Tilbage til blog

Chain-of-thought prompting: få AI til at tænke trin for trin

Lær den enkle prompting-teknik, der løftede AI'ens nøjagtighed fra 18 % til 79 % på ræsonneringsopgaver — med færdige eksempler til hverdagsarbejdet.

Chain-of-thought prompting: få AI til at tænke trin for trin
Du har stillet ChatGPT et spørgsmål, der krævede lidt tænkning — måske skulle den sammenligne to muligheder, vurdere en beslutning eller arbejde sig gennem et problem i flere led. AI'en svarede lynhurtigt og lød fuldstændig sikker. Eneste hage: svaret var helt forkert.
Det sker oftere, end man tror. AI-assistenter er trænet til at producere svar, der lyder plausible — ikke til faktisk at ræsonnere sig frem til dem. Når du stiller et komplekst spørgsmål på den almindelige måde, springer AI'en ofte selve tænkningen over og lander direkte på et svar — nogle gange spektakulært forkert, men leveret med fuld overbevisning.
Der findes en løsning. I 2022 opdagede forskere hos Google, at én lille tilføjelse til prompten — "Lad os tænke trin for trin" — løftede nøjagtigheden på matematikopgaver fra 17,7 % til 78,7 %. Det er ikke en tastefejl. Én sætning gjorde AI'en fire gange mere præcis.
Teknikken hedder chain-of-thought prompting (på dansk også kaldet tankekæde-prompting), og den virker, fordi den tvinger AI'en til at vise sit arbejde i stedet for at springe til konklusioner. Her er, hvordan du bruger den i rigtige opgaver — ikke kun matematikstykker.

Hvad er chain-of-thought prompting?

Chain-of-thought (CoT) prompting er præcis, hvad navnet siger: du beder AI'en forklare sin tankegang trin for trin, før den giver et endeligt svar. I stedet for "Hvad er svaret?" spørger du "Forklar mig din tankegang, og giv mig så svaret".
Forestil dig, at du beder en kollega vise sit arbejde. Hvis nogen kommer med en anbefaling uden begrundelse, kan du ikke vide, om de faktisk har tænkt sig om eller bare gættet. Men hvis de tager dig med gennem ræsonnementet — "Jeg overvejede X, droppede Y på grund af Z, og det førte mig til den her konklusion" — kan du selv spotte hullerne i logikken.
Samme princip gælder for AI. Når du tvinger den til at formulere mellemregningerne, sker der to ting:
  1. AI'en fanger sine egne fejl undervejs i ræsonnementet
  2. Du kan se præcis, hvor logikken gik galt, hvis svaret er skævt

Derfor springer AI'en over (og rammer ved siden af)

Her er noget, de færreste lige tænker over: AI-modeller "tænker" ikke på samme måde som mennesker. De mønstergenkender på milliarder af tekster og forudsiger, hvilke ord der mest sandsynligt kommer som det næste. Når du stiller et ligetil spørgsmål, hopper de til det svar, der statistisk virker mest oplagt.
Til simple spørgsmål fungerer det fint. "Hvad er hovedstaden i Frankrig?" kræver ikke ræsonnement — AI'en har set det spørgsmål og svar parret sammen millioner af gange.
Men når noget kræver reel logik — at sammenligne muligheder, vurdere afvejninger, løse et problem i flere skridt — bryder mønstergenkendelsen sammen. AI'en vælger et svar, der lyder rigtigt, uden at gøre arbejdet med at tjekke, om det rent faktisk er rigtigt.
Chain-of-thought prompting afbryder den genvej. Ved at bede AI'en ræsonnere højt tvinger du den til at producere mellemregningerne — og de mellemregninger lægger bånd på, hvad det endelige svar kan blive. Det er sværere at lande på en forkert konklusion, når du skal vise vejen, der førte dig dertil.
Sammenligning af AI, der hopper direkte til et svar, og AI, der ræsonnerer trin for trin før svaret
Sammenligning af AI, der hopper direkte til et svar, og AI, der ræsonnerer trin for trin før svaret

Den enkleste måde at bruge chain-of-thought på

Den letteste version kræver nul forberedelse. Tilføj bare en af disse sætninger til slutningen af din prompt:
  • "Lad os tænke trin for trin."
  • "Forklar mig din tankegang."
  • "Forklar din tænkning, før du giver et endeligt svar."
  • "Bryd det her ned skridt for skridt."
Forskerne fandt, at "Lad os tænke trin for trin" virkede bedst i deres test, selvom senere forskning opdagede en endnu skarpere formulering: "Lad os arbejde det her igennem trin for trin for at være sikre på, at vi når det rigtige svar."
Sådan ser det ud i praksis. Forestil dig, at du skal beslutte, om du skal sige ja til et nyt jobtilbud.
Uden chain-of-thought:

Skal jeg sige ja til et jobtilbud, der giver 20 % mere i løn, men kræver, at jeg flytter til en by med 40 % højere leveomkostninger?


AI'en giver dig måske et hurtigt "ja" eller "nej" baseret på overfladisk mønstergenkendelse.
Med chain-of-thought:

Skal jeg sige ja til et jobtilbud, der giver 20 % mere i løn, men kræver, at jeg flytter til en by med 40 % højere leveomkostninger?

Lad os tænke det igennem trin for trin og overveje de økonomiske konsekvenser, livskvaliteten og de karrieremæssige effekter, før du når en konklusion.


Nu vil AI'en bryde hver faktor ned, regne på, om de 20 % i lønstigning faktisk dækker de 40 % i højere udgifter, vurdere hvad du potentielt vinder eller mister, og give dig en gennemtænkt anbefaling.

Few-shot CoT: vis AI'en, hvordan den skal tænke

Tilgangen med "Lad os tænke trin for trin" hedder zero-shot CoT, fordi du ikke giver nogen eksempler. Den fungerer fint i mange situationer, men til komplekse eller specialiserede opgaver kan du få endnu bedre resultater ved at demonstrere det ræsonnementsmønster, du ønsker.
Det kaldes few-shot CoT — du lægger et eller to gennemarbejdede eksempler ind, der viser AI'en præcis, hvordan den skal ræsonnere sig gennem lignende problemer.
Her er en skabelon til at analysere forretningsbeslutninger:

Jeg har brug for hjælp til at vurdere mine muligheder. Sådan vil jeg gerne have, du ræsonnerer dig igennem hver enkelt:

Eksempel:
Spørgsmål: Skal vi gå fra månedlig til årlig fakturering?

Trin 1 — Identificér de centrale faktorer: Forudsigelighed i pengestrømmen, risikoen for kundeafgang, prispsykologi.

Trin 2 — Analysér hver faktor:
- Pengestrøm: Årlig fakturering giver os omsætningen forud, hvilket forbedrer forudsigeligheden
- Risiko for afgang: Kunder, der betaler årligt, har lavere churn-rate
- Pris: Vi kan tilbyde rabat på årsplaner uden at tabe penge

Trin 3 — Vej fordele og ulemper: Den primære ulempe er højere modstand for nye tilmeldinger.

Trin 4 — Konklusion: Ja, men tilbyd begge muligheder med 15 % rabat på den årlige plan.

Brug nu samme ræsonnementsstruktur på mit spørgsmål:
{{question}}
Eksemplet behøver ikke matche dit eget spørgsmål — det skal bare demonstrere den ræsonnementsstruktur, du vil have. AI'en tilpasser mønsteret til din konkrete situation.

Hvornår chain-of-thought hjælper (og hvornår den ikke gør)

CoT-prompting er ikke en magisk løsning på enhver AI-samtale. Forskning fra Wharton viser, at selvom teknikken løfter præstationen på svære opgaver, kan den faktisk forværre nøjagtigheden på lette opgaver, fordi den indfører unødvendig kompleksitet.
Brug chain-of-thought, når:
  • Du sammenligner flere muligheder eller vejer afvejninger
  • Opgaven kræver ræsonnement eller beregninger i flere skridt
  • Du skal fejlsøge eller diagnosticere et problem
  • Svaret kræver, at man analyserer årsag og virkning
  • Du vil forstå AI'ens tankegang, ikke bare have et svar
Drop chain-of-thought, når:
  • Du beder om simple fakta eller definitioner
  • Du skal bruge kreativt output som idéudvikling eller skrivning
  • Du vil have en opsummering eller oversættelse
  • Hastighed betyder mere end nøjagtighed
  • Opgaven involverer ikke logisk ræsonnement
Værd at vide: CoT-prompting virker dårligere på mindre AI-modeller. Den oprindelige Google-forskning fandt, at de meningsfulde forbedringer først dukkede op i modeller med 100+ milliarder parametre. Med nutidens forbrugerværktøjer som ChatGPT-4, Claude og Gemini er du i det rigtige leje. Men hvis du bruger ældre eller mindre modeller, kan resultaterne svinge.

5 færdige CoT-prompts til rigtigt arbejde

Her er prompts, du kan kopiere og bruge med det samme. Hver enkelt har chain-of-thought-strukturen indbygget.

1. Beslutningsanalyse

Hjælp mig med at beslutte: {{decision_to_make}}

Gå igennem det her trin for trin:
1. Lis de centrale faktorer, jeg bør overveje
2. Analysér, hvordan hver mulighed klarer sig på de faktorer
3. Identificér de største risici og afvejninger
4. Giv mig din anbefaling med begrundelse

Vær konkret og brug min faktiske situation, ikke generisk rådgivning.

2. Sammenligning af fordele og ulemper

Sammenlign disse muligheder: {{option_1}} vs {{option_2}}

Gå systematisk til værks:
1. Find først 5 kriterier, der betyder mest for den her type beslutning
2. Vurder hver mulighed på hvert kriterium
3. Notér eventuelle dealbreakers eller must-haves
4. Vej de samlede afvejninger
5. Giv mig en klar anbefaling

Lad være med bare at liste fordele og ulemper — ræsonnér rent faktisk igennem, hvilke faktorer der vejer tungest, og hvorfor.

3. Årsagsanalyse

Hjælp mig med at finde ud af, hvorfor det her sker: {{problem_description}}

Brug denne ræsonnementsproces:
1. Afklar, hvad der faktisk sker, kontra hvad der burde ske
2. Lis alle mulige årsager (også de usandsynlige)
3. For hver årsag, vurder hvilket bevis der ville bekræfte eller udelukke den
4. Ud fra de tilgængelige oplysninger, identificér den mest sandsynlige rodårsag
5. Foreslå, hvordan man verificerer det, og hvad man skal gøre ved det

4. Planlægning trin for trin

Jeg skal {{goal}}.

Bryd det ned i trin:
1. Find først ud af, hvad der skal være på plads, før noget andet kan ske (forudsætninger)
2. Læg derefter de overordnede faser eller milepæle ud
3. For hver fase, lis de konkrete handlinger, der kræves
4. Marker eventuelle afhængigheder (hvad skal være sket, før noget andet kan starte)
5. Notér potentielle blokeringer, og hvordan man håndterer dem

Vær konkret — giv mig handlingsorienterede skridt, ikke svævende råd.

5. Analyse af komplekse spørgsmål

{{complex_question}}

Før du svarer, så lad os arbejde os omhyggeligt igennem det:
1. Bryd ned, hvad det her spørgsmål egentlig spørger om
2. Identificér eventuelle antagelser, der ligger indbygget i spørgsmålet
3. Overvej de centrale faktorer, der påvirker svaret
4. Ræsonnér dig igennem hver faktor
5. Giv mig så dit svar med ræsonnementet, der underbygger det

Hvis der er reel usikkerhed, så anerkend den i stedet for at lade som om du er sikker.
Alle prompts følger samme mønster: sig hvad du har brug for, og beskriv så eksplicit den tankeproces, du vil have AI'en til at følge. Strukturen guider AI'en gennem en grundig analyse i stedet for at lade den hoppe til konklusioner.
Et kort med en prompt-skabelon, hvor variable pladsholdere tilpasses til forskellige opgaver
Et kort med en prompt-skabelon, hvor variable pladsholdere tilpasses til forskellige opgaver
Hvis du opdager, at du genbruger de her prompts — bare med nye beslutninger, problemer eller spørgsmål hver gang — kan et værktøj som PromptNest gemme dem med {{variables}} allerede på plads. Når du har brug for en, udfylder du bare felterne og kopierer den færdige prompt.

Fejlsøgning: når ræsonnementet går galt

Nogle gange bruger du chain-of-thought, og AI'en viser sine skridt … men lander stadig på en forkert konklusion. Sådan håndterer du det.
Ræsonnementet ser fint ud, men konklusionen er forkert. AI'en kan have taget afsæt i en skæv antagelse. Spørg: "Hvilke antagelser bygger du det her på? Lis dem eksplicit." Fejlen ligger ofte i en uudtalt præmis, ikke i selve logikken.
AI'en har glemt vigtige faktorer. Svar med: "Du tog ikke {{factor}} med. Hvordan ændrer det din analyse?" AI'en indarbejder den nye information og reviderer ofte sin konklusion.
Ræsonnementet er cirkulært eller svævende. Bed om mere konkret stof: "I trin 2 skrev du 'det her kunne være risikabelt'. Hvilke konkrete risici taler du om, og hvordan ville du kvantificere dem?" Når du tvinger detaljer frem, afsløres uklar tænkning.
Du har mistanke om, at AI'en er for selvsikker. Prøv: "Spil djævelens advokat. Hvad er det stærkeste argument imod den her konklusion?" Det får ofte svagheder frem, som AI'en glattede ud i første runde.
Pointen med chain-of-thought-prompting er ikke kun at få bedre svar — det er at gøre AI'ens tankegang synlig, så du kan fange og rette fejl. Behandl det første svar som et udgangspunkt, ikke som det endelige svar.

Kom i gang med chain-of-thought i dag

Du behøver hverken huske teknikker udenad eller følge indviklede modeller. Husk bare grundidéen: når du har brug for, at AI'en faktisk tænker i stedet for at gætte, så bed den vise sit arbejde.
Start med én opgave, du jævnligt bruger AI til — gerne noget med analyse, sammenligning eller fejlfinding. Tilføj "Lad os tænke det her igennem trin for trin", og se, hvordan svaret ændrer sig. Når du først mærker forskellen, begynder du selv at se, hvornår teknikken hører hjemme.
Vil du opbygge et bibliotek af ræsonnements-prompts som dem ovenfor, kan du gemme dem hvor som helst — i en noteapp, et dokument, eller hvad du nu allerede bruger. Eller hvis du foretrækker noget bygget til formålet, er PromptNest en native Mac-app ($19.99 som engangskøb i Mac App Store, ingen abonnement, ingen konto, kører lokalt), der holder dine prompts ordnet med variable indbygget. Uanset hvad er pointen, at du har dine bedste prompts klar, når du skal bruge dem — i stedet for begravet i gamle chathistorikker.
Forskellen på en AI, der hjælper dig med at tænke, og en AI, der bare lyder selvsikker, kommer ofte ned til seks ord: "Lad os tænke det her igennem trin for trin".