Hvad er en foundation model? Sådan lærer og husker store AI-modeller

En foundation model er en stor AI-model, der er fortrænet på enorme mængder data og bygget til at kunne tilpasses mange forskellige opgaver. GPT, Gemini, Claude og Llama er alle foundation models. Navnet kommer af, at én sådan grundmodel fungerer som fundament for alt fra chatbots til kodeassistenter og AI-søgning — i stedet for at man bygger en ny model fra bunden til hver opgave.

Pretraining og fine-tuning

En foundation model bliver til i to faser. Pretraining er den store, generelle træning: modellen læser sig gennem meget store tekstmængder og lærer sprog, sammenhænge og fakta. Det er her, størstedelen af evnerne opstår, og det er kostbart og tidskrævende. Fine-tuning er en mindre, målrettet fase bagefter, hvor modellen specialtilpasses — til en bestemt tone, et domæne eller en opgave — med langt mindre data. Pretraining bygger fundamentet; fine-tuning former det til et bestemt formål.

Parametrisk hukommelse kontra hentning

Den viden, en model lærer under træningen, lagres i dens vægte. Dette kaldes parametrisk hukommelse — det, modellen »husker« uden at slå noget op. Det er kraftfuldt, men har to vigtige begrænsninger: det har en vidensgrænse i tid (alt efter træningen findes ikke for modellen), og det kan ikke opdateres uden ny træning. Derfor suppleres parametrisk hukommelse stadig oftere med hentning: RAG (Retrieval-Augmented Generation) lader modellen hente friske, specifikke kilder ind på svartidspunktet. En moderne AI svarer altså fra to steder samtidigt: det, den lærte, og det, den lige har hentet.

Dagens foundation models

Landskabet i 2026 domineres af nogle få aktører: OpenAI's GPT-serie, Googles Gemini, Anthropics Claude og Metas åbne Llama-modeller. De opdateres hurtigt, og ingen er »bedst« til alt — valget afhænger af opgaven. Fælles for dem alle er de samme to begrænsninger: en vidensgrænse i den parametriske hukommelse og afhængighed af hentning for det friske og specifikke. Det er denne dobbelthed, der afgør, hvordan et brand bliver omtalt.

Hvorfor det betyder noget for AI-synlighed

For brands følger der en klar konsekvens: fakta om dig skal være enten i træningsdataene eller hentbare — helst begge dele. Den parametriske hukommelse formes af, hvad der står om dig på nettet: er dit brand bredt og konsistent beskrevet på tværs af mange troværdige kilder, øges chancen for, at modellen »husker« dig rigtigt helt uden hentning. Er du sjældent eller uensartet omtalt, husker den dig forkert — eller slet ikke. Og for alt, der er friskt eller specifikt, skal dit indhold være hentbart der og da. Dette er kernen i både AEO og GEO.

Hvordan CitationLab og du kan arbejde med dette

CitationLab Monitor måler, hvordan foundation-modellerne faktisk omtaler og citerer dit brand på tværs af ChatGPT, Gemini, Perplexity og Google AI — altså hvad der har sat sig i den parametriske hukommelse, og hvad der hentes ind. For din del handler opgaven om to ting: byg en bred, konsistent tilstedeværelse, så fakta om dig bliver en del af, hvordan modellerne beskriver dig, og gør dit indhold hentbart for det, der skal slås op. Vil du se, hvad AI-modellerne »ved« om dit brand i dag? Start med en gennemgang af din AI-synlighed.