Varför prompt engineering spelar roll
En LLM är inte ett program som körs deterministiskt — det är ett system som reagerar på kontext. Samma fråga ger radikalt olika svar beroende på hur du formulerar den, vilken roll du tillskriver modellen, och hur mycket relevant kontext du tillför.
Det är inte magi. Det är teknik. Och precis som med all teknik: du behöver inte förstå transformer-arkitekturen för att bli duktig — men du behöver förstå mönstren.
1. Rollprompting — ge modellen en identitet
Grundteknik. Berätta för modellen vem den är och vem den pratar med. Det sätter ton, expertisnivå och fokus.
Svagt: "Sammanfatta det här avtalet."
Starkt: "Du är en affärsjurist med 15 års erfarenhet av svenska
kommersiella avtal. Din klient är en VD på ett medelstort
tillverkningsföretag som inte har juridisk bakgrund.
Sammanfatta detta avtal med fokus på: (1) de tre viktigaste
riskklausulerna, (2) vad som är ovanligt jämfört med
standardavtal, (3) vad hon bör fråga motparten om."2. Chain-of-thought — tvinga modellen att tänka steg för steg
Stora språkmodeller gör färre misstag när de "resonerar" steg för steg innan de svarar. Aktivera detta explicit, särskilt för komplexa uppgifter.
Svagt: "Vilket pris bör vi sätta på den nya tjänsten?"
Starkt: "Analysera vårt prisättningsbeslut steg för steg:
1. Identifiera kostnadsgolvet baserat på nedanstående kostnadsdata
2. Analysera marknadspositioneringen mot de tre konkurrenter jag nämnt
3. Bedöm kundens betalningsvilja utifrån segmentbeskrivningen
4. Presentera tre prisstrategier (penetration / värde / premium)
med fördelar och nackdelar för varje
5. Ge din rekommendation med motivering
Kostnadsdata: [infoga]
Konkurrenter: [infoga]
Kundsegment: [infoga]"3. Few-shot examples — visa, berätta inte
I stället för att förklara vad du vill: ge 2–3 exempel på input och önskat output. Modellen lär sig mönstret och applicerar det.
Klassificera dessa kundrecensioner som POSITIV / NEUTRAL / NEGATIV.
Exempel:
Recension: "Snabb leverans och bra kvalitet!"
Klassificering: POSITIV
Recension: "Produkten är okej men inte mer."
Klassificering: NEUTRAL
Recension: "Förpackningen var skadad och inget svar från kundtjänst."
Klassificering: NEGATIV
Klassificera nu:
Recension: "Helt okej, men jag förväntade mig mer för priset."
Klassificering:4. Outputformatering — specificera exakt vad du förväntar dig
AI-modeller följer format-instruktioner väldigt bra. Specificera hur svaret ska struktureras — JSON, markdown-tabell, numrerad lista, punktlista med exakt N punkter.
Analysera denna månadsrapport och returnera resultatet som JSON:
{
"topline_summary": "3 meningar",
"key_metrics": [{"metric": "...", "value": "...", "trend": "upp|ned|stabilt"}],
"risks": ["risk 1", "risk 2"],
"recommended_actions": [{"action": "...", "priority": "hög|medium|låg"}]
}
Rapporten: [infoga rapport]5. Kontext-komprimering — sätt rätt mängd bakgrund
Mer kontext är inte alltid bättre. Irrelevant kontext distraherar modellen. Bra tumregel: lägg till kontext som direkt påverkar svaret — ta bort allt som bara är "bra att ha".
Svagt (för lite kontext):
"Skriv ett erbjudande till kunden."
Svagt (för mycket kontext):
"Vi grundade företaget 2018 i Göteborg. Vi har 12 anställda.
Vår VD heter Anna. Vår produkt heter... [200 ord företagshistorik]
Skriv ett erbjudande till kunden."
Rätt mängd:
"Skriv ett uppföljningserbjudande till en befintlig kund.
Kontext:
- Kund: tillverkningsföretag, 50 anst., fokus på hållbarhet
- Befintlig relation: 2 år, nöjd men köper ad hoc, inget årsavtal
- Vår tjänst nu: AI-automatisering av inköpsprocessen
- Prisrange: 75 000–150 000 kr/år beroende på omfång
- Mål: boka ett möte, inte stänga affären i mejlet"6. Negativa instruktioner — vad du inte vill ha
Explicit berätta vad du vill undvika. Modeller är benägna att addera saker du inte bad om — introduktioner, sammanfattningar, ansvarsfriskrivningar. Ta bort dem i instruktionen.
"Skriv ett LinkedIn-inlägg om vår produktlansering.
Skriv INTE:
- Inledningsfras som 'Spännande nyheter!' eller 'Glad att dela...'
- Avslutning som 'Kontakta oss för mer information'
- Emojis i överflöd (max 2 totalt)
- Passiv form
- Klichéer som 'i det snabbt föränderliga affärslandskapet'
Skriv:
- Direkt, aktiv röst
- Konkret siffra eller insikt i första meningen
- Max 150 ord
- Avsluta med en fråga till läsaren"Att tala om vad du inte vill ha är lika viktigt som att säga vad du vill ha.
Prompt engineering i praktiken
7. Självkritik-loopar — be modellen granska sig själv
Första svaret är sällan det bästa. En enkel teknik: be modellen kritisera sitt eget svar och förbättra det. Fungerar förvånansvärt bra för att fånga logiska fel och svaga formuleringar.
Steg 1:
"Skriv ett svar på denna kundklagomål: [infoga klagomål]"
Steg 2 (efter svaret):
"Granska nu svaret du just skrivit. Identifiera:
1. Meningar som låter standardiserade eller robotaktiga
2. Löften eller åtaganden som är vaga
3. Vad kunden fortfarande undrar efter att ha läst svaret
Skriv sedan en förbättrad version som åtgärdar dessa brister."8. Temperatur-kontroll via instruktioner
Du kan inte ändra en LLMs temperatur via API när du använder ett chat-gränssnitt — men du kan styra kreativitetsnivån via prompt.
Mer konservativ (lägre "temperatur"):
"Besvara denna juridiska fråga baserat enbart på etablerad
svensk arbetsrätt. Spekulera inte. Om du är osäker, säg det explicit."
Mer kreativ:
"Brainstorma 15 ovanliga marknadsföringsidéer för vår
B2B-produkt. Utmana konventionella antaganden. Inkludera minst
3 idéer som känns lite galna vid första anblick."9. Persona-laddning — använd en referenspunkt
I stället för att beskriva önskad ton med adjektiv — hänvisa till en konkret referenspunkt. Modellen har tränat på enorma mängder text och förstår konnotationer mycket mer nyanserat via konkreta exempel.
Svagt: "Skriv på ett vänligt, professionellt och trovärdigt sätt."
Starkt: "Skriv i tonen av en erfaren revisor som förklarar
för en nyfiken nybörjare — precis som en bra lärare: direkt,
utan onödig jargong, med ett konkret exempel per abstrakt begrepp."
Eller för marknadsföring:
"Skriv i tonen av Patagonia:s hållbarhetskommunikation — konkret,
faktabaserad, utan greenwashing, med ett uns stolthet men ingen
arrogans."10. Decomposition — dela upp komplexa uppgifter
En lång, komplex prompt ger ofta ett sämre resultat än att dela upp uppgiften i sekventiella steg. Varje steg bygger på det föregående och ger modellen chansen att "fokusera".
I stället för EN lång prompt om att "skriva en affärsplan":
Prompt 1: "Analysera dessa marknadsdata och identifiera de tre
starkaste marknadstrenderna för vår bransch under 2026."
Prompt 2: "Baserat på de tre trender du identifierade, beskriv
vår viktigaste konkurrensposition. Vad är vi unikt bra på?"
Prompt 3: "Med de trender och vår konkurrensfördel som grund,
formulera tre strategiska mål för de kommande 12 månaderna.
Varje mål ska vara SMART."
Prompt 4: "Skriv nu ett sammanhängande affärsplansavsnitt som
integrerar all vår analys ovan."De tre vanligaste misstagen
- Vaga instruktioner. "Skriv bra" är inte en instruktion. "Skriv för en CFO som ska godkänna en investering, max 200 ord, med ROI i första meningen" är en instruktion.
- Inte specificera outputformat. Om du behöver JSON — be om JSON. Om du behöver en tabell — säg det. Modellen gissar annars.
- Acceptera det första svaret. Fråga alltid om ett svar: "Är det bästa du kan göra?" eller "Vad är de tre svagaste delarna av det du just skrev?" Det ger nästan alltid ett bättre andra svar.
En duktig prompt-ingenjör är inte en person som kan "lura" AI. Det är en person som tänker tydligt nog att formulera vad de egentligen vill ha.
Daniel Merthen
Vill du ha färdiga prompts att utgå från? Kolla in Polaris Promptbibliotek — ett växande bibliotek med affärsanpassade prompts för svenska sammanhang.