Marketing Automation

Brug af AI til at automatisere, optimere og tidsindstille marketingkampagner på tværs af kanaler.

AI Maturity Model (AI-modenhedsmodel)

Et rammeværk der måler, hvor langt en organisation er nået i sin AI-rejse – typisk på en skala fra 1 (eksperimentel) til 5 (transformativ).

AI Memory (AI-hukommelse)

AI-systemers evne til at huske kontekst, præferencer og tidligere samtaler på tværs af sessioner – i modsætning til traditionelle stateless modeller.

AI Operating Model

Den måde en virksomhed organiserer roller, ansvar, processer og teknologier omkring AI, så det bliver en integreret del af forretningen.

AI Orchestrering

Styring og koordinering af flere AI-komponenter og workflows (f.eks. RAG, agenter, API-kald) i én samlet løsning.

AI Pair Programming (AI-parsprogrammering)

En arbejdsform, hvor en AI-assistent skriver kode side om side med udvikleren – foreslår løsninger, finder fejl og genererer hele funktioner i realtid.

AI Personal Finance (AI-privatøkonomi)

AI-systemer, der forbinder sig direkte til brugerens bankkonti og finansielle data for at give personlig rådgivning, overblik og automatisering af privatøkonomi.

AI Policy Engine (AI-politikmotor)

En runtime-komponent der opfanger og evaluerer enhver AI-agenthandling mod foruddefinerede regler, før handlingen udføres.

AI Readiness

En vurdering af, hvor klar en virksomhed er til at implementere AI – målt på data, infrastruktur, kultur og kompetencer.

AI Regulatory Sandbox (AI-regulatorisk sandkasse)

Et kontrolleret testmiljø oprettet af en national myndighed, hvor virksomheder kan udvikle og afprøve innovative AI-systemer under myndighedstilsyn – før de lanceres på markedet.

AI Reskilling (AI-omskoling)

Processen med at oplære medarbejdere i nye kompetencer, fordi deres eksisterende opgaver helt eller delvist automatiseres af AI.

AI Risk Management

Den systematiske proces med at identificere, vurdere og mitigere risici ved AI – fra datasikkerhed og bias til regulatoriske konsekvenser.

AI Roadmap

En konkret plan, der beskriver virksomhedens AI-rejse over 12–36 måneder – fra pilotprojekter til fuld skalering.

AI Routines (AI-rutiner)

Foruddefinerede, genbrugelige AI-arbejdsgange, der automatisk udfører tilbagevendende opgaver som rapporter, opsummeringer eller dataopdateringer.

AI Runtime Layer (AI-runtime-lag)

Et softwarelag der fungerer som 'styresystem' for AI-applikationer — det håndterer modelkald, agentorkestering, kontekststyring og sikkerhed i ét samlet lag.

AI Runtime Security (AI-runtime-sikkerhed)

Sikkerhedsmekanismer, der overvåger og håndhæver regler for AI-agenter i realtid – mens de kører, ikke kun før deployment.

AI Sales Assist

AI-værktøjer, der hjælper sælgere med at forberede møder, skrive mails, opsummere kundekald og foreslå næste skridt.

AI Sandbox

Et lukket, sikkert testmiljø, hvor medarbejdere kan eksperimentere med AI-værktøjer uden risiko for at lække data til internettet.

AI Security Rider (AI-sikkerhedstillæg)

Et forsikringsvilkår, der kræver dokumenteret AI-sikkerhed – fx red teaming, risikovurdering og tekniske sikkerhedsforanstaltninger – som forudsætning for dækning.

AI Slop (AI-slop)

Lavkvalitetsindhold masseproduceret med generativ AI, som mangler dybde, originalitet og reel værdi for læseren.

AI Superapp

En samlet desktop- eller mobilapplikation, der kombinerer flere AI-værktøjer – chat, kodning, browsing og agenter – i én fælles grænseflade.

AI System Categorization

Inddelingen af AI-systemer i risikoniveauer (uacceptabel, høj, begrænset, minimal risiko) ifølge EU AI Act.

AI Tooling Layer

Det lag af specifikke værktøjer og plugins, som giver en AI-agent evnen til at udføre handlinger i eksterne systemer.

AI Transformation

Processen hvor en virksomhed integrerer AI i kerneprocesser for at ændre og optimere forretningsmodellen.

AI Transparency Obligation (AI-gennemsigtighedspligt)

Krav i EU AI Act om, at AI-genereret indhold skal mærkes maskinlæsbart, og at deepfakes og AI-tekster tydeligt skal markeres over for brugerne.

AI Value Realization

Det systematiske arbejde med at måle, dokumentere og optimere den forretningsværdi, som AI-løsninger faktisk skaber efter go-live.

AI Vulnerability Discovery (AI-drevet sårbarhedsopdagelse)

Brugen af avancerede AI-modeller til automatisk at finde sikkerhedshuller i software – ofte hurtigere og mere grundigt end menneskelige sikkerhedseksperter.

AI Wage Premium (AI-lønpræmie)

Den målbare lønforskel, som medarbejdere med AI-kompetencer opnår sammenlignet med kollegaer i tilsvarende roller uden disse færdigheder – aktuelt op til 56 % ekstra.

AI Watermarking (AI-vandmærkning)

Teknikker til at indlejre usynlige, maskinlæsbare signaler i AI-genereret indhold, så det efterfølgende kan identificeres som syntetisk.

AI Wearable (AI-bærbar enhed)

Bærbar hardware med indbygget AI — typisk smartbriller, AI-pendanter eller ørepropper — der konstant lytter, ser og assisterer brugeren i dagligdagen.

AI-annoncer (AI Ads)

Reklamer vist direkte i AI-assistenter som ChatGPT, hvor annoncører betaler for synlighed i AI-genererede svar.

AI-annoncering (AI Advertising)

Praksis med at placere annoncer inde i AI-svarmotorer som ChatGPT, Gemini og Perplexity, hvor brands betaler for synlighed i AI-genererede svar frem for traditionelle søgeresultater.

AI-genereret kode (AI-Generated Code)

Programkode, der er skrevet helt eller delvist af AI-modeller som GitHub Copilot, Claude Code eller Cursor – i 2026 er 41 % af al ny kode AI-genereret.

AI-indholdsmærkning (AI Content Labeling)

Lovpligtig mærkning af indhold, der er produceret eller væsentligt redigeret af AI, så modtageren kan se, at AI har været involveret.

AI-infrastruktur (AI Infrastructure)

Den samlede fysiske og cloud-baserede grundstruktur – GPU-klynger, datacentre, netværk og softwarelag – der er nødvendig for at træne og afvikle AI-modeller.

AI-nativ enhed (AI-Native Device)

Hardware – bærbare computere, telefoner, briller – der er designet fra grunden omkring en AI-model i stedet for blot at tilføje AI-funktioner ovenpå et eksisterende operativsystem.

AI-native annoncering (AI-Native Advertising)

Reklamer, der vises direkte inde i AI-assistenter og chatgrænseflader – f.eks. sponsorerede svar eller produktanbefalinger midt i en AI-samtale.

AI-Native Design (AI-nativt design)

En ny kategori af designværktøjer, hvor AI ikke blot assisterer, men er den primære skabende kraft – fra idé til færdigt visuelt output.

AI-native Infrastructure (AI-native infrastruktur)

IT-infrastruktur, der fra grunden er designet til AI-arbejdsbelastninger – med specialiserede chips, netværk og storage optimeret til modeltræning og inferens.

AI-native udvikling (AI-Native Development)

En softwareudviklingsmetode, hvor AI er integreret i hele udviklingsprocessen fra start – ikke tilføjet efterfølgende som et ekstra lag.

AI-nativt vidensystem (AI-Native Knowledge System)

Videnssystemer bygget fra bunden til AI – hvor information organiseres i relationer og kontekst frem for mapper og dokumenter.

AI-nudificering (AI Nudification)

Brug af AI til at generere ikke-samtykkende intimt eller seksuelt eksplicit billedmateriale – en praksis der pr. maj 2026 er forbudt under EU AI Act.

AI-realtidsoversættelse (Live Translation AI)

AI-modeller, der oversætter tale i realtid fra ét sprog til et andet, mens taleren stadig taler – uden forsinkelse fra separat transskription.

AI-selvverificering (AI Self-Verification)

Teknikker, der gør det muligt for AI-agenter automatisk at kontrollere rigtigheden af deres egne svar og handlinger.

AI-suverænitet (AI Sovereignty)

Princippet om at en organisation eller nation bevarer kontrol over sine AI-systemer, data og infrastruktur – uafhængigt af udenlandske leverandører og cloud-platforme.

AI-til-AI-forskning (AI-for-AI Research)

AI-systemer, der autonomt optimerer andre AI-systemer – fra træningsdata og arkitektur til algoritmevalg – uden menneskelig indgriben i hvert trin.

AIBOM (AI Bill of Materials)

En komplet oversigt over alle komponenter i et AI-system – modeller, træningsdata, softwareafhængigheder, frameworks og infrastruktur – som giver fuld gennemsigtighed i AI-forsyningskæden.

Algoritmisk Bias

Indbyggede fordomme eller skævheder i en AI-model, oftest opstået fordi træningsdataen var mangelfuld eller forudindtaget.

Alpha Earth Foundations (Google DeepMind)

AlphaFold & AlphaGenome (Google DeepMind)

Android Halo (Google)

Android XR (Google/Samsung)

Ansvarlig AI (Responsible AI)

Praksissen med at designe og implementere AI med fokus på etik, gennemsigtighed og fairness.

API (Application Programming Interface)

Koden der gør det muligt for to systemer (f.eks. HubSpot og en LLM) at tale sammen og udveksle data.

Autonom eksekvering (Autonomous Execution)

AI-agenters evne til at gennemføre hele arbejdsgange fra start til slut – uden at mennesket skal godkende hvert enkelt trin undervejs.

C2PA (Content Credentials)

En åben teknisk standard, der kryptografisk dokumenterer et digitalt indholds oprindelse, herunder om det er skabt eller redigeret med AI.

CAISI (Center for AI Standards and Innovation)

Den amerikanske regerings centrale instans for AI-standarder og -evaluering, placeret under NIST, der bl.a. tester frontier-modeller for nationale sikkerhedsrisici inden lancering.

Call Transcription & Analysis

Brug af AI til automatisk at transskribere salgskald eller kundeservice-samtaler og udtrække nøgleemner, sentiment og næste skridt.

Capability Threshold (Kapabilitetsgrænse)

En foruddefineret grænse for, hvornår en AI-models evner bliver tilstrækkeligt avancerede til at udløse skærpede sikkerhedskrav og kontrolforanstaltninger.

Catastrophic Forgetting (Katastrofal glemsel)

Et fænomen, hvor en AI-model glemmer tidligere lært viden, når den trænes på nye data – en central udfordring for modeller, der skal opdateres løbende.

CE-mærkning for AI (AI CE Marking)

Et lovpligtigt kvalitetsmærke, der fra august 2026 skal påhæftes højrisiko-AI-systemer, før de må sælges eller tages i brug inden for EU.

Chain of Thought (CoT)

En prompting-teknik, der beder AI'en om at tænke højt og forklare sine mellemregninger trin-for-trin, før den giver det endelige svar.

Change Management i AI

Organisatoriske tiltag, træning og kommunikation, der skal til for at medarbejdere accepterer og bruger nye AI-løsninger i praksis.

Chief AI Officer (CAIO)

En ny C-suite-rolle med ansvar for virksomhedens samlede AI-strategi, budgettering og sikring af etisk og lovmæssig efterlevelse ved brug af kunstig intelligens.

Chunking

Processen hvor lange dokumenter brydes ned i mindre, meningsfulde bidder (chunks), før de lægges ind i en AI's database.

Churn Prediction

AI-modeller, der identificerer kunder, som er i høj risiko for at opsige deres abonnement eller forlade virksomheden, før det sker.

Claude Design (AI-designværktøj)

Anthropics visuelle designværktøj, der lader brugere skabe prototyper, slides og marketingmaterialer via naturligt sprog – uden designbaggrund.

Cloud AI

AI-tjenester leveret via internettet fra store udbydere (som Google Cloud eller Azure), som kræver minimal lokal infrastruktur.

Code Execution (AI-kodeafvikling)

AI-modellens evne til at skrive, køre og teste programkode i et sikret miljø midt i en samtale — og bruge resultatet til at give et bedre svar.

Codemender (Google)

Codex (OpenAI Codex)

OpenAI's agentbaserede udviklingsplatform, der lader AI-agenter skrive kode, styre computere, browse websider og udføre komplekse opgaver autonomt.

Compliance Splinternet (Regulerings-splinternet)

Fænomenet, hvor den samme AI-funktion kan være lovlig i ét land men ulovlig i et andet, fordi verdens lande regulerer AI på vidt forskellige måder.

Composite AI (Sammensat AI)

En tilgang, der kombinerer flere AI-teknikker – fx machine learning, videngrafer, NLP og regelbaserede systemer – i én samlet løsning for at håndtere komplekse forretningsproblemer.

Confidential Computing (Fortrolig beregning)

En sikkerhedsteknologi, der beskytter data, mens den aktivt behandles af AI-modeller, ved at køre beregninger i krypterede hardware-enklaver.

Conformity Assessment

Den formelle proces hvor virksomheden får vurderet, om et højrisiko AI-system lever op til kravene i AI Act, før lancering.

Constitutional AI (Konstitutionel AI)

En tilgang til AI-sikkerhed, hvor modellen styres af et sæt nedskrevne principper ('en forfatning') og i høj grad evaluerer sig selv frem for udelukkende at afhænge af menneskelig feedback.

Context Caching (Kontekst-caching)

En teknik, der gemmer og genbruger dele af en AI-models kontekst mellem forespørgsler for at reducere omkostninger og svartider.

Context Engine (Kontekstmotor)

Et softwarelag mellem brugeren og AI-modellen, der i realtid samler, strukturerer og leverer den rette kontekst – fra databaser, dokumenter og API'er – til modellens prompt.

Context Window

Den maksimale mængde tekst (input + historik), en LLM kan 'have i hovedet' på én gang.

Continual Learning (Kontinuerlig læring)

En AI-arkitektur, hvor modeller løbende lærer af nye data i produktion – uden at skulle genoptrænes fra bunden hver gang.

Conversational Advertising (Samtalebaseret annoncering)

En annonceformat hvor brands deployerer AI-agenter som samtalepartnere, så forbrugere kan chatte direkte med et mærke i stedet for at klikke på en statisk annonce.

Conversational AI

Avancerede chatbots og stemmeassistenter, der kan føre naturlige, dynamiske samtaler med kunder i stedet for at følge fastlagte regelsæt.

Copilot

En AI-assistent, der arbejder side om side med en menneskelig bruger for at øge produktiviteten, men kræver brugerens konstante styring.

Creative Agent (Kreativ AI-agent)

En AI-agent, der selvstændigt kan orkestrere kreative arbejdsgange – fra design og billedredigering til videoproduktion – ved at koordinere flere værktøjer i én samlet proces.

CrewAI

Et open source Python-framework til at bygge multi-agent-systemer, hvor AI-agenter tildeles roller, mål og baggrundsviden og samarbejder om komplekse opgaver.

Custom AI Silicon (Tilpassede AI-chips)

Skræddersyede processorer, som techvirksomheder selv udvikler specifikt til AI-træning og inferens — i stedet for at bruge standardchips fra f.eks. NVIDIA.

Customer 360 View

En samlet, AI-beriget visning af kundens historik, adfærd og præferencer på tværs af systemer (CRM, support, marketing).

Data Drift

Ændringer i inputdataenes fordeling over tid, som kan gøre eksisterende modeller mindre pålidelige.

Data Governance (AI Act)

Krav til kvalitet, repræsentativitet og dokumentation af de datasæt, der bruges til at træne, validere og teste AI-modeller.

Data Pipeline

De automatiserede flows, der indsamler, renser, transformerer og leverer data til AI-modeller.

Data Poisoning

Når angribere bevidst forurener træningsdata eller RAG-dokumenter, så AI-modellen lærer forkerte mønstre.

Data Privacy i AI

Beskyttelse af personoplysninger (GDPR) i forbindelse med indsamling af træningsdata og input/output i AI-modeller.

Decision Velocity (Beslutningshastighed)

Et mål for, hvor hurtigt en organisation kan automatisere og eksekvere beslutninger ved hjælp af AI – fra datainput til handling.

Deep Learning

En avanceret form for Machine Learning inspireret af den menneskelige hjerne (neurale netværk), som bruges til komplekse opgaver som billed- og talegenkendelse.

Deep Research (AI-dybderesearch)

En autonom AI-agent, der selvstændigt planlægger, søger, læser og syntetiserer information fra flere kilder til en samlet rapport med kilder og visualiseringer.

Deepfake-mærkning (Deepfake Labeling)

Kravet om tydeligt at markere AI-genereret eller AI-manipuleret indhold – herunder syntetiske billeder, videoer og lyd – så modtageren kan skelne det fra autentisk materiale.

DeepSeek

Kinesisk AI-laboratorium og open source-udfordrer, der har rystet AI-industrien med modeller, som matcher vestlige frontiermodeller til en brøkdel af træningsomkostningerne.

DeepSeek

Kinesisk AI-laboratorium og open source-udfordrer, der har rystet AI-industrien med modeller, som matcher vestlige frontiermodeller til en brøkdel af træningsomkostningerne.

Defense-in-Depth (AI-sikkerhed i lag)

Sikkerhedsstrategi hvor flere lag af beskyttelsesforanstaltninger kombineres for at reducere risikoen ved AI-systemer – frem for at stole på én enkelt sikkerhedsmekanisme.

Defensive AI (Defensiv AI)

Brugen af kunstig intelligens til at forsvare organisationer mod cyberangreb – ved at opdage, analysere og reagere på trusler i maskinhastighed.

Digital Assembly Line (Digitalt samlebånd)

En AI-drevet arbejdsgang, hvor flere specialiserede agenter styrer en hel forretningsproces fra start til slut – ligesom et fysisk samlebånd, men for videnarbejde.

Digital Labor (Digital arbejdskraft)

Betegnelsen for AI-agenter, der fungerer som digitale medarbejdere og selvstændigt udfører opgaver på linje med menneskelige kolleger i en virksomhed.

Digital Twin (Digital Tvilling)

En virtuel kopi af et fysisk objekt, system eller proces, der opdateres med realtidsdata og bruges til simulering, overvågning og optimering.

Digital Workforce (Digital Arbejdskraft)

Specialiserede AI-agenter, der udfører konkrete arbejdsopgaver som kodning, test, dokumentation eller kundeservice på linje med menneskelige medarbejdere.

Distillation Attack (Destillationsangreb)

Et angreb, hvor en aktør systematisk udtrækker viden fra en proprietær AI-model ved at sende tusindvis af forespørgsler og bruge svarene til at træne en kopi.

Docling (AI-dokumentindtag)

Et open source-værktøj fra IBM Research, der konverterer dokumenter (PDF, Word, HTML, regneark) til AI-klar formatering med fuld sporbarhed til kilderne.

Domænespecifik AI (Domain-Specific AI)

AI-modeller der er specialtrænet til ét fagområde – f.eks. medicin, jura eller cybersikkerhed – frem for at være generelle sprogmodeller.

DPO (Direct Preference Optimization)

En nyere metode til at tilpasse AI-modellers adfærd efter menneskelige præferencer – enklere og mere stabil end den ældre RLHF-tilgang.

DSPy (Deklarativ AI-programmering)

Et open source-framework fra Stanford, der lader udviklere programmere sprogmodeller med Python-kode i stedet for at skrive prompts manuelt.

Durable Execution (Holdbar eksekvering)

En infrastrukturtilgang, hvor en AI-agents tilstand løbende gemmes, så den kan genoptages præcis dér, hvor den stoppede – selv efter nedbrud eller genstart.

Dynamic Content

Indhold på website eller e-mail, der ændres automatisk baseret på brugerens adfærd og profil, drevet af AI.

Edge AI

AI-beregninger, der foregår direkte på den lokale enhed (f.eks. en smartphone, en maskine i produktionen eller en bil) frem for i skyen.

Embeddings

Numeriske repræsentationer af tekst, billeder eller andre objekter i et flerdimensionelt rum.

Emergent Behavior (Emergent adfærd)

Uventede evner eller mønstre, der opstår i AI-modeller, uden at de er blevet eksplicit programmeret eller trænet til dem.

Enterprise AI

Betegnelsen for AI-løsninger, der er designet til hele organisationen – på tværs af afdelinger, systemer og processer – med fokus på skalerbarhed, governance og forretningsværdi.

EU AI Act

EUs lovgivning om kunstig intelligens (træder fuldt i kraft i 2026), som inddeler AI-systemer i risikoklasser og stiller strenge krav til transparens.

EU Code of Practice (EU-adfærdskodeks for AI-genereret indhold)

EU-Kommissionens frivillige adfærdskodeks, der fastlægger praktiske standarder for mærkning og gennemsigtighed af AI-genereret indhold som tekst, billeder, lyd og video.

EU Digital Omnibus (EU Digital Omnibus-pakken)

En samlet EU-lovpakke fra 2026, der justerer tidsfrister og krav i bl.a. AI Act, og giver virksomheder mere tid til at implementere de strengeste regler.

Evaluation Harness / Eval Suite

Et automatiseret test-setup, der systematisk evaluerer kvaliteten, nøjagtigheden og sikkerheden af en AI-models output.

Explainable AI (XAI)

AI-systemer, der er designet således, at mennesker kan forstå, hvordan og hvorfor AI'en traf en bestemt beslutning.

Feature Store

Et centralt bibliotek for de data-features, som bruges på tværs af AI-modeller, så de kan genbruges.

Federated Learning (Fødereret læring)

En metode til at træne AI-modeller på distribuerede datasæt uden at samle rå data ét sted – modellen rejser til dataene i stedet for omvendt.

Few-shot Prompting

En prompting-teknik, hvor man giver AI'en et par eksempler på den ønskede opgave og output-format, før den skal løse selve opgaven.

Fine-tuning

Processen hvor man tager en eksisterende AI-model og videre-træner den på virksomhedsspecifikke data.

Forward Deployed Engineer (FDE)

En specialiseret AI-konsulent, som arbejder direkte hos kundens organisation for at implementere og tilpasse AI-løsninger til virksomhedens specifikke behov.

Forward Deployed Unit (FDU)

Et tværfagligt team bestående af mennesker og AI-agenter, der sammen løser komplekse implementeringsopgaver hos en virksomhed.

Foundation Model (Fundamentmodel)

Kæmpestore, generelle AI-modeller (som GPT-4 eller Claude 3), der er trænet på enorme mængder data og danner basis for mange specifikke applikationer.

Frontier AI Framework (Frontier-AI-sikkerhedsramme)

Et lovkrav i bl.a. Californien og New York om, at udviklere af de mest avancerede AI-modeller skal dokumentere, hvordan de håndterer katastrofale risici.

Frontier AI Safety Framework (Sikkerheds-framework for frontiermodeller)

En struktureret plan, som AI-virksomheder udgiver for at beskrive, hvordan de identificerer, evaluerer og mitigerer risici ved deres mest avancerede modeller.

Frontier AI-regulering

Lovgivning rettet specifikt mod de mest avancerede AI-modeller (frontier-modeller), der kræver transparens, risikovurdering og sikkerhedsprocedurer fra udviklerne.

Frontier Cyber Model (Frontier-cybermodel)

Specialiserede AI-modeller trænet til at finde sårbarheder i software, vurdere trusler og styrke en organisations cyberforsvar.

Frontier Firm (Frontiervirksomhed)

En virksomhed, der grundlæggende redesigner sin forretningsmodel, sine processer og sin organisering omkring AI – ikke blot bruger AI som et ekstra værktøj.

Frontier Model (Frontiermodel)

Betegnelsen for de mest avancerede og kapable AI-modeller, som typisk trænes af de største AI-laboratorier med enorme mængder data og beregningskraft.

Frontier Model Forum

En nonprofitorganisation grundlagt af OpenAI, Anthropic, Google og Microsoft til at fremme sikker og ansvarlig udvikling af de mest avancerede AI-modeller.

GAIA (General AI Assistant Benchmark)

Et benchmark designet til at måle, hvor godt AI-assistenter klarer virkelighedsnære opgaver, der kræver webbrowsing, filhåndtering og brug af flere værktøjer.

GDP Val (AI-benchmark)

Gemini 3.5 Flash (Google)

Gemini Enterprise Agent Platform

Googles samlede enterprise-platform til at bygge, deploye og styre AI-agenter, der erstatter Vertex AI som primært udviklingsmiljø.

Gemini for Science (Google)

Gemini Omni (Google)

Gemini Spark (Google)

Gemma (Google open-weight-model)

Googles familie af åbne AI-modeller, der kan downloades og køres lokalt eller i egen cloud – uden afhængighed af Googles API.

Generativ AI (GenAI)

En type AI, der kan skabe nyt indhold – tekst, billeder, kode eller lyd – baseret på de data, den er trænet på.

GGUF (Kvantiseret modelformat)

Et filformat til kvantiserede AI-modeller, der gør det muligt at køre store sprogmodeller lokalt via værktøjer som Ollama og llama.cpp. GGUF-filer komprimerer modeller markant, så de kan køre på consumer-hardware med reduceret, men brugbar kvalitet.

Google ADK (Agent Development Kit)

Googles open source-framework til at bygge, teste og deploye AI-agenter — designet til at fungere med både Gemini-modeller og tredjeparts-LLM'er.

Google Antigravity (Agent-first IDE)

Google Flow (AI-kreativværktøj)

Google Pics (AI-billedværktøj)

Google Remy

Googles kommende proaktive AI-agent, der bygger på Gemini og kan handle selvstændigt på tværs af Gmail, Calendar, Docs, Drive og andre tjenester.

Google Stitch (AI UI-design)

GPAI (General-Purpose AI Model)

EU AI Acts betegnelse for AI-modeller med bred anvendelighed, der kan løse mange forskellige opgaver og integreres i andre systemer – f.eks. GPT, Claude og Gemini.

GPT-5.5

OpenAIs flagskibsmodel fra 2026, der kombinerer avanceret ræsonnering, agentisk kodning og multimodal forståelse i én samlet arkitektur.

GPT-Rosalind (Domænespecifik forskningsmodel)

OpenAIs frontier-model bygget specifikt til life science-forskning – fra lægemiddelopdagelse og proteinanalyse til klinisk forsøgsplanlægning.

GraphRAG (Knowledge Graphs)

En avanceret videreudvikling af RAG, der kombinerer semantisk søgning med vidensgrafer for at forstå komplekse relationer i data.

Grounding / Grounded Answers

Teknikken til at forankre en AI's svar i specifikke, verificerbare kilder for at forhindre opdigtede informationer (hallucinationer).

GRPO (Group Relative Policy Optimization)

En træningsmetode til store sprogmodeller, der forbedrer deres ræsonneringsevne ved at lade modellen generere flere løsninger og forstærke de bedste – uden behov for en separat evalueringsmodel.

Guardrails

Regler og filtre omkring en LLM, der forhindrer uønsket adfærd – f.eks. læk af persondata eller diskriminerende output.

Hallucinationer

Når en AI-sprogmodel opfinder fakta eller genererer selvsikre, men fuldstændig forkerte svar.

Harness Engineering (Agent Harness)

Disciplinen bag design af den infrastruktur, der styrer, overvåger og sikrer AI-agenter i produktion – fra sandboxing og fejlhåndtering til observerbarhed og adgangsstyring.

Hermes Agent

Et open source AI-agentframework fra Nous Research, der lærer af sine egne erfaringer og forbedrer sig selv over tid gennem en lukket læringsløkke.

Human Oversight

Krav og praksis for at sikre, at mennesker overvåger og kan overrule vigtige AI-beslutninger – især i højrisiko-scenarier.

Human-in-the-Loop (HITL)

Et systemdesign, hvor menneskelig dømmekraft, godkendelse eller feedback er integreret direkte i AI'ens arbejdsproces.

Human-on-the-Loop (Menneske over sløjfen)

En tilsynsmodel hvor mennesket overvåger AI-agentens beslutninger på afstand i stedet for at godkende hvert enkelt trin – modsat Human-in-the-Loop.

Hybrid AI

En arkitekturtilgang, der kombinerer forskellige AI-modeller eller -implementeringsformer – typisk lokal (edge) og cloud-baseret AI – for at opnå den bedste balance mellem hastighed, sikkerhed og kapacitet.

Hybrid RAG

En avanceret RAG-arkitektur, der kombinerer semantisk vektorsøgning med traditionel nøgleordssøgning for at levere mere præcise og pålidelige svar fra virksomhedens data.

Hyper-personalisering

Brug af AI til at skræddersy indhold, produktanbefalinger og budskaber til den enkelte bruger i realtid.

Hyperscale AI Data Center

Kæmpe datacentre designet specifikt til at træne og køre AI-modeller i stor skala, ofte med hundredtusindvis af GPU'er og et massivt energiforbrug.

Højrisiko AI-systemer (High-risk AI)

AI-systemer, der kan påvirke menneskers sikkerhed eller grundlæggende rettigheder (f.eks. AI til rekruttering eller kreditvurdering).

Inference

Selve kørselstidspunktet hvor en AI-model tager imod input og genererer et output.

Inference Economics (Inferensøkonomi)

Disciplinen der handler om at forstå, styre og optimere omkostningerne ved at køre AI-modeller i produktion – fra tokenpriser og hardwarevalg til arkitektoniske beslutninger.

Inference Shift (Inferensskiftet)

Den igangværende forskydning, hvor AI-inferens (at køre færdige modeller) overhaler modeltræning som den dominerende og mest omkostningskrævende AI-workload.

Inference-as-a-Service (Inferens som tjeneste)

En cloud-baseret tjenestemodel, hvor virksomheder kører AI-modeller via en ekstern udbyder uden selv at eje eller administrere den underliggende GPU-infrastruktur.

Inferensoptimering (Inference Optimization)

Samlebetegnelsen for teknikker, der gør det hurtigere og billigere at køre AI-modeller i produktion – uden at gå på kompromis med kvaliteten.

Information Agents (Informationsagenter)

Intelligent Commerce (Intelligent handel)

Et nyt handelsparadigme, hvor AI-agenter selvstændigt kan browse, vælge og betale for varer og tjenester på vegne af brugeren.

Invisible AI (Usynlig AI)

AI-funktionalitet, der er så dybt integreret i eksisterende produkter og tjenester, at brugeren ikke aktivt oplever at interagere med AI.

ISO/IEC 42001

Den internationale standard for et ledelsessystem til ansvarlig brug af kunstig intelligens – AI's svar på ISO 27001 for informationssikkerhed.

Isomorphic Labs (Google DeepMind)

Jailbreaking (af AI)

Metoder hvor en bruger bevidst manipulerer en AI til at bryde sine egne etiske og sikkerhedsmæssige retningslinjer.

Know Your Agent (KYA)

Et governance-framework for AI-agenter, der – ligesom KYC (Know Your Customer) i finanssektoren – sikrer, at autonome AI-systemer er identificerbare, autoriserede og overvågede.

Knowledge Base / Knowledge Store

Et centraliseret, struktureret arkiv af virksomhedens interne viden, dokumenter og data, som AI-systemer kan tilgå.

Knowledge Distillation (Vidensdestillation)

En teknik, hvor viden fra en stor, kompleks AI-model overføres til en mindre og hurtigere model, der bevarer det meste af den oprindelige kvalitet.

KV Cache (Key-Value Cache)

En optimeringsstrategi for store sprogmodeller, der gemmer mellemregninger fra tidligere tokens, så modellen ikke behøver at genberegne hele konteksten for hvert nyt token.

LangGraph

Et open source-framework til at bygge stateful, kontrollerbare AI-agentworkflows, hvor flere agenter kan samarbejde i komplekse, flertrinsprocesforløb.

Large Action Model (LAM)

En avanceret AI-type, der ikke blot forstår og genererer tekst, men også selvstændigt kan planlægge og udføre handlinger i digitale systemer – f.eks. bestille varer, udfylde formularer eller navigere i software.

Latency i AI-systemer

Den tid det tager fra en bruger sender en forespørgsel, til AI’en returnerer et svar.

Lead Propensity Modelling

Modeller der beregner sandsynligheden for, at et lead konverterer til kunde, baseret på adfærd, demografi og historik.

Legal Alignment (Juridisk AI-tilpasning)

Forskningsfeltet, der forbinder jura og AI-alignment ved at anvende juridiske principper om delegation, ansvar og incitamenter til at sikre, at AI-systemer handler i overensstemmelse med lovgivning og menneskelige værdier.

Llama (Meta)

Metas familie af open source-sprogmodeller, der har demokratiseret adgangen til avanceret AI ved at gøre kraftfulde modeller frit tilgængelige for alle.

LLM (Large Language Model)

Store sprogmodeller, der er trænet på enorme mængder tekstdata for at kunne forstå og generere menneskelignende sprog.

Logging & Traceability

Løbende logning af input, output og modelversioner, så man efterfølgende kan undersøge en AI-beslutning.

LoRA (Low-Rank Adaptation)

En teknik til at tilpasse store AI-modeller ved kun at opdatere en lille brøkdel af modellens parametre – typisk under 1 % – i stedet for at genoptræne hele modellen.

Machine Learning (ML)

En underkategori af AI, hvor systemer lærer og forbedrer sig fra data uden at være eksplicit programmeret til hver enkelt opgave.

Managed Agents (Administrerede AI-agenter)

Cloud-hostede AI-agenter, der kører i fuldt administrerede miljøer med sandboxing, checkpointing, adgangsstyring og overvågning – klar til produktion uden egen infrastruktur.

Mechanistic Interpretability (Mekanistisk fortolkelighed)

Et forskningsfelt inden for AI-sikkerhed, der handler om at forstå præcis, hvordan en AI-models interne neuroner og kredsløb producerer bestemte svar.

Microsoft Agent Framework

Microsofts open source-platform til at bygge, orkestrere og udrulle AI-agenter og multi-agent-applikationer i .NET og Python.

Microsoft Foundry (Azure AI Foundry)

Microsofts samlede AI-platform, der giver virksomheder adgang til at bygge, tilpasse og udbrede AI-modeller fra en bred vifte af udbydere via Azure.

Mistral

Fransk AI-virksomhed der udvikler kraftfulde open-weight sprogmodeller som konkurrerer med GPT og Claude, og som tilbyder europæiske virksomheder et alternativ med fokus på EU-datasuverænitet.

Mixture of Experts (MoE)

En AI-arkitektur, hvor flere specialiserede undermodeller ('eksperter') samarbejder, og kun de mest relevante aktiveres for hver opgave.

MLOps (Machine Learning Operations)

Et sæt praksisser og værktøjer, der automatiserer og standardiserer hele livscyklussen for ML-modeller.

Model Card (Modelkort)

Et standardiseret dokumentationsark, der beskriver en AI-models formål, træningsdata, begrænsninger og testresultater – nu et lovkrav under EU AI Act for udbydere af generelle AI-modeller.

Model Collapse (Modelkollaps)

Et fænomen hvor AI-modeller gradvist forringes i kvalitet, når de trænes på data genereret af andre AI-modeller frem for ægte menneskeskabt data.

Model Compression (Modelkomprimering)

En samling af teknikker til at reducere en AI-models størrelse og ressourceforbrug – uden væsentligt tab af præcision – så den kan køre hurtigere og billigere.

Model Context Protocol (MCP)

En åben standard der forbinder AI-modeller med eksterne værktøjer, databaser og forretningssystemer – tænk på det som en universel adapter mellem AI og virksomhedens data.

Model Deployment

Processen hvor en AI- eller ML-model flyttes fra udviklingsmiljø til drift.

Model Drift

Når en AI-models præcision falder over tid, fordi verden og data ændrer sig i forhold til dens træningsdata.

Model Monitoring

Løbende overvågning af en AI-models performance i produktion for at opdage fejl, datadrift eller bias.

Model Quantization (Modelkvantisering)

En optimeringsteknik, der reducerer en AI-models størrelse og beregningskrav ved at sænke præcisionen af dens interne talrepræsentation.

Model Registry

Et katalog over alle AI-modeller i organisationen, med versioner, ejerskab, performance-metrics og godkendelsesstatus.

Model Router (Modelrouter)

Et intelligent lag mellem din applikation og flere AI-modeller, der automatisk sender hver forespørgsel til den mest egnede model baseret på pris, hastighed og kvalitetskrav.

Model Security

Beskyttelse af AI-modeller mod cyberangreb som model-tyveri, prompt injection, data poisoning og adversarial attacks.

Multi-Agent Architecture

Et systemdesign, hvor flere specialiserede AI-agenter opererer sammen, ofte med hver deres specifikke rolle og værktøjer.

Multi-agent System

En arkitektur hvor flere specialiserede AI-agenter samarbejder om en opgave for at opnå bedre resultater.

Multi-Hop Reasoning (Flertrins-ræsonnering)

En AI-teknik, hvor modellen kæder flere ræsonneringstrin sammen for at nå et svar – f.eks. ved at kombinere information fra forskellige kilder eller følge en logisk kæde af konklusioner.

Multi-Model AI (Multi-model-intelligens)

En AI-strategi, hvor opgaver automatisk dirigeres til den bedst egnede AI-model frem for at bruge én enkelt model til alt.

Muse Spark (Meta AI-model)

Metas nye flagskibsmodel for AI, udviklet af Meta Superintelligence Labs under ledelse af Alexandr Wang. Muse Spark er en nativt multimodal ræsonneringsmodel med værktøjsbrug og multi-agent-orkestrering.

Nano Banana (Google)

National AI Policy Framework (Nationalt AI-politikrammeværk)

Et lands overordnede strategi og lovgivningsmæssige ramme for regulering af kunstig intelligens på tværs af sektorer og myndigheder.

Natural Language Programming (Naturligt sprog-programmering)

En tilgang, hvor software skabes ved at beskrive den ønskede funktionalitet i almindeligt sprog – uden at skrive traditionel kode.

NemoClaw

NVIDIAs sikkerhedsplatform for AI-agenter, der tilføjer sandboxing, adgangskontrol og privatlivsbeskyttelse til autonome AI-systemer i virksomheder.

Nemotron

NVIDIAs familie af open source-sprogmodeller, designet til enterprise-brug med høj ydeevne og lav ressourceforbrug via Mixture of Experts-arkitektur.

Neural Expressive (Google)

Neuro-Symbolic AI (Neuro-symbolsk AI)

En AI-tilgang, der kombinerer neurale netværks mønstergenkendelse med symbolsk logik og regelbaseret ræsonnering for mere pålidelige og forklarlige resultater.

Next Best Action

AI-drevet anbefaling af den mest relevante næste handling overfor en kunde – f.eks. hvilket tilbud eller indhold der bør komme nu.

NIM (NVIDIA Inference Microservices)

NVIDIAs platform af præoptimerede containers, der gør det enkelt at deploye og køre AI-modeller i produktion på NVIDIA-hardware.

No-Code Agent Builder (Kodefri agentbygger)

Platforme der lader forretningsbrugere bygge og udrulle AI-agenter via naturligt sprog eller drag-and-drop – uden at skrive kode.

NotebookLM

Et AI-drevet research- og noteværktøj fra Google, hvor du kan uploade kilder som dokumenter, links, noter, lyd eller video og stille spørgsmål direkte til indholdet.

NPU (Neural Processing Unit)

En dedikeret processor i bærbare computere og smartphones, der er designet specifikt til at køre AI-opgaver lokalt — uden at sende data til skyen.

Nvidia Blackwell (GPU-arkitektur)

Nvidias aktuelle GPU-arkitektur (B100, B200, GB200), designet til AI-træning og inferens i stor skala. Efterfølgeren til Hopper-arkitekturen (H100, H200) og forgængeren til den kommende Vera Rubin-arkitektur.

NVIDIA Ising

Verdens første familie af åbne AI-modeller designet til at accelerere udviklingen af brugbare kvantecomputere.

Observability i AI

Evnen til at overvåge, måle og forstå de indre processer i et AI-system i realtid for at sikre kvalitet, performance og sikkerhed.

Omnilingual AI (Flersproget AI)

AI-systemer der kan forstå og behandle hundredvis af sprog, herunder underrepræsenterede sprog, uden separate modeller for hvert sprog.

Omnimodal AI (Omnimodal AI)

AI-modeller der behandler tekst, billeder, lyd og video i én samlet arkitektur – i modsætning til multimodal AI, der ofte bruger separate encodere til hver modalitet.

On-Device AI (Lokal AI)

AI-modeller, der kører direkte på brugerens enhed (telefon, PC, IoT) i stedet for i skyen, hvilket sikrer hurtigere svar og stærkere databeskyttelse.

On-premise AI

AI-løsninger, der hostes lokalt på virksomhedens egne servere frem for i skyen.

Open-source AI

AI-modeller, hvor kildekoden er frit tilgængelig, hvilket giver virksomheder stor frihed til at tilpasse og hoste dem lokalt.

Open-weight Model (Open-weight-model)

En AI-model, hvor modellens vægte (de trænede parametre) er offentligt tilgængelige, så udviklere kan downloade, tilpasse og køre modellen lokalt – men uden at træningsdata eller kode nødvendigvis deles.

OpenAI Agents SDK

OpenAI's officielle open source-framework til at bygge AI-agenter med tool calling, handoffs mellem agenter og indbyggede guardrails.

OpenClaw

Et open-source værktøj/framework designet til at lade AI-agenter interagere dybt med digitale miljøer og udtrække data effektivt.

Orbit (Anthropic Orbit)

Anthropics proaktive AI-assistent, der selvstændigt genererer briefings og indsigter fra brugerens arbejdsværktøjer som Gmail, Slack, GitHub og Calendar.

Orchestration Layer (AI Orkestreringslag)

Den software-infrastruktur, der binder forskellige AI-modeller, databaser, API'er og brugergrænseflader sammen til én fungerende løsning.

Outcome-Based Pricing (Resultatbaseret AI-prissætning)

En forretningsmodel, hvor virksomheder betaler for leverede AI-resultater – f.eks. løste kundehenvendelser eller gennemførte processer – frem for licenser eller abonnementer.

OWASP Agentic AI Top 10

En sikkerhedsstandard fra OWASP, der identificerer de ti mest kritiske sikkerhedsrisici ved autonome AI-agenter i produktion.

Persistent Agent (Vedvarende AI-agent)

En AI-agent, der kører kontinuerligt i baggrunden frem for kun at reagere på enkeltstående forespørgsler – altid tændt, altid klar.

Personal Intelligence (Personlig AI-intelligens)

AI-funktionalitet, der forbinder brugerens personlige data på tværs af apps – e-mail, fotos, kalender – for at give kontekstuelle og skræddersyede svar.

Physical AI (Fysisk AI)

AI-systemer designet til at forstå og interagere med den fysiske verden – fra robotter og autonome køretøjer til industriel automatisering.

Physical AI Data Factory (Fysisk AI-datafabrik)

En referencearkitektur fra NVIDIA der automatiserer generering, udvidelse og evaluering af træningsdata til fysisk AI – robotter, autonome køretøjer og visuelle AI-agenter.

PII Masking (Data Anonymization)

Automatiserede processer, der fjerner eller slører personhenførbare oplysninger (PII) fra data, inden det sendes til en AI-model.

Post-Market Monitoring (Eftermarkedsovervågning af AI)

Et krav under EU AI Act om, at udbydere af højrisiko-AI-systemer løbende skal overvåge deres systemers ydeevne, sikkerhed og overholdelse af reglerne efter lancering på markedet.

Post-Training (Efteroptimering af AI-modeller)

Samlebetegnelse for teknikker, der forbedrer en AI-models evner efter den indledende træning – fx RLHF, DPO og domænespecifik tilpasning.

Pre-deployment Evaluation (Præ-lanceringsevaluering af AI)

En formel vurdering af en AI-models sikkerhed, kapabiliteter og risici, før den gøres offentligt tilgængelig – typisk udført af en uafhængig instans eller myndighed.

Predictive Analytics (Prædiktiv analyse)

AI der analyserer historiske data for at forudsige fremtidige begivenheder – f.eks. hvilke leads der er tættest på at købe.

Proaktiv AI (Proactive AI)

AI-systemer der handler på eget initiativ – overvåger kontekst, identificerer behov og leverer handlinger eller indsigter uden at brugeren først skal bede om det.

Project Glasswing (AI-sårbarhedsopdagelse)

Et kontrolleret sikkerhedsinitiativ fra Anthropic, hvor en frontier-AI-model systematisk scanner kritisk software for hidtil ukendte sårbarheder, før ondsindede aktører kan udnytte dem.

Prompt Chaining

Teknik hvor man kæder flere prompts sammen i en sekvens, så output fra ét trin bliver input til næste.

Prompt Engineering

Kunsten at formulere præcise og effektive instruktioner (prompts) til en AI-model for at få det bedst mulige output.

Prompt Injection

Et sikkerhedsangreb, hvor ondsindede instruktioner skjules i input for at få en LLM til at ignorere regler og udføre uønskede handlinger.

Prompt Template

En genbrugelig prompt-struktur med pladsholdere, som kan udfyldes dynamisk i workflows og integrationer.

Prompt-Driven Development (Promptdrevet udvikling)

En softwareudviklingsmetode, hvor applikationer bygges og tilpasses ved at beskrive krav i naturligt sprog frem for at skrive traditionel kode.

Proof of Concept (PoC)

Et lille, afgrænset AI-projekt, der testes i praksis for at bevise, at teknologien fungerer og skaber værdi, før fuld udrulning.

Pydantic AI

Et Python-framework til at bygge typesikre AI-agenter, der bruger datavalidering og strukturerede outputs til at gøre agentudvikling mere pålidelig og forudsigelig.

Quantum AI (Kvante-AI)

Krydsfeltet mellem kunstig intelligens og kvanteteknologi, hvor AI-modeller accelererer udviklingen af kvantecomputere – og omvendt, hvor kvantekraft kan løfte AI-beregninger.

RAG (Retrieval-Augmented Generation)

En metode, hvor man kobler en sprogmodel op på virksomhedens egne, lukkede data for at undgå hallucinationer.

RAISE Act (New Yorks AI-sikkerhedslov)

New Yorks lov om ansvarlig AI-sikkerhed og uddannelse, der stiller krav til udviklere af frontier-modeller om sikkerhedsprotokoller, transparens og hændelsesrapportering. Træder i kraft 1. januar 2027.

ReAct Agent (ReAct-agent)

Et agentmønster hvor AI'en veksler mellem at ræsonnere (Reason) og handle (Act) i en iterativ løkke – observér, tænk, udfør, gentag – indtil opgaven er løst.

ReAct Agent (ReAct-agent)

Et agentmønster hvor AI'en veksler mellem at ræsonnere (Reason) og handle (Act) i en iterativ løkke – observér, tænk, udfør, gentag – indtil opgaven er løst.

Realtime Voice AI (Realtids-stemme-AI)

AI-modeller designet til levende samtaler, der kan håndtere afbrydelser, rettelser og kontekstskift i realtid – modsat traditionelle chatbots, der venter på hele brugerens besked.

Reasoning Model (Ræsonneringsmodel)

En ny kategori af AI-modeller, der er designet til at "tænke trin-for-trin" gennem komplekse problemer, i stedet for at generere svar med det samme.

Red Teaming for AI

Kontrollerede tests, hvor eksperter bevidst forsøger at få en AI til at opføre sig skadeligt for at lukke sikkerhedshuller.

Reinforcement Learning (RL)

En træningsteknik, hvor en AI-model lærer ved at prøve sig frem og modtage belønning eller straf for sine handlinger. RL er afgørende for post-training af moderne sprogmodeller og gør dem bedre til reasoning og agentic opgaver.

Remote Agent (Fjernagent)

En AI-agent, der kører autonomt i skyen frem for på brugerens egen computer – den arbejder i baggrunden og giver besked, når opgaven er løst.

Retrieval Pipeline (RAG-pipeline)

Processen og infrastrukturen, der fremsøger relevant information fra en virksomheds vidensbase for at forsyne en AI-model med kontekst.

Risk Management System (AI Act)

Krav i EU AI Act om, at højrisiko AI-systemer skal have et dokumenteret risikostyringssystem, der løbende opdateres.

Self-Distillation (Selvdestillation)

En teknik, hvor en AI-model forbedrer sig selv ved at destillere sin egen viden – modellen fungerer samtidig som 'lærer' og 'elev' i træningsprocessen.

Self-Improving Agent (Selvforbedrende AI-agent)

En AI-agent, der automatisk lærer af sine egne handlinger, opbygger genbrugelige færdigheder og forbedrer sin præstation over tid uden gentræning.

Semantic Caching (Semantisk caching)

En teknik, hvor AI-systemet genkender, at en ny forespørgsel ligner en tidligere, og returnerer et cachet svar i stedet for at kalde LLM'en på ny – selv når ordlyden er anderledes.

Semantic Search (Semantisk søgning)

En søgeteknik, hvor AI forstår betydningen bag et spørgsmål og ikke kun matcher eksakte keywords.

Shadow AI

Brugen af AI-værktøjer blandt medarbejdere uden formel godkendelse eller overvågning fra it-afdelingen.

Small Language Model (SLM)

Mindre og mere specialiserede sprogmodeller, der kræver langt mindre regnekraft og data end de massive LLM'er.

Sparse Attention

En optimeringsteknik til AI-modellers attention-mekanisme, der reducerer beregningsomkostninger ved kun at fokusere på de mest relevante dele af inputtet. Gør det muligt at arbejde med meget lange kontekstvinduer uden den normale kvadratiske stigning i hukommelsesforbrug.

Speculative Decoding (Spekulativ afkodning)

En inferensteknik, der accelererer AI-modellers svartid ved at lade en mindre model 'gætte' de næste tokens, som en større model derefter verificerer i ét hug.

Strategic Orchestrator (Strategisk orkestrator)

Den nye menneskelige rolle i AI-drevne organisationer, hvor medarbejderen designer, overvåger og kvalitetssikrer AI-agenternes arbejde frem for selv at udføre opgaverne.

Structured Output (Struktureret output)

En teknik, hvor AI-modellen tvinges til at levere sit svar i et præcist, maskinlæsbart format – f.eks. JSON med et fastlagt skema – i stedet for fritekst.

Superintelligens (Superintelligence)

Hypotetisk AI, der overgår menneskets kognitive evner på tværs af alle domæner – fra videnskabelig forskning og kreativitet til strategisk planlægning og social forståelse.

Swarm Intelligence (i AI)

Den kollektive adfærd og problemløsningsevne, der opstår, når mange simple AI-agenter interagerer med hinanden.

Swarm Orchestration

Styringen og koordineringen af en gruppe AI-agenter (en sværm) for at sikre, at de arbejder mod et fælles mål uden at spænde ben for hinanden.

SWE-Bench

Et benchmark, der måler AI-modellers evne til at løse virkelige softwareingeniør-opgaver fra GitHub-repositories. SWE-Bench Pro er den sværeste variant og bruges som reference for kodningsagenter på tværs af industrien.

Synthetic Data (Syntetisk Data)

Kunstigt genereret data, der statistisk set minder om ægte data, men ikke indeholder nogen rigtige personoplysninger.

Synthetic Media (Syntetiske medier)

Indhold – video, lyd, billeder eller tekst – der er helt eller delvist skabt af AI, ofte så realistisk at det er svært at skelne fra autentisk materiale.

SynthID (Google)

System Prompt

Den overordnede instruktion, som sætter rammerne for, hvordan en sprogmodel skal opføre sig, før brugeren stiller spørgsmål.

Technical Documentation (AI Act)

Den dokumentation virksomheden skal fremvise for et AI-system – herunder formål, datasæt, modeller, test og kontrolmekanismer.

Temperature (AI-parameter)

En indstilling i sprogmodeller, der styrer graden af tilfældighed og 'kreativitet' i AI'ens svar.

Test-Time Compute (Inferenstids-skalering)

En teknik hvor AI-modellen bruger ekstra beregningstid på at "tænke længere" over svære spørgsmål, frem for blot at svare med det samme – det forbedrer præcisionen markant.

Token / Tokenization

Den mindste byggeklods af tekst (typisk et ord eller en stavelse), som en sprogmodel læser og genererer.

Token Economics (Tokenøkonomi)

Økonomien bag AI-forbrug, hvor tokens – de små dataenheder, en AI-model behandler – er den grundlæggende valuta for beregning af omkostninger og værdi.

Tool Calling / Function Calling

Når en LLM automatisk kan kalde eksterne værktøjer eller API’er for at udføre handlinger og hente live-data.

TPU 8i (Google)

Trusted AI (Troværdig AI)

AI-systemer designet til at være gennemsigtige, pålidelige, sikre og retfærdige – så organisationer kan stole på dem i kritiske beslutningsprocesser.

TurboQuant

En komprimeringsalgoritme fra Google Research, der reducerer AI-modellers hukommelsesforbrug under inferens med op til 6x – uden tab af kvalitet.

Universal Cart (Universel indkøbskurv)

Universal Commerce Protocol (UCP)

Usage-Based AI Pricing (Forbrugsbaseret AI-prissætning)

En prismodel, hvor virksomheder betaler for faktisk AI-forbrug (antal forespørgsler, tokens eller agenthandlinger) i stedet for faste licenser pr. bruger.

Use Case Prioritering

Metoden til at vælge og rangere AI-brugsscenarier baseret på potentiel forretningsværdi, teknisk kompleksitet og risiko.

Vector Database

En specialiseret database til at gemme numeriske vektor-repræsentationer (embeddings) af data, som muliggør semantisk søgning.

Vera Rubin (NVIDIA GPU-arkitektur)

NVIDIAs næste generation af GPU-arkitektur efter Blackwell, designet til at levere op til 10 gange bedre energieffektivitet pr. AI-beregning.

Vibe Coding

En AI-assisteret udviklingsmetode, hvor man beskriver ønsket funktionalitet i naturligt sprog og lader AI generere koden – fokus flyttes fra at skrive kode til at styre resultatet.

Vibe Marketing

En AI-drevet marketingtilgang, hvor små teams bruger generative AI-værktøjer til hurtigt at producere, teste og iterere på kampagner – ofte med minimal manuel indsats.

Voice AI Agent (Stemme-AI-agent)

Autonom AI-software der kan føre telefonsamtaler med kunder i realtid — besvare spørgsmål, booke møder og løse problemer — uden menneskelig indblanding.

WeatherNext (Google DeepMind)

Workspace Agent (Arbejdsrumsagent)

En cloud-baseret AI-agent, der kører autonomt i en virksomheds digitale arbejdsplads og udfører flertrinsopgaver på tværs af systemer – også når ingen overvåger den.

World Model (Verdensmodel)

En AI-model, der opbygger en intern repræsentation af den fysiske verden og kan forudsige, hvordan objekter og miljøer opfører sig over tid.

Zero Trust for AI (Zero Trust til AI)

En sikkerhedsramme, der udvider Zero Trust-princippet til AI-systemer – ingen AI-komponent stoler automatisk på andre, og al adgang verificeres løbende.

Zero-Human Company (AI-drevet virksomhed)

En virksomhedsmodel, hvor AI-agenter varetager alle operationelle funktioner – fra strategi og ressourceallokering til kundeservice og regnskab – uden menneskelig medarbejderindsats.

Zero-shot Learning

En AI-models evne til at udføre en opgave, den aldrig er blevet eksplicit trænet til eller har set eksempler på før.