Brug virksomhedens viden med RAG
RAG forbinder en sprogmodel med relevante oplysninger, som hentes, når spørgsmålet stilles. Det gør virksomhedens viden lettere at anvende og efterprøve. Kvaliteten afhænger af kilder, søgning, adgang og svar, og teknikken garanterer ikke korrekthed.
Hvis en medarbejder spørger til de gældende returvilkår, skal svaret bygge på virksomhedens aktuelle materiale. Modellens generelle træning er utilstrækkelig som kilde til netop den regel. RAG kan finde relevante afsnit og lade modellen formulere et svar med henvisninger. Microsoft beskriver denne kombination af søgning og generering. [2]
Artiklen fokuserer på ledelsens valg om en fælles vidensløsning. RAG fra dokumenter til brugbar viden (AI-07-001) giver den tekniske gennemgang af Microsoft, ChatGPT, Claude og Gemini samt SQL, grafer og løbende forbedring. Hjemmesidens introduktion giver en kort begyndelse. [1]
Vælg datakilde efter spørgsmålet
| Spørgsmål | Egnet grundlag | Kontrol der er nødvendig |
|---|---|---|
| Hvad er vores regel | Godkendt dokument | Version, gyldighed og undtagelser |
| Hvad er status nu | API eller database | Identitet, adgang og opslagstidspunkt |
| Hvor meget har vi solgt | Beregning på strukturerede data | Periode, valuta og fuldstændigt datagrundlag |
| Hvordan hænger forhold sammen | Dokumenter eller en kontrolleret graf | Kilder og rigtighed af relationerne |
Et søgeudvalg af lignende tekstafsnit kan ikke erstatte en fuldstændig salgsberegning. Databasen bør beregne summen efter aftalte definitioner. Modellen kan forklare resultatet. Tilsvarende bør en aktuel ordrestatus hentes fra det ansvarlige system og ikke fra en gammel dokumentkopi.
En vidensgraf kan være relevant, når relationer over flere led er afgørende. Den giver også ekstra opgaver med opbygning, kvalitet og vedligeholdelse. Begynd med den enkleste søgeform, der kan besvare de valgte spørgsmål. Forbind AI med virksomhedens eksisterende systemer (Q15) beskriver sikre forbindelser til systemerne.
Etablér én vedligeholdt original
Hvert dokument skal have stabilt ID, sprog, ejer, status og version. Registrér, hvilken udgave der er godkendt, og hvornår den skal gennemgås. Læsevenlige DOCX- og PDF-filer kan følge samme indhold, men må ikke blive dublerede videnskilder i søgningen.
Ved indlæsning skal tekst, tabeller og undtagelser bevares. Et afsnit skal have nok sammenhæng til at kunne forstås, også når det findes alene. Kolonneoverskrifter og enheder skal følge tabelindholdet. Gør virksomhedens data klar til AI (Q13) forklarer, hvordan kildernes kvalitet vurderes.
Gem en kontrolsum og en importstatus for hver indholdsversion. Når et dokument ændres eller trækkes tilbage, skal søgelaget opdateres. En håndteret tjeneste som Gemini API File Search kan stå for import og søgning. [3] Den etablerer ikke alene virksomhedens redaktionelle godkendelse eller løbende synkronisering fra originalerne.
Håndhæv adgang før modellen får teksten
Brugerens adgang skal afgøre, hvilke oplysninger der kan hentes og sendes til modellen. Det er utilstrækkeligt at hente alle dokumenter og derefter instruere modellen i at skjule de fortrolige. Adgang skal også gælde kildelinks, cache og logning.
Et dokument kan indeholde tekst, der forsøger at ændre assistentens instruktioner. OWASP beskriver denne risiko som prompt injection. [4] Behandl derfor kildeteksten som materiale, der skal fortolkes, og begræns værktøjer og handlinger uden for modellen. En vidensassistent behøver normalt ikke kunne sende dokumenter til vilkårlige modtagere.
Afklar også leverandørens databehandling. Hvis flere modeller bruger samme søgelag, modtager hver relevant leverandør de uddrag, der sendes til den. Et fælles indeks giver ikke automatisk ens kontrakter eller adgangsregler. Beskyt fortrolige oplysninger når I bruger AI (Q16) uddyber sikkerheden.
Test både genfinding og svar
Lav spørgsmål med kendte, forventede kilder. Medtag spørgsmål, som materialet ikke dækker, og spørgsmål, hvor to versioner kan forveksles. Test, om søgningen finder det rigtige afsnit, og om svaret faktisk støttes af det. En kildehenvisning kan pege på et relevant dokument uden at understøtte den konkrete påstand.
Mål tid til et kontrolleret svar, fejl, dækning og efterarbejde. Hvis søgningen finder den rigtige kilde, men svaret er forkert, skal forbedringen ske et andet sted end ved dårlig genfinding. Vurdér kvaliteten af AI svar og handlinger (Q24) beskriver denne fejlopdeling.
RAG lærer ikke automatisk af brugerfeedback. Feedback kan bruges til at rette kilder, forbedre metadata og afprøve ændringer i opdeling eller rangering. Egentlig modeltræning er en særskilt aktivitet. Hold et uafhængigt testsæt, så forbedringen ikke kun skyldes tilpasning til de kendte eksempler.
Et eksempel med en fælles intern vidensbase
Virksomheden i dette eksempel starter med én produktgruppe og et lille sæt godkendte vejledninger. Assistenten må svare på interne spørgsmål og vise kilder. Den skal bede om produktversion, når den er nødvendig, og tydeligt forklare, når grundlaget mangler.
Efter forsøget bygger virksomheden en MVP med brugeradgang, feedback og en dataejer, som retter kilderne. Før flere afdelinger kommer med, testes ændringer, sletninger og adgang på tværs. Driften får ansvar for importfejl og for at opdage, hvis den aktive version bliver forældet.
Direkte værdi er kortere informationssøgning. Indirekte værdi er et bedre fælles vidensgrundlag. Skalering begrundes med faktisk brug og kvalitet samt den samlede indsats til vedligeholdelse. Hold AI stabil og håndtér fejl i drift (Q27) beskriver den løbende drift.
Næste ledelsesbeslutning: Vælg én videnstype, en indholdsejer og et sæt spørgsmål, som løsningen skal kunne besvare. Finansier et forsøg med kilder, adgang og måling, før I indlæser hele virksomhedens materiale.
Kundeeksempel med mål og opfølgning
I serviceeksemplet er udgangspunktet 12 minutters arbejde pr. sag. Målet på 9 minutter skal inkludere, at medarbejderen åbner kilden, kontrollerer produktversion og retter svaret. Mål også genåbnede sager og korrekt afståelse ved manglende grundlag.
Hvis kontrolgruppens udvikling medregnes, kan effekten ende på 1,5 minut pr. sag, svarende til 100 timer ved 4.000 sager. Et højt antal fundne dokumenter er ikke samme måling. Opdatering og tilbagetrækning af kilder skal afprøves som del af driften.
Brug den samlede VP/SE-model, VP-vejledningen og SE-vejledningen. Begge estimater revurderes før Hypotese, MVP og Skalering. VP/SE er et lokalt præferenceindeks, ikke økonomisk ROI eller WSJF. Lær anvendelsen på halvdag 1 om VP og halvdag 2 om SE og prioritering, hver fire timer inklusive pause.
Kilder og videre læsning
Eksempler og handlingsforslag er EnableAIs faglige vurdering. Virksomhedseksempler og regnetal er illustrative. Artiklen er opdateret med konkrete regneeksempler og henvisninger den 15. september 2026.
[2] Microsoft · RAG i Azure AI Search