Guide · Hverdags-AI
I sommeren 2025 skiftede AI-branchen ord. "Prompt engineering" blev afløst af "context engineering", og det er ikke bare et modeord. Det er en anden måde at tænke på, når du arbejder med ChatGPT, Claude eller enhver anden AI-model, og den kan gøre en reel forskel for, hvor gode svar du får.
En sætning fra en Shopify-stifter i juni 2025 satte gang i et skifte, hele AI-branchen siden har taget til sig.
I juni 2025 skrev Shopify-stifter Tobi Lütke en sætning, der satte gang i noget: "Jeg kan virkelig godt lide udtrykket 'context engineering' frem for 'prompt engineering'. Det beskriver færdigheden bedre: kunsten at give al den kontekst, opgaven kræver, så den plausibelt kan løses af en LLM." Kort efter tog Andrej Karpathy, tidligere Tesla-direktør og en af OpenAI's stiftere, ordet op og gjorde det til noget, hele branchen begyndte at bruge (kilde: Tobi Lütkes opslag på X, 19. juni 2025 og Andrej Karpathys opslag på X, 25. juni 2025).
Tre måneder senere, i september 2025, udgav Anthropic selv et langt teknisk indlæg om emnet: "Effective context engineering for AI agents". Deres pointe var enkel: efter et par år, hvor "prompt engineering" var det, alle talte om, handler det gode arbejde med AI i dag mindre om at finde de rigtige ord i selve beskeden, og mere om at svare på et bredere spørgsmål: hvilken sammensætning af kontekst gør det mest sandsynligt, at modellen gør det, du vil have?
Det lyder teknisk. Men oversat til hverdagssprog er pointen faktisk enkel, og den er relevant, hver gang du åbner en chat med en AI: det, du skriver, er kun én af de ting, modellen "ser", når den svarer dig.
Det gælder lige så meget, når du bruger ChatGPT eller Claude til at skrive et tilbud, et opslag eller en mail. Du behøver ikke arbejde med udvikling for at bruge det her.
Når du skriver en besked til en AI-model, tror de fleste, at modellen kun forholder sig til den ene sætning, du lige har tastet. Sådan er det ikke. Modellen samler en hel pakke af information, hver gang den skal svare, og det er den pakke, "context" refererer til.
Den overordnede opsætning, en systemprompt, en 'custom instructions'-boks, en projektbeskrivelse, der sætter rammen for, hvordan modellen skal opføre sig, uanset hvad du spørger om.
Hele den løbende samtale. Jo længere en chat bliver, jo mere fylder historikken, og jo vigtigere bliver det, hvad der faktisk står i den.
Det du har uploadet eller lagt ind som baggrundsviden: et produktark, en tidligere rapport, jeres tone of voice. Uden det gætter modellen ud fra almen viden.
Adgang til websøgning, til jeres kalender, til en database. Når en model kan hente frisk information i stedet for at gætte, ændrer det kvaliteten markant.
En god definition, flere kilder samler sig om: context engineering er den bevidste designproces omkring alt det, en sprogmodel ser, hver gang den skal generere et svar: systemprompt, brugerens input, hentede dokumenter, samtalehistorik, værktøjsdefinitioner og langtidshukommelse (DataCamp, Elastic). Sagt enklere: prompt engineering handler om hvordan du siger det. Context engineering handler om hvad modellen har foran sig, når den skal svare.
Et dokument? En skabelon? Adgang til et system? Det er præcis det, du også skal give AI'en.
To begreber bliver ofte slået sammen, men de løser hver sit problem: se forskellen på fem punkter.
De to begreber bliver ofte slået sammen, men de løser forskellige problemer. Prompt engineering var svaret på "hvordan formulerer jeg spørgsmålet bedst". Context engineering er svaret på et andet, større problem, der dukkede op, da AI gik fra enkeltstående svar til at løse opgaver over flere trin: modeller fejler i dag sjældnere på grund af en dårlig formulering. De fejler, fordi de mangler den rette information på det rette tidspunkt (howaiworks.ai).
| Dimension | Prompt engineering | Context engineering |
|---|---|---|
| Spørgsmålet det stiller | Hvordan formulerer jeg beskeden bedst? | Hvad skal modellen have foran sig for at kunne svare rigtigt? |
| Fokus | Ordvalg, struktur, eksempler i selve beskeden | Instruktioner, historik, dokumenter, værktøjer, hukommelse |
| Virker bedst til | Enkeltstående spørgsmål, ét svar | Længere forløb, gentagne opgaver, agent-arbejde |
| Typisk fejl uden det | Utydeligt svar på et klart spørgsmål | Modellen "glemmer", gætter, eller mangler afgørende fakta |
| Din indsats | Skriv en bedre besked | Byg en bedre opsætning omkring beskederne |
Pointen er ikke, at prompt engineering er blevet ligegyldigt: en klar besked er stadig bedre end en uklar. Men en velskrevet besked ind i en dårligt sat op kontekst fejler stadig ofte. En mindre velskrevet besked ind i en veldesignet kontekst lykkes til gengæld ofte alligevel (Elastic Search Labs).
Lad os gøre det konkret med noget, mange danske virksomhedsejere rent faktisk beder AI om: "Skriv en opfølgningsmail til en kunde, der ikke har svaret på vores tilbud."
Du skriver kun sætningen ovenfor. Modellen har ingen anelse om, hvem kunden er, hvad tilbuddet handlede om, eller hvordan din virksomhed plejer at skrive. Resultatet bliver en generisk, formel skabelon-mail, der kunne være skrevet til hvem som helst.
Du har sat en fast instruktion op (i 'Projects' i Claude, en 'Custom GPT' eller en gemt systemprompt), der beskriver jeres tone, jeres branche og hvordan I plejer at følge op. Samme prompt giver nu en mail, der lyder som jer, men den kender stadig ikke den konkrete kunde eller det konkrete tilbud.
Du har uploadet selve tilbuddet og tidligere korrespondance med kunden som baggrund. Nu kan modellen referere til det specifikke beløb, den specifikke leveringsdato og noget, kunden nævnte i en tidligere mail. Det er ikke længere en skabelon: det er et svar, der ser ud, som om du selv har skrevet det med fuldt overblik.
Forskellen mellem niveau 1 og niveau 3 er ikke en bedre formulering af selve prompten. Den er identisk i alle tre eksempler. Forskellen er udelukkende, hvor meget relevant kontekst modellen fik at arbejde med. Det er hele pointen med context engineering, gjort helt konkret.
Løsningen er sjældent en klogere prompt: det er mere og bedre kontekst.
Du behøver ikke lære et nyt værktøj for at bruge context engineering. Du skal bare stille dig selv fire spørgsmål, før du sender din næste AI-besked.
Har du sat faste instruktioner op ét sted (Projects, Custom GPT, en gemt systemprompt), så du ikke skal forklare din virksomhed forfra hver gang?
Har du lagt det relevante dokument, den relevante mailtråd eller det relevante regneark ind, i stedet for at basere svaret på, hvad modellen 'plejer at vide' om emnet?
Lange chats, der er sprunget mellem flere emner, gør det sværere for modellen at finde det, der faktisk er relevant lige nu. Start en ny samtale, når emnet skifter markant.
Skal svaret bruge friske tal, en opslagsfunktion eller adgang til et system? Så duer ren tekst-chat ikke: der skal værktøjer eller integrationer til.
Det er hele forskellen, kogt ned: en god prompt er stadig et godt sted at starte. Men hvis du vil have markant bedre svar konsekvent, ikke bare en gang imellem, er det opsætningen omkring prompten, der batter mest.
Ofte er det ikke modellen, der er problemet: det er opsætningen omkring den. Skriv til mig, så kigger vi på, hvordan I får bedre og mere konsekvente svar ud af de AI-værktøjer, I allerede bruger.
Skriv til mig →"Context engineering" er ikke et modeord: det er branchens eget skifte fra "hvordan formulerer jeg det" til "hvad ser modellen".
Fire ting tæller: instruktioner, historik, materiale og værktøjer. Jo bedre de fire er sat op, jo bedre bliver svarene.
Brug faste instruktioner (Projects/Custom GPT) og upload det konkrete materiale: det slår som regel en klogere formulering af selve spørgsmålet.