Kort svar: En videns-bot svarer ud fra DINE dokumenter i stedet for modellens almene viden – teknikken hedder RAG: bottens første skridt er en SØGNING i din vidensbase, og modellen formulerer svaret ud fra de fundne passager, med kildehenvisning. Opskriften: saml og strukturerér kilderne (guides, FAQ, politikker – ét emne pr. dokument), vælg en vej (færdig tjeneste, hvor du uploader dokumenter – eller selvbygget med n8n og en vektordatabase), instruér botten i at citere kilder og sige „ved ikke“ – og LOG de spørgsmål, den ikke kan svare på: de er din liste over manglende indhold.
Forskellen på en chatbot, der digter, og en, der hjælper, er ikke modellen – det er GRUNDLAGET: en bot uden adgang til jeres viden kan kun gætte præsentabelt. Denne guide bygger fundamentet rigtigt: vidensbasen, søgelaget og instruksen – hvad enten målet er en intern hjælper til teamet eller (senere) den kundevendte bot fra chatbot-guiden.
RAG (retrieval-augmented generation) lyder teknisk, men idéen er hverdagsagtig: når botten får et spørgsmål, slår den FØRST op i din vidensbase – en søgning, der finder de mest relevante passager (typisk via „vektor-søgning“, som matcher på MENING frem for præcise ord: „kan jeg fortryde købet?“ finder også dokumentet om „returret“) – og formulerer SÅ svaret ud fra netop de passager, med henvisning til kilden. Modellen går fra at være altvidende gætter til at være en læsefærdig kollega med håndbogen åben. Det ændrer risikoprofilen fundamentalt: svaret kan stadig formuleres skævt, men indholdet er bundet til noget, DU har skrevet – og kan tjekkes med ét klik på kilden. Det er den mekanik, der gør videns-bots forsvarlige, hvor rå chatbots ikke er.
Botten bliver aldrig bedre end basen – så start HÉR, ikke i teknikken: saml de dokumenter, der faktisk svarer på de spørgsmål, botten skal kunne (guides, FAQ, politikker, produktdata, interne procedurer), og gør dem SVARBARE: ét emne pr. dokument, beskrivende overskrifter, svaret tidligt i afsnittet, konkrete fakta frem for marketingprosa – præcis de skriveprincipper, citerbarheds-guiden anbefaler for AI-søgning generelt; en base, der er god for din bot, er samtidig godt indhold for verden. Ryd op FØR indeksering: forældede dokumenter og modstridende versioner er gift – botten kan ikke vide, at 2023-udgaven af returpolitikken er død, hvis den stadig ligger i mappen. Og hold kilderne FÅ og EJEDE: jeres egne dokumenter og sider – ikke hele internettet, ikke konkurrenters indhold.
Færdige tjenester (mange helpdesk- og chatbot-platforme har RAG indbygget): upload dokumenter eller peg på dine sider, og botten er kørende på en eftermiddag – betal abonnement, og tjek de sædvanlige tre: dataplacering, træningsfravalg, databehandleraftale. Selvbyg: for teknisk anlagte er stakken overkommelig – dokumenter opdeles og indekseres i en vektordatabase, og et flow (n8n har færdige byggeklodser til præcis dette) binder søgning og model sammen; kører det på din egen selvhostede n8n på en VPS, bliver hele kæden fra spørgsmål til viden på EU-grund, du selv kontrollerer. WordPress som kilde: dine guides kan høstes automatisk via REST API’et, så basen følger sitet – publicerer du en ny guide, kan botten den i morgen. Vælg efter samme kriterium som altid: hvem skal VEDLIGEHOLDE løsningen om et år?
Fire håndtag skiller den gode bot fra den frustrerende: Opdelingen (chunking) – dokumenter indekseres i bidder, og bidder, der følger dokumentets AFSNIT (ét spørgsmål, ét svar), søger langt bedre end vilkårlige klip midt i sætninger; endnu en grund til strukturerede kildedokumenter. Kildehenvisningen – instruér botten i ALTID at vise, hvilket dokument svaret bygger på; det disciplinerer modellen og giver brugeren tjek-muligheden. „Ved ikke“-instruksen – „finder søgningen ikke et relevant grundlag, så sig det, og henvis til [kontaktvej]“; en videns-bot, der falder tilbage på almen viden, når basen er tom, er tilbage til at gætte. Synkroniseringen – når et dokument ændres, skal indekset opdateres (automatisk ved ændring, eller natligt); en bot på en forældet base er farligere end ingen bot, fordi den lyder opdateret.
Startscenariet er næsten altid INTERNT: en bot på håndbøger, procedurer og produktviden, som teamet spørger i stedet for at forstyrre den erfarne kollega – gevinsten er øjeblikkelig, og fejlene er ufarlige, mens I lærer. Derfra: kundeservice-opslag (agentens håndbogs-opslag fra AI-kundeservice-guiden), onboarding af nye medarbejdere – og for bureauer: en bot pr. kundesites dokumentation, så „hvordan var det nu med kunde X’s fragtopsætning?“ er et opslag. Først når den interne bot har bevist sig, overvejes den kundevendte – med alle spillereglerne fra chatbot-guiden. Og uanset scenarie: LOG de spørgsmål, botten ikke kunne svare på, og gennemgå dem månedligt – hvert ubesvaret spørgsmål er et manglende eller uklart dokument, og på den måde gør botten stille din vidensbase – og dermed hele virksomheden – klogere, måned for måned.
Retrieval-augmented generation: botten søger først i dine dokumenter og formulerer svaret ud fra de fundne passager med kildehenvisning – i stedet for at trække på modellens almene viden.
Ja – guides og sider kan høstes automatisk via REST API’et og holdes synkrone, så basen følger sitet. Nye guides er i botten dagen efter publicering.
Risikoen falder dramatisk, fordi svaret bindes til dine kilder – men den er ikke nul: kræv kildehenvisning, instruér i „ved ikke“, og hold basen opdateret. Stikprøver hører stadig til driften.
