Hvad er en Large Language Model (LLM)?

En Large Language Model – forkortet LLM – er en type kunstig intelligens, der er udviklet til at forstå og generere sprog.

LLM'er er teknologien bag mange af de AI-assistenter, der i dag bruges på arbejdspladser verden over. Når du stiller et spørgsmål til ChatGPT, får Claude til at analysere et dokument eller anvender en AI-assistent til at skrive et udkast til en rapport, arbejder du typisk med en Large Language Model.

På få år er LLM'er blevet markant mere avancerede. De kan ikke længere kun skrive tekst, men også analysere dokumenter, programmere, arbejde med billeder, bruge eksterne værktøjer og løse opgaver i flere trin. Men hvordan fungerer en LLM egentlig? Og hvorfor kan en computer skrive tekst, der virker så menneskelig?

Hvad betyder LLM?

LLM står for Large Language Model, som på dansk kan oversættes til stor sprogmodel. Navnet beskriver tre centrale egenskaber:

Large betyder, at modellen er meget stor og typisk indeholder et meget stort antal parametre.
Language betyder, at modellen er trænet til at arbejde med menneskeligt sprog og andre strukturerede informationsformer.
Model betyder, at der er tale om en matematisk model, som har lært mønstre og sammenhænge gennem træning på store datamængder.

En LLM er altså ikke en database med færdige svar. Det er en model, der kan generere nye svar ud fra de mønstre, den har lært, kombineret med den information og kontekst, brugeren giver den.

Hvordan fungerer en LLM?

Den grundlæggende idé er overraskende enkel. En sprogmodel lærer at forudsige, hvad der sandsynligvis kommer næste gang i en tekst. Hvis du skriver: "Danmarks hovedstad er ..." vil modellen med meget stor sandsynlighed fortsætte med: "København."

Men moderne sprogmodeller gør dette på et ekstremt avanceret niveau. Under træningen lærer modellen sammenhænge mellem ord, begreber, fakta, skrivestile, programmeringskode og mange andre typer information. Det betyder, at den ikke blot lærer enkelte sætninger. Den lærer komplekse relationer mellem begreber. Derfor kan en moderne LLM eksempelvis:

forklare et emne
skrive et dokument
analysere information
sammenligne alternativer
programmere
oversætte
opsummere
komme med forslag
hjælpe med problemløsning

Hvad er tokens?

LLM'er arbejder ikke direkte med ord på samme måde som mennesker. Teksten opdeles først i mindre enheder, der kaldes tokens. Et token kan være:

et helt ord
en del af et ord
et tegn
en kombination af tegn

En sætning som: "Kunstig intelligens ændrer arbejdsmarkedet" bliver derfor opdelt i en række tokens, som modellen behandler matematisk. Tokens er vigtige, fordi både modellens input og output måles på denne måde. Når man eksempelvis taler om, hvor meget tekst en AI kan arbejde med på én gang, angives det ofte i antal tokens.

Hvad er et Context Window?

En vigtig egenskab ved en LLM er dens context window – eller kontekstvindue. Kontekstvinduet beskriver, hvor meget information modellen kan have til rådighed under den aktuelle opgave. Det kan eksempelvis omfatte:

dit spørgsmål
tidligere beskeder i samtalen
uploadede dokumenter
instruktioner til modellen
information fra eksterne systemer
modellens eget genererede indhold

Jo større kontekstvinduet er, desto mere materiale kan modellen arbejde med samtidigt. Det kan være vigtigt, hvis AI eksempelvis skal analysere en lang rapport, sammenligne mange dokumenter eller arbejde med en omfattende projektbeskrivelse. Et stort kontekstvindue betyder dog ikke automatisk, at AI husker alt permanent. Det beskriver primært den information, der er tilgængelig i den aktuelle sammenhæng.

Hvad er en Transformer?

Det store gennembrud inden for moderne sprogmodeller kom med en arkitektur kaldet Transformer. Transformer-arkitekturen blev introduceret i 2017 og gjorde det muligt for AI-modeller at behandle forholdet mellem forskellige dele af en tekst langt mere effektivt.

En vigtig mekanisme kaldes attention. Attention hjælper modellen med at vurdere, hvilke dele af informationen der er mest relevante i forhold til hinanden. Hvis du eksempelvis skriver: "Peter lagde rapporten på bordet, fordi han skulle bruge den senere." skal modellen forstå, at ordet den sandsynligvis henviser til rapporten og ikke bordet. Denne evne til at forstå relationer på tværs af tekst er en vigtig del af forklaringen på, hvorfor moderne LLM'er kan arbejde med komplekst sprog.

Hvordan trænes en Large Language Model?

Udviklingen af en moderne LLM foregår typisk i flere faser.

Grundtræning

Først trænes modellen på meget store mængder data. Det kan blandt andet omfatte:

bøger
hjemmesider
artikler
dokumentation
forskningsmateriale
programmeringskode
andre tekstbaserede datakilder

Under træningen forsøger modellen igen og igen at forudsige næste token. Når den tager fejl, justeres modellens parametre. Denne proces gentages et enormt antal gange.

Eftertræning

En rå sprogmodel er ikke nødvendigvis god til at følge instruktioner eller føre en nyttig samtale. Derfor gennemgår moderne modeller typisk yderligere træning og tilpasning. Her lærer modellen blandt andet bedre at:

følge instruktioner
løse problemer
svare hjælpsomt
arbejde med værktøjer
håndtere sikkerhedskrav

Det er blandt andet denne eftertræning, der gør forskellen mellem en grundmodel og den AI-assistent, brugeren møder.

Hvorfor virker LLM'er intelligente?

Når en moderne LLM skriver en rapport, analyserer et problem eller argumenterer for forskellige løsninger, kan det virke, som om modellen tænker på samme måde som et menneske. Det gør den ikke nødvendigvis.

LLM'en er grundlæggende en matematisk model, der arbejder med mønstre, relationer og sandsynligheder. Men fordi modellen er trænet på enorme informationsmængder og kan kombinere komplekse mønstre, kan resultatet ligne menneskelig forståelse. Det er en vigtig forskel. En AI kan eksempelvis formulere en meget overbevisende forklaring uden nødvendigvis at kunne afgøre, om alle oplysninger i forklaringen er korrekte. Derfor er menneskelig faglig vurdering fortsat vigtig.

Er en LLM det samme som ChatGPT?

Nej. En LLM er modellen. ChatGPT er et produkt, som anvender AI-modeller sammen med en lang række andre funktioner. En moderne AI-assistent kan eksempelvis kombinere en LLM med:

internetsøgning
hukommelse
filanalyse
billedforståelse
kodekørsel
virksomhedens egne datakilder
eksterne værktøjer og systemer

På samme måde kan andre produkter anvende deres egne eller eksterne sprogmodeller. Derfor er det vigtigt at skelne mellem modellen og produktet omkring modellen.

Eksempler på Large Language Models

Der findes i dag mange forskellige familier af store sprogmodeller. Blandt de kendte findes modeller fra:

OpenAI
Anthropic
Google
Meta
Mistral
Microsoft og samarbejdspartnere
en række open source- og specialiserede AI-udviklere

Modellerne udvikler sig meget hurtigt. Derfor er det mere nyttigt at forstå deres egenskaber end at fokusere for meget på et bestemt modelnummer.

I 2026 konkurrerer udviklerne blandt andet på modellernes evne til avanceret ræsonnement, programmering, multimodal forståelse, brug af værktøjer og udførelse af længere arbejdsopgaver. OpenAI lancerede eksempelvis GPT-5.5 i april 2026 med fokus på blandt andet vidensarbejde, agentisk programmering og videnskabelig research.

Hvad er forskellen på forskellige LLM'er?

To sprogmodeller kan være bygget efter lignende principper og alligevel fungere meget forskelligt. De kan blandt andet variere i:

Ræsonnement: Hvor godt modellen løser komplekse problemer
Kontekstvindue: Hvor meget information den kan arbejde med samtidig
Multimodalitet: Om den kan forstå tekst, billeder, lyd og video
Hastighed: Hvor hurtigt den genererer svar
Pris: Hvad det koster at anvende modellen
Programmering: Hvor godt den arbejder med softwarekode
Værktøjsbrug: Om den kan anvende eksterne systemer
Specialisering: Om modellen er optimeret til bestemte opgaver

Der findes derfor ikke nødvendigvis én model, der er bedst til alle opgaver. Valget afhænger af anvendelsen.

Hvad er multimodale modeller?

Begrebet Large Language Model kan efterhånden være lidt misvisende. De mest avancerede modeller arbejder ikke kun med sprog. De kan også forstå og kombinere:

billeder
lyd
video
dokumenter
diagrammer
programmeringskode

Disse modeller kaldes ofte multimodale modeller. Det betyder eksempelvis, at du kan vise AI et billede af en maskine og stille spørgsmål til det, uploade et regneark og bede om en analyse eller give modellen et diagram og få det forklaret. AI bevæger sig dermed fra primært at forstå tekst til at kunne arbejde med mange af de samme informationsformer som mennesker.

Hvad er reasoning-modeller?

En vigtig udvikling inden for moderne LLM'er er større fokus på ræsonnement. I stedet for straks at generere et svar kan visse modeller bruge mere beregning på at analysere problemet, afprøve muligheder og arbejde sig frem mod en løsning. Det er især nyttigt ved:

komplekse analyser
matematik
programmering
planlægning
forskning
opgaver med flere afhængige trin

Det betyder ikke, at modellerne tænker som mennesker, men de kan anvende mere computerkraft på vanskelige problemer.

Hvad er Fine-tuning?

Nogle virksomheder ønsker at tilpasse en eksisterende model til et bestemt område. Det kan ske gennem fine-tuning. Her videreuddannes en eksisterende model på særlige eksempler eller data, så den bliver bedre til en bestemt type opgave. Det kan eksempelvis bruges til:

bestemte svarformater
branchespecifikt sprog
klassificering
specialiserede arbejdsopgaver

Fine-tuning er dog ikke altid den bedste måde at give AI adgang til virksomhedens viden. Hvis informationen ofte ændrer sig, anvendes andre metoder ofte i stedet.

Hvad er RAG?

Retrieval-Augmented Generation (RAG) er en metode, hvor en LLM får adgang til relevant information fra eksterne kilder, når den skal besvare et spørgsmål. Forestil dig, at en virksomhed har 10.000 interne dokumenter. I stedet for at træne hele modellen igen kan systemet først finde de dokumenter, der er relevante for brugerens spørgsmål. De relevante oplysninger sendes derefter til sprogmodellen som kontekst.

Medarbejderen kan eksempelvis spørge: "Hvad er vores procedure for reklamationer?". Systemet finder den relevante procedure og giver informationen til LLM'en, som formulerer svaret. RAG er derfor blevet en vigtig metode til intern vidensdeling med AI.

Fine-tuning eller RAG?

De to begreber bliver ofte forvekslet. Fine-tuningRAGÆndrer selve modellenTilfører information ved brugVelegnet til adfærd og specialiseringVelegnet til virksomhedens aktuelle videnKræver træningKræver søgning eller retrievalInformation er mindre let at ændreKilder kan opdateres løbendeGod til bestemte opgavetyperGod til dokumenter og vidensbaser. I mange virksomhedsløsninger anvendes de to teknikker også sammen.

Hvordan får en LLM adgang til værktøjer?

En sprogmodel kan i sig selv primært analysere og generere information. Men moderne AI-systemer kan koble modellen sammen med værktøjer. Det kan eksempelvis være:

kalender
e-mail
CRM
databaser
søgemaskiner
ERP-systemer
dokumentarkiver
kodeværktøjer

Dermed kan AI gå fra at fortælle brugeren, hvad der bør gøres, til også at hjælpe med at gøre det. Det er en af byggestenene bag AI-agenter.

Hvad er MCP?

Model Context Protocol (MCP) er en åben standard, der gør det muligt for AI-applikationer at forbinde modeller med eksterne værktøjer og datakilder på en mere standardiseret måde. Man kan lidt forenklet sammenligne MCP med et fælles stik mellem AI og andre digitale systemer. I stedet for at udvikle en helt ny integration til hver kombination af AI og system kan MCP gøre det lettere at beskrive, hvilke værktøjer og ressourcer AI'en kan anvende.

MCP har udviklet sig hurtigt. I juli 2026 blev en ny specifikation frigivet med blandt andet forbedringer til skalering, autorisation, extensions og længerevarende agentopgaver. MCP er især interessant i forbindelse med AI-agenter, fordi agenter skal kunne hente information og udføre handlinger på tværs af mange forskellige systemer.

Fra LLM til AI-agent

En LLM kan besvare: "Hvordan opretter jeg en ny kunde?". En AI-agent kan potentielt:

finde virksomhedens procedure
kontrollere de nødvendige oplysninger
åbne CRM-systemet
oprette kunden
kontrollere resultatet
orientere medarbejderen

LLM'en fungerer i dette eksempel som en central del af agentens intelligens, mens andre komponenter giver adgang til data, værktøjer og handlinger. Det er denne kombination, der gør moderne AI-agenter interessante for virksomheder.

Hvordan bruges LLM'er i virksomheder?

LLM'er kan anvendes på tværs af næsten alle vidensbaserede funktioner.

Administration

skrive e-mails
opsummere dokumenter
udarbejde referater
finde information
formulere vejledninger

Ledelse

analysere rapporter
sammenligne scenarier
forberede møder
udfordre beslutningsoplæg
sammenfatte store informationsmængder

HR

udvikle jobopslag
skabe onboardingmateriale
udarbejde kompetencebeskrivelser
strukturere medarbejderkommunikation

Marketing og salg

research
kampagneidéer
kundekommunikation
tilbud
præsentationer
analyse

IT og softwareudvikling

skrive kode
forklare eksisterende kode
dokumentation
fejlsøgning
test

Fordele ved Large Language Models

LLM'er har flere egenskaber, der gør dem særligt interessante for virksomheder.

De er fleksible

Den samme model kan hjælpe med mange forskellige arbejdsopgaver.

De arbejder med naturligt sprog

Medarbejdere behøver ikke nødvendigvis kunne programmere for at anvende AI.

De kan behandle store informationsmængder

Dokumenter og rapporter kan sammenfattes og analyseres hurtigt.

De kan tilpasses konteksten

Svar kan tilpasses modtager, formål, sprog og format.

De kan kobles til andre systemer

Når en LLM kombineres med virksomhedens data og værktøjer, bliver anvendelsesmulighederne langt større.

Begrænsninger ved LLM'er

Store sprogmodeller har samtidig væsentlige begrænsninger.

Hallucinationer

En LLM kan producere oplysninger, der er forkerte, selv om de bliver formuleret overbevisende.

Manglende kontekst

Hvis modellen ikke får tilstrækkelig information, kan den misforstå opgaven.

Uaktuel viden

En models indbyggede viden afhænger af dens træning. Aktuelle oplysninger kræver ofte adgang til eksterne kilder eller søgning.

Bias

Modeller kan videreføre skævheder fra træningsmaterialet eller den kontekst, de modtager.

Datasikkerhed

Virksomheder skal have klare regler for, hvilke oplysninger medarbejdere må dele med forskellige AI-systemer.

Resultatet kræver vurdering

Et velformuleret AI-svar er ikke nødvendigvis et korrekt svar.

Menneskelig faglighed og kritisk vurdering er derfor stadig afgørende.

Hvordan vælger en virksomhed den rigtige LLM?

Det er fristende blot at vælge den model, der klarer sig bedst i en benchmark. For virksomheder er andre spørgsmål ofte mindst lige så vigtige:

Hvilke arbejdsopgaver skal modellen løse?
Hvilke data skal den have adgang til?
Hvor følsomme er oplysningerne?
Skal den integreres med eksisterende systemer?
Hvor vigtigt er hastighed?
Hvad må løsningen koste?
Skal modellen kunne arbejde multimodalt?
Er der krav til dataplacering eller compliance?
Skal medarbejderen bruge en chatbot eller en AI-agent?

Derfor bør valget af AI-model tage udgangspunkt i arbejdsopgaven og organisationens krav – ikke kun i, hvilken model der omtales mest.

Ofte stillede spørgsmål om LLM'er

Hvad står LLM for?

LLM står for Large Language Model – på dansk stor sprogmodel.

Er ChatGPT en LLM?

Ikke helt. ChatGPT er et AI-produkt, der anvender store sprogmodeller sammen med andre funktioner.

Hvordan lærer en LLM?

Den trænes på meget store datamængder og lærer statistiske mønstre og relationer mellem blandt andet tokens, begreber og information.

Kan en LLM forstå tekst?

Den kan analysere betydning og sammenhæng på et meget avanceret niveau, men det bør ikke automatisk sidestilles med menneskelig forståelse eller bevidsthed.

Hvad er et token?

Et token er en mindre enhed, som en sprogmodel bruger til at behandle tekst.

Hvad er et context window?

Kontekstvinduet er den mængde information, modellen kan arbejde med i den aktuelle opgave eller samtale.

Hvad er forskellen på RAG og Fine-tuning?

Fine-tuning ændrer selve modellen gennem yderligere træning. RAG giver modellen relevant ekstern information, når et spørgsmål skal besvares.

Kan en LLM bruge virksomhedens egne dokumenter?

Ja. Det kan blandt andet ske gennem dokumentintegrationer, RAG og AI-platforme, der giver modellen sikker adgang til virksomhedens datakilder.

Kan en LLM lave fejl?

Ja. LLM'er kan både misforstå kontekst og generere faktuelt forkerte oplysninger. Derfor bør vigtige resultater kontrolleres.

Er LLM'er det samme som AI-agenter?

Nej. En LLM kan være en central komponent i en AI-agent, men agenten har typisk også adgang til værktøjer, data og mulighed for at udføre handlinger.

Konklusion

Large Language Models har ændret måden, vi arbejder med computere på. Tidligere skulle mennesker lære computerens sprog gennem menuer, kommandoer og programmer. Med moderne sprogmodeller kan vi i stigende grad beskrive en opgave på almindeligt sprog og lade AI hjælpe med at løse den.

Men LLM'en er kun én del af den moderne AI-løsning. Når sprogmodellen kombineres med virksomhedens egne data gennem eksempelvis RAG, forbindes med systemer og værktøjer og får mulighed for at udføre handlinger, begynder den at udvikle sig fra chatbot til reel digital assistent. Det er netop denne udvikling, der danner fundamentet for næste generation af AI: AI-agenter.

Lær mere

Vil du forstå moderne AI, anbefaler vi også:

Hvad er Kunstig Intelligens (AI)?
Hvad er Machine Learning?
Hvad er Deep Learning?
Hvad er Generativ AI?
Hvad er AI-agenter?
Hvad er RAG?
Hvad er Model Context Protocol (MCP)?
Hvad er Prompt Engineering?

På Akademiets AI-kurser lærer du at anvende moderne AI og sprogmodeller i praksis – herunder prompting, analyse, automatisering, AI-agenter og sikker anvendelse af AI på arbejdspladsen.