Hvorfor spesifisitet er viktig
Slik fører vage ledetekster til generiske resultater – og hvordan presisjon løser det.
Hvorfor spesifisitet er viktig er en gratis leksjon i AI-prompt engineering på CoddyKit. Dette er leksjon 1 av 4. Du kan lese valgfritt 3 leksjoner fra denne læringsstien gratis i sin helhet – deretter låser CoddyKit PRO opp alle leksjoner, samt praktisk øving med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt. Den er en del av læringsløpet i AI-prompt engineering, og fremdriften din synkroniseres mellom nettet og CoddyKit-appen. Kurset i AI-prompt engineering inneholder totalt 4 leksjoner.
Problemet med vaghet
Når du sender en vag prompt, fyller KI-en inn alle manglende detaljer med sin beste gjetning. Disse gjetningene bygger på den mest statistisk gjennomsnittlige tolkningen – ikke på det du faktisk mener.
Resultatet er generisk og forglemmelig innhold som krever omfattende omskriving. Spesifisitet er det kraftigste virkemiddelet du har for å forbedre kvaliteten på KI-resultater.
Vag prompt: Skriv om hunder
Se på prompten: «Skriv noe om hunder.»
Modellen må gjette: Hvilket format? Hvor langt? Hvem er målgruppen? Hvilken vinkling? Den faller tilbake på et trygt og intetsigende avsnitt som kunne passet i et barneleksikon.
Sammenlign nå med: «Skriv en Instagram-tekst på 200 ord om den første dagen på stranden for en golden retriever-valp. Tone: leken og følelsesladet. Ta med 5 relevante emneknagger.»
Den andre prompten overlater ingenting til tilfeldighetene.
import anthropic
client = anthropic.Anthropic(api_key='sk-ant-your-key-here')
vague = 'Write something about dogs.'
specific = (
'Write a 200-word Instagram caption for a golden retriever puppy\'s '
'first day at the beach. Tone: playful and emotional. '
'End with 5 relevant hashtags.'
)
for label, prompt in [('VAGUE', vague), ('SPECIFIC', specific)]:
response = client.messages.create(
model='claude-opus-4-5',
max_tokens=300,
messages=[{'role': 'user', 'content': prompt}]
)
print(f'--- {label} ---')
print(response.content[0].text)
print()Hvorfor generiske resultater oppstår
Modellen ble trent på milliarder av teksteksempler. Når du sier «skriv om X», genererer den den vanligste typen tekst om X som den så under treningen.
Det innebærer gjerne at teksten er:
- Enyklopedisk i tonen
- Av middels lengde
- Overflatisk og med dekning av alle de viktigste vinklingene
- Uten en tydelig stemme eller hensikt
Dine spesifikke begrensninger overstyrer disse standardene og styrer modellen mot det du faktisk trenger.
import openai
client = openai.OpenAI(api_key='sk-your-key-here')
# Default (vague) output
default_response = client.chat.completions.create(
model='gpt-4o',
messages=[{'role': 'user', 'content': 'Write about coffee.'}]
)
print('DEFAULT OUTPUT (first 200 chars):')
print(default_response.choices[0].message.content[:200])
print()
# Constrained output
constrained_response = client.chat.completions.create(
model='gpt-4o',
messages=[{
'role': 'user',
'content': (
'Write a 100-word product description for a single-origin Ethiopian pour-over coffee. '
'Target audience: specialty coffee enthusiasts. '
'Tone: sophisticated, sensory. Mention flavor notes: jasmine, blueberry, dark chocolate.'
)
}]
)
print('CONSTRAINED OUTPUT:')
print(constrained_response.choices[0].message.content)De fem dimensjonene for spesifisitet
Når du skriver en prompt, bør du spesifisere fem dimensjoner:
- Format – avsnitt, punktliste, tabell, JSON, e-post
- Lengde – ordantall, antall setninger eller antall elementer
- Målgruppe – hvem som skal lese eller bruke resultatet
- Stil – formell, uformell, teknisk, overbevisende eller empatisk
- Mål – hva resultatet skal oppnå
Du trenger ikke alltid alle fem – men hvis én av dem mangler, inviterer du modellen til å gjette feil.
import anthropic
client = anthropic.Anthropic(api_key='sk-ant-your-key-here')
# All 5 dimensions specified
response = client.messages.create(
model='claude-opus-4-5',
max_tokens=256,
messages=[{
'role': 'user',
'content': (
'Format: 3-bullet summary.\n'
'Length: each bullet max 20 words.\n'
'Audience: busy startup founders with no ML background.\n'
'Tone: direct, no jargon.\n'
'Goal: explain why fine-tuning an LLM is expensive.'
)
}]
)
print(response.content[0].text)Vage kontra spesifikke e-postforespørsler
La oss se på e-postskriving – en av de vanligste KI-oppgavene.
Vag: «Skriv en e-post til kunden min.»
Modellen vet ikke hvem kunden er, hva emnet gjelder, hvordan forholdet er, hva målet er eller hvilken tone den skal bruke.
Spesifikk: «Skriv en e-post på tre avsnitt til en B2B SaaS-kunde (TechFlow Inc) som har overskredet betalingsfristen med 14 dager. Tone: bestemt, men profesjonelt høflig. Mål: få inn betalingen uten å skade forholdet. Ta med en tydelig oppfordring til handling med en frist på 5 dager.»
import openai
client = openai.OpenAI(api_key='sk-your-key-here')
specific_prompt = (
'Write a 3-paragraph professional email to a B2B SaaS client (TechFlow Inc) '
'who has a payment 14 days overdue. '
'Tone: firm but courteous — preserve the business relationship. '
'Include: acknowledgment of potential oversight, the overdue amount placeholder [AMOUNT], '
'a payment link placeholder [LINK], and a 5-day deadline. '
'Subject line included.'
)
response = client.chat.completions.create(
model='gpt-4o',
messages=[{'role': 'user', 'content': specific_prompt}]
)
print(response.choices[0].message.content)Vagt kontra spesifikt: Oppsummering
Selv oppsummering – som virker enkelt – blir langt bedre når instruksjonene er spesifikke.
Vagt: «Oppsummer denne artikkelen.»
Spesifikt: «Oppsummer denne artikkelen i nøyaktig 3 setninger. Første setning: hovedfunn. Andre setning: brukt metode. Tredje setning: viktigste konsekvens for fagfolk.»
Versjonen med spesifisert struktur kan brukes med én gang; den vage versjonen må omformateres.
import anthropic
client = anthropic.Anthropic(api_key='sk-ant-your-key-here')
article = (
'Researchers at MIT have developed a new neural network architecture that achieves '
'94% accuracy on medical image diagnosis, outperforming human radiologists by 7%. '
'The model was trained on 2.4 million anonymized X-ray images and uses a novel '
'attention mechanism that highlights regions of interest for clinician review. '
'The team expects FDA clearance by Q3 2025 for use as a diagnostic aid, not replacement.'
)
specific_prompt = (
f'Summarize the following article in exactly 3 sentences:\n'
f'Sentence 1: main finding.\n'
f'Sentence 2: methodology.\n'
f'Sentence 3: key implication for clinicians.\n\n'
f'Article:\n{article}'
)
response = client.messages.create(
model='claude-opus-4-5',
max_tokens=200,
messages=[{'role': 'user', 'content': specific_prompt}]
)
print(response.content[0].text)Vagt kontra spesifikt: Idémyldring
Prompter for idémyldring er der vaghet koster mest – De får en liste med åpenbare ideer som overlapper.
Vagt: «Gi meg ideer til appen min.»
Spesifikt: «Gi meg 10 unike strategier for inntektsgenerering for en B2C-meditasjonsapp rettet mot 25–35 år gamle urbane yrkesaktive. Utelat abonnementsmodeller (vi har allerede en). Hver idé skal være på én setning, sortert fra mest til minst risikabel.»
import openai
client = openai.OpenAI(api_key='sk-your-key-here')
specific_brainstorm = (
'Generate 10 unique monetization strategies for a B2C meditation app '
'targeting 25-35 year-old urban professionals. '
'Exclude: subscription models (already implemented). '
'Each strategy in one sentence. '
'Order from most to least conventional. '
'Label each with: CONVENTIONAL / EXPERIMENTAL / BOLD.'
)
response = client.chat.completions.create(
model='gpt-4o',
messages=[{'role': 'user', 'content': specific_brainstorm}]
)
print(response.choices[0].message.content)Bruke eksempler i prompter
En av de kraftigste teknikkene for å gjøre en prompt spesifikk er å inkludere eksempler på resultatet De ønsker direkte i prompten (kalt few-shot prompting).
Vis formatet i stedet for å beskrive det. Modellen forstår umiddelbart struktur, lengde og tone ut fra et ekte eksempel – ofte tydeligere enn ut fra en skriftlig beskrivelse.
import anthropic
client = anthropic.Anthropic(api_key='sk-ant-your-key-here')
example_prompt = '''
Generate 3 product taglines in this style:
Example 1: Notion — 'The all-in-one workspace where better thinking happens.'
Example 2: Figma — 'Design together. Ship faster.'
Example 3: Linear — 'The issue tracker you'll actually enjoy using.'
Product: A CLI tool that automatically writes Git commit messages by analyzing your diff.
Taglines:
'''
response = client.messages.create(
model='claude-opus-4-5',
max_tokens=200,
messages=[{'role': 'user', 'content': example_prompt}]
)
print(response.content[0].text)Spesifisere hva som IKKE skal gjøres
Negative begrensninger er like kraftige som positive. Når De forteller modellen hva den skal unngå, bidrar det til å forhindre vanlige uønskede mønstre:
- «Ikke bruk punktlister»
- «Ikke begynn med ordet jeg»
- «Ikke foreslå løsninger som krever kredittkort»
- «Ikke bruk passiv form»
Kombiner positive instruksjoner med negative begrensninger for maksimal kontroll.
import openai
client = openai.OpenAI(api_key='sk-your-key-here')
response = client.chat.completions.create(
model='gpt-4o',
messages=[
{
'role': 'system',
'content': (
'You are a copywriter. Rules:\n'
'- NEVER start a sentence with "Additionally" or "Furthermore"\n'
'- NEVER use the phrase "In conclusion"\n'
'- NEVER use passive voice\n'
'- NEVER use bullet points or lists'
)
},
{
'role': 'user',
'content': 'Write a 100-word about us section for a craft bakery called Morning Light.'
}
]
)
print(response.choices[0].message.content)Iterativ spesifisering
Det er ikke nødvendig å skrive den perfekte prompten på første forsøk. Iterativ forbedring er en god strategi:
- Start med en moderat spesifikk prompt
- Finn ut hva som er feil eller mangler i resultatet
- Legg til begrensninger for å dekke disse manglene
- Gjenta til resultatet oppfyller kravene De har satt
Hver iterasjon lærer Dem hvilke begrensninger modellen trenger. Lagre de beste promptene som maler for senere bruk.
import anthropic
client = anthropic.Anthropic(api_key='sk-ant-your-key-here')
# Iteration 1: first attempt
v1 = 'Write a LinkedIn post about my new job.'
# Iteration 2: add specifics based on what was missing
v2 = (
'Write a LinkedIn post (max 150 words) announcing I just joined Stripe as a Senior Engineer. '
'Tone: genuine excitement, not bragging. '
'Include: what drew me to the role, one thing I plan to focus on. '
'No cliches like "excited to announce" or "humbled to share". '
'End with a genuine question for my network.'
)
response = client.messages.create(
model='claude-opus-4-5',
max_tokens=300,
messages=[{'role': 'user', 'content': v2}]
)
print(response.content[0].text)Bygge en sjekkliste for spesifisitet
Før De sender en prompt, gå gjennom denne mentale sjekklisten:
- Har De spesifisert resultatformatet? (avsnitt / liste / JSON / tabell)
- Har De spesifisert lengden? (antall ord / antall elementer)
- Har De spesifisert målgruppen? (hvem som skal lese dette)
- Har De spesifisert tonen? (formell / uformell / teknisk)
- Har De spesifisert målet? (hva resultatet skal brukes til)
- Har De tatt med begrensninger? (hva som skal unngås)
- Kan De legge til et eksempel for å vise hva De mener?
# Prompt template with all specificity dimensions filled
prompt_template = '''
Task: {task_description}
Format: {format}
Length: {length}
Audience: {audience}
Tone: {tone}
Goal: {goal}
Do NOT: {constraints}
Example of good output: {example}
'''
filled = prompt_template.format(
task_description='Explain what an API is',
format='3 short paragraphs, plain prose — no bullet points',
length='150 words maximum',
audience='Non-technical business stakeholders',
tone='Friendly, analogy-based, jargon-free',
goal='Prepare them for a meeting with the engineering team',
constraints='Do not use the words "endpoint", "REST", or "HTTP"',
example='An API is like a waiter in a restaurant — it takes your order...'
)
print(filled)Kunnskapstest
En markedssjef spør AI-en: «Skriv et innlegg i sosiale medier.» AI-en returnerer et generisk innlegg på to setninger om selskapet. Hvilken omskriving er BEST for å få et nyttig resultat?
Hvorfor spesifisitet er viktig – oppsummering
Spesifisitet er grunnlaget for effektiv prompting. Viktigste punkter:
- Vage prompter gir statistisk sett gjennomsnittlige, generiske resultater
- Spesifiser format, lengde, målgruppe, tone og mål i hver prompt
- Bruk negative begrensninger for å forhindre uønskede mønstre
- Ta med eksempler på resultatstilen De ønsker
- Bruk iterativ forbedring – ingen prompt trenger å være perfekt på første forsøk
- Lagre velfungerende prompter som maler for gjenbruk
Jo mer spesifikk De er, desto mindre tid bruker De på å skrive om resultatet.
Lær deg AI-prompt engineering med en AI-veileder – gratis
Skriv og kjør ekte kode i nettleseren, få umiddelbar hjelp fra en AI-veileder som er tilgjengelig døgnet rundt, og fortsett der du slapp – på nettet eller i appen.
- Kurs
- 53
- Leksjoner
- 199
Ofte stilte spørsmål
Er leksjonen «Hvorfor spesifisitet er viktig» gratis?
Ja – du kan lese valgfritt 3 av leksjonene i læringsstien AI-prompt engineering, inkludert «Hvorfor spesifisitet er viktig», gratis i sin helhet her på nettet. Deretter låser CoddyKit PRO opp alle leksjoner, samt interaktiv øving med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt. Kurset i AI-prompt engineering inneholder totalt 4 leksjoner.
Hva lærer jeg i «Hvorfor spesifisitet er viktig»?
Slik fører vage ledetekster til generiske resultater – og hvordan presisjon løser det. Du øver på AI-prompt engineering med praktisk kode som du kjører direkte i nettleseren, mens en AI-veileder som er tilgjengelig døgnet rundt, svarer på spørsmålene dine mens du jobber deg gjennom leksjonen.
Trenger jeg erfaring for å begynne med AI-prompt engineering?
Ingen tidligere erfaring er nødvendig. AI-prompt engineering på CoddyKit er lagt opp for både nybegynnere og viderekomne, så De kan begynne her eller helt fra start og lære i Deres eget tempo. Dette er leksjon 1 av 4.
Hvor lang tid tar leksjonen «Hvorfor spesifisitet er viktig»?
De fleste CoddyKit-leksjoner tar omtrent 5–10 minutter. Hver leksjon er kort og interaktiv, slik at De gjør jevne fremskritt og kan fortsette akkurat der De slapp – både på nettet og i appen.
Kan jeg skrive og kjøre kode i denne AI-prompt engineering-leksjonen?
Ja. Alle AI-prompt engineering-leksjoner har en innebygd kodeeditor, slik at De kan skrive og kjøre ekte kode direkte i nettleseren og få umiddelbar tilbakemelding fra AI – uten lokal konfigurering.
Alle leksjonene i dette kurset
- Hvorfor spesifisitet er viktig
- Fjerne tvetydighet fra ledetekster
- Legge til konkrete detaljer
- Vage og spesifikke ledetekster sammenlignet