Den nemmeste måde at bruge AI på produktdata er også den værste: marker et par hundrede rækker i regnearket, smid dem ind i en chat, og bed den om at skrive beskrivelser, fylde hullerne ud og rydde op. Det føles produktivt. Og det er præcis derfor, det er farligt.
For chatten gør tre ting på én gang, som den ikke burde blande sammen. Den finder på, hvor den burde slå op. Den ændrer felter, du ikke bad den røre. Og den efterlader intet spor af, hvad der faktisk skete. Tre hundrede produkter senere har du en fil, du ikke tør importere — fordi du ikke kan se forskel på det, modellen vidste, og det, den gættede.
Jeg har lige bygget det modsatte til mit eget Shopify-katalog. Ikke en større AI. En lille, kedelig skal omkring en lille AI. Og pointen i den skal er hele forskellen.
Det chatten ikke kan se
Et Shopify-eksport er ikke en pæn tabel med ét produkt pr. række. Ét produkt er spredt ud over flere rækker — en master-række med titlen, så en række pr. størrelse, så en række pr. billede. Lager, priser, SKU'er og stregkoder ligger nede i variant-rækkerne.
Når du kopierer det ind i en chat, ser modellen bare tekst. Den aner ikke, at række 2 til 9 er størrelser, den ikke må pille ved, eller at en pris-celle er hellig. Beder du den "rydde op", kan den lige så godt skrive en beskrivelse oven i et lagertal. Den ved ikke, at den gjorde det. Og du opdager det måske først, når en vare pludselig står som udsolgt i butikken.
Det er ikke fordi modellen er dum. Det er fordi den ikke har nogen ramme. Den har ingen regler for, hvad der må ændres, ingen validering af, om resultatet giver mening, og ingen hukommelse om, hvad der allerede stod der. Alt det skal ligge udenom modellen. Det er den ramme, jeg byggede.
Tre slags arbejde — kun ét af dem er AI
Da jeg skilte opgaven ad, viste det sig, at langt det meste ikke er en AI-opgave overhovedet. Det falder i tre bunker.
Det regelbestemte gør jeg deterministisk — uden AI. Køn er det reneste eksempel. En sko, hvis størrelser stopper ved 42, er en damesko. Starter de ved 38 og går op, er det herre. Spænder de over begge, er det unisex. Det er en regel, ikke et skøn. Så den kører som en regel: systemet læser størrelserne fra varianterne og afgør køn på samme måde hver eneste gang. En sprogmodel ville give det rigtige svar de fleste gange — og et selvsikkert forkert svar resten. Hvorfor betale for et gæt, når svaret står i dataene?
Det sproglige overlader jeg til AI — men kun det. En sælgende produktbeskrivelse, en SEO-titel på højst 60 tegn, en meta-beskrivelse, der lyder dansk og ikke maskinel — det er ægte sprogarbejde, hvor en model er bedre end en regel. Så dér, og kun dér, kalder systemet en model. Den får én kompakt kontekst om produktet — navn, type, materiale, farve, tags — og én klar instruktion. Den skriver teksten. Den rører ikke andet.
Det kritiske validerer jeg — før noget som helst forlader systemet. Et fast sæt regler tjekker hvert produkt: mangler typen? Er SEO-titlen for lang? Er kønnet et af de gyldige? Er beskrivelsen tom? Resultatet er en liste over præcis, hvad der er galt, og hvor — ikke en mavefornemmelse. Et dashboard viser, hvor stor en del af kataloget der er klar til eksport, og hvad der står tilbage.
Bemærk forholdet. To af de tre bunker er ren mekanik. AI'en laver én ting — den sproglige — og den laver den indkapslet, med data den ikke selv har fundet på, og et resultat der bliver valideret bagefter. Det er ikke en lille rolle. Men det er en afgrænset rolle. Og afgrænsningen er det, der gør den til at stole på.
Den sikre udgang
Det sidste lag er det, chatten slet ikke har: en dør, der kun kan åbnes på den sikre måde. Når kataloget skal tilbage til Shopify, skriver systemet bevidst kun master-rækken og kun de kolonner, der hører til produktniveau — titel, beskrivelse, SEO, køn, tags. Pris, lager, varianter og billeder kommer slet ikke med i filen.
Det er ikke en advarsel i en manual om at passe på. Det er en garanti i selve mekanikken: de felter, der kunne gøre skade, er ikke til stede, så de kan ikke ændres. Shopify rører kun det, der står i importfilen. Står det ikke der, er det urørligt. Forskellen mellem "husk nu ikke at ændre lageret" og "lageret er fysisk ikke i filen" er forskellen mellem at håbe og at vide.
Hvad ledelsen skal tage med
Det her handler ikke om sko, og det handler ikke om Shopify. Det handler om, hvordan man bruger AI på data, man ikke har råd til at få ødelagt — kunderegistre, prislister, kontrakter, lagerstyring.
Den dyre fejl er at give modellen for meget at lave. Jo flere slags arbejde du presser ind i ét chat-felt, jo mindre kan du stole på resultatet. Indsigten er at skille opgaven ad: hvad er en regel, hvad er et sprog-skøn, og hvad skal kontrolleres? De tre ting hører til tre forskellige steder — ikke i den samme samtale.
AI'en er den mindste del af et godt AI-system. Det meste af det, der gør mit lille system pålideligt, er ikke AI. Det er reglerne, valideringen og den sikre eksport — skallen udenom. Det er også dér, værdien ligger og risikoen styres. Modellen er motoren; men det er chassiset, bremserne og sikkerhedsselen, der afgør, om du tør sætte dig ind.
Reviderbarhed er ikke en luksus, det er forudsætningen. Når køn afgøres af en regel, kan jeg forklare hvert eneste svar. Når en tekst er skrevet af en model, ved jeg præcis hvilken, og at den kun rørte tekstfeltet. Når filen eksporteres, kan jeg se, hvad der blev skrevet, og hvad der blev bevaret. Det kan du ikke, når du har kopieret tre hundrede rækker ind i en chat og trykket retur. Og kan du ikke forklare, hvad der skete, kan du heller ikke stå inde for det.
Drop chatten til den slags. Ikke fordi modellen er for dårlig — den er ofte god nok. Men fordi en chat er det forkerte sted at lade den arbejde. Byg en lille skal omkring den i stedet: lad reglerne være regler, lad AI'en gøre det ene, den er bedst til, og luk døren, så det kritiske ikke kan slippe ud. Det er ikke smart. Det er bare den eneste måde, AI bliver noget, du kan stole på i produktion.