Prompt engineering er forskjellen mellom AI som gir middelmådige svar og AI som leverer ekspertresultater. I 2026 bruker 78 prosent av markedsførere AI-verktøy regelmessig (HubSpot State of Marketing, 2025), men de fleste utnytter bare en brøkdel av potensialet fordi de skriver vage, ustrukturerte instruksjoner. Denne guiden lærer deg å skrive prompts som konsistent gir resultater du faktisk kan bruke — fra grunnleggende struktur til avanserte teknikker som chain-of-thought og prompt chaining.
Hva prompt engineering er og hvorfor det er avgjørende
Prompt engineering er kunsten og vitenskapen å formulere instruksjoner til AI-modeller slik at du får presise, relevante og nyttige svar. Det er ikke bare å skrive et spørsmål — det er å gi AI den konteksten, strukturen og retningen den trenger for å levere eksakt det resultatet du ønsker.
Forskjellen er dramatisk. En vag prompt som «skriv en bloggartikkel om SEO» gir et generisk resultat som ingen vil publisere. En strukturert prompt som definerer rolle, målgruppe, tone, struktur, lengde og spesifikke punkter å dekke, gir et resultat som er 80 prosent ferdig og bare trenger finjustering. Ifølge en studie fra MIT Sloan fant forskere at arbeidere som brukte optimaliserte prompts produserte resultater med 40 prosent høyere kvalitet sammenlignet med de som brukte ustrukturerte instruksjoner (MIT Sloan Management Review, 2024).
For bedrifter er prompt engineering en kompetanse som skalerer. Én god prompt-mal kan brukes av hele teamet og sikre konsistent kvalitet på tvers av hundrevis av oppgaver. Det er derfor vi hos LeapJet alltid starter AI-implementeringsprosjekter med å bygge et skreddersydd prompt-bibliotek for kunden.
Anatomien til en effektiv prompt: Rolle, kontekst, oppgave, format og begrensninger
Enhver effektiv prompt består av fem kjerneelementer som til sammen gir AI-en det den trenger for å levere presist. Du trenger ikke alltid alle fem, men jo flere du inkluderer, desto bedre blir resultatet.
Rolle definerer hvem AI-en skal være: «Du er en senior SEO-rådgiver med 10 års erfaring i det norske markedet.» Kontekst gir bakgrunnsinformasjon: «Klienten er en nettbutikk for sportsutstyr med 5000 produkter, primært B2C, som sliter med organisk synlighet.» Oppgave er den spesifikke handlingen: «Lag en prioritert liste over tekniske SEO-forbedringer.» Format beskriver ønsket output: «Lever som en nummerert liste med prioritetsnivå (høy/middels/lav), estimert tidsbruk og forventet effekt.» Begrensninger setter rammer: «Maks 10 punkter, fokuser kun på tiltak som kan gjennomføres uten utviklerressurser.»
Denne strukturen fungerer fordi den reduserer tvetydighet. Jo mer presist du definerer hva du vil, desto mindre rom har AI-en til å gjette feil. Tenk på det som en briefing til en konsulent — jo bedre brief, desto bedre leveranse.
- Rolle: Definer ekspertisen AI-en skal ha
- Kontekst: Gi relevant bakgrunnsinformasjon
- Oppgave: Beskriv nøyaktig hva som skal gjøres
- Format: Spesifiser ønsket outputstruktur
- Begrensninger: Sett klare rammer og begrensninger
Systemprompts vs. brukerprompts
I API-sammenheng skiller vi mellom systemprompts og brukerprompts. Systemprompts setter den overordnede konteksten og oppførselen for AI-en — de er som en stillingsinstruks. Brukerprompts er de konkrete forespørslene som kommer i hver samtale.
En effektiv systemprompt for en markedsførings-AI kan se slik ut: «Du er en senior innholdsrådgiver for et norsk digitalmarkedsføringsbyrå. Du skriver alltid på naturlig norsk bokmål. Du prioriterer kildebasert, faglig innhold fremfor generelle påstander. Du unngår buzzwords og klisjeer. Når du anbefaler verktøy, inkluderer du alltid pris og spesifikke bruksområder.»
Systemprompts er spesielt verdifulle fordi de sikrer konsistens på tvers av alle samtaler. I stedet for å gjenta konteksten i hver prompt, setter du den én gang i systemprompten. For chatbots og automatiserte systemer er systemprompts grunnmuren som all interaksjon bygger på. Les mer om hvordan du bruker AI effektivt i vår guide til AI-automasjon.
Few-shot prompting: Lær AI med eksempler
Few-shot prompting er teknikken der du gir AI-en noen eksempler på ønsket output før du ber om det du faktisk trenger. Det er som å vise en ny ansatt tre eksempler på gode rapporter før du ber dem skrive sin egen.
I praksis fungerer det slik: Du inkluderer 2-5 eksempler på input-output-par som demonstrerer mønsteret du vil ha. Hvis du vil at AI-en skal skrive produktbeskrivelser i en bestemt stil, gir du tre eksempler på produktbeskrivelser du er fornøyd med. AI-en lærer mønsteret og appliserer det på nye produkter.
Few-shot er spesielt kraftfullt for: tone-of-voice-konsistens (vis eksempler på merkevarens stemme), strukturerte outputs (vis eksakt format du vil ha), klassifiseringsoppgaver (vis eksempler på korrekt kategorisering) og oversettelse med bransjespesifikk terminologi. Forskjellen mellom zero-shot (ingen eksempler) og few-shot kan være dramatisk — i en benchmark-studie forbedret tre eksempler presisjonen med 25-35 prosent for klassifiseringsoppgaver (Brown et al., «Language Models are Few-Shot Learners», NeurIPS 2020).
Chain-of-thought prompting: Steg-for-steg resonnering
Chain-of-thought (CoT) prompting ber AI-en tenke gjennom problemet steg for steg i stedet for å hoppe direkte til svaret. Denne teknikken forbedrer nøyaktigheten dramatisk for oppgaver som krever logisk resonnering, matematikk eller flerstegs analyse.
Den enkleste formen er å legge til «Tenk gjennom dette steg for steg» i prompten. En mer strukturert tilnærming er å definere stegene: «Steg 1: Analyser nåværende situasjon. Steg 2: Identifiser hovedutfordringer. Steg 3: Foreslå løsninger for hver utfordring. Steg 4: Prioriter løsningene basert på effekt og gjennomførbarhet.»
Wei et al. (2022) viste at chain-of-thought prompting forbedret ytelsen på matematiske resonneringsoppgaver med opptil 50 prosent sammenlignet med standard prompting (Wei et al., «Chain-of-Thought Prompting Elicits Reasoning in Large Language Models», NeurIPS 2022). For markedsførere er CoT spesielt nyttig ved konkurranseanalyser, strategiutvikling, budsjettallokering og kampanjeoptimalisering — oppgaver der du trenger synlig resonnering, ikke bare et svar.
Prompt-maler for markedsføring: Fem ferdige maler du kan bruke i dag
Her er fem konkrete prompt-maler for vanlige markedsføringsoppgaver. Tilpass rolle, kontekst og begrensninger til din bedrift og bruk dem som utgangspunkt for ditt eget prompt-bibliotek.
Mal 1 — Bloggartikkel: «Rolle: Erfaren fagskribent innen [bransje]. Kontekst: Skriver for [bedriftsnavn], målgruppe er [beskrivelse]. Oppgave: Skriv en bloggartikkel på 1500-2000 ord om [emne]. Artikelen skal ha 8-10 seksjoner med H2-overskrifter, hvert avsnitt 2-3 setninger. Inkluder minst 3 konkrete eksempler og statistikk med kilde. Tone: Faglig men tilgjengelig, uten buzzwords. Format: Markdown med overskrifter, avsnitt og punktlister der det er naturlig.»
Mal 2 — Annonsetekst: «Rolle: Senior copywriter for digitale annonser. Kontekst: [Produkt/tjeneste], målgruppe [beskrivelse], plattform [Google/Meta/LinkedIn]. Oppgave: Lag 5 varianter av annonsetekst. For hver variant: 1 overskrift (maks 30 tegn), 1 beskrivelse (maks 90 tegn), 1 CTA. Begrensning: Unngå klisjeord som revolusjonerende, unik og løsning. Fokuser på konkret nytte.» Mal 3 — E-post: «Rolle: E-postmarkedsfører. Kontekst: [Bransje], mottaker er [segment], mål er [handling]. Oppgave: Skriv e-post med 3 emnelinjer (A/B/C), preview-tekst, og brødtekst på maks 200 ord. Format: Kort, skannbar, med én tydelig CTA.» Mal 4 — Sosiale medier: «Rolle: Social media manager. Kontekst: [Merkenavn] på [plattform], tone er [beskrivelse]. Oppgave: Lag 10 innlegg for neste uke. Inkluder hook, brødtekst og hashtags. Miks mellom informativt, engasjerende og salgsfremmende.» Mal 5 — Analyse: «Rolle: Markedsanalytiker. Kontekst: [Datagrunnlag vedlagt/beskrevet]. Oppgave: Analyser dataene og lever: 1) 3 nøkkelinsikter, 2) 3 anbefalte tiltak, 3) 1 risiko å være oppmerksom på. Format: Bullet points med kort forklaring.»
Avanserte teknikker: Selv-refleksjon, tree-of-thought og prompt chaining
Selv-refleksjon ber AI-en evaluere sitt eget svar og forbedre det. Et enkelt eksempel: «Skriv en markedsplan. Deretter: Evaluer planen kritisk — hva mangler? Hva er de svakeste punktene? Revider planen basert på kritikken.» Denne teknikken tvinger AI-en til å fange egne feil og produsere et mer gjennomarbeidet resultat.
Tree-of-thought (ToT) er en utvidelse av chain-of-thought der AI-en utforsker flere mulige tilnærminger parallelt, evaluerer dem og velger den beste. Det er spesielt nyttig for strategiske oppgaver med flere mulige løsninger: «Foreslå tre ulike strategier for å øke organisk trafikk. For hver strategi: beskriv tilnærmingen, estimer tidsbruk, vurder risiko og forventet effekt. Velg den beste strategien og begrunn valget.»
Prompt chaining er å bruke outputen fra én prompt som input til neste. I stedet for å be om alt i én lang prompt, bryter du oppgaven i steg: Steg 1 genererer en outline, steg 2 skriver hvert avsnitt basert på outlinen, steg 3 redigerer og forbedrer. Dette gir bedre resultater for komplekse oppgaver fordi hver prompt kan fokusere på én ting. For automatisering av prompt chains, se vår guide til AI-automasjon.
Vanlige prompt-feil og hvordan du unngår dem
Den vanligste feilen er vage instruksjoner. «Skriv noe bra om markedsføring» er en prompt som gir et generisk resultat fordi AI-en må gjette på alt: hvem, hva, hvorfor, for hvem, i hvilken stil, hvor langt. Jo mer spesifikk du er, desto bedre blir resultatet.
For mye kontekst er også et problem. Hvis du inkluderer 20 sider med bakgrunnsinformasjon uten å prioritere, drukner det viktige i støy. Gi kun den konteksten som er direkte relevant for oppgaven. En annen vanlig feil er å be om for mange ting i én prompt — «skriv bloggartikkel, lag sosiale medier-innlegg, skriv nyhetsbrev og lag en annonsetekst basert på innholdet» gir middelmådige resultater på alt. Del opp i separate prompts.
Andre vanlige feil inkluderer: å ikke spesifisere format (og deretter klage over at outputen er for lang eller feil strukturert), å gi motstridende instruksjoner, og å aldri iterere — de fleste gode resultater kommer fra å justere prompten 2-3 ganger basert på det første svaret.
- Unngå: Vage instruksjoner uten kontekst eller spesifikasjon
- Unngå: For mye irrelevant kontekst som drukner det viktige
- Unngå: Flere uavhengige oppgaver i én prompt
- Unngå: Motstridende instruksjoner
- Gjør: Iterer og juster prompten basert på resultatet
- Gjør: Bruk eksempler (few-shot) for konsistent output
Test og iterer prompts systematisk
Profesjonell prompt engineering krever systematisk testing — ikke tilfeldig prøving og feiling. Bygg en enkel evalueringsramme der du definerer hva «godt» betyr for hver oppgavetype, kjører samme prompt 3-5 ganger for å måle konsistens, og scorer resultater på relevans, nøyaktighet, tone og fullstendighet.
For kritiske prompts — som de som brukes i produksjonssystemer, chatbots eller automatiserte arbeidsflyter — bør du bygge et sett med test-cases. Disse inkluderer vanlige scenarier, edge cases og kjente problematiske inputs. Kjør test-settet etter hver prompt-endring for å sikre at forbedringer på ett område ikke forverrer andre.
Versjonskontroll er også viktig. Bruk et dokument eller repository der du lagrer promptversjoner med endringslogg, slik at du kan rulle tilbake hvis en endring gir dårligere resultater. Se vår ordliste for definisjoner av LLM, AI og prompt engineering, eller utforsk vår tjenesteside for AI-automasjon for profesjonell hjelp.
Bygg et prompt-bibliotek for teamet ditt
Det mest verdifulle resultatet av prompt engineering er ikke enkeltstående prompts — det er et systematisk prompt-bibliotek som hele teamet bruker. Et prompt-bibliotek sikrer konsistent kvalitet, reduserer prompt-angst hos mindre tekniske teammedlemmer og gjør onboarding enklere.
Start med å dokumentere de 10-15 vanligste oppgavene teamet bruker AI til. For hver oppgave: skriv en optimalisert prompt-mal med variabler (markert med klammeparentes), inkluder 1-2 eksempler på god output, og legg til tips for tilpasning. Lagre dette i et delt dokument, Notion-database eller dedikert verktøy som PromptLayer eller Langfuse.
Oppdater biblioteket jevnlig basert på nye teknikker, modellendringer og teamets erfaringer. Hos LeapJet gjennomgår vi prompt-bibliotekene våre kvartalsvis og oppdaterer basert på hva som gir best resultater med de nyeste modellene. Et godt vedlikeholdt prompt-bibliotek er en konkurransefordel som gir bedre resultater over tid.
- Dokumenter de 10-15 vanligste AI-oppgavene med optimaliserte maler
- Inkluder variabler, eksempler og tilpasningstips
- Lagre i et delt, søkbart system (Notion, Google Docs, PromptLayer)
- Oppdater kvartalsvis basert på nye modeller og teknikker
- Mål og sammenlign resultater mellom promptversjoner
Kilder og videre lesning
Denne artikkelen bygger på følgende kilder:
- Brown et al. — Language Models are Few-Shot Learners, NeurIPS (2020)
- Wei et al. — Chain-of-Thought Prompting Elicits Reasoning in Large Language Models, NeurIPS (2022)
- MIT Sloan Management Review — The Impact of Prompt Engineering on AI Output Quality (2024)
- HubSpot — State of Marketing Report (2025)
- OpenAI — Prompt Engineering Guide (oppdatert løpende)
- Anthropic — Prompt Engineering Documentation (oppdatert løpende)
