Scout Robotics

Jeres AI ved alt om verden. Men den aner ikke, hvad jeres bedste kunde købte i sidste uge.

I det forrige indlæg dykkede vi ned i LLM - hjernen bag moderne AI. Men en hjerne uden adgang til jeres viden er kun halvt nyttig. Det er her RAG kommer ind.

RAG - Retrieval-Augmented Generation - giver AI'en adgang til jeres data, i det øjeblik den skal svare.

Før AI'en åbner munden, søger systemet i jeres dokumenter og giver de relevante dele med som kontekst. Resultatet? Svar baseret på jeres viden - ikke bare generel træning.

Tænk på det som en bibliotekar, der kender hele jeres arkiv udenad - og i stedet for at pege jer hen til en reol, giver jer svaret direkte.

I Dansk Planteinspektion har vi valgt at berige vores SharePoint med en RAG-løsning. Det betyder at jeg i hverdagen spørger den ting som:

→ "Find et billede af en grøn traktor" - ikke via filnavn, men fordi den har forstået hvad der er PÅ billedet.
→ "Find det seneste salgsstrategi-dokument" - den ved hvilken version der er nyest og giver mig svaret direkte.
→ "Hvor gemmer vi vores logo i PNG-format?" - i stedet for at ringe til marketing og vente.
→ "Hvordan laver man et kort til en John Deere-terminal?" - den finder den tekniske guide og formulerer svaret.
→ "Hvad står der om sygdom og alkohol i vores personalehåndbog?" - svar med præcis reference til afsnit og side.

Prøv at gøre det samme med en normal SharePoint-søgning. Held og lykke.

Forskellen er fundamental:

→ SharePoint giver jer en liste af filer I selv skal åbne og lede i. RAG læser dokumenterne og formulerer svaret direkte.
→ SharePoint finder kun keyword-matches - "traktor" finder ikke "landbrugskøretøj". RAG forstår meningen.
→ RAG kombinerer information fra flere dokumenter i ét sammenhængende svar - på tværs af mapper og siloer.
→ Hvert svar er kildeforankret - fx "slide 4 i Prisliste_2026.pptx" - så man kan verificere og læse videre.

Og det stopper ikke ved dokumentsøgning. Samme princip virker til:

→ Kundeservice der svarer konsistent ud fra jeres produktdokumentation - 24/7, uden oplæring.
→ Onboarding af nye medarbejdere der kan spørge sig frem i stedet for at lede i mapper.
→ Compliance og kvalitetssikring - AI'en svarer kun ud fra godkendt materiale.

Bundlinje: RAG er det der gør AI relevant for JER - ikke bare generelt.

Næste gang ser vi på forskellen mellem en Assistant og en Agent - og hvorfor det afgør hvor meget værdi I faktisk får ud af det hele.

Hvad ville I spørge jeres dokumenter om, hvis I kunne? Skriv det i
kommentarerne 👇

De fleste bruger kun en brøkdel af det AI faktisk kan.
Ikke af mangel på vilje — men fordi 5 nøglebegreber mangler i puslespillet.

AI er ikke længere ét værktøj. Det er et helt økosystem. Og hvis du sidder med ansvar for teknologi eller forretning, er der 5 begreber du skal have styr på — ikke fordi de er nye, men fordi de nu faktisk virker i praksis. De er gået fra forskningspapirer til produktionsklare værktøjer, og de virksomheder der forstår dem først, får en markant fordel.

Her er den korte version:

🧠 LLM (Large Language Model) — Selve "hjernen". En sprogmodel som Claude eller GPT der kan forstå og generere tekst. Den kan tænke, men ikke handle. Tænk på den som en ekstremt veluddannet kollega der aldrig har været på jeres kontor.

📂 RAG (Retrieval-Augmented Generation) — Giver AI’en adgang til DINE data. Jeres dokumenter, jeres database, jeres viden — uden at træne en ny model. Det er det der gør AI relevant for netop jeres virksomhed.

💬 Assistant — Tænk på den som en dygtig vikar: Vikaren kender ikke huset, men giv vikaren en briefing, en skabelon og klare instruktioner, og vikaren svarer ensartet og præcist ud fra det I har defineret. Vikaren gør kun det du beder om — men gør det konsistent hver gang.

⚡ Agent — Din mangeårige kollega. Kollegaen kender systemerne, ved hvem der skal have hvad, og handler selvstændigt. Sæt den i gang med "hold øje med sensordata og sig til hvis noget ser mærkeligt ud" — og den gør det. Uden du behøver spørge igen.

🔌 MCP (Model Context Protocol) — "USB for AI". En standard der lader AI koble sig til jeres systemer — CRM, databaser, fildrev — uden custom-integrationer. Det lim der binder økosystemet sammen.

Indlægget her er det første i en serie, hvor vi går i dybden med hvert begreb — med fokus på hvad det betyder for jer der skal træffe beslutninger, ikke bare dem der bygger teknologien.

Forstår I begreberne, kan I stille de rigtige spørgsmål. Og det er dér værdien starter.

Hvilket af de 5 begreber er mest uklart for dig lige nu? Skriv det i kommentarerne — så starter vi dér 👇

hashtag hashtag hashtag hashtag hashtag hashtag hashtag

Præcisionslandbrug - Horsch sprøjte med Fendt terminal Det behøver ikke være svært at komme i gang med præcisionslandbrug. Denne video viser hvad der skal til og giver et eksempel med en Horsch sprøjte med en Fen...