I denne uge byggede jeg et værktøj der henter bestyrelsesmedlemmer for 64 danske virksomheder, strukturerer dem i en tabel med formand, direktør og øvrige medlemmer, og gemmer resultatet i et format jeg kan arbejde videre med.
Ingen del af det involverer en sprogmodel. Ingen del af det burde.
Det er et eksempel på en pointe der er vigtigere end den lyder: den største fejl virksomheder laver med AI er at bruge AI til opgaver der ikke kræver AI.
Hvad værktøjet gør
Det læser en CSV-fil med CVR-numre og virksomhedsnavne. For hver virksomhed henter det den offentlige side fra datacvr.virk.dk, parser HTML'en med regulære udtryk, og trækker personkredsen ud — direktion, bestyrelse, formand, suppleanter. Resultatet er en struktureret fil med én række per virksomhed.
Hele processen er deterministisk. Samme input giver samme output, hver gang. Der er ingen fortolkning, ingen "kreativitet", ingen sandsynlighedsbaserede gæt. Og det er præcis derfor den virker.
Hvorfor det ikke er en opgave for en LLM
En sprogmodel kunne teknisk set parse HTML og trække navne ud. GPT-4 eller Claude ville sandsynligvis give et korrekt svar 95 % af gangene. Men de 5 % er problemet.
Når du kører en LLM over 64 virksomheder, får du 3-4 fejl. Måske bytter den rundt på formand og næstformand. Måske opfinder den et bestyrelsesmedlem der ikke eksisterer. Måske dropper den et kompliceret udenlandsk navn. Du ved ikke hvilke 3-4 det er, før du manuelt tjekker dem alle.
En deterministisk parser giver dig enten det rigtige svar eller en eksplicit fejl. Den fejler aldrig stille. Den hallucinerer ikke. Den koster ingenting at køre, og den kører på sekunder.
Det er ikke en svaghed ved LLM'er — det er bare en forkert opgave til dem. Ligesom du ikke bruger en boremaskine til at skrue en skrue i. Værktøjet passer ikke til opgaven.
Hvornår skal du IKKE bruge en LLM?
Her er en simpel tommelfingerregel: Hvis du kan beskrive opgaven som en serie af regler uden undtagelser, skal du ikke bruge en LLM.
Konkret:
- Parsing af struktureret eller semi-struktureret data — HTML, JSON, CSV, XML. Regulære udtryk og parsers er hurtigere, billigere og 100 % reproducerbare.
- Transformation af data fra ét format til et andet — konvertering, mapping, filtrering, sortering. Det er matematik og logik, ikke sprogforståelse.
- Opslag og krydsreferencer — slå op i en database, sammenlign to lister, find dubletter. Deterministisk per definition.
- Regelbaseret validering — tjek om en email er gyldig, om et CVR-nummer har otte cifre, om en dato ligger i fremtiden. Regler, ikke fortolkning.
- Automatisering af repetitive workflows — hent fil, kør transformation, gem resultat, send besked. Orkestreringslogik, ikke intelligens.
Hvornår skal du bruge en LLM?
Omvendt: Hvis opgaven kræver at forstå betydning, kontekst eller nuance, er en LLM det rigtige værktøj.
- Opsummering af ustruktureret tekst
- Klassificering baseret på indhold (ikke nøgleord)
- Generering af tekst i en bestemt tone
- Besvarelse af spørgsmål over dokumenter
- Oversættelse med kontekstforståelse
Skellet er klart: regler vs. forståelse. Hvis du kan skrive en if-sætning der løser det, behøver du ikke en LLM. Hvis du ikke kan, er det tid til en.
Det dyre ved at ignorere skellet
Når virksomheder bruger LLM'er til opgaver der burde være deterministiske, sker tre ting:
-
Det bliver dyrt. Hvert API-kald til en sprogmodel koster. For mit CVR-værktøj ville 64 opkald koste et sted mellem 5 og 50 kr. Det koster nul med en lokal parser.
-
Det bliver upålideligt. En LLM svarer sandsynlighedsbaseret. Samme input kan give lidt forskellige svar hver gang. For en tabel med bestyrelsesmedlemmer er "lidt forskellig" det samme som "forkert".
-
Det bliver uigennemskueligt. Når nogen spørger "hvorfor står der det her?", er svaret enten "fordi reglen siger det" (deterministisk) eller "fordi modellen valgte det" (LLM). Den ene kan debugges. Den anden kan undskyldes.
Hvad compound AI systems egentlig handler om
Det her er kernen i compound AI systems-arkitekturen: et godt AI-system er ikke ét stort neuralt netværk. Det er en samling af komponenter, hvor hver komponent bruger den rigtige teknologi til sin del af opgaven.
- Deterministisk logik til alt der kan beskrives som regler
- LLM'er til det der kræver sprogforståelse
- Søgemaskiner (RAG) til at finde relevant kontekst
- Validering til at tjekke om outputtet holder
Langt størstedelen af et velfungerende AI-system er ikke AI. Det er pipelines, parsers, validering og kontrollogik. Den del er billig at bygge, billig at drifte, og let at debugge. Det er skelettet omkring AI'en — og det er der pengene tjenes.
Hvad det betyder for din virksomhed
Næste gang nogen foreslår at løse en opgave med AI, stil ét spørgsmål:
"Kan vi beskrive det som regler?"
Hvis ja: byg det som regler. Det er hurtigere, billigere og mere pålideligt.
Hvis nej: brug en LLM — men omgiv den med deterministisk logik der validerer, kontrollerer og strukturerer det AI'en producerer.
Svaret er næsten aldrig "kun AI" eller "slet ikke AI". Det er "AI der hvor det giver mening, regler alle andre steder". Det er ikke det sexede svar. Det er det rigtige.