Prompt engineering 2026: slik skriver du AI-prompter

Hva er prompt engineering?

Prompt engineering er disiplinen med å designe og optimere inputen — prompten — du gir til en AI-modell for å oppnå ønsket output. En god prompt er ikke bare et spørsmål; det er en nøye formulert instruksjon som forteller modellen hvem den er, hva konteksten er, hva du vil ha, og i hvilken form du vil ha det.

Forskjellen mellom en dårlig og en god prompt kan være enorm. En simpel prompt som «forklar kvantemekanikk» gir et generisk svar. En god prompt som «Forklar kvantemekanikk for en ingeniørstudent uten fysikkbakgrunn. Bruk en analogi fra dagliglivet og avslutt med tre punkter som oppsummerer det viktigste» gir et mye mer målrettet og nyttig svar.

Kjernemetoder: few-shot, chain-of-thought og systemprompter

Few-shot prompting er teknikken der du gir modellen noen få eksempler på ønsket format og stil før den løser selve oppgaven, slik at den lærer mønsteret av eksemplene dine. Teknikken ble beskrevet og systematisk testet av OpenAI-forskere i artikkelen «Language Models are Few-Shot Learners», som viste at store nok språkmodeller kan løse nye oppgaver ut fra bare et fåtall eksempler i selve prompten, uten at modellen trenes på nytt. I praksis: i stedet for å be om én produktbeskrivelse, viser du to eksempler på gode produktbeskrivelser og ber om en til.

Chain-of-thought (CoT) prompting handler om å be modellen resonnere seg fram til svaret steg for steg i stedet for å hoppe rett til konklusjonen. Google-forskere dokumenterte effekten i artikkelen «Chain-of-Thought Prompting Elicits Reasoning in Large Language Models», som viste at det å legge et lite antall resonnementseksempler inn i prompten ga vesentlig bedre resultater på regne-, logikk- og resonneringsoppgaver. Anthropics egen prompt-dokumentasjon lister denne formen for trinnvis resonnering («thinking») som én av kjerneteknikkene for å forbedre svarkvalitet med Claude.

Self-consistency bygger videre på chain-of-thought: i stedet for å generere ett resonnement lar du modellen generere flere uavhengige resonnementer og velger svaret flertallet av dem lander på. I artikkelen «Self-Consistency Improves Chain of Thought Reasoning in Language Models» fant Google-forskere at metoden økte nøyaktigheten på matteoppgavesettet GSM8K med 17,9 prosentpoeng sammenlignet med å bruke ett enkelt resonnement.

• Zero-shot: Bare instruksjonen, ingen eksempler
• Few-shot: 2–5 eksempler + instruksjon gir mer presist format
• Chain-of-thought: «Tenk steg for steg» forbedrer logikk og matte
• Systemprompt: Setter kontekst og personlighet for hele samtalen
• Self-consistency: Be om flere svar og velg det mest konsistente

Systemprompter: gi AI-en en rolle og kontekst

Systemprompter er instruksjoner som settes i begynnelsen av en samtale og definerer AI-ens rolle, «personlighet» og atferdsregler, atskilt fra selve brukerspørsmålet. Anthropics Claude API har et eget system-parameter for dette, beskrevet i Anthropics prompt-dokumentasjon. OpenAIs nyere Responses API bruker på tilsvarende vis en egen instructions-parameter og en developer-rolle for overordnede instruksjoner i stedet for en system-melding, mens den eldre Chat Completions-modellen fortsatt støtter system-meldinger for eldre modeller – begge holder de overordnede instruksjonene atskilt fra brukerens meldinger gjennom hele samtalen, ifølge OpenAIs egen prompting-guide.

En effektiv systempromt kan spesifisere: (1) hvem AI-en er («Du er en erfaren skatteadvokat som spesialiserer seg på norsk selskapsrett»), (2) hva den ikke skal gjøre («Ikke gi generelle råd — spør alltid etter konkret situasjon»), og (3) outputformat («Svar alltid i punktlister med maksimalt fem punkter»). Disse instruksjonene holder seg gjennom hele samtalen.

Praktiske eksempler og maler

For å skrive bedre e-poster: «Du er en forretningskommunikasjonsspesialist. Skriv en kort, høflig men bestemt e-post til en leverandør som er to uker forsinket med levering. Tonen skal være profesjonell. E-posten skal ikke overstige 150 ord og avsluttes med en klar handlingsoppfordring.»

For å analysere data: «Her er en CSV med salgstall for Q1–Q3 2025. [lim inn data] Identifiser de tre viktigste trendene, beregn vekstraten fra Q1 til Q3, og forklar mulige årsaker til eventuelle avvik. Presenter funnene i et strukturert format med overskrifter.» Dette gir langt mer nyttige svar enn «hva betyr disse tallene?»

Avanserte teknikker: RAG, agenter og multi-step prompting

Retrieval-Augmented Generation (RAG) kombinerer en språkmodell med et eksternt dokumentarkiv eller en database. I stedet for å stole utelukkende på modellens forhåndstrente kunnskap, henter systemet relevante tekstutdrag fra en ekstern kilde og legger dem inn i prompten før modellen svarer. Metoden ble beskrevet av Meta AI-forskere (den gang Facebook AI Research) i artikkelen «Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks», som viste at tilnærmingen ga mer presise og faktuelt korrekte svar på kunnskapstunge spørsmål enn en modell som bare brukte sin egen parametriske hukommelse. RAG er i dag en mye brukt arkitektur i bedriftsapplikasjoner av språkmodeller.

Agentbaserte systemer lar en språkmodell utføre flere steg i sekvens: hente informasjon fra nettet, kjøre kode, lese filer og ta beslutninger basert på resultatene underveis. Rammeverk som AutoGPT og LangChain gir byggeklosser for slike systemer, mens Anthropic tilbyr Claude Agent SDK — et bibliotek som gir samme verktøy og agent-loop som driver Claude Code, tilgjengelig for utviklere i Python og TypeScript. SDK-et het tidligere Claude Code SDK og ble omdøpt til Claude Agent SDK for å reflektere at det nå brukes til å bygge AI-agenter langt utover kodeoppgaver. Vil du forstå grunnlaget bedre, finnes en egen guide til hvordan store språkmodeller (LLM) fungerer. Du kan også eksperimentere lokalt: små modeller kan kjøres offline på en Raspberry Pi eller i et eget homelab.

Fremtiden for prompt engineering

Ettersom AI-modeller blir stadig kraftigere og bedre til å tolke naturlig språk, vil behovet for nitid prompt engineering trolig reduseres for enkle oppgaver. Men for komplekse, spesifikke og forretningskritiske brukstilfeller vil evnen til å kommunisere presist med AI-systemer forbli en nøkkelkompetanse.

Prompt engineering som yrkestittel kan bli kortlivet, men de underliggende ferdighetene — å spesifisere krav presist, vurdere outputkvalitet og iterere på resultater — er universelle kunnskapsarbeider-ferdigheter som forsterkes av AI-alderen, ikke erstattes av den.

Vanlige feil norske brukere gjør med prompter

De fleste dårlige AI-svar skyldes ikke modellen, men en uklar prompt. Den hyppigste feilen er å være for vag: «skriv noe om markedsføring» tvinger modellen til å gjette hva du faktisk mener. Gi alltid rolle, mål, målgruppe, format og lengde. En annen klassisk feil er å stappe flere ulike oppgaver inn i én prompt — del heller opp i sekvensielle steg, så holder modellen tråden.

Norske brukere går ofte i én ekstra felle: de skriver prompten på norsk, men forventer at outputen automatisk treffer norsk tone og terminologi. Si eksplisitt at svaret skal være på korrekt bokmål (eller nynorsk), og gi gjerne et eksempel på ønsket stil. Be også modellen om å spørre deg om noe er uklart før den svarer — det reduserer feil dramatisk på komplekse oppgaver.

• For vag instruksjon — mangler rolle, mål, format og lengde.
• Flere ulike oppgaver i én prompt i stedet for sekvensielle steg.
• Glemmer å spesifisere språk og tone (bokmål vs. nynorsk).
• Stoler blindt på svaret uten å verifisere fakta og tall.
• Itererer ikke — den andre eller tredje prompten er nesten alltid bedre.

Iterasjon: den viktigste prompt-ferdigheten

Profesjonelle brukere skriver sjelden den perfekte prompten på første forsøk. Den virkelige ferdigheten er iterasjon: du starter med et utkast, vurderer svaret kritisk, og forbedrer prompten basert på hva som manglet. Fikk du for langt svar? Legg til en ordgrense. Var tonen feil? Gi et eksempel på ønsket stil. Manglet det fakta? Be modellen markere usikre påstander.

En effektiv teknikk er å la modellen forbedre sin egen prompt: be den om å omformulere instruksjonen din slik at en AI ville gitt et bedre og mer presist svar, eller be om en kritikk av eget utkast før den utfører oppgaven. Dette kalles meta-prompting. Anthropic har en egen «metaprompt»-oppskrift for å generere et første promptutkast automatisk, beskrevet i Anthropics prompt-dokumentasjon.