Hallucinationer er stadig en stor udfordring i brugen af chatbots. Nye tal viser, at selv de mest avancerede modeller som GPT-5 og Gemini kan levere forkerte svar, især i komplekse scenarier. Men med præcise prompts, kildekontrol og kritisk eftertjek kan du selv være med til at mindske problemet. Alle modeller hallucinerer Googles Gemini er klart […]
Hallucinationer er stadig en stor udfordring i brugen af chatbots.
Nye tal viser, at selv de mest avancerede modeller som GPT-5 og Gemini kan levere forkerte svar, især i komplekse scenarier. Men med præcise prompts, kildekontrol og kritisk eftertjek kan du selv være med til at mindske problemet.
Alle modeller hallucinerer
Googles Gemini er klart blandt de mest pålidelige med 0,7–2,7 % hallucinationsrate. OpenAI forbedrede raten med GPT-5 har en såkaldt grounded hallucination-rate på 1,4 %. Det lyder af lidt, men der er store afvigelser i benchmark-resultater, og i enterprise-scenarier kan det gå helt op til 33–42 %. Forskellen skyldes, at nogle målinger tester enkle faktaopslag, mens andre ser på komplekse enterprise-scenarier, hvor modellerne presses til at gætte. Mens Grok-4 ligger på 4,8 % placerer Claude sig på 4-5%. Det er, igen, vigtigt at bemærke, at resultaterne varierer betydeligt afhængigt af benchmark-metode. *
Løsning måske på vej
Udviklerne i de store AI-firmaer har hidtil kæmpet forgæves mod problemet (visse kritikere hævder, at de ikke har prioriteret problemet højt nok). Selvom raterne er forbedret siden de første offentlige modeller i 2022, har det været små skridt og ikke en endelig løsning på problemet. For nylig offentliggjorde OpenAI dog et paper, hvor de mener at have knækket en del af koden til, hvorfor problemet opstår i første omgang. Forskere fandt ud af, at generative AI-modeller opfinder fakta, dvs. hallucinerer, fordi træningsmetoderne belønner modellen for at tage chancen og ”gætte”, men ikke for at sige “Jeg ved det ikke”.
Før løsningen implementeres – og lad os nu se, om det bliver en fuld løsning – er der forskellige måder, du kan nærme dig korrekte svar på. Ingen metoder – ud over at læse pålidelige kilder om det emne, du spørger om – er skudsikre, men du kan lave en tilnærmelse. Lad os se på nogle metoder nedenfor.
| Mindre hallucinering 1. Prompt-teknikker – Vær præcis og giv kontekst: Jo mere klar og detaljeret din prompt er, desto lavere sandsynlighed for, at modellen “gætter”. – Bed om trin-for-trin begrundelser: Ved f.eks. at formulere: “Vis dine trin og forklar, hvordan du når frem til svaret” reduceres risikoen for ”fri fantasi”. – Begræns output-formatet: Brug strukturerede instrukser (f.eks. tabeller, punktopstillinger, JSON-format***), så modellen tvinges til at holde sig til fakta. – Angiv rolle eller kontekst: F.eks.: “Du er en lærebog i biologi, der kun må svare ud fra pensumteksten nedenfor”. Det mindsker tendensen til at opfinde svar. 2. Kilde- og evidenskrav – Kræv kilder med citationer: Bed modellen om at liste verificerbare kilder (f.eks. DOI, ISBN eller links). Undgå generiske påstande. – Verificér kilderne: Hallucinationer opstår ofte som falske referencer. En hurtig kontrol i Google Scholar, PubMed eller bibliotekskatalog kan afsløre det for dig – findes titlen på et paper, hvis du googler det i anførselstegn? 3. Modelvalg og konfiguration – Brug de nyeste modeller: GPT-5 og Gemini 2.5 Pro hallucinerer markant mindre end ældre versioner. – Vælg modeller optimeret til faktuel præcision: Flere udbydere tilbyder “reasoning”- eller “grounded”-modeller, hvor hallucinationsraten er lavere. 4. Efterkontrol med andre modeller – Dobbelttjek informationen: Brug modellen selv ved at starte en ny dialog og prompt: “Bekræft om ovenstående er korrekt – og marker usikre steder.” – Sammenlign svar på tværs af modeller: Hvis GPT-5, Gemini og Claude er enige, er sandsynligheden for korrekthed større (men ikke 100%). 5. Praktiske brugertricks -Undgå åbne spørgsmål, hvor modellen kan fabulere: Brug afgrænsede opgaver. – Spørg “hvad ved du med sikkerhed?”:og bed om usikkerhedsmarkeringer. – Del komplekse opgaver op i deltrin, så modellen ikke skal improvisere alt på én gang. -Gentag prompten med små variationer: inkonsistens i svar kan afsløre hallucinationer. |
Problemet forsvinder ikke
Hallucinationer kan som sagt ikke fjernes helt – i hvert fald ikke i skrivende stund – men som viste kan de reduceres markant ved at kombinere præcise prompts, kildekontrol, opdaterede modeller og kritisk efterkontrol.
Bemærk i øvrigt, at studier har indikeret, at vores tillid til AI-modellers svar stiger, når vi selv ved mindre om det pågældende emne. Denne tendens er uheldig al den stund hallucinationer findes på alle områder og, naturligvis, ikke bliver hverken større eller mindre alt efter, hvad vi selv ved. Der er, med andre ord, grund til at bevare en sund skepsis for ikke at lade fejl fra chatbots få alvorlige konsekvenser for sit arbejde.
* Kilder: Live Science, 21. juni 2025 og TechRadar, 16. juli 2025.
** Kilde: Why Language Models Hallucinate, 4. september 2025.
*** ”JavaScript Object Notation”
