En prompt är texten du ger en AI-modell för att tala om vad du vill: en fråga, en instruktion, lite sammanhang och ofta ett exempel på det svar du förväntar dig. Allt modellen producerar formas av den.

Vad betyder prompt på svenska?

Prompt betyder ungefär uppmaning eller instruktion. Inom AI används det engelska ordet även på svenska för den text man skriver till modellen. Verbet är att prompta.

Vad är prompt engineering?

Prompt engineering är att skriva prompts medvetet: välja roll, uppgift, sammanhang, format och exempel så att modellen ger pålitligt bra svar. Det handlar mindre om magiska fraser och mer om att vara tydlig med vad man faktiskt vill ha.

Vad är skillnaden mellan systemprompt och användarprompt?

Systemprompten sätter stående instruktioner för hela konversationen: vem modellen är, vad den får göra, hur den ska svara. Användarprompten är den enskilda begäran. I företagsverktyg sätts systemprompten oftast centralt och användarna skriver bara begäran.

Vad är en prompt? Så skriver du prompts som fungerar på jobbet

En prompt är det du skriver till en AI-modell. Det låter för enkelt för att behöva en guide, och ändå ligger skillnaden mellan ett värdelöst och ett användbart svar nästan alltid i prompten, inte i modellen. Den här guiden går igenom vad en prompt är, vad en bra prompt innehåller, vilka tekniker som konsekvent ger bättre resultat, och hur team slutar skriva om samma prompt varje dag.

Vad en prompt är

Ordet prompt betyder ungefär uppmaning. Inom AI är prompten den indata modellen gör om till utdata. I ett chattverktyg är det ditt meddelande. I en applikation är det meddelandet plus allt applikationen lägger runt det: instruktioner, dokument, konversationshistorik, verktygssvar. Modellen ser allt som en lång text och förutsäger vad som borde komma härnäst.

Två lager spelar roll i praktiken:

Systemprompten sätter stående instruktioner: vem modellen är, vad den får och inte får göra, vilken ton och vilket format den ska använda. I företag skrivs den oftast en gång, centralt.
Användarprompten är den specifika begäran. Det är den de flesta menar när de säger "prompt".

Allt nedan gäller båda, men den största hävstången i vardagen ligger i användarprompten.

En bra prompts anatomi

Bra prompts delar en struktur, oavsett om skribenten tänker på det. Fem delar, ungefär i viktighetsordning:

1. Uppgiften. Vad du vill ha, som ett verb. "Sammanfatta", "utkasta", "jämför", "extrahera", "skriv om". Vaga uppgifter ("titta på det här") får vaga svar.

2. Sammanhanget. Vad modellen behöver veta för att göra uppgiften bra: målgruppen, situationen, begränsningarna, källmaterialet. Modellen känner inte till ert företag, er kund eller förra veckans möte om du inte berättar det.

3. Formatet. Hur svaret ska se ut: en tabell, fem punkter, ett stycke på 120 ord, JSON med de här fälten. Anger du inget får du modellens standard, som sällan är vad du hade valt.

4. Ett exempel. Ett exempel på det svar du förväntar dig är värt ett stycke beskrivning. Modeller är extremt bra på att matcha ett mönster.

5. Begränsningarna. Vad som ska undvikas, vad som måste vara med, hur långt, vilka källor, vad modellen ska göra när den är osäker. "Om dokumentet inte säger något, skriv 'anges ej' i stället för att gissa."

En prompt med alla fem delar:

Sammanfatta det bifogade transkriptet från kundsamtalet för vår kundansvarige. Sammanhang: kunden utvärderar vår plattform mot en konkurrent och lyfte oro kring datalagring. Format: tre avsnitt, "Orosmoment", "Våra åtaganden", "Nästa steg", vart och ett som punkter, max 150 ord totalt. Tonexempel: (klistra in en tidigare sammanfattning). Om ett nästa steg saknar ägare eller datum i transkriptet, märk det "otilldelat".

Tekniker som pålitligt hjälper

Ge modellen en roll. "Du är en erfaren avtalsjurist som granskar åt ett svenskt SME-bolag" ändrar ordval, djup och vad modellen tycker är viktigt. Var specifik; "du är expert" ensamt gör lite.

Visa, beskriv inte. Few-shot-prompting betyder att ta med två eller tre exempel på indata och förväntad utdata. För klassificering, extraktion och formatering slår det varje beskrivning.

Låt den tänka först. För resonemangsuppgifter, be modellen gå igenom problemet innan den svarar, eller använd modellens inbyggda utökade tänkande. Det minskar självsäkert felaktiga svar.

Skilj data från instruktioner. Lägg inklistrade dokument inom tydliga avgränsare (tredubbla citattecken, XML-liknande taggar) och hänvisa till dem vid namn. Det hindrar modellen från att blanda ihop innehåll med kommandon, vilket också är en säkerhetsfråga.

Be om struktur när ett program läser svaret. JSON med ett schema, eller en fast tabell. De flesta modeller kan instrueras att bara returnera strukturen och inget annat.

Iterera i konversationen. Den andra prompten ("kortare, och börja med risken") är ofta effektivare än att försöka få den första perfekt.

Misstag som förstör prompts

Be om flera saker samtidigt. Dela upp, eller numrera och be om numrerade svar.
Utelämna målgruppen. En sammanfattning till ekonomichefen och en till utvecklingsteamet är olika dokument.
Förutsätta delat sammanhang. Modellen var inte på mötet.
Lita på första svaret för fakta. Be om källor, eller ge modellen källmaterialet och säg att den bara får använda det.
Klistra in konfidentiellt material i ett konsumentverktyg. Prompten är data. Vart den tar vägen är en dataskyddsfråga. Använd företagsgodkända verktyg som behandlar data i rätt region.

Från prompts till skills

När en prompt fungerar byter problemet skepnad: hur får resten av teamet den? Att kopiera två sidor in i varje session skalar inte, och wikisidan ingen läser är där bra prompts dör.

Svaret som vuxit fram är att paketera prompts som återanvändbara tillgångar:

Promptbibliotek i verktyget självt (Projects i Claude, egna GPT:er, Copilot-agenter).
Instruktionsfiler som agenter laddar automatiskt, till exempel CLAUDE.md i ett kodrepo.
Skills: mappar med instruktioner, exempel och skript som en agent laddar när en uppgift matchar. Det är dagens bästa praxis för kodagenter och alltmer för kunskapsarbete. Vår guide till Claude skills förklarar hur de fungerar.

Vid det laget har "prompt engineering" blivit "context engineering": att bestämma vad modellen ska ha framför sig för varje typ av uppgift, och underhålla det centralt.

Prompts i ett företag

Tre saker är värda att bestämma centralt i stället för att lämna till varje användare:

Systemprompten för varje godkänt verktyg: ton, språk, vad verktyget får påstå, vad det måste vägra.
Det godkända promptbiblioteket: prompts och skills som kodifierar hur ert företag löser återkommande uppgifter.
Var prompts behandlas. En prompt med kunddata är en dataöverföring. Företagsverktyg bör köra modeller i er region, och någon bör kunna se vad som skickades.

Walma AI Hub ger företag ett ställe att köra Claude, GPT och de andra ledande modellerna i sin egen EU-region, med skills och prompts distribuerade centralt och varje anrop loggat. Om ni standardiserar hur er organisation promptar, boka en genomgång.