RAG: låt AI:n svara utifrån dina egna dokument

En AI vet mycket allmänt, men ingenting om ditt företag. Den känner inte till era interna processer, era kundavtal eller vad ni beslutade i förra veckans möte.

Lösningen är enkel: ge den texten först.

UTAN:  "Vilken är vår policy för återbud?"
       → "Det varierar mellan företag. Kontrollera ert avtal."

MED:   [här är vår interna handbok: ...]
       "Vilken är vår policy för återbud?"
       → "Enligt handboken är det 30 dagars varsel."

Samma modell, samma fråga — helt olika svar. Skillnaden är att den andra gången fick den underlaget.

Men du kan inte klistra in allt. Har du 500 sidor dokument ryms de inte i frågan. Alltså måste någon välja ut de sidor som handlar om just din fråga.

Och det är precis vad en sökmotor gör. Därför är sökmotorn förkunskapen: den här tekniken är en sökmotor plus en AI, ihopkopplade.

Fyra steg, varje gång du ställer en fråga:

Steg	Vad som händer
1. Sök	hitta de stycken i dina texter som liknar frågan
2. Välj	ta de tre till fem bästa
3. Klistra in	lägg dem i prompten tillsammans med frågan
4. Svara	modellen svarar utifrån det som står där

Metoden kallas RAG — retrieval-augmented generation, ungefär «generering med hämtat stöd».

Tre fördelar:

Fördel	Varför
Svaret bygger på dina texter	inte på vad modellen råkar minnas
Du kan kontrollera	källan visas bredvid svaret
Uppdatering är enkel	byt ut dokumentet, inget behöver tränas om

Men: hämtas fel stycken blir svaret fel — och det låter fortfarande lika säkert. Modellen kan inte veta att den fick fel underlag.

Två sätt att söka:

Sätt	Hittar	Missar
Ordmatchning	exakt samma ord	omskrivningar: «avbokningspolicy» mot «regler för återbud»
Betydelselikhet	omskrivningar och synonymer	exakta koder och namn ibland

Det andra bygger på att texter görs om till talserier där liknande betydelse ger liknande tal. Bäst blir att använda båda.

Gör det för hand — det går, och det lär dig mer än att läsa om det.

Förberedelse. Ta fem sidor ur era egna interna dokument eller en handbok. Numrera styckena.

Omgång 1 — utan hämtning. Ställ tre specifika frågor om innehållet till en chatbot, utan att klistra in något.

Omgång 2 — med hämtning. För varje fråga:

1. Leta själv upp det stycke som svarar på den (du är sökmotorn).
2. Klistra in stycket, sedan frågan.
3. Jämför svaret med omgång 1.

Omgång 3 — fel underlag, med flit. Klistra in ett stycke som inte handlar om frågan och ställ frågan ändå.

Vad du kommer att se:

Omgång	Typiskt resultat
1	allmänt, ofta undvikande, ibland påhittat
2	specifikt och korrekt, med formuleringar ur din text
3	här är det intressanta — se nedan

Omgång 3 är experimentets poäng. Modellen gör vanligtvis något av tre saker: svarar utifrån det irrelevanta stycket (fel svar, säker ton), säger att stycket inte innehåller svaret (bra!), eller blandar ihop stycket med sin egen allmänkunskap (värst, för det är svårast att upptäcka).

Slutsatsen: hela systemets kvalitet hänger på att rätt stycke hämtas. AI:n kan inte laga en dålig sökning — och därför är det sökdelen, inte modellen, man oftast behöver förbättra.