Fine-tuning er at tage en færdigtrænet sprogmodel og træne den videre på et mindre, specialiseret datasæt med dine egne eksempler. Pointen er ikke at lære modellen verden på ny, men at ændre hvordan den svarer — tone, format, struktur eller en smal, gentagende opgave. Fine-tuning lærer modellen en væremåde, ikke nødvendigvis nye fakta.
Hvad fine-tuning er — og de tre måder at påvirke en model på
Det er lettest at forstå fine-tuning ved at stille det op mod de to andre måder, du kan påvirke en sprogmodel på. Prompting styrer modellen med instruktioner i selve forespørgslen — ingen træning, virker straks, men kun i den ene samtale. RAG (Retrieval-Augmented Generation) henter friske, eksterne kilder ind på svartidspunktet, så svaret bygger på opdateret information. Fine-tuning er den tredje: den ændrer modellens vægte gennem træning, på forhånd og varigt. Prompting og RAG virker i øjeblikket; fine-tuning er bagt ind.
Sådan fungerer det i praksis
En fine-tuning starter med en grundmodel og et kurateret sæt eksempelpar — typisk forespørgsel og ønsket svar. Modellen trænes videre, indtil den konsekvent producerer svar i den form, du vil have. Resultatet er en selvstændig modelvariant, der »sidder« i din tone og opgave: en supportbot, der altid svarer i virksomhedens stemme, en klassifikator, der mærker henvendelser rigtigt, eller en model, der altid returnerer et fast JSON-format. Fordi viden er frosset ind i vægtene, bliver den ikke automatisk opdateret, når verden ændrer sig.
Fordele og ulemper
- Fordel: fast form og tone. Til smalle, gentagne opgaver giver fine-tuning mere konsistente svar end lange prompts og kan gøre en mindre model god nok til at erstatte en større.
- Fordel: lavere omkostning pr. kald. Når formen er trænet ind, har du brug for færre instruktioner i hver forespørgsel.
- Ulempe: dårligt til friske fakta. Viden fryses på træningstidspunktet. Ændrer priserne, produkterne eller reglerne sig, skal du træne på ny — dér ville grounding via RAG have løst det øjeblikkeligt.
- Ulempe: omkostning og vedligehold. Dataindsamling, træning og evaluering koster, og hver opdatering er en ny runde.
Hvorfor AI-synlighed kommer fra grounding, ikke fine-tuning
Her er den misforståelse, der koster brands mest: troen på, at man »bliver synlig i ChatGPT« ved at få modellen trænet på sig. To ting gør det forkert. For det første kan du ikke fine-tune publikumsmodellerne — ChatGPT, Gemini og Perplexity er lukkede for eksterne brands. For det andet, og vigtigere: moderne AI-søgning svarer ved at forankre svaret i kilder, den henter i realtid. Det, modellen citerer, kommer fra det, den fandt og valgte lige da — ikke fra træningsdataene. Derfor ligger brandsynlighed i at være hentbar og citerbar: struktureret indhold, tydelige entiteter og troværdighedssignaler, der gør, at retrieval-laget vælger netop dig. Det er hele pointen med Answer Engine Optimization (AEO) og GEO.
Hvordan du bør bruge dette
Brug fine-tuning, hvor det hører hjemme — interne, smalle opgaver med fast form: klassificering, formatering, tone-of-voice i dine egne produkter. Men når målet er at blive nævnt, citeret og anbefalet i AI-svar, er træning det forkerte værktøj. Så handler alt om grounding: dæk dit emne bredt og dybt, skriv svar, der kan løftes ud af konteksten, og byg entitetsautoritet. Vil du se, hvad AI faktisk henter og citerer om dit brand i dag? Start med en gennemgang af din AI-synlighed.
Ofte stillede spørgsmål
Hvad er fine-tuning?
Hvad er forskellen på fine-tuning, RAG og prompting?
Kan jeg fine-tune ChatGPT for at blive mere synlig?
Hvorfor kommer AI-synlighed fra grounding og ikke fine-tuning?
Begreber brugt i denne artikel
- Fine-tuning
- Fine-tuning er teknikken, hvor en færdigtrænet sprogmodel trænes videre på et mindre, specialiseret datasæt for at ændre stil, format eller opgaveløsning. Det justerer modellens vægte, i modsætning til prompting og RAG, der virker på svartidspunktet.
- Grounding
- Grounding er, at en sprogmodel forankrer sit svar i konkrete, hentede kilder i stedet for kun at stole på egne træningsdata. Det er grounding, der gør, at et AI-svar kan citere en kilde — og som gør dit brand synligt i svaret.
- Prompting
- Prompting er at styre en sprogmodels adfærd gennem instruktioner og eksempler i selve forespørgslen, uden at ændre modellen. Det er den hurtigste og billigste måde at påvirke et svar på, men virker kun inden for den enkelte samtale.
Var dette nyttigt?