Du sidder med et vigtigt notat til ledelsen, og for at spare tid beder du ChatGPT om at opsummere jeres seneste kvartalstal. Svaret ser overbevisende ud, lige indtil du opdager, at AI'en har opfundet et nyt regnskabsprincip og to fiktive kunder. Det er præcis den slags fejl, der får mange til at miste tilliden til kunstig intelligens, når det gælder seriøst arbejde. Men løsningen er at skifte værktøj og bygge et system, der udelukkende kender de fakta, du selv leverer. Her får du opskriften på, hvordan du undgår AI-hallucinationer og skaber et skudsikkert fundament til dit arbejde, som bygger ovenpå principperne i vores komplette guide til NotebookLM.
Indholdsfortegnelse
- Hvorfor opfinder sprogmodeller overhovedet ting?
- Det lukkede arkiv: Sådan tøjrer du teknologien
- Tre skridt til at kvalitetssikre dit rugbrødsarbejde
- Din faglige dømmekraft er det vigtigste filter
Hvorfor opfinder sprogmodeller overhovedet ting?
Tænk på en standard AI som en utrolig ivrig praktikant, der har læst hele internettet. Praktikanten vil gerne gøre dig glad og levere et brugbart svar. Hvis du spørger om noget, den ikke helt har styr på, vil den hellere gætte kvalificeret end indrømme sin uvidenhed.
Det sker, fordi sprogmodeller som ChatGPT og Claude er trænet til at forudsige det næste ord i en sætning — ikke til at slå fakta op i en database. Modellen ved bogstaveligt talt ikke, om den husker korrekt eller fylder et hul ud med noget, der lyder rigtigt. Der er ingen intern alarm, der blinker rødt, når den krydser grænsen fra faktum til fiktion. Det er derfor, outputtet kan se fejlfrit ud i tonen og samtidig være fuldstændig forkert i substansen.
For en sagsbehandler i en styrelse eller en travl ejerleder er et gæt bare en regulær fejl. Det skaber utryghed, især når man arbejder med compliance, regler og nultolerance for forkerte oplysninger. Hvis man vil bygge en pålidelig kilde til sandhed med AI, dur det ikke med en maskine, der lader fantasien løbe af med sig. Vi har brug for tørre facts og præcise kildehenvisninger til vores egne dokumenter.
Det lukkede arkiv: Sådan tøjrer du teknologien
Her kommer Googles specialværktøj ind i billedet. NotebookLM bruger en teknik kaldet grounding. Det lyder teknisk, men det betyder ganske enkelt, at systemet får en form for digital fodlænke på. Det bliver bundet til præcis de dokumenter, du selv vælger at uploade — og kun dem.
Forestil dig, at du tager førnævnte ivrige praktikant og placerer vedkommende i et tomt mødelokale med fem af jeres egne fortrolige PDF-filer. Nu må praktikanten kun svare ud fra den tekst, der står i de fem mapper. Findes svaret ikke i mapperne, fortæller systemet dig blankt, at det ikke har oplysningerne. Denne strenge begrænsning er præcis det, der gør værktøjet pålideligt.
Konkret fungerer det sådan:
- Du opretter en notebook på notebooklm.google.com og giver den et sigende navn (f.eks. "Q1 Regnskab 2026").
- Du uploader dine kilder — op til 50 dokumenter pr. notebook. Det kan være PDF'er, Google Docs, kopieret tekst eller endda links til websider.
- Du stiller spørgsmål i chatvinduet, og systemet svarer udelukkende med information fra de uploadede kilder. Hvert svar indeholder nummererede kildehenvisninger, du kan klikke på for at se det præcise sted i originaldokumentet.
Det bliver dit eget, lukkede opslagsværk. Du bør dog kende til AI'ens største begrænsninger, før du bygger dine arbejdsprocesser op omkring det.
Tre skridt til at kvalitetssikre dit rugbrødsarbejde
Titlen lover tre skridt. Her er de — illustreret med et konkret eksempel fra en typisk kontordag.
Forestil dig en regnskabschef i en mellemstor virksomhed med 80 ansatte. Hver måned bruger hun omkring seks timer på manuelt at konsolidere data fra fire forskellige afdelingsrapporter. Det er tungt og ensformigt rugbrødsarbejde.
Skridt 1: Saml dine kilder ét sted
I stedet for at læse alt igennem med en overstregningstusch uploader hun de fire afdelingsrapporter (PDF) til én dedikeret notebook. Hun tilføjer også virksomhedens regnskabsprincipper som et femte dokument, så systemet kender de interne regler for, hvordan tal skal kategoriseres.
Tip: Navngiv dine kilder tydeligt før upload. "Salg_Q1_2026.pdf" er langt nemmere at arbejde med end "Rapport_final_v3_ENDELIG(2).pdf", både for dig og for systemet.
Skridt 2: Stil præcise spørgsmål og krydsreferencér
Nu stiller hun konkrete spørgsmål i chatvinduet. Ikke vage som "Opsummér rapporterne", men skarpe som:
- "Hvad er de samlede driftsudgifter for IT-afdelingen i Q1 ifølge kilderne?"
- "Sammenlign omsætningstallene fra Salg og Marketing — er der uoverensstemmelser?"
- "Hvilke poster er bogført under 'øvrige omkostninger' i mere end én rapport?"
Systemet genererer ikke bare et fint formuleret afsnit. Det sætter små, klikbare kildehenvisninger ind efter hvert eneste tal — f.eks. [1], [3]. Et klik på et tal i teksten åbner automatisk det originale dokument, præcis der hvor oplysningen står.
Skridt 3: Verificér med ét klik, og reagér på huller
Her sker det afgørende kvalitetstjek. For hvert nøgletal i opsummeringen klikker hun på kildehenvisningen og ser med egne øjne, at tallet matcher originalen. Hvis systemet svarer "Denne information fremgår ikke af de uploadede kilder", ved hun med det samme, at der mangler data i en af afdelingsrapporterne — og kan følge op direkte med den pågældende afdeling.
Resultatet: De seks timer er nu reduceret til omkring halvanden, og fejlraten er drastisk lavere, fordi hvert tal kan verificeres med ét klik. Det fungerer som et decideret faktatjekværktøj, fordi du altid har beviset lige ved hånden.
Din faglige dømmekraft er det vigtigste filter
Hos Poulsen & Vinding arbejder vi ofte med offentlige instanser og styrelser, hvor kravet til datasikkerhed og præcision er kompromisløst. Netop derfor er det afgørende at have fuldstændig styr på GDPR og privatliv, når man integrerer nye systemer.
Selvom systemet er låst fast til dine egne dokumenter, skal du stadig bruge din faglige dømmekraft. Maskinen forstår ikke konteksten af jeres specifikke virksomhedskultur, historik eller udtalte strategier. Den læser udelukkende den tekst, du har givet den. Det betyder:
- Ufuldstændige kilder giver ufuldstændige svar. Hvis din afdelingsrapport mangler en udgiftspost, vil NotebookLM ikke opfinde den — men den vil heller ikke advare dig om, at den burde være der. Det kræver din fagviden at opdage hullet.
- Tvetydigt sprog bliver tolket bogstaveligt. Hvis et dokument siger "omsætningen steg markant", og et andet siger "omsætningen steg med 4 %", vil systemet ikke nødvendigvis koble de to udsagn. Du skal stille det opfølgende spørgsmål.
- Kontekst ud over dokumenterne eksisterer ikke. Systemet ved ikke, at I skiftede ERP-system i februar, eller at én rapport bruger en anden valutakurs end de øvrige. Det er din opgave at sætte rammen.
Derfor er din fornemmeste opgave at stille skarpe spørgsmål og bruge kildehenvisningerne som et reelt arbejdsredskab. Du slipper for at lede efter nålen i høstakken, da maskinen peger direkte på den. Men det er stadig dig som fagperson, der i sidste ende skal vurdere, om det er den rigtige nål.
Det konkrete næste skridt? Vælg ét dokument, du alligevel skal arbejde med i denne uge. Upload det til NotebookLM, stil tre spørgsmål til indholdet, og tjek kildehenvisningerne. På den måde oplever du selv forskellen mellem en AI der gætter, og en der dokumenterer.
