Derfor lærer AI-kurser dig promptformlen, men aldrig hvordan du reparerer en prompt, der fejlede

Kort fortalt: promptformlen — rolle, opgave, kontekst, format — er gratis. Enhver ti minutters video forærer dig den. Balladen begynder et skridt senere: du skrev prompten efter bogen, trykkede send, og svaret kom tilbage som grød. Derfra lærer ingen dig noget som helst. Du skriver om i blinde, indtil noget falder i din smag. Det er ikke en færdighed, det er lotteri. Nedenfor står en metode: giv symptomet et navn, stil en diagnose, lav præcis én rettelse, sammenlign. Og rækkefølgen, du bør grave i: kontekst → opgave → format → rolle. Prompterne i artiklen er ægte: tryk “Kør” og se forskellen med dine egne øjne.

Hvad der er galt med formlen

Formlen lyver ikke for dig. Rolle, opgave, kontekst og format er faktisk de fire knapper, der former et svar. Grundlaget gennemgår vi i hvad en prompt er, og hvordan du skriver en, og du får brug for det. Men formlen svarer på ét spørgsmål: hvordan skriver jeg en prompt fra bunden? I virkeligt arbejde skriver du næsten aldrig fra bunden. Du sidder foran en prompt, der allerede følger alle reglerne og alligevel spyttede skrald ud.

Her tier formlen. Den siger ikke, hvilken af de fire knapper der er skyld i det. Den siger ikke, om du skal dreje på én eller alle fire. Den siger ikke, hvordan du ved, om det nye svar er bedre eller bare anderledes. Formlen er en tegning. Det, du har brug for, er en reparationsvejledning.

Det er forskellen på “her er tegningen af motoren” og “bilen vil ikke starte — hvad kigger du på først?”. Det første lærer du på én aften. Det andet er et fag. Og det andet findes stort set ikke på kursusmarkedet.

Kursisterne beder om præcis det her — ordret

Den 17. juli 2026 trak vi data fra Udemy (via det interne API bag deres kursussider) og fra Courseras anmeldelsessider. Vi læste bevidst mindretallet: dem, der gav lave karakterer. Den tætteste klump af klager dukkede op på kurser med prompt engineering direkte i titlen. Folk kom efter færdigheden på etiketten og fik den ikke. Ordret, med forfattere og stjerner:

“There is nothing teached about creating a good prompt. It is just an overview of types of prompts” — Geralt O., 01.07.2026, 2★ (Prompt and Context Engineering 101, Mike Wheeler).

“No specific guidance on prompt engineering… what to avoid while asking, how to organize your thoughts, how to give feedback to AI based on its answers etc.” — Bharat Ram A., 05.06.2026, 1.5★ (Wheeler).

“i thought it would go deeper in prompts and have more examples and sessions to master or enhance our current prompts” — Manuel L., 15.06.2026, 2★ (Prompt Engineering for Everyone).

“Too much background on ChatGPT. Get me to how to prompt GPT” — Mark R., 16.09.2025, 1.5★ (Academind).

Stop op ved Bharat Ram A. Han nævner tre ting, og den tredje er “how to give feedback to AI based on its answers”. Det er debugging, beskrevet med hans egne ord af en mand, der gik ud og ledte efter det og kom tomhændet tilbage. Manuel L. beder om at “enhance our current prompts” — altså at reparere noget, der allerede er skrevet og fungerer dårligt. Forskellige mennesker, forskellige kurser, samme hul.

Ved siden af står citatet, der viser, hvad der sker, når intet bliver tjekket:

“you send your assignments and immediatly you got your results: 100% correct. I am still speechless. I put all that effort in and have no idea whether I my answer was correct or not” — Shinysheep, 21.09.2023, 1★ (Prompt Engineering, Vanderbilt).

Og i samme række: “quizzes give unhelpful feedback for incorrect answers and just say 'watch the video again'” — Cory Covino, 04.05.2024, 2★ (IBM). “All the coding is done in the labs for you. You won't have to debug anything or figure anything out, just press shift-enter” — Cornelius Griggs, 1★ (Generative AI with LLMs).

Griggs rammer det skarpest af alle, uden at ville det. “You won't have to debug anything” beskriver et læringsprodukt, hvor debugging er skåret væk. Øvelsen kører, det føles som praksis, og der stod aldrig noget på spil.

En mere, fra et andet kursus, der lukker cirklen: “Didnt meet expectations, only theory is discussed which we already know” — Aditya Nagavolu, 19.11.2023, 1★ (Generative AI for Everyone). Teorien, alle allerede kender, er formlen. Det, de ikke kender, er, hvad de skal gøre, når den svigter.

Hvorfor hullet findes: det er arkitektur, ikke dovenskab

Det er fristende at give dovne undervisere skylden. Den forklaring er dårligere end sandheden. Sandheden er strukturel.

Der findes præcis én måde at tjekke en prompt på: køre den på en model og se på svaret. Der findes ingen anden — en prompt kan ikke bedømmes på udseendet, lige så lidt som kode kan bedømmes uden at blive kørt. Og en videoplatform har ingen model inde i lektionen. Så er der ikke noget at tjekke med. Tilbage står en autoretter på nøgleord, og den uddeler “100% correct” — præcis det, der gjorde Shinysheep målløs.

Så kommer detaljen, der afgør sagen. Vanderbilts Prompt Engineering Specialization kræver et betalt ChatGPT+-abonnement for at løse opgaverne. Kurset sender kursisten udenfor, over i en anden fane, efter en model. Regnestykket for en Coursera-kursist bliver: Coursera Plus til 50 €/md. (eller 343 €/år med 14 dages fortrydelsesret) plus et modelabonnement — omkring 70 €/md. for at se videoer og få automatiske 100%. Om den præcise pris på det modelabonnement er vi ærlige: vi fik den ikke fra en primær kilde, alle OpenAI-domæner svarede 403, så vi trykker ikke noget tal. De 50 € for Coursera Plus står på deres egen side.

I det øjeblik modellen bor uden for kurset, holder kurset op med at se dit arbejde. Det ved ikke, hvilken prompt du skrev, hvad der kom tilbage, eller hvorfor det kom dårligt tilbage. Man kan ikke undervise i debugging i blinde. Så kurset underviser i formlen — den eneste del, der kan være på et slide.

Og derfra kommer en klage, der ved første øjekast handler om noget andet:

“why read straight from the slide? I can do that. This was not a helpful course at all” — Janie I., 02.07.2026, 1★ (Justin Barnett).

“I can do that” er ikke en dom over en dårlig oplægsholder. Det er konstateringen af, at kun formlen kan være på et slide. Debugging kan ikke, for den består af et levende svar, ingen kan forudsige på forhånd.

Debugging er diagnostik, ikke omskrivning

Begynderens reflekshandling ser sådan ud: svaret er dårligt → marker hele prompten → skriv den om, længere og pænere. Nogle gange virker det. Hvorfor det virkede, kan ikke afgøres, og næste gang starter du forfra.

Den ingeniørmæssige tilgang er en anden, og den har fire trin.

1. Symptom. Sig, hvad der er galt, med ord du kan tjekke. Ikke “dårligt”, men: opfandt et faktum; ignorerede formatet; for generelt; gentog mit eget input; svarede på et andet spørgsmål; brød sammen på en lang tekst. Så længe symptomet ikke har et navn, er der intet at behandle.
2. Diagnose. Hvert symptom har en typisk årsag. Det er en hypotese, ikke en dom — men den siger, hvor du graver først.
3. Én rettelse. Ændr præcis én ting. Én.
4. Sammenligning. Kør igen, og sammenlign med det forrige svar ud fra dit eget kriterium. Ikke “jeg kan bedre lide det”, men “blev netop det, jeg behandlede, bedre?”.

Gentag, indtil symptomet er væk. Det er typisk to-tre runder, ikke tyve.

Reglen om den ene skruetrækker

Det mest undervurderede trin er det tredje. Ændr én ting ad gangen.

Du retter fem ting, svaret bliver bedre — og du ved ikke, hvad der hjalp. Værre: måske var fire rettelser neutrale, én var direkte skadelig, og den femte opvejede den. Du slæber hele pakken med over i næste prompt, den skadelige linje inklusive, og en måned senere ejer du en to sider lang mur af tekst, hvor halvdelen af linjerne arbejder imod dig.

Det er ikke vores opfindelse. Det er grundreglen i al debugging — den samme som at ændre én variabel ad gangen i et forsøg. Det er bare, at med tekst er fristelsen til at dreje på alle knapperne på én gang langt større, fordi en rettelse koster ét sekund.

Et forbehold imod os selv. Reglen har en pris. Én rettelse pr. runde er langsomt, og på en rigtig opgave kommer du til at skære hjørner. Det ærlige kompromis: reglen om den ene skruetrækker gælder, så længe du stadig leder efter sygdommen. Så snart diagnosen er klar, og du bare finpudser, så ret i bundter — risikoen er lille nu.

Anden ærlighed: modeller er ikke deterministiske. Én kørsel er en stikprøve på én. Blev svaret bedre efter din rettelse? Måske havde rettelsen intet med det at gøre, og du var bare heldig. Derfor fortjener en sammenligning mindst tre forskellige input, ikke ét favoritinput.

Hypotesernes rækkefølge: kontekst → opgave → format → rolle

Når symptomet har et navn, står spørgsmålet om, hvilken knap du skal røre. Vi har en rækkefølge, og den er ikke tilfældig: hyppigste årsag først, sjældneste sidst; dyreste forbier først, billigste sidst.

1. Kontekst først. Langt de fleste dårlige svar er svar på et spørgsmål uden fakta i. Modellen kender ikke dit produkt, dit publikum, dine begrænsninger, dine tal, dine navne, dine tidligere beslutninger. Den fylder tomrummet med gennemsnitlig vat — for gennemsnitlig vat er det korrekte svar på et spørgsmål uden kontekst. Er resultatet udvandet, generelt, brugbart for hvem som helst, er konteksten næsten altid synderen, og intet rollespil kurerer det.
2. Opgave som nummer to. Tjek, at du beder om én handling og ikke tre, og at verbet kan tjekkes. “Analysér” er ikke et verbum; der kan ligge hvad som helst under. “List fem risici, én linje hver” er et verbum. Svarer modellen på et andet spørgsmål, eller på halvdelen af dit, er det opgaven, der er galt.
3. Format som nummer tre. Billigt at reparere, og resultatet ses med det samme. Er indholdet rigtigt og formen forkert, så ret formatet og lad resten være. Det, der virker: indsæt en prøve på det output, du vil have, to-tre linjer. En prøve slår en beskrivelse hver gang.
4. Rolle sidst. Rollen flytter først og fremmest tone og ordvalg. “Du er en erfaren marketingmedarbejder” tilføjer nul fakta om dit marked — det er den ene linje, alle skriver først, og den afgør næsten intet. Grib fat i rollen, når alt andet sidder, og du bare ikke kan lide stemmen.

Hvorfor netop den rækkefølge? Fordi den følger, hvor meget information du tilføjer. Kontekst tilføjer fakta — maksimum. Opgaven tilføjer præcision i målet. Formatet tilføjer form. Rollen tilføjer stil. De fleste gør det omvendt: bruger lang tid på rollen og bliver så fornærmede over vattet.

Tabellen: symptom → diagnose → én rettelse

• Udvandet, generelt, passer til hvem som helst. Diagnose: ingen kontekst. Rettelse: indsæt fem konkrete fakta — hvem der læser, hvad produktet er, hvad begrænsningen er, ét tal, ét eksempel. Lad resten være.
• Opfandt et faktum, et link, et citat. Diagnose: du bad om noget, modellen ikke har. Rettelse: enten lægger du data ind i prompten, eller også tillader du udtrykkeligt et “det ved jeg ikke”. Linjen “har du ikke data, så sig det — find ikke på noget” koster småpenge og fanger meget. Mere om det i hvorfor AI-hallucinationer opstår.
• Ignorerede formatet. Diagnose: formatkravet druknede midt i, eller det kolliderer med den længde, du bad om. Rettelse: træk formatet ud i sin egen blok til sidst, og vis en outputprøve.
• Svarede på et andet spørgsmål. Diagnose: to handlinger i én opgave, og modellen valgte den ene. Rettelse: lad ét verbum stå. Den anden handling bliver til en anden prompt.
• Gentog mit eget input. Diagnose: intet verbum for bearbejdning. “Her er teksten, kig lige på den” er ikke en opgave. Rettelse: sig, hvad der skal ske med teksten — forkortes, omstruktureres, finde modsigelser.
• Forkert tone, “det er ikke min stemme”. Diagnose: du beskrev en stil i stedet for at vise den. Rettelse: indsæt et af dine egne afsnit, og bed om at ramme det. “Skriv venligt, men professionelt” gør ingenting; en prøve gør.
• Brød sammen på en lang tekst. Diagnose: instruktionen forsvandt inde i data. Rettelse: adskil med markører (---TEKST--- / ---OPGAVE---), og gentag opgaven efter teksten, ikke kun før.
• For langt, endeløs indledning. Diagnose: du forbød det aldrig. Rettelse: én linje — “Ingen indledning, ingen afsluttende opsamling. Kun listen”.

Læg mærke til: i seks ud af otte tilfælde er rettelsen ikke “skriv prompten om”, men tilføj eller flyt én ting.

Se det selv: en dårlig prompt, én rettelse, forskellen

Nu kommer den del, en videoplatform fysisk ikke kan tilbyde. Hver blok herunder har en “Kør”-knap: tryk på den her og se et levende svar komme. Rækkefølgen betyder noget — kør dem i træk, og sammenlign.

Trin 1. Kør en bevidst dårlig prompt

Det er en rigtig prompt, skrevet “efter formlen”: der er en rolle, der er en opgave, der er høflighed. Kør den, og se, hvad der kommer tilbage. Sandsynligvis får du en tekst, der ville passe til enhver virksomhed på kloden.

Du er en erfaren marketingmedarbejder. Skriv en mail til vores kunder om lanceringen af vores nye produkt. Sørg for, at teksten er professionel, moderne og fængende.

Hvad du kigger efter. Er der én eneste påstand i svaret, du ikke kunne flytte uændret over i en anden virksomheds mail? Som regel ikke. Symptom navngivet: vat. Diagnose efter vores rækkefølge: kontekst.

Trin 2. Én rettelse — kun kontekst

Samme opgave, samme tone, samme rolle. Vi ændrer præcis én ting: vi tilføjer fakta. Rollen rører vi ikke, formatet rører vi ikke — så vi ærligt kan se, hvad kontekst giver helt alene.

Du er en erfaren marketingmedarbejder. Skriv en mail til vores kunder om lanceringen af vores nye produkt.
Sørg for, at teksten er professionel, moderne og fængende.

KONTEKST:
- Produkt: en vagtplanlægger til caféer med 3-15 ansatte.
- Læsere: cafeejere, der har brugt vores lagerapp i et halvt år. De stoler
  på os, men de ledte ikke efter en ny knap.
- Det nye: vagtplanerne lægges nu automatisk, med de ansattes ønsker om fri
  regnet med. Før satte ejeren planen op i et regneark.
- Ærlig begrænsning: kun én adresse, kæder understøtter vi ikke endnu.
- Pris: indeholdt i den nuværende pakke, ingen ekstrabetaling.
- Hvad læseren skal gøre: slå afsnittet “Vagtplaner” til på sin konto.

Hvad du kigger efter. Svaret er blevet konkret — og er formentlig stadig langt og åbner stadig med en indledning. Det er fint: vi behandlede kun konteksten. Læg mærke til, at “professionel, moderne og fængende” overlevede urørt som et krav, der ikke kan tjekkes, og ikke udrettede noget.

Trin 3. Endnu en rettelse — opgave og format

Nu reparerer vi længde og form. Rollen fjerner vi helt, for at teste hypotesen om, at den ikke bidrager med noget. Og “fængende” erstatter vi med noget, der kan tjekkes.

Skriv en mail til kunderne, der annoncerer en ny funktion.

KONTEKST:
- Produkt: en vagtplanlægger til caféer med 3-15 ansatte.
- Læsere: cafeejere, der har brugt vores lagerapp i et halvt år. De stoler
  på os, men de ledte ikke efter en ny knap.
- Det nye: vagtplanerne lægges automatisk, med de ansattes ønsker om fri regnet
  med. Før satte ejeren planen op i et regneark.
- Ærlig begrænsning: kun én adresse, kæder understøtter vi ikke endnu.
- Pris: indeholdt i den nuværende pakke, ingen ekstrabetaling.
- Læserens handling: slå afsnittet “Vagtplaner” til på kontoen.

FORMAT:
- Emnefelt: højst 45 tegn. Forbudte ord: revolutionerende, unik, innovativ.
- Brødtekst: højst 120 ord.
- Struktur: første linje - hvad der er ændret; anden - hvad det sparer;
  derefter begrænsningen sagt lige ud; én handling til sidst.
- Ingen indledning, intet “vi er glade for at kunne fortælle”, intet afskedsafsnit.

Derefter på en separat linje: tre grunde til, at mailen kan forblive uåbnet eller blive slettet.

Hvad du kigger efter. Sammenlign de tre svar. Du har lige kørt en ordentlig debugging-session: symptom navngivet, hypotese opstillet, én rettelse lavet, resultater sammenlignet. Og undervejs har du lavet et lille eksperiment med rollen — sammenlign stemmen i svar to og tre, og bestem selv, om “du er en erfaren marketingmedarbejder” fortjente den plads, alle kurser giver den.

Trin 4. Diagnosetræneren

Den sværeste færdighed er at navngive et symptom i en andens arbejde. Her finder modellen på en case til dig og bedømmer din diagnose strengt. Der kommer ingen automatisk “100% correct”.

Eksaminer mig i diagnostik af prompts. Regler:

- Du giver mig ÉN case: opgaven, hele prompten og modellens dårlige output.
  Find selv på casen: realistisk, fra kontorarbejde. Det dårlige output skriver
  du også selv - præcis så dårligt, som det ville være i virkeligheden.
- Jeg navngiver symptomet med ét begreb og siger, hvad jeg ville ændre FØRST.
- Du bedømmer strengt: er symptomet rigtigt, er hypotesen rigtig,
  hvilken hypotese ville have været stærkere end min, og hvorfor.
  Foreslår jeg at ændre flere ting på én gang, så påpeg det særskilt.
- Vær ikke enig af høflighed. Tager jeg fejl, så sig det ligeud.
- Derefter næste case, sværere. Fem cases i alt.

Begynd med den første case. Forklar ikke teori på forhånd.

Hvad en prompt ikke kan reparere

Halvdelen af debugging er at opdage i tide, at prompten ikke er problemet. Ellers står du og polerer formuleringer i et lag, hvor intet er i stykker.

• Manglende data. Ingen formulering henter et faktum frem, modellen aldrig har fået. Har du brug for tallene fra dit regneark, så indsæt dem; tigg ikke om dem.
• Opgaven kan ikke løses med tekst. “Regn præcist”, “tjek på den aktuelle hjemmeside”, “garantér” — det handler ikke om formulering, det handler om værktøjer. Her træder du ind på AI-agenternes område.
• Intet kriterium for “godt”. Kan du ikke selv sige, hvorfor svar A slår svar B, så debugger du ikke: så blander du varianter, indtil du bliver træt. Kriteriet er den del af prompten, der bor i dit hoved, og den skal også skrives ned.
• Forkert model. Den samme opgave opfører sig forskelligt — se vores sammenligning af ChatGPT, Claude og Gemini. Før du retter en prompt tyve gange, så prøv den samme prompt på en anden model: det er én rettelse, ikke tyve.

En versionslog: kedelig og afgørende

Opret en fil. Tre kolonner: hvad der stod i prompten, hvad du ændrede, hvad der skete med svaret. Én linje pr. debugging-runde.

Det lyder som bureaukrati. Det er det eneste, der forvandler dine kørsler til viden. En måned senere åbner du filen og ser: “outputprøve i stedet for formatbeskrivelse” virkede elleve ud af tolv gange, mens “du er en ekspert i verdensklasse” gav nul. Det er din egen statistik, og den er mere værd end enhver liste med 500 færdige prompts. Tag vores prompteksempler som råmateriale; loggen er det, der gør råmateriale til dit værktøj.

Bivirkning: efter en måned har du en portfolio. Ikke et certifikat, som 698.444 andre også har, men en halv snes gennemgåede sager med før og efter. Til en jobsamtale er det to forskellige vægtklasser.

Sådan tester du et kursus — også vores

Vores målinger giver en test på fire spørgsmål. Stil dem til enhver uddannelse.

1. Hvor kører jeg prompten? Er svaret “i en anden fane, for et separat abonnement”, så ser kurset aldrig dit arbejde og kan ikke gennemgå det. Se Vanderbilt og kravet om ChatGPT+.
2. Hvem bedømmer min prompt? En autoretter på nøgleord rækker dig “100% correct” og nul information. Det er præcis Shinysheep-tilfældet.
3. Findes der en lektion, hvor en prompt fejler? Åbn programmet, og led efter den. Er den der ikke, handler kurset om en formel.
4. Hvornår blev indholdet reelt opdateret? Ikke efter datoen på kortet, men efter anmeldelserne fra den seneste måned.

Ærligt om vores data. Andelen af negative anmeldelser (≤3.5★) på Udemy er 9,61% for Generative AI for Beginners og 10,36% for Complete AI Guide; for Prompt and Context Engineering 101 (den dårligste karakter i vores stikprøve, 4.31) er den ≥4,00%. På Coursera er den 1,5–3,5%. Altså: langt de fleste kursister er tilfredse, og vi læste bevidst mindretallet. Ikke for at bevise, at kurserne er dårlige: en tilfreds kursist skriver “fantastisk kursus”, mens en utilfreds nævner præcis den lektion, der manglede. Andet forbehold: Courseras stjernefilter kører i browseren, så de citater, vi kunne nå, kommer fra den standardside, enhver besøgende ser. Vi fiskede dem ikke op fra bunden af et 1★-filter — men vi kan heller ikke påstå, at vi så alle anmeldelser.

Og et forbehold om os selv. Vores sandbox har en hård daglig grænse for kørsler. Det betyder, at metoden ovenfor er mere værd end knappen. Knappen lader dig se forskellen; metoden lader dig reparere prompts, hvor der ingen knap er — i din egen arbejdschat.

Konklusionen

Promptformlen er det, der kan være på et slide, og derfor sælges den til millioner. Debugging kan ikke være på et slide, kan ikke tjekkes uden en levende model inde i lektionen, og derfor sælges den næsten ingen steder — mens kursisterne beder om den ordret, anmeldelse efter anmeldelse. Hullet i markedet sidder præcis dér, og det er samtidig den hurtigste vej til at blive bedre end de fleste med et certifikat.

Husk de fire trin: symptom → diagnose → én rettelse → sammenligning. Og hypotesernes rækkefølge: kontekst, opgave, format, rolle. Start med grundlaget i hvad en prompt er; se, hvad markedet for denne “profession” er blevet til i prompt engineer: hvad det betaler, og om faget stadig findes; lær at fange modellen i at digte i AI-hallucinationer. Og vil du have det systematisk, med fejlene gennemgået med vilje, så findes vores kursus i prompt engineering.