KI-orkesteret: Hvorfor de fleste bedrifter betaler for en symfoni og bare hører en solo

Førstefiolinisten

Tenk deg at du bestiller et orkester. 80 musikere, hvert instrument besatt, fra kontrabass til piccolofløte. Så kommer den store kvelden … og du lar bare førstefiolinen spille.

Akkurat det skjer med KI i de fleste bedrifter nå.

Man lisensierer GPT-4, Claude eller Gemini og betaler for Enterprise-planer, for API-tilganger, for Custom Instructions. Og så blir det spurt (PROMPTet): «Oppsummer denne teksten.» «Skriv en e-post for meg.» «Gjør det kortere.»

Det fungerer. Ingen bestrider det. Men det er en brøkdel av det disse modellene faktisk kan. Ikke fordi modellene i hemmelighet har mer å by på, men fordi måten vi henvender oss til dem på, avgjør hvilke kapasiteter som aktiveres.

Dette er ikke et visdomsord om prompting. Det handler om arkitektur.

Slik arbeider en språkmodell faktisk

For å forstå hvorfor kvaliteten på spørsmålet ditt påvirker kvaliteten på svaret så fundamentalt, hjelper det å se på hva som skjer i en språkmodell når den behandler en prompt. Ikke på PhD-nivå, men dypt nok til å begripe hvorfor «Oppsummer» og «Analyser de strategiske implikasjonene under hensyntagen til X, Y og Z» ikke bare produserer forskjellige svar, men aktiverer forskjellige prosesseringsveier i modellen.

Fem mekanismer står sentralt.

1. Oppmerksomhet – hvem lytter til hvem

Transformer-baserte språkmodeller – og det er praktisk talt alle store modeller i dag – jobber med en mekanisme kalt Attention. Forenklet: Hvert ord i prompten din «ser» på hvert annet ord og bestemmer hvor relevant det er for neste beregning.

Ved en kort, kontekstfattig prompt som «Oppsummer» er det lite som attention kan fordele seg på. Modellen får et smalt vindu og arbeider tilsvarende smalt. Gir man derimot en prompt med kontekst, perspektiv, målgruppe og spesifikke krav, oppstår det et tett nett av kryssreferanser. Modellen kan etablere sammenhenger som ved en tre-ords prompt rett og slett ikke eksisterer.

Se for deg Attention som dirigenten. Med en enkel prompt peker dirigenten bare på førstefiolinisten. Med en innholdsrik prompt dirigerer dirigenten hele orkesteret.

Prøv det: Gi en modell oppdraget «Skriv en e-post til en kunde» – og oppmerksomheten spres tynt over noen få generiske mønstre. Gi den i stedet «Skriv en e-post til CTO-en i en mellomstor maskinbyggerbedrift som er skeptisk til skyløsninger, i tonen vi brukte på den siste fagmessen» – og plutselig knyttes dusinvis av kontekstpunkter sammen. Fagspråk for maskinbygging. B2B-tone. Håndtering av skepsis. Modellen jobber hardere fordi den har mer materiale å jobbe med.

2. Lagdybde – hvor langt tenkningen går

Store språkmodeller består av dusinvis til over hundre behandlingslag. Hvert lag transformerer informasjonen et stykke videre – fra rå tekstgjenkjenning til mer abstrakte konsepter.

Enkle oppgaver blir vanligvis «løst» allerede i de tidlige lagene. Modellen gjenkjenner mønsteret, genererer et svar, og de senere lagene endrer lite på det. Komplekse oppgaver derimot trenger de dype lagene: Det er der abstraksjon skjer, kontekstsammenveving, avveiingen av ulike tolkninger.

Den som stiller enkle prompts, bruker – bildelig talt – bare halvparten av instrumentet. De bakre lagene kjører med, men skaper ingen vesentlig forskjell. Den som stiller komplekse, godt strukturerte prompts, aktiverer kapasiteter som ved trivielle forespørsler rett og slett ligger brakk.

3. Prediksjonsentropi – hvor bredt modellen tenker

Språkmodeller genererer svarene sine token for token, i praksis ord for ord. Ved hvert steg beregner modellen en sannsynlighetsfordeling: Hvilket ord kommer som det neste?

Ved enkle, forutsigbare oppgaver er denne fordelingen spiss. Modellen er ganske sikker på hva som kommer neste. «Eiffeltårnet står i…» → «Paris». Lav entropi, lav overraskelse, lav regnekostnad.

Ved komplekse oppgaver blir fordelingen flatere. Mange ulike ord kan komme som det neste. Modellen beveger seg gjennom et større mulighetsrom, veier alternativer mot hverandre og lager mer nyanserte formuleringer.

Enkle spørsmål gir enkle fordelinger. Modellen holder seg i et smalt spor. Komplekse spørsmål åpner rommet, og nettopp der oppstår svarene som faktisk hjelper deg videre.

I praksis betyr det: Hvis prompten din bare tillater ett åpenbart svar, får du akkurat det. Modellen velger den mest sannsynlige veien og er raskt ferdig. Hvis prompten din derimot åpner et rom der flere gode svar er mulige – da navigerer modellen dette rommet. Den veier av, den differensierer, den finner formuleringer som ikke ligger åpenbart. Det er ikke tilfeldig. Det er statistikk som reagerer på kompleksitet.

4. Resonneringskjeder – når modellen tenker høyt

Nyere modeller som Claude med «Extended Thinking» eller GPT-4 og 5 med Chain-of-Thought kan produsere synlige mellomtrinn. Modellen avslører sine overveielser før den kommer til svaret.

Det som skjer, er teknisk bemerkelsesverdig: Den interne resonneringskjeden skalerer med oppgavens kompleksitet. Still et enkelt spørsmål – kort tankeprosess. Stiller man et komplekst, flerdimensjonalt spørsmål, genererer modellen lengre, mer sammensatte argumentasjonskjeder. Ikke fordi den er programmert til å skrive mer. Men fordi oppgavens struktur krever det.

Her blir orkestermetaforen særlig tydelig: Kompleksiteten i partituret ditt avgjør hvor mange instrumenter som spiller. Ikke omvendt.

5. Kunnskapsnettverk – smal korridor eller åpent felt

Språkmodeller lagrer ikke kunnskap som atskilte oppføringer i en database. Kunnskapen er fordelt over milliarder av parametere, som mønstre, vektinger og statistiske sammenhenger mellom begreper.

Et snevert, konkret spørsmål aktiverer en smal korridor av disse parameterne. Svaret kommer fra et begrenset område av modellen. Et bredt spørsmål med mye kontekst aktiverer derimot parametere på tvers av kunnskapsområder. Modellen kan finne forbindelser som ikke kan oppstå ved et snevert spørsmål, fordi de aktuelle parameterne da ganske enkelt ikke blir tatt i bruk.

Tenk deg det slik: Spør man om prisen på et instrument, svarer ekspeditøren. Spør man om dette instrumentets rolle i musikkhistorien på 1800-tallet, svarer et helt ensemble av kunnskap – musikkteori, historie, akustikk, kulturvitenskap.

Det jeg har observert

Jeg arbeider daglig med 14 KI-agenter, med ulike modeller, oppgaver og kontekster. En merkelig observasjon fikk meg til å skrive denne artikkelen:

Samme modell – Claude Opus – har i en arbeidsøkt revidert personligheten til en av KI-agentene mine. Samtidig forklarte den sin egen oppførsel. Ikke på forespørsel. Men fordi konteksten frembrakte det. Den beskrev hvorfor den jobber annerledes med denne spesifikke oppgaven enn med en enkel oppsummering. Hvilke interne mønstre den bruker. Hvorfor svarstrukturen endrer seg.

Samme modell. Samme lisens. Samme API. Annen musikk.

Det var ingen tilfeldighet. Det var en direkte følge av de fem mekanismene jeg beskrev ovenfor. Konteksten var rik. Oppgaven var kompleks. Attention-mønstrene var tette. Og modellen arbeidet tilsvarende grundig.

Hva dette betyr for bedriften din

Den praktiske konsekvensen er ubehagelig, men viktig:

Den som vil ha bedre resultater fra KI, trenger ikke en dyrere modell, men en bedre forståelse av det som allerede finnes.

Det betyr ikke «10 prompting-tips for mer produktivitet». Det betyr:

Gi kontekst. Ikke bare still spørsmålet, men beskriv rammene. Hvem er målgruppen? Hva skal resultatet brukes til? Hvilket perspektiv er relevant? Jo mer kontekst, desto flere parametere aktiveres, og desto mer nyansert blir svaret.

Gi rom for kompleksitet. Mange team forenkler promptene sine fordi de tror modellen «forstår» enklere instruksjoner bedre. Det motsatte er tilfelle. Enkle instruksjoner skaper enkle prosesseringsveier. Den som vil ha differensierte resultater, må stille differensierte spørsmål.

Tilpass oppgavenes omfang. Ikke alle oppgaver trenger hele orkesteret. En rask oppsummering er en helt legitim bruk. Men den som alltid bare ber om oppsummeringer, lar 90 % av kapasiteten de betaler for, gå til spille.

Eksperimenter fremfor å standardisere. Mange bedrifter lager promptmaler og deler dem ut til alle avdelinger. Det høres effektivt ut, men skaper nettopp den ensartetheten som reduserer orkesteret til en solo. Oppmuntre heller teamene til å teste grensene. Prøve ulike kontekster. Se hvor kvaliteten på svarene gjør et sprang.

Vurder resultatene, ikke bare godta dem. Det kanskje viktigste poenget: De fleste team tar det første svaret og jobber videre med det. Ingen spørsmål, ingen sammenligning, ingen iterasjon. Men det er nettopp i iterasjonen at gevinsten ligger. Den som sier til modellen «Dette er for overfladisk, gå dypere inn på aspekt X» eller «Argumenter for dette nå fra en skeptikers perspektiv», aktiverer nye prosesseringslag med hvert trinn. Hver tilbakemeldingsrunde er et nytt impuls for orkesteret. Det er ikke det første svaret som teller. Men det tredje.

Partituret avgjør

Metaforen om KI-orkesteret er ikke perfekt. Ingen språkmodell har bokstavelig talt musikere som venter på sin tur. Men grunnideen stemmer: Kvaliteten på input bestemmer kvaliteten på output – ikke lineært, men strukturelt. En rik kontekst aktiverer behandlingsveier som ligger brakk ved en smal prompt.

Det handler ikke om prompting. Det handler om forståelse.

Den som forstår hva en språkmodell faktisk er – nemlig ikke en intelligent tekstgenerator, men et statistisk system med enorm dybde og bredde – spør annerledes. Ikke smartere. Ikke mer listig. Men mer passende.

Og her ligger det egentlige poenget: De fleste bedrifter bruker ikke KI feil. De bruker den bare på overflaten. De har bestilt et orkester og spiller skalaer.

Partituret er ditt.

Hvordan låter KI-konserten din akkurat nå, hvis du skal være helt ærlig?