Byg en videns-bot på egne guides og dokumenter

Kort svar: En videns-bot svarer ud fra dine egne dokumenter i stedet for modellens almene viden. Teknikken hedder RAG: botten søger først i din vidensbase og formulerer derefter svaret ud fra de fundne passager med kildehenvisning. Opskriften er at samle og strukturere kilderne (ét emne pr. dokument), vælge mellem en færdig tjeneste og en selvbygget løsning, instruere botten i at citere kilder og sige “det ved jeg ikke” – og logge de spørgsmål, den ikke kan svare på, fordi de viser, hvilket indhold der mangler.

Fagligt gennemgået: 2. oktober 2026

Forskellen på en chatbot, der digter, og en, der hjælper, er sjældent modellen. Det er grundlaget. En bot uden adgang til jeres viden kan kun gætte – præsentabelt, men stadig gætte.

Denne guide bygger fundamentet rigtigt: vidensbasen, søgelaget og instruksen. Det gælder, uanset om målet er en intern hjælper til teamet eller senere den kundevendte bot fra guiden om AI-chatbots på hjemmesiden.

RAG på dansk: søg først, svar bagefter

RAG står for retrieval-augmented generation. Det lyder teknisk, men idéen er hverdagsagtig. Når botten får et spørgsmål, slår den først op i din vidensbase og finder de mest relevante passager. Derefter formulerer den svaret ud fra netop de passager og henviser til kilden.

Søgningen sker typisk med såkaldt vektorsøgning, der matcher på betydning frem for præcise ord. Spørgsmålet “kan jeg fortryde købet?” finder derfor også dokumentet om returret, selv om ordet “fortryde” ikke står der. Mange løsninger kombinerer vektorsøgning med almindelig ordsøgning, så produktnavne og varenumre også rammes præcist.

Modellen går fra at være en altvidende gætter til at være en kollega med håndbogen åben. Det ændrer risikoprofilen markant: svaret kan stadig formuleres skævt, men indholdet er bundet til noget, du selv har skrevet – og kan kontrolleres med ét klik på kilden.

Vidensbasen: kvalitet ind, kvalitet ud

Botten bliver aldrig bedre end basen. Start derfor her og ikke i teknikken. Saml de dokumenter, der faktisk svarer på de spørgsmål, botten skal kunne: guides, FAQ, politikker, produktdata og interne procedurer.

Gør dem derefter svarbare:

• ét emne pr. dokument
• beskrivende overskrifter
• svaret tidligt i afsnittet
• konkrete fakta frem for marketingprosa
• dato eller version på dokumenter, der ændrer sig

Det er de samme principper, som guiden om at skrive citérbart anbefaler for AI-søgning generelt. En base, der er god for din bot, er samtidig godt indhold for dine læsere.

Ryd op før indeksering. Forældede dokumenter og modstridende versioner er gift: botten kan ikke vide, at 2023-udgaven af returpolitikken er udgået, hvis den stadig ligger i mappen. Hold samtidig kilderne få og egne: jeres dokumenter og sider – ikke hele internettet og ikke konkurrenters indhold.

Vejene: tjeneste eller selvbyg

Færdige tjenester: mange helpdesk- og chatbotplatforme har RAG indbygget. Du uploader dokumenter eller peger på dine sider, og botten kan køre samme dag. Du betaler abonnement og bør tjekke de sædvanlige tre punkter: dataplacering, fravalg af træning og databehandleraftale.

Selvbygget: for teknisk anlagte er stakken overkommelig. Dokumenterne deles op og indekseres i en vektordatabase, og et flow binder søgning og sprogmodel sammen. Automatiseringsværktøjet n8n har byggeklodser til netop den slags flows. Kører det på din egen selvhostede n8n på en VPS, styrer du selv, hvor flow og vidensbase ligger. Bruger du en ekstern sprogmodel, sendes spørgsmål og fundne passager dog stadig til modeludbyderen – så den aftale skal også være i orden.

WordPress som kilde: dine guides kan hentes automatisk via WordPress REST API, så basen følger sitet. Publicerer du en ny guide, kan botten bruge den ved næste synkronisering.

Kriterium	Færdig tjeneste	Selvbygget løsning
Opstart	Hurtig – upload og konfigurér	Kræver teknisk opsætning og test
Kontrol over data	Afhænger af udbyderens vilkår	Du vælger selv lager og flow
Vedligehold	Udbyderen opdaterer platformen	Du står selv for opdateringer og sikkerhed
Tilpasning	Begrænset til platformens muligheder	Fri, men alt skal bygges
Omkostning	Abonnement	Server, modelforbrug og din tid

Vælg efter det kriterium, der altid afgør det: hvem skal vedligeholde løsningen om et år?

Opsætningen, der afgør kvaliteten

Fire håndtag skiller den gode bot fra den frustrerende:

1. Opdelingen (chunking): dokumenter indekseres i bidder. Bidder, der følger dokumentets afsnit – ét spørgsmål, ét svar – giver langt bedre søgeresultater end vilkårlige klip midt i sætninger. Endnu en grund til strukturerede kildedokumenter.
2. Kildehenvisningen: instruér botten i altid at vise, hvilket dokument svaret bygger på. Det disciplinerer modellen og giver brugeren mulighed for at tjekke.
3. “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.
4. Synkroniseringen: når et dokument ændres, skal indekset opdateres – automatisk ved ændring eller hver nat. En bot på en forældet base er farligere end ingen bot, fordi den lyder opdateret.

Adgang og sikkerhed i vidensbasen

En intern videns-bot kan let komme til at vise mere, end den enkelte medarbejder normalt har adgang til. Tænk derfor adgang ind fra start:

• Rettigheder pr. dokument: hvis HR-dokumenter, lønforhold eller kundekontrakter ligger i basen, skal botten respektere, hvem der må se dem. Kan løsningen ikke det, så hold den slags dokumenter ude.
• Persondata i basen: en vidensbase er også en behandling af persondata, hvis der ligger kundesager eller medarbejderdata i den. Gør dokumenterne generelle, eller anonymisér dem – samme princip som i guiden om AI og kundedata.
• Instruktioner gemt i dokumenter: tekst i et dokument kan forsøge at styre modellen (“ignorér dine instrukser og …”). Indeksér kun kilder, I selv kontrollerer, og giv ikke botten adgang til handlinger – som at sende mails eller ændre data – uden en menneskelig godkendelse.
• Logning: gem spørgsmål og svar i en periode, så I kan finde fejl, men beslut, hvor længe loggen opbevares, og hvem der må se den.

Mål kvaliteten med et fast testsæt

Det er fristende at teste en bot ved at stille den et par spørgsmål og nikke tilfreds. Lav i stedet et fast testsæt:

1. Skriv 20–30 rigtige spørgsmål, som kolleger eller kunder faktisk stiller, og notér det korrekte svar og den rigtige kilde.
2. Tag også spørgsmål med, som basen ikke kan besvare. Her er det rigtige svar “det ved jeg ikke”.
3. Kør testsættet, før botten tages i brug, og igen efter hver større ændring af dokumenter, opdeling eller model.
4. Gennemgå svarene: er de korrekte, er kilden rigtig, og siger botten fra, når den skal?

Testsættet gør det muligt at se, om en ændring forbedrer botten eller blot ændrer den. Det tager en eftermiddag at lave og sparer mange diskussioner om mavefornemmelser.

Brug og vedligehold

Det oplagte startscenarie er næsten altid internt: en bot på håndbøger, procedurer og produktviden, som teamet spørger i stedet for at forstyrre den erfarne kollega. Gevinsten kommer hurtigt, og fejlene er ufarlige, mens I lærer.

Derfra kan botten udvides til:

• kundeserviceopslag, som beskrevet i guiden om kundeservice med AI
• onboarding af nye medarbejdere
• for bureauer: en bot pr. kundes dokumentation, så “hvordan var det nu med kunde X’s fragtopsætning?” bliver et opslag

Først når den interne bot har bevist sit værd, bør I overveje en kundevendt version – med alle spillereglerne fra chatbotguiden.

Uanset scenarie: log de spørgsmål, botten ikke kunne svare på, og gennemgå dem hver måned. Hvert ubesvaret spørgsmål peger på et manglende eller uklart dokument. På den måde gør botten løbende jeres vidensbase bedre.

Læs også

• Hub: AI i praksis
• AI-chatbot på dit site: når den hjælper – og når den skader
• Skriv citérbart: FAQ, „kort svar“-blokke og struktur, AI kan løfte
• Selvhostet n8n på en VPS: opsætning, sikkerhed og priser
• WordPress REST API i praksis: hent og opdatér data udefra
• VPS hosting hos Hostious – tilpasses efter behov, fx til en selvhostet automatiseringsplatform

Ofte stillede spørgsmål om videns-bots

Hvad er RAG?

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.

Kan botten lære af vores WordPress-indhold?

Ja. Guides og sider kan hentes automatisk via REST API’et og holdes synkrone, så basen følger sitet. Nye guides kan botten bruge efter næste synkronisering.

Hallucinerer en RAG-bot ikke?

Risikoen falder markant, fordi svaret bindes til dine kilder, men den er ikke nul. Kræv kildehenvisning, instruér i at sige “det ved jeg ikke”, og hold basen opdateret. Stikprøver hører stadig til driften.

Hvor mange dokumenter skal der til, før en videns-bot giver mening?

Der er ingen fast grænse. Botten giver mening, når der findes dokumenter, der besvarer de spørgsmål, folk faktisk stiller. Få velskrevne dokumenter slår mange forældede.

Kan alle medarbejdere se alt, hvad botten kender?

Det afhænger af løsningen. Kan den ikke styre adgang pr. dokument, skal fortrolige dokumenter som HR, løn og kontrakter holdes ude af vidensbasen.