Hvad er RAG? Retrieval-Augmented Generation forklaret

RAG står for Retrieval-Augmented Generation og er en metode, der gør det muligt for kunstig intelligens at kombinere en sprogmodel med eksterne informationskilder.

Det betyder i praksis, at AI ikke kun svarer ud fra det, modellen lærte under sin træning. Den kan først finde relevant information i eksempelvis virksomhedens dokumenter, intranet eller databaser og derefter bruge denne information som grundlag for svaret.

Det gør RAG særligt interessant for virksomheder, fordi teknologien kan bruges til at skabe AI-løsninger, der arbejder med organisationens egen viden. En medarbejder kan eksempelvis spørge: “Hvad er vores procedure for godkendelse af nye leverandører?”

I stedet for at AI forsøger at svare ud fra generel viden, kan en RAG-løsning finde virksomhedens aktuelle leverandørprocedure og bruge den til at formulere svaret. RAG er derfor en af de vigtigste teknologier bag moderne AI-baseret vidensdeling.

Hvad betyder RAG?

RAG står for Retrieval-Augmented Generation. Begrebet kan opdeles i tre dele.

Retrieval betyder, at systemet finder relevant information.
Augmented betyder, at denne information tilføjes som ekstra kontekst til AI-modellen.
Generation betyder, at sprogmodellen bruger informationen til at generere et svar.

Microsoft beskriver RAG som en metode, hvor søgning kombineres med en Large Language Model, så svaret kan baseres på virksomhedens egne eller aktuelle data frem for kun modellens træningsviden.

Hvorfor har virksomheder brug for RAG?

En almindelig Large Language Model ved meget om generelle emner. Men den ved normalt ikke:

hvordan jeres interne procedurer fungerer
hvilke produkter I sælger
hvad der står i jeres seneste kvalitetshåndbog
hvilke priser I bruger
hvilke projekter organisationen arbejder med
hvad der står i virksomhedens interne dokumenter

Derudover kan modellens indbyggede viden være ældre end den information, virksomheden arbejder med. RAG løser en stor del af dette problem ved at hente relevant information, når medarbejderen stiller spørgsmålet.

Et enkelt eksempel

Forestil dig, at en virksomhed har 20.000 dokumenter på SharePoint. En medarbejder spørger: “Hvor mange hjemmearbejdsdage har jeg ret til?” Uden adgang til virksomhedens dokumenter vil en generel AI-model ikke kende svaret. Med RAG kan processen i stedet være:

AI-systemet analyserer medarbejderens spørgsmål.
Systemet søger i virksomhedens dokumenter.
Den aktuelle HR-politik findes.
De relevante afsnit sendes til sprogmodellen.
Sprogmodellen formulerer et letforståeligt svar.
Medarbejderen kan eventuelt få et link eller en kildehenvisning til det oprindelige dokument.

Det er en af de mest almindelige måder at bygge såkaldte “chat med dine data”-løsninger på.

Hvordan fungerer RAG?

Selvom teknologien bag RAG kan være avanceret, kan den grundlæggende proces forklares forholdsvis enkelt.

Dokumenterne gøres søgbare

Først skal virksomhedens information gøres tilgængelig for søgesystemet.

Det kan eksempelvis være:

PDF-filer
Word-dokumenter
SharePoint
intranet
produktdokumentation
kvalitetssystemer
databaser
hjemmesider
CRM-systemer

Indholdet opdeles ofte i mindre tekststykker, så systemet kan finde præcis den del af et dokument, der er relevant for spørgsmålet. Denne proces kaldes ofte chunking.

Informationen repræsenteres matematisk

Mange RAG-systemer anvender såkaldte embeddings. En embedding er en matematisk repræsentation af betydningen i en tekst. Det betyder, at systemet kan finde information ud fra betydning og ikke kun identiske søgeord. Hvis medarbejderen spørger: “Hvad gør jeg, hvis jeg mister min firmatelefon?” kan systemet derfor potentielt finde et dokument med overskriften: “Procedure ved bortkommet mobilt udstyr” selvom medarbejderen ikke brugte de samme ord. Dette kaldes ofte semantisk søgning.

Hvad er en vector database?

Embeddings gemmes ofte i en database, der er optimeret til denne type søgning. Det kaldes typisk en vector database eller et vector index. Når brugeren stiller et spørgsmål, omdannes spørgsmålet også til en matematisk repræsentation.

Systemet kan derefter sammenligne spørgsmålet med dokumenterne og finde de tekststykker, der betydningsmæssigt ligger tættest på spørgsmålet.

Vector search er dog ikke den eneste metode. Moderne RAG-systemer kombinerer ofte traditionel søgning, semantisk søgning, metadata, filtrering og andre teknikker for at finde de bedste kilder.

AI får den relevante kontekst

Når systemet har fundet den relevante information, sendes den til sprogmodellen sammen med brugerens spørgsmål. Prompten kan i princippet indeholde:

brugerens spørgsmål
de fundne dokumentuddrag
instruktioner til AI
regler for, hvordan svaret skal formuleres

Sprogmodellen bruger derefter materialet til at generere svaret. Derfor kaldes teknologien Retrieval-Augmented Generation. Modellens svar bliver “augmented” – altså beriget – med information fra eksterne kilder.

RAG betyder ikke, at AI bliver trænet på dokumenterne

Dette er en vigtig forskel. Når en virksomhed anvender RAG, bliver sprogmodellen normalt ikke genoptrænet på virksomhedens dokumenter. Dokumenterne hentes i stedet, når de er relevante for den konkrete forespørgsel. Det giver flere fordele.

Hvis virksomheden opdaterer en procedure, behøver den ikke træne hele AI-modellen igen. Det nye dokument kan blot blive tilgængeligt for søgesystemet. RAG gør det derfor lettere at arbejde med information, der ændrer sig løbende.

RAG eller Fine-tuning?

RAG og Fine-tuning bliver ofte blandet sammen. De løser imidlertid forskellige problemer. Fine-tuning ændrer selve modellen gennem yderligere træning. Det kan være relevant, hvis modellen eksempelvis skal blive bedre til:

et bestemt svarformat
en bestemt type klassificering
branchespecifik terminologi
en særlig arbejdsopgave

RAG bruges derimod typisk, når modellen skal have adgang til information. Eksempelvis:

virksomhedens procedurer
produkter
kontrakter
politikker
teknisk dokumentation

Microsoft fremhæver netop RAG som velegnet, når AI skal arbejde med private eller løbende opdaterede data, mens fine-tuning typisk bruges til at ændre modellens adfærd eller specialisering.

Hvilke typer information kan bruges i RAG?

RAG forbindes ofte med dokumenter, men princippet kan anvendes på mange typer information. Eksempelvis:

HR-politikker
SOP'er
produktmanualer
kvalitetshåndbøger
projektmateriale
kundesager
forskningsrapporter
servicevejledninger
kontrakter
lovgivning
produktdata
databaser

Det gør teknologien relevant i næsten alle organisationer, der har store mængder intern viden.

RAG til intern vidensdeling

Intern vidensdeling er et af de mest oplagte anvendelsesområder. Mange virksomheder har allerede den nødvendige viden. Problemet er blot, at medarbejderne ikke kan finde den. Information ligger eksempelvis fordelt på:

SharePoint
Teams
OneDrive
netværksdrev
intranet
CRM
ERP
medarbejdernes egne mapper

Med en RAG-løsning kan medarbejderen i stedet stille spørgsmål på almindeligt sprog. Eksempel:

“Hvilken procedure skal jeg følge, hvis en kunde reklamerer over et produkt?” Systemet kan finde den relevante dokumentation og præsentere svaret. Dermed ændres dokumentarkivet fra at være noget, medarbejderen selv skal navigere i, til at blive en aktiv videnskilde for AI.

RAG i kundeservice

En anden oplagt anvendelse er kundeservice. En servicemedarbejder kan eksempelvis spørge: “Hvilke garantibetingelser gælder for produkt X?” RAG-systemet finder:

den aktuelle produktmanual
garantibetingelser
relevante serviceprocedurer

og genererer derefter et forslag til svar. Det kan reducere den tid, medarbejderen bruger på at lede efter information.

RAG i HR

HR-afdelinger arbejder ofte med store mængder dokumentation. Eksempelvis:

personalehåndbøger
politikker
overenskomster
onboardingmateriale
uddannelsesmateriale

En intern HR-assistent baseret på RAG kan hjælpe medarbejdere med almindelige spørgsmål. Eksempelvis: “Hvordan melder jeg barsel?”

eller:

“Hvordan bestiller jeg en ny computer?” På områder, hvor svaret har juridiske eller personalemæssige konsekvenser, bør AI naturligvis ikke stå alene.

RAG i teknisk support

Tekniske virksomheder har ofte omfattende dokumentation. Det kan være:

manualer
fejlbeskrivelser
servicerapporter
installationsvejledninger

En tekniker kan eksempelvis beskrive et problem, hvorefter AI finder lignende fejl og relevante procedurer. Det kan være særligt værdifuldt i organisationer, hvor vigtig teknisk viden ellers er koncentreret hos få erfarne medarbejdere.

RAG og kildehenvisninger

En stor fordel ved veldesignede RAG-systemer er muligheden for at vise, hvor svaret kommer fra. AI kan eksempelvis svare: “Virksomhedens rejsepolitik tillader økonomiklasse på flyrejser under seks timer.” og derefter linke til eller henvise til det relevante afsnit i rejsepolitikken. Kildehenvisninger gør det lettere for medarbejderen at:

kontrollere svaret
læse den oprindelige tekst
vurdere konteksten
identificere forældede oplysninger

Microsoft beskriver netop grounding og mulighed for citationer tilbage til kildematerialet som centrale elementer i moderne RAG-løsninger.

RAG reducerer hallucinationer – men fjerner dem ikke

RAG bliver nogle gange præsenteret som en løsning på AI-hallucinationer. Det er kun delvist korrekt. Når AI får relevante og troværdige kilder, bliver den bedre rustet til at levere et korrekt svar. Men AI kan stadig:

misforstå dokumentet
kombinere oplysninger forkert
overse vigtig kontekst
formulere konklusioner, som kilden ikke understøtter

RAG reducerer derfor risikoen for forkerte svar, men eliminerer den ikke. Microsoft fremhæver også, at hallucinationer kan forekomme selv i grounded RAG-systemer, og at både retrieval, instruktioner og evaluering derfor er vigtige.

Kvaliteten af søgningen er afgørende

En af de vigtigste pointer ved RAG er: AI kan ikke bruge et dokument, den ikke finder. Hvis det relevante dokument ikke bliver hentet, kan selv den bedste sprogmodel have svært ved at give det rigtige svar. Derfor er kvaliteten af selve informationssøgningen afgørende.

Microsoft peger blandt andet på retrieval-kvaliteten som en central faktor i evalueringen af RAG-systemer. Et godt RAG-system handler derfor ikke kun om at vælge den bedste AI-model. Det handler også om:

gode dokumenter
god søgning
relevante metadata
passende chunking
korrekt adgangsstyring
evaluering af resultater

Dårlig dokumentation giver dårlig RAG

Hvis virksomheden har fem forskellige dokumenter med fem forskellige versioner af den samme procedure, får AI også et problem.

RAG løser ikke automatisk dårlig vidensstyring. Tværtimod kan teknologien gøre problemerne mere synlige. Før en virksomhed implementerer RAG, kan det derfor være nødvendigt at arbejde med:

dokumentejerskab
versionsstyring
arkivering
metadata
sletning af forældede dokumenter
informationsstruktur

Man kan sige: AI gør virksomhedens viden lettere at finde – men den gør ikke automatisk dårlig viden god.

Datasikkerhed og adgangsrettigheder

Dette er et af de vigtigste områder ved RAG. En AI-assistent bør ikke kunne vise et dokument til en medarbejder, hvis medarbejderen ikke har rettigheder til dokumentet. Hvis lønoplysninger kun er tilgængelige for HR, må AI-systemet ikke gøre disse oplysninger tilgængelige for resten af organisationen.

Derfor bør RAG-løsninger respektere virksomhedens eksisterende adgangsrettigheder. Microsoft fremhæver eksplicit, at manglende kontrol over adgang til kilderne kan medføre læk af følsomme oplysninger gennem RAG-systemet. Sikkerhed og adgangsstyring er derfor lige så vigtigt som selve AI-modellen.

RAG og AI-agenter

RAG bliver endnu mere interessant, når teknologien kombineres med AI-agenter. Forestil dig en medarbejder, der skriver: “En kunde vil returnere en maskine efter ni måneder. Hvad skal jeg gøre?” Agenten kan:

finde virksomhedens returpolitik gennem RAG
identificere kundens køb i CRM
kontrollere købsdatoen
vurdere sagen i forhold til reglerne
foreslå næste handling
udarbejde et svar til kunden

RAG leverer altså viden. AI-agenten bruger denne viden til at løse arbejdsopgaven.

RAG og MCP

Model Context Protocol – MCP – kan også spille en rolle i denne arkitektur. RAG handler grundlæggende om at hente information. MCP handler om at give AI-applikationer en standardiseret måde at kommunikere med eksterne datakilder og værktøjer på. En AI-agent kan derfor eksempelvis bruge:

RAG til at finde information
MCP eller andre integrationer til at forbinde sig med systemerne
en LLM til at analysere og generere svar
værktøjer til at udføre handlinger

Teknologierne konkurrerer altså ikke. De kan være forskellige dele af den samme AI-løsning.

Fra klassisk RAG til Agentic RAG

RAG udvikler sig også. I klassisk RAG foretager systemet typisk én søgning og sender resultatet videre til sprogmodellen. Mere avancerede systemer kan arbejde anderledes. AI kan eksempelvis:

omskrive brugerens spørgsmål
lave flere søgninger
søge i forskellige datakilder
vurdere søgeresultaterne
hente mere information
sammenligne flere kilder

Dette kaldes blandt andet Agentic RAG eller agentisk retrieval. Microsoft beskriver i 2026 agentic retrieval som en videreudvikling af de klassiske RAG-mønstre, hvor søge- og retrieval-processen bliver mere dynamisk. Det er især relevant ved komplekse spørgsmål, hvor svaret skal sammensættes fra flere forskellige kilder.

Fordele ved RAG

RAG har flere store fordele for virksomheder.

AI kan bruge virksomhedens egen viden

Det er den mest oplagte fordel.

En generel AI-model kan blive en virksomhedsspecifik assistent.

Informationen kan opdateres

Når dokumenterne ændres, kan søgeindekset opdateres uden at genoptræne hele modellen.

Bedre faktuelt grundlag

AI kan basere svaret på konkrete dokumenter frem for kun modellens generelle viden.

Mulighed for kilder

Brugeren kan få adgang til det dokument, svaret bygger på.

Mindre afhængighed af modeltræning

Virksomheden behøver ikke nødvendigvis træne sin egen sprogmodel for at anvende interne data.

Begrænsninger ved RAG

RAG er ikke en universalløsning.

Det relevante dokument skal kunne findes

Dårlig retrieval giver dårlige svar.

Dokumenterne skal være korrekte

AI kan ikke vide, at en gammel procedure er forkert, hvis den stadig ligger blandt kilderne.

Dokumentstruktur betyder noget

Meget komplekse dokumenter kan kræve særlig behandling.

Adgangsstyring er nødvendig

RAG må ikke blive en genvej til dokumenter, som brugeren normalt ikke må se.

AI kan stadig tage fejl

Selv med korrekte kilder kan modellen misfortolke information.

Skal alle virksomheder bygge deres egen RAG-løsning?

Nej. I dag findes RAG-funktionalitet indbygget i mange AI- og virksomhedsplatforme. For nogle organisationer kan en standardsolution være tilstrækkelig. Andre har behov for en specialudviklet løsning, hvis de eksempelvis har:

mange forskellige datakilder
særlige sikkerhedskrav
komplekse adgangsrettigheder
branchespecifikke krav
store dokumentmængder

Det vigtigste er ikke at bygge den mest avancerede løsning. Det vigtigste er at løse et konkret informationsproblem.

Start med et konkret behov

En virksomhed bør ikke begynde med: “Vi skal implementere RAG.” Start i stedet med: “Medarbejderne bruger for lang tid på at finde vores procedurer.”

eller:

“Kundeservice har svært ved at finde de korrekte produktsvar.” Derefter kan virksomheden undersøge, om RAG er den rigtige løsning. Teknologien bør være et middel – ikke målet.

Sådan kommer virksomheder i gang

En pragmatisk tilgang kan være:

Find et konkret vidensområde

Eksempelvis HR, IT-support eller produktdokumentation.

Begræns datamængden

Start med et mindre antal kvalitetssikrede dokumenter.

Sørg for dokumentejerskab

Det skal være tydeligt, hvem der har ansvar for informationen.

Test spørgsmål fra virkeligheden

Brug spørgsmål, medarbejdere faktisk stiller.

Kontroller svar og kilder

Vurder både om det rigtige dokument bliver fundet, og om AI fortolker det korrekt.

Udvid gradvist

Når løsningen fungerer, kan flere datakilder tilføjes.

Ofte stillede spørgsmål om RAG

Hvad står RAG for?

RAG står for Retrieval-Augmented Generation.

Hvad er RAG?

RAG er en metode, hvor en AI-model først henter relevant information fra eksterne kilder og derefter bruger denne information til at generere et svar.

Hvorfor bruger virksomheder RAG?

RAG gør det muligt for AI at arbejde med virksomhedens egne og løbende opdaterede data.

Er RAG det samme som en vector database?

Nej. En vector database kan være en komponent i en RAG-løsning, men RAG beskriver hele processen med at hente information og bruge den til at generere svaret.

Er RAG det samme som Fine-tuning?

Nej. Fine-tuning ændrer selve modellen gennem yderligere træning. RAG tilfører relevant information, når modellen skal besvare et spørgsmål.

Kan RAG arbejde med SharePoint?

Ja. SharePoint og andre dokumentplatforme kan anvendes som datakilder i RAG-løsninger, afhængigt af den konkrete platform og integration.

Forhindrer RAG hallucinationer?

Nej. RAG kan reducere risikoen ved at give modellen relevante kilder, men AI kan stadig lave fejl.

Kan RAG vise kilder?

Ja. Et veldesignet RAG-system kan returnere kildehenvisninger sammen med svaret.

Er RAG relevant for små virksomheder?

Ja. RAG kan være relevant, hvis virksomheden har intern information, som medarbejdere ofte skal finde. Løsningen behøver ikke nødvendigvis være stor eller kompleks.

Hvad er Agentic RAG?

Agentic RAG er en mere avanceret tilgang, hvor AI aktivt kan planlægge og udføre flere søgninger og hente information fra forskellige kilder, før den producerer et svar.

Konklusion

RAG er en af de vigtigste teknologier, når virksomheder vil gøre generativ AI relevant for deres egen organisation. En Large Language Model kan have omfattende generel viden, men den kender ikke automatisk virksomhedens procedurer, kunder, produkter og interne dokumenter. RAG bygger bro mellem de to verdener.

Teknologien gør det muligt at hente relevant virksomhedsinformation og give den til AI-modellen som kontekst, så svaret kan baseres på organisationens egen viden. Men den største læring er måske denne:

En god RAG-løsning handler mindst lige så meget om informationskvalitet som om kunstig intelligens.

Hvis kilderne er korrekte, aktuelle, strukturerede og tilgængelige med de rette adgangsrettigheder, kan RAG gøre virksomhedens samlede viden langt lettere at anvende. Hvis dokumentationen er kaotisk og forældet, kan selv den bedste AI-model ikke løse problemet alene.

Lær mere

Hvis du vil forstå teknologien omkring RAG, anbefaler vi også:

Hvad er Kunstig Intelligens (AI)?
Hvad er Generativ AI?
Hvad er en Large Language Model (LLM)?
Hvad er AI-agenter?
Hvad er Prompt Engineering?
Hvad er Model Context Protocol (MCP)?
AI til intern vidensdeling

På Akademiets AI-kurser lærer du, hvordan moderne AI kan anvendes sammen med virksomhedens egne data og arbejdsprocesser – med fokus på praktisk anvendelse, datasikkerhed og ansvarlig implementering.