Därför lär AI-kurser dig promptformeln men aldrig hur du lagar en prompt som gick fel

Kort: promptformeln — roll, uppgift, kontext, format — är gratis. Vilken tiominutersvideo som helst ger dig den. Problemen börjar ett steg senare: du skrev prompten enligt boken, tryckte på skicka, och svaret kom tillbaka som gröt. Därifrån lär dig ingen någonting. Du skriver om på måfå tills något känns bra. Det är ingen färdighet, det är lotteri. Nedan står en metod: sätt namn på symtomet, ställ en diagnos, gör exakt en ändring, jämför. Och ordningen du bör gräva i: kontext → uppgift → format → roll. Prompterna i artikeln är äkta: tryck på ”Kör” och se skillnaden med egna ögon.

Vad som är fel på formeln

Formeln ljuger inte för dig. Roll, uppgift, kontext och format är faktiskt de fyra rattarna som formar ett svar. Grunderna går vi igenom i vad en prompt är och hur du skriver en, och du behöver dem. Men formeln svarar på en enda fråga: hur skriver jag en prompt från noll? I verkligt arbete skriver du nästan aldrig från noll. Du sitter framför en prompt som redan följer alla regler och ändå spottade ur sig skräp.

Här tystnar formeln. Den säger inte vilken av de fyra rattarna som är boven. Den säger inte om du ska vrida på en eller alla fyra. Den säger inte hur du vet om det nya svaret är bättre eller bara annorlunda. Formeln är en ritning. Det du behöver är en reparationsmanual.

Det är skillnaden mellan ”här är ritningen på motorn” och ”bilen startar inte — vad kollar du först?”. Det första lär du dig på en kväll. Det andra är ett yrke. Och det andra saknas nästan helt på utbildningsmarknaden.

Kursdeltagarna ber om precis det här — ordagrant

Den 17 juli 2026 hämtade vi data från Udemy (via det interna API:et bakom deras kurssidor) och från Courseras recensionssidor. Vi läste medvetet minoriteten: de som satte låga betyg. Den tätaste klumpen av klagomål dök upp på kurser som har prompt engineering rakt i titeln. Folk kom för färdigheten på etiketten och fick den inte. Ordagrant, med författare och stjärnor:

”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).

Stanna till vid Bharat Ram A. Han räknar upp tre saker, och den tredje är ”how to give feedback to AI based on its answers”. Det är debuggning, beskriven med hans egna ord av någon som gick ut och letade efter den och kom tomhänt tillbaka. Manuel L. ber om att ”enhance our current prompts” — alltså att laga något som redan är skrivet och fungerar dåligt. Olika människor, olika kurser, samma hål.

Bredvid dem står citatet som visar vad som händer när ingenting kontrolleras:

”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).

Och i samma rad: ”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 träffar skarpast av alla, utan att vilja det. ”You won't have to debug anything” beskriver en läroprodukt där debuggningen är bortopererad. Övningen kör, det känns som praktik, och det stod aldrig något på spel.

En till, från en annan kurs, som sluter cirkeln: ”Didnt meet expectations, only theory is discussed which we already know” — Aditya Nagavolu, 19.11.2023, 1★ (Generative AI for Everyone). Teorin alla redan kan är formeln. Det de inte kan är vad de ska göra när den fallerar.

Varför hålet finns: det är arkitektur, inte lathet

Det är frestande att skylla på lata föreläsare. Den förklaringen är sämre än sanningen. Sanningen är strukturell.

Det finns exakt ett sätt att kontrollera en prompt: köra den på en modell och titta på svaret. Något annat finns inte — en prompt kan inte bedömas på utseendet, lika lite som kod kan bedömas utan att köras. Och en videoplattform har ingen modell inne i lektionen. Då finns det inget att kontrollera med. Kvar står en autorättare på nyckelord, och den delar ut ”100% correct” — precis det som gjorde Shinysheep mållös.

Sedan kommer detaljen som avgör saken. Vanderbilts Prompt Engineering Specialization kräver ett betalt ChatGPT+-abonnemang för att göra uppgifterna. Kursen skickar deltagaren utanför, till en annan flik, för att leta upp en modell. Kalkylen för en Coursera-deltagare blir så här: Coursera Plus för 50 €/mån (eller 343 €/år med 14 dagars ångerrätt), plus ett modellabonnemang — runt 70 €/mån för att titta på videor och få automatiska 100%. Om det exakta priset på det modellabonnemanget är vi ärliga: vi fick det inte från en primärkälla, alla OpenAI-domäner svarade 403, så vi trycker inte någon siffra. De 50 € för Coursera Plus står på deras egen sida.

I det ögonblick modellen bor utanför kursen slutar kursen se ditt arbete. Den vet inte vilken prompt du skrev, vad som kom tillbaka eller varför det kom tillbaka dåligt. Debuggning går inte att lära ut i blindo. Så kursen lär ut formeln — den enda delen som får plats på en bild.

Och därifrån kommer ett klagomål som vid första anblick handlar om något annat:

”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” är ingen dom över en dålig talare. Det är konstaterandet att bara formeln får plats på en bild. Debuggning får inte plats, eftersom den består av ett levande svar som ingen kan förutse i förväg.

Debuggning är diagnostik, inte omskrivning

Nybörjarens reflex ser ut så här: svaret är dåligt → markera hela prompten → skriv om den, längre och snyggare. Ibland hjälper det. Varför det hjälpte går inte att veta, och nästa gång börjar du om från noll.

Ingenjörsangreppssättet är ett annat, och det har fyra steg.

1. Symtom. Säg vad som är fel med ord du kan kontrollera. Inte ”dåligt”, utan: hittade på ett faktum; ignorerade formatet; för allmänt; upprepade min egen inmatning; svarade på en annan fråga; föll ihop på en lång text. Så länge symtomet inte har ett namn finns det inget att behandla.
2. Diagnos. Varje symtom har en typisk orsak. Det är en hypotes, inte en dom — men den säger var du gräver först.
3. En ändring. Ändra exakt en sak. En.
4. Jämförelse. Kör igen och jämför med föregående svar utifrån ditt eget kriterium. Inte ”jag gillar det bättre”, utan ”blev just det jag behandlade bättre?”.

Upprepa tills symtomet är borta. Oftast är det två-tre varv, inte tjugo.

Regeln om en skruvmejsel

Det mest underskattade steget är det tredje. Ändra en sak i taget.

Du rättar fem saker, svaret blir bättre — och du vet inte vad som hjälpte. Värre: kanske var fyra ändringar neutrala, en var direkt skadlig, och den femte vägde upp den. Du släpar med hela paketet in i nästa prompt, den skadliga raden inkluderad, och en månad senare äger du en två sidor lång vägg av text där hälften av raderna jobbar mot dig.

Det är inte vår uppfinning. Det är grundregeln i all debuggning — samma sak som att ändra en variabel i taget i ett experiment. Det är bara det att med text är frestelsen att vrida på alla rattar samtidigt betydligt starkare, eftersom en ändring kostar en sekund.

En invändning mot oss själva. Regeln har ett pris. En ändring per varv är långsamt, och på ett riktigt jobb kommer du att gena. Den ärliga kompromissen: regeln om en skruvmejsel gäller så länge du fortfarande letar efter sjukdomen. Så snart diagnosen är klar och du bara finslipar — ändra i buntar, risken är liten då.

Andra ärligheten: modeller är inte deterministiska. En körning är ett stickprov på ett. Blev svaret bättre efter din ändring? Kanske hade ändringen inget med saken att göra och du hade tur. Därför förtjänar en jämförelse minst tre olika inmatningar, inte en favorit.

Hypotesernas ordning: kontext → uppgift → format → roll

När symtomet har ett namn återstår frågan vilken ratt du ska röra. Vi har en ordning, och den är inte godtycklig: vanligaste orsaken först, ovanligaste sist; dyraste missen först, billigaste sist.

1. Kontext först. Den överväldigande majoriteten av dåliga svar är svar på en fråga utan fakta i. Modellen känner inte till din produkt, din publik, dina begränsningar, dina siffror, dina namn, dina tidigare beslut. Den fyller tomrummet med genomsnittlig vadd — för genomsnittlig vadd är det rätta svaret på en fråga utan kontext. Är resultatet urvattnat, allmänt, användbart för vem som helst, är kontexten nästan alltid boven, och ingen rollek botar det.
2. Uppgift som tvåa. Kontrollera att du ber om en handling och inte tre, och att verbet går att kontrollera. ”Analysera” är inget verb; under det ryms vad som helst. ”Lista fem risker, en rad var” är ett verb. Svarar modellen på en annan fråga, eller på hälften av din, är det uppgiften som är fel.
3. Format som trea. Billigt att laga, och resultatet syns direkt. Är innehållet rätt och formen fel, rätta formatet och rör inget annat. Det som fungerar: klistra in ett prov på den utdata du vill ha, två-tre rader. Ett prov slår en beskrivning varje gång.
4. Roll sist. Rollen flyttar framför allt ton och ordval. ”Du är en erfaren marknadsförare” lägger till noll fakta om din marknad — det är den enda raden alla skriver först och som avgör nästan ingenting. Ta i rollen när allt annat sitter och du helt enkelt inte gillar rösten.

Varför just den ordningen? För att den följer hur mycket information du lägger till. Kontexten lägger till fakta — maximum. Uppgiften lägger till skärpa i målet. Formatet lägger till form. Rollen lägger till stil. De flesta gör tvärtom: slipar länge på rollen och blir sedan förolämpade av vadden.

Tabellen: symtom → diagnos → en ändring

• Urvattnat, allmänt, passar vem som helst. Diagnos: ingen kontext. Ändring: klistra in fem konkreta fakta — vem som läser, vad produkten är, vad begränsningen är, en siffra, ett exempel. Rör inget annat.
• Hittade på ett faktum, en länk, ett citat. Diagnos: du bad om något modellen inte har. Ändring: antingen lägger du in datan i prompten, eller så tillåter du uttryckligen ett ”jag vet inte”. Raden ”har du inte uppgiften, säg det — hitta inte på” kostar småpengar och fångar mycket. Mer om det i varför AI-hallucinationer uppstår.
• Ignorerade formatet. Diagnos: formatkravet drunknade i mitten, eller krockar med längden du bad om. Ändring: dra ut formatet i ett eget block på slutet och visa ett utdataprov.
• Svarade på en annan fråga. Diagnos: två handlingar i en uppgift, och modellen valde en. Ändring: låt ett verb stå kvar. Den andra handlingen blir en andra prompt.
• Upprepade min egen inmatning. Diagnos: inget verb för bearbetning. ”Här är texten, ta en titt” är ingen uppgift. Ändring: säg vad som ska göras med texten — kortas ner, byggas om, hitta motsägelser.
• Fel ton, ”det här är inte min röst”. Diagnos: du beskrev en stil i stället för att visa den. Ändring: klistra in ett eget stycke och be om att träffa det. ”Skriv vänligt men professionellt” gör ingenting; ett prov gör.
• Föll ihop på en lång text. Diagnos: instruktionen försvann inne i datan. Ändring: separera med markörer (---TEXT--- / ---UPPGIFT---) och upprepa uppgiften efter texten, inte bara före.
• För långt, oändlig inledning. Diagnos: du förbjöd det aldrig. Ändring: en rad — ”Ingen inledning, ingen avslutande sammanfattning. Bara listan”.

Lägg märke till: i sex fall av åtta är fixen inte ”skriv om prompten”, utan lägg till eller flytta en sak.

Kolla själv: en dålig prompt, en ändring, skillnaden

Nu kommer delen en videoplattform fysiskt inte kan erbjuda. Varje block nedan har en ”Kör”-knapp: tryck här och se ett levande svar komma. Ordningen spelar roll — kör dem i följd och jämför.

Steg 1. Kör en medvetet dålig prompt

Det här är en äkta prompt, skriven ”enligt formeln”: det finns en roll, det finns en uppgift, det finns artighet. Kör den och se vad som kommer tillbaka. Chansen är stor att du får en text som skulle passa vilket företag som helst i världen.

Du är en erfaren marknadsförare. Skriv ett mejl till våra kunder om lanseringen av vår nya produkt. Se till att texten blir professionell, modern och fängslande.

Vad du tittar efter. Finns det ett enda påstående i svaret som du inte skulle kunna flytta oförändrat till ett annat företags mejl? Oftast inte. Symtom namngivet: vadd. Diagnos enligt vår ordning: kontext.

Steg 2. En ändring — bara kontext

Samma uppgift, samma ton, samma roll. Vi ändrar exakt en sak: vi lägger till fakta. Rollen rör vi inte, formatet rör vi inte — så att vi ärligt kan se vad kontexten ger alldeles själv.

Du är en erfaren marknadsförare. Skriv ett mejl till våra kunder om lanseringen av vår nya produkt.
Se till att texten blir professionell, modern och fängslande.

KONTEXT:
- Produkt: en schemaläggare för kaféer med 3-15 anställda.
- Läsare: kaféägare som använt vår lagerapp i ett halvår. De litar på oss,
  men de letade inte efter en ny knapp.
- Det nya: schemat läggs nu automatiskt, med personalens ledighetsansökningar
  inräknade. Tidigare satte ägaren ihop schemat i ett kalkylblad.
- Ärlig begränsning: bara ett ställe, kedjor stödjer vi inte än.
- Pris: ingår i nuvarande abonnemang, ingen extra kostnad.
- Vad läsaren ska göra: slå på avsnittet ”Scheman” på sitt konto.

Vad du tittar efter. Svaret har blivit konkret — och är förmodligen fortfarande långt och inleds fortfarande med en inledning. Det är helt okej: vi behandlade bara kontexten. Notera att ”professionell, modern och fängslande” överlevde orört som ett krav som inte går att kontrollera, och uträttade ingenting.

Steg 3. Ännu en ändring — uppgift och format

Nu lagar vi längd och form. Rollen tar vi bort helt, för att pröva hypotesen att den inte bidrar med något. Och ”fängslande” byter vi mot något kontrollerbart.

Skriv ett mejl till kunderna som meddelar en ny funktion.

KONTEXT:
- Produkt: en schemaläggare för kaféer med 3-15 anställda.
- Läsare: kaféägare som använt vår lagerapp i ett halvår. De litar på oss,
  men de letade inte efter en ny knapp.
- Det nya: schemat läggs automatiskt, med personalens ledighetsansökningar
  inräknade. Tidigare satte ägaren ihop schemat i ett kalkylblad.
- Ärlig begränsning: bara ett ställe, kedjor stödjer vi inte än.
- Pris: ingår i nuvarande abonnemang, ingen extra kostnad.
- Läsarens handling: slå på avsnittet ”Scheman” på kontot.

FORMAT:
- Ämnesrad: högst 45 tecken. Förbjudna ord: revolutionerande, unik, innovativ.
- Brödtext: högst 120 ord.
- Struktur: första raden - vad som ändrats; andra - vad det sparar;
  därefter begränsningen sagd rakt ut; en handling på slutet.
- Ingen inledning, inget ”vi är glada att kunna berätta”, inget avskedsstycke.

Sedan, på en egen rad: tre skäl till att det här mejlet kan förbli oöppnat eller raderas.

Vad du tittar efter. Jämför de tre svaren. Du har just kört en ordentlig debuggningssession: symtom namngivet, hypotes uppställd, en ändring gjord, resultat jämförda. Och på köpet har du gjort ett litet experiment med rollen — jämför rösten i svar två och tre och avgör själv om ”du är en erfaren marknadsförare” förtjänade den plats varje kurs ger den.

Steg 4. Diagnosträningen

Den svåraste färdigheten är att sätta namn på ett symtom i någon annans arbete. Här hittar modellen på ett fall åt dig och bedömer din diagnos strängt. Det blir inget automatiskt ”100% correct”.

Examinera mig i diagnostik av prompter. Regler:

- Du ger mig ETT fall: uppgiften, hela prompten och modellens dåliga utdata.
  Hitta på fallet själv: realistiskt, från kontorsarbete. Den dåliga utdatan
  skriver du också själv - exakt så dålig som den skulle vara på riktigt.
- Jag namnger symtomet med en term och säger vad jag skulle ändra FÖRST.
- Du bedömer strängt: är symtomet rätt, är hypotesen rätt,
  vilken hypotes hade varit starkare än min och varför.
  Föreslår jag att ändra flera saker samtidigt, påpeka det separat.
- Håll inte med av artighet. Har jag fel, säg det rakt ut.
- Sedan nästa fall, svårare. Fem fall totalt.

Börja med det första fallet. Förklara ingen teori i förväg.

Vad en prompt inte kan laga

Halva debuggningen är att i tid fatta att prompten inte är problemet. Annars står du och polerar formuleringar i ett lager där ingenting är trasigt.

• Data saknas. Ingen formulering plockar fram ett faktum modellen aldrig fått. Behöver du siffrorna från ditt kalkylblad, klistra in dem; tigg inte om dem.
• Uppgiften går inte att lösa med text. ”Räkna exakt”, ”kolla på den aktuella webbplatsen”, ”garantera” — det handlar inte om formulering, det handlar om verktyg. Här kliver du in på AI-agenternas område.
• Inget kriterium för ”bra”. Kan du inte själv säga varför svar A slår svar B, då debuggar du inte: då blandar du varianter tills du blir trött. Kriteriet är den del av prompten som bor i ditt huvud, och den behöver också skrivas ner.
• Fel modell. Samma uppgift beter sig olika — se vår jämförelse av ChatGPT, Claude och Gemini. Innan du rättar en prompt tjugo gånger, kör samma prompt på en annan modell: det är en ändring, inte tjugo.

En versionslogg: tråkig och avgörande

Skapa en fil. Tre kolumner: vad prompten sa, vad du ändrade, vad som hände med svaret. En rad per debuggningsvarv.

Det låter som byråkrati. Det är det enda som gör dina körningar till kunskap. En månad senare öppnar du filen och ser: ”utdataprov i stället för formatbeskrivning” fungerade elva gånger av tolv, medan ”du är en expert i världsklass” gav noll. Det är din egen statistik, och den är värd mer än vilken lista på 500 färdiga prompter som helst. Ta våra promptexempel som råvara; loggen är det som gör råvara till ditt verktyg.

Bieffekt: efter en månad har du en portfolio. Inget certifikat som 698 444 andra också har, utan ett tiotal genomgångna fall med före och efter. På en anställningsintervju är det två olika viktklasser.

Så testar du en kurs — även vår

Våra mätningar ger ett test på fyra frågor. Ställ dem till vilken utbildning som helst.

1. Var kör jag prompten? Är svaret ”i en annan flik, för ett separat abonnemang”, ser kursen aldrig ditt arbete och kan inte gå igenom det. Se Vanderbilt och kravet på ChatGPT+.
2. Vem bedömer min prompt? En autorättare på nyckelord räcker dig ”100% correct” och noll information. Det är precis fallet Shinysheep.
3. Finns det en lektion där en prompt fallerar? Öppna kursplanen och leta. Finns den inte handlar kursen om en formel.
4. När uppdaterades innehållet faktiskt? Inte efter datumet på kortet, utan efter recensionerna från senaste månaden.

Ärligt om våra data. Andelen negativa recensioner (≤3.5★) på Udemy är 9,61% för Generative AI for Beginners och 10,36% för Complete AI Guide; för Prompt and Context Engineering 101 (det sämsta betyget i vårt urval, 4.31) är den ≥4,00%. På Coursera är den 1,5–3,5%. Alltså: den överväldigande majoriteten av deltagarna är nöjda, och vi läste minoriteten med flit. Inte för att bevisa att kurserna är dåliga: en nöjd deltagare skriver ”fantastisk kurs”, medan en missnöjd namnger exakt den lektion som saknades. Andra invändningen: Courseras stjärnfilter körs i webbläsaren, så citaten vi kom åt kommer från standardsidan som vilken besökare som helst ser. Vi fiskade inte upp dem ur botten på ett 1★-filter — men vi kan inte heller påstå att vi sett alla recensioner.

Och en invändning om oss själva. Vår sandbox har ett hårt dagligt tak på antalet körningar. Vilket betyder att metoden ovan är värd mer än knappen. Knappen låter dig se skillnaden; metoden låter dig laga prompter där det inte finns någon knapp — i din egen jobbchatt.

Slutsatsen

Promptformeln är det som får plats på en bild, och därför säljs den till miljoner. Debuggning får inte plats på en bild, går inte att kontrollera utan en levande modell inne i lektionen, och därför säljs den nästan ingenstans — samtidigt som deltagarna ber om den ordagrant, recension efter recension. Hålet i marknaden sitter precis där, och det är samtidigt den snabbaste vägen till att bli bättre än de flesta med ett certifikat.

Kom ihåg de fyra stegen: symtom → diagnos → en ändring → jämförelse. Och hypotesernas ordning: kontext, uppgift, format, roll. Börja med grunderna i vad en prompt är; se vad marknaden för det här ”yrket” har blivit i prompt engineer: vad det betalar och om yrket finns kvar; lär dig ta modellen på bar gärning när den hittar på i AI-hallucinationer. Och vill du ha det systematiskt, med misslyckandena genomgångna med flit, finns vår kurs i prompt engineering.