Hvad er en LLM?

Hvordan virker en LLM?

En LLM bygger på en arkitektur, der hedder en transformer, og er grundlæggende trænet til en ting: at forudsige det næste stykke tekst i en sekvens. Alt det andet, den kan, vokser ud af den ene evne.

Tokens er byggestenene. En LLM læser ikke ord, men tokens, små stumper af tekst på nogle få bogstaver. Ordet sprogmodel bliver måske til to eller tre tokens. Modellen regner på sandsynligheder for, hvilket token der kommer næst, og bygger svaret et token ad gangen. Det er også derfor, du betaler per token, når du bruger en model via API. Et token svarer groft til cirka fire tegn, og dansk koster typisk lidt flere tokens end engelsk, fordi modellerne er trænet mest på engelsk.

Parametre er det, large henviser til. Parametrene er de tal, modellen justerer under træningen for at fange sammenhænge i sproget. De største modeller har hundreder af milliarder parametre. Flere parametre giver typisk en dygtigere model, men også en højere omkostning per svar, og derfor findes der i dag både store flagskibsmodeller og mindre, hurtigere modeller til enklere opgaver.

Træningen sker i to faser. Først en pretraining, hvor modellen læser enorme mængder tekst fra bøger, artikler, websites og kode og lærer sprogets statistiske mønstre. Derefter en finjustering, ofte med menneskelig feedback kaldet RLHF, der former modellen fra en ren tekstfuldfører til en assistent, der følger instruktioner. Vil du tilpasse en model til jeres eget domæne, kan I gå et skridt videre med fine-tuning.

Nogle modeller tænker, før de svarer. En nyere generation af reasoningmodeller bruger ekstra trin internt til at ræsonnere sig frem til svaret, før de skriver det. Det løfter kvaliteten mærkbart på komplekse opgaver som matematik, kodning og analyse, men koster både tid og flere tokens per svar. Til et simpelt opslag er en hurtig model ofte det rigtige valg, mens en svær analyse retfærdiggør en reasoningmodel.

De fleste store modeller er multimodale. De håndterer ikke kun tekst, men også billeder, lyd og i stigende grad video. I praksis kan du vise modellen et screenshot af en fejlmeddelelse, en scannet faktura eller en graf og få den til at læse og arbejde med indholdet, ikke bare beskrive det. For en dansk virksomhed åbner det for at automatisere opgaver, hvor informationen sidder fast i billeder og PDF'er.

Context window er modellens arbejdshukommelse. Det afgør, hvor meget tekst den kan have med i betragtning på en gang, både dit prompt og dens eget svar. Et større context window betyder, at den kan arbejde med længere dokumenter eller hele samtaler ad gangen. De nyeste modeller spænder fra omkring 200.000 tokens til flere millioner, hvor Googles Gemini ligger højest.

Svaret er sandsynligt, ikke sandt. Modellen forstår ikke teksten, som et menneske gør. Den vælger de mest sandsynlige tokens givet konteksten. Det er styrken, for den kan formulere sig flydende om næsten alt, og det er svagheden, for den kan hallucinere: lyde fuldstændig sikker og tage fejl samtidig.

Den ved kun det, den er trænet på. En models viden stopper ved en bestemt dato, dens knowledge cutoff, og den kender ikke jeres interne data. Det er præcis det, en teknik som RAG løser ved at give modellen adgang til opdaterede og virksomhedsspecifikke kilder, før den svarer.

Vi hjælper med at vælge, implementere og integrere LLM'er i jeres forretningsprocesser, og bygger løsningen, så I kan skifte model uden at starte forfra. Kontakt os for en vurdering af, hvilken model der passer til jeres behov.

Hvad bruger virksomheder LLM til?

Værdien af en LLM i en virksomhed ligger sjældent i modellen alene, men i det, du bygger oven på den. Her er de anvendelser, vi oftest ser give effekt.

Intern vidensassistent. En LLM koblet med RAG svarer på medarbejderspørgsmål ud fra jeres egne dokumenter, politikker og processer. I praksis betyder det, at en ny kollega kan spørge hvordan bogfører jeg et udlæg, og få svar fra jeres egen håndbog i stedet for at vente på en kollega.

Kundeservice. Assistenter, der tager første niveau af henvendelser, slår op i ordresystemet og svarer på de typiske spørgsmål, og kun sender de komplekse sager videre til et menneske. Gevinsten er kortere svartid og medarbejdere, der bruger tiden på det, der kræver et skøn.

Content og kommunikation. Udkast til mails, rapporter, produktbeskrivelser og præsentationer. Modellen kommer sjældent med det færdige resultat, men den fjerner det blanke papir, så en marketingmedarbejder redigerer i stedet for at skrive fra bunden.

Kodeassistance. Udviklere bruger LLM'er til at skrive, forklare og fejlfinde kode. For et dansk softwareteam betyder det, at en ny udvikler hurtigere forstår en gammel kodebase, og at rutinekode skrives på minutter i stedet for timer.

Dataanalyse i naturligt sprog. En LLM kan oversætte et spørgsmål som hvad solgte vi i Jylland sidste kvartal til en databaseforespørgsel, så en ikke-teknisk medarbejder selv kan trække rapporten. Det flytter analysearbejde fra IT-afdelingen ud til dem, der har spørgsmålet.

Møder og referater. En model kan transskribere et møde og trække beslutninger, ansvar og deadlines ud i et referat. For et ledelsesteam betyder det, at referatet er klart, når mødet slutter, i stedet for en halv dag senere.

Oversættelse og lokalisering. En LLM oversætter ikke ord for ord, men rammer tone og fagsprog. En dansk eksportvirksomhed kan få produkttekster og support på flere sprog uden et separat bureau til hver opgave, mod at et menneske læser det følsomme igennem.

AI-agenter. Her er LLM'en hjernen i en agent, der ikke bare svarer, men også planlægger og udfører handlinger på tværs af systemer. Det er springet fra en model, der skriver et udkast til en faktura, til et system, der opretter den i økonomisystemet, når rammerne er sat.

Hvor det går galt. De fleste skuffelser skyldes ikke modellen, men manglende rammer. En LLM uden adgang til jeres data gætter. En LLM uden kontrol af output kan finde på at svare forkert med fuld overbevisning. Derfor starter en god løsning med en afgrænset opgave, adgang til de rigtige kilder og et menneske, der godkender det, der har konsekvenser.

De mest kendte LLM-modeller, og hvordan I vælger

Markedet for LLM'er bevæger sig hurtigt, og priserne er faldet kraftigt, omtrent 80 procent fra 2025 til 2026. Her er de modeller, danske virksomheder oftest møder, og hvad der adskiller dem.

GPT fra OpenAI. GPT-5-serien er bredt udbredt via ChatGPT og Microsofts Azure og Copilot, og den er en af de mest anvendte i erhvervslivet. Styrken er et stort økosystem og god integration i Microsoft-verdenen. Prisen for de store modeller ligger typisk omkring 2 til 5 dollars per million inputtokens.

Claude fra Anthropic. Claude-modellerne, Opus og Sonnet i 4-serien, er kendt for lange context windows og et udtalt fokus på sikkerhed og pålidelighed. Mange vælger Claude til opgaver med store dokumenter og til arbejde, hvor det er vigtigt, at modellen er forsigtig frem for skråsikker.

Gemini fra Google. Gemini-modellerne i 3-serien er integreret i Google Workspace og Google Cloud og har de største context windows på markedet, op til flere millioner tokens. Det gør dem stærke, når en hel kodebase eller et meget langt dokument skal med i et hug.

Llama og Mistral. Metas Llama og franske Mistral er open weight-modeller, du kan hoste i jeres eget miljø. De er sjældent helt så stærke som de største proprietære modeller, men de giver fuld kontrol over data og en forudsigelig omkostning. For Mistral taler desuden, at den er europæisk, hvilket nogle organisationer vægter af både data- og leverandørhensyn.

DeepSeek og de billige modeller. Kinesiske DeepSeek og en række mindre modeller presser prisen helt i bund, ned til få cent per million tokens. De er interessante til opgaver i stor skala, hvor enhedsprisen betyder mere end den sidste procent kvalitet, men datapolitik og hosting bør indgå i vurderingen.

Pris afhænger af input og output. De fleste modeller fakturerer outputtokens dyrere end inputtokens, ofte tre til fem gange. Et langt svar koster altså mere end et langt spørgsmål, og det betaler sig at bede om præcis det output, I har brug for. Til opgaver i stor skala kan en mindre model ofte gøre arbejdet til en brøkdel af prisen.

Open source eller proprietær? En proprietær model via API er hurtigst at komme i gang med og oftest stærkest. En open source-model, I selv hoster, giver fuld kontrol over data og kan køre i et EU-datacenter eller on-premise. Valget afhænger af jeres datakrav, jeres budget og hvor følsomme de data er, modellen skal røre.

Tre spørgsmål afgør valget. Hvor følsomme er de data, modellen skal røre, hvor kompleks er opgaven, og hvor stort er volumenet? Følsomme data trækker mod EU-hosting eller selvhosting. Komplekse opgaver trækker mod en stærk reasoningmodel. Højt volumen trækker mod en billigere model, hvor enhedsprisen betyder mest. De fleste danske virksomheder ender med en blanding: en stærk model til det svære og en billig til mængden.

Hvad I bør tjekke, før I vælger. Brug en managed model med en erhvervsaftale, hvor leverandøren ikke træner på jeres data, eller host en open source-model selv. Vær opmærksom på EU AI Act, hvor reglerne for de såkaldte general-purpose AI-modeller trådte i kraft i august 2025, og hvor Kommissionen kan håndhæve dem med bøder fra august 2026. Vores anbefaling er konkret: byg løsningen, så I kan skifte model uden at bygge om, for den model, der er bedst i dag, kan være overhalet om et halvt år.