Role Prompting

Role prompting betyder, at du tildeler modellen en identitet, før du stiller selve opgaven. "Du er en erfaren marketingkonsulent med 15 års erfaring" er ikke en instruktion om, hvad der skal produceres. Det er en rammesætning af, hvilken slags tekst der skal produceres.

Forskellen til almindelig instruction-following er retningen. En instruktion beskriver opgaven: "Skriv en analyse af tre kanaler." En rolle beskriver afsenderen, og lader afsenderen bestemme formen. I praksis kombinerer de fleste gode prompts begge dele, fordi rollen alene sjældent er præcis nok om leverancen.

Forskellen til few-shot er, hvordan stilen fastlægges. Few-shot viser modellen konkrete eksempler på ønsket output og lader mønstret tale. Role prompting beskriver stilen abstrakt og sparer plads i context window, men styrer mindre præcist. Har du et fast format, du skal ramme, er eksempler stærkere end en rollebeskrivelse.

Zero-shot uden rolle er det nøgne udgangspunkt: opgaven alene, uden hverken eksempler eller persona.

En sprogmodel forudsiger næste token betinget af hele prompten. Ordene i rollebeskrivelsen ændrer denne betingning. "Marketingkonsulent", "15 års erfaring" og "kunde" gør fortsættelser, der ligner faglig rådgivningstekst, mere sandsynlige end fortsættelser, der ligner et generisk leksikonopslag.

Effekten kommer især fra ordforråd og struktur. Rolleord trækker fagtermer, sædvanlige rammeværk og en bestemt sætningsrytme med sig, fordi de statistisk optræder sammen i træningsdata. Det er derfor en specifik rolle virker bedre end en vag: "ekspert" er spredt ud over alle fagområder, mens "B2B-marketingkonsulent for SaaS-virksomheder" peger på et snævrere område af sprogbrug.

Der sker ingen tilførsel af viden. Modellen får ikke adgang til noget, den ikke havde før. Rollen fungerer som et filter, der vægter allerede indlejrede mønstre anderledes.

På opgaver med ét rigtigt svar gør rollen sjældent en forskel. Regnestykker, kodegenerering med klar specifikation og faktaudtræk bliver ikke mere korrekte af, at afsenderen kaldes professor. Målinger på den slags opgaver viser typisk støj snarere end forbedring.

Den alvorligste risiko er falsk tryghed. En rolle som "erfaren jurist" ændrer tonen mod det autoritative og fjerner de forbehold, modellen ellers ville tage. Sandsynligheden for hallucination falder ikke, men de sproglige signaler, der plejer at advare dig, forsvinder. Output lyder mere sikkert, uden at være mere rigtigt.

Nyere reasoning-modeller som Claude Opus 5, GPT-5.6 Sol og Gemini 3.1 Pro har desuden gjort rolle-tricket mindre nødvendigt. De vælger typisk selv et passende fagligt niveau ud fra spørgsmålet. Rollen har stadig værdi til tone og målgruppe, men mindre til at hæve kvaliteten. På mindre modeller som GPT-5 nano og Claude Haiku 4.5 er effekten mere synlig, fordi de i højere grad falder tilbage på generiske svarmønstre.

Ved API-kald hører rollen i system message, ikke i den enkelte user-besked. Så gælder den for hele samtalen og bliver ikke fortyndet af senere beskeder. Det gør også adfærden lettere at ændre ét sted.

Hold rollen kort og adskilt fra opgaven. En rolle på tre linjer og en opgave på ti er lettere at fejlsøge end en sammenblandet prompt, hvor du ikke kan se, om det er personaen eller instruktionen, der giver det uønskede output.