Hvad er RAG?
RAG (Retrieval-Augmented Generation) er en metode, hvor en AI-model først henter relevante oplysninger fra bestemte kilder, fx virksomhedens egne dokumenter, og derefter skriver sit svar ud fra dem. Det giver mere præcise og opdaterede svar end en model, der kun bygger på det, den har lært under træningen.
Hvad står RAG for?
RAG står for Retrieval-Augmented Generation. På dansk kan det oversættes til tekstgenerering understøttet af opslag. Retrieval betyder at hente, og generation betyder at skabe tekst.
Metoden blev beskrevet i en forskningsartikel fra Facebook AI Research i 2020. I dag er den en af de mest brugte måder at bygge AI-assistenter på, der skal svare ud fra en virksomheds egen viden.
Hvordan fungerer RAG?
En RAG-løsning arbejder i tre trin:
- Spørgsmålet kommer ind: En bruger stiller et spørgsmål, fx "Hvad er leveringstiden på vores standardprodukter?"
- Systemet henter: Løsningen søger i de tilknyttede kilder og finder de tekststykker, der passer bedst til spørgsmålet.
- Modellen svarer: Tekststykkerne bliver sendt til en stor sprogmodel sammen med spørgsmålet, og modellen skriver svaret ud fra dem.
Brugeren ser kun spørgsmålet og svaret. Opslaget sker i baggrunden og tager typisk et par sekunder.
Hvorfor er RAG vigtigt?
En almindelig sprogmodel kender kun det, den har lært under træningen. Den kender ikke virksomhedens produkter, priser, processer eller kunder. Den ved heller ikke, hvad der er sket efter træningen.
RAG løser det uden at træne modellen om. Når dokumenterne bliver opdateret, bliver svarene det også. Det gør metoden billigere og mere fleksibel end at bygge eller tilpasse sin egen model.
Hvad er fordelene ved RAG?
- Færre opdigtede svar: Modellen har konkrete kilder at holde sig til, så risikoen for AI-hallucinationer bliver mindre.
- Opdateret viden: Svarene bygger på de nyeste dokumenter.
- Kildehenvisninger: Svaret kan vise, hvilke dokumenter det kommer fra, så det kan kontrolleres.
- Egen viden: Virksomheden kan bruge sine egne data uden at dele dem i træningen af en offentlig model.
- Lavere omkostninger: Det er billigere at opdatere dokumenter end at træne en model om.
Hvad bruges RAG til?
- Interne vidensassistenter: Medarbejdere kan spørge om procedurer, politikker og produkter.
- Kundeservice: En chatbot kan svare ud fra virksomhedens FAQ, vilkår og manualer.
- Salg: Sælgere kan finde svar i produktdata, cases og tidligere tilbud.
- Onboarding: Nye medarbejdere kan finde svar i virksomhedens håndbøger.
- Juridisk og økonomisk arbejde: Søgning i kontrakter, regler og interne notater.
- Marketing: Tekster og svar, der bygger på virksomhedens egne budskaber og fakta.
Hvordan kan RAG se ud i en B2B-virksomhed?
Eksemplet her er tænkt. En virksomhed, der sælger tekniske komponenter, har tusindvis af sider med produktblade, certifikater og installationsvejledninger. Sælgerne bruger meget tid på at finde svar på kundernes tekniske spørgsmål.
Virksomheden samler dokumenterne i en RAG-løsning. Når en sælger spørger, om en bestemt komponent kan bruges ved høje temperaturer, finder løsningen det relevante produktblad og skriver et kort svar med henvisning til kilden. Sælgeren kan tjekke kilden og sende svaret videre til kunden.
Hvad er forskellen på RAG og fine-tuning?
Fine-tuning betyder, at man træner en eksisterende model videre på sine egne data. Modellen ændrer sig og lærer fx en bestemt stil eller et fagsprog. Det kræver flere ressourcer og skal gentages, når data ændrer sig.
RAG ændrer ikke selve modellen. Den giver modellen de rigtige oplysninger, hver gang der bliver stillet et spørgsmål. RAG er derfor bedst til viden, der ændrer sig, mens fine-tuning er bedst til at ændre, hvordan modellen skriver eller løser bestemte opgaver.
Hvad er forskellen på RAG og en almindelig chatbot?
En almindelig regelbaseret chatbot følger faste spørgsmål og svar, som nogen har skrevet på forhånd. Den kan kun svare på det, der er lagt ind.
En chatbot med RAG kan forstå spørgsmål, der er formuleret på mange forskellige måder, og finde svaret i store mængder tekst. Den skriver svaret selv, men holder sig til de dokumenter, den har adgang til.
Hvad er forskellen på AI og generativ AI?
AI er det brede begreb for computere, der løser opgaver, som normalt kræver menneskelig intelligens. Generativ AI er den del af AI, der skaber nyt indhold, fx tekst, billeder og lyd.
RAG er en metode inden for generativ AI. Den kombinerer evnen til at skrive tekst med evnen til at finde de rigtige oplysninger først.
Hvilke begreber bruges om RAG?
- Vidensbase: De dokumenter og data, løsningen henter svarene fra.
- Chunks: Dokumenterne bliver delt op i mindre tekststykker, så systemet kan finde præcis den del, der er relevant.
- Embeddings: Tekststykkerne bliver omsat til talrækker, der beskriver deres betydning. Det gør det muligt at finde tekst om samme emne, også når ordene er forskellige.
- Vektordatabase: En database, der gemmer embeddings og kan finde de tekststykker, der ligner spørgsmålet mest.
- Kontekstvindue: Den mængde tekst, modellen kan arbejde med på én gang.
Hvad kræver det at bygge en RAG-løsning?
Det kræver først og fremmest gode dokumenter. Er de forældede, modstridende eller ufuldstændige, bliver svarene det også. God datakvalitet er derfor det vigtigste fundament.
Derudover skal virksomheden vælge en sprogmodel, en måde at gemme og søge i dokumenterne på og en brugerflade. Mange af de store platforme har i dag færdige løsninger, så det ikke kræver et stort udviklingsprojekt at komme i gang.
Hvad med datasikkerhed og adgangsrettigheder?
En RAG-løsning må kun vise oplysninger, som brugeren har ret til at se. Hvis HR-dokumenter, lønoplysninger eller fortrolige aftaler ligger i vidensbasen, skal adgangsrettighederne følge med.
Spørg også, hvor data bliver behandlet og gemt, og om leverandøren bruger dem til at træne sine modeller. Indeholder dokumenterne personoplysninger, gælder GDPR, og det skal indgå i valget af løsning.
Hvad koster en RAG-løsning?
Prisen afhænger især af tre ting: mængden af dokumenter, antallet af brugere og hvor meget løsningen skal tilpasses. En færdig løsning fra en af de store platforme kan ofte tages i brug med en månedlig licens, mens en skræddersyet løsning kræver udvikling.
Husk også de løbende omkostninger. Dokumenterne skal vedligeholdes, svarene skal kontrolleres, og nogen skal have ansvaret for løsningen. Den tid er ofte større end selve licensen.
Hvordan måler man, om en RAG-løsning virker?
- Svarenes kvalitet: Lad fagpersoner vurdere et udvalg af svar, fx hver måned.
- Fundne kilder: Tjek, om løsningen henter de rigtige dokumenter til spørgsmålene.
- Brugen: Følg, hvor mange medarbejdere der bruger løsningen, og hvor ofte.
- Tidsforbrug: Sammenlign, hvor lang tid det tager at finde svar før og efter.
- Ubesvarede spørgsmål: Saml de spørgsmål, løsningen ikke kan svare på. De viser, hvilke dokumenter der mangler.
Hvad er agentisk RAG?
I en almindelig RAG-løsning sker opslaget én gang, før svaret bliver skrevet. I agentisk RAG kan en AI-agent selv beslutte, hvor den skal søge, søge flere gange og kombinere oplysninger fra forskellige kilder.
Det gør det muligt at løse mere komplekse opgaver, fx at sammenligne flere kontrakter eller samle oplysninger fra både CRM-system og produktdata. Til gengæld bliver løsningen sværere at styre, og kravene til kontrol og adgangsrettigheder bliver større.
Hvad er begrænsningerne ved RAG?
- Svarene er kun så gode som dokumenterne.
- Systemet kan finde de forkerte tekststykker, især hvis dokumenterne er rodede.
- Modellen kan stadig misforstå eller blande oplysninger sammen.
- Store mængder dokumenter kræver løbende vedligeholdelse.
Hvordan kommer man i gang med RAG?
- Vælg ét afgrænset formål, fx svar på interne spørgsmål om produkter.
- Saml de dokumenter, der skal bruges, og ryd op i dem.
- Test en færdig løsning på et lille udvalg af dokumenter.
- Lad rigtige brugere stille spørgsmål, og kontrollér svarene.
- Udvid, når kvaliteten er god nok.
Det ser vi i praksis
Når vi hjælper virksomheder med AI-strategi, er RAG ofte det første sted, hvor AI giver mærkbar værdi i hverdagen. Spørgsmål, som medarbejderne før brugte tid på at finde svar på, kan besvares på få sekunder.
Resultatet afhænger mest af kvaliteten af de dokumenter, der ligger bag, og af, om nogen har ansvaret for at holde dem opdateret. Teknologien er i dag let tilgængelig.
Senest opdateret: 13. november 2026
