Idégenerering & Brainstorming

Idégenerering med en sprogmodel dækker den divergente fase i en arbejdsproces. Du har et problem, et tomt dokument eller en løs ambition, og du vil hurtigt have mange mulige retninger på bordet. Modellen fungerer som en modpart, der producerer forslag på forespørgsel og ikke bliver træt af at levere variant nummer tyve.

Grænsen mod nabo-use-cases går ved, hvad output skal bruges til. Så snart du beder om færdig tekst til publicering, er du i tekstforfatning. Så snart svaret skal være faktuelt korrekt og efterprøveligt, er du i research eller RAG, hvor modellen skal have adgang til kilder.

Brainstorming stiller lavere krav til korrekthed end de fleste andre opgaver. En idé, der viser sig ubrugelig, koster kun den tid det tager at kassere den. Det er derfor use-casen er egnet til begyndere, og det er også derfor den er nem at overvurdere.

Mekanikken består af fire dele: den kontekst du giver, de begrænsninger du sætter, den mængde output du beder om, og den iteration du kører bagefter. Kontekst er dit udgangspunkt, målgruppe, budget og alt det, en kollega ville kende i forvejen. Begrænsninger er de rammer, forslagene skal holde sig inden for, og de er ofte vigtigere end selve spørgsmålet.

Rækkefølgen betyder noget. Beder du først om ideer og derefter om kontekst, arbejder modellen videre på et fundament, den selv har gættet sig til. Læg konteksten i den første prompt, og bed derefter om et bestemt antal forslag i et bestemt format.

Kvaliteten afhænger mest af, hvor snævert du formulerer opgaven. En bred prompt giver brede svar, som ofte ligner det, alle andre også ville få. Claude Opus 5 og GPT-5.6 Sol håndterer lange briefinger og komplekse rammer bedst, mens Claude Sonnet 5 er tilstrækkelig til de fleste sessioner. GPT-5 nano kan bruges til hurtige lister, hvor du selv står for det kritiske arbejde.

Iteration er der, værdien opstår. Vælg to eller tre forslag, forklar hvorfor de er interessante, og bed om videreudvikling i den retning. Det er sjældent den første liste, du får brug for.

Den mest udbredte fejl er at forveksle mængde med bredde. Tyve forslag fra samme prompt ligger typisk tæt på hinanden, fordi de er trukket fra samme del af modellens sandsynlighedsfordeling. Du får variation i formulering, ikke i tankegang, og det kan føles som en grundig udforskning uden at være det.

Modeller har også en tendens til at følge dig. Nævner du en retning, du selv hælder til, vil forslagene ofte samle sig omkring den. Det gør sprogmodeller til dårlige kritikere af dine egne præmisser, medmindre du eksplicit beder om modargumenter.

En tredje faldgrube er ankereffekten den anden vej. Når du har læst modellens liste, er den svær at glemme, og din egen tænkning bliver farvet af den. Hvis du vil have dine egne ideer med, skal de skrives ned først.

Endelig kan modellen ikke vide, hvad der allerede er prøvet i din organisation, eller hvorfor det slog fejl. Den forudsætning må du selv levere, og gør du det ikke, får du forslag der er nye for modellen og gamle for dig.

En brainstorm er kun værdifuld, hvis den munder ud i et valg. Modellen kan hjælpe med at strukturere forslagene efter indsats, risiko eller tidshorisont, og det er ofte en bedre næste prompt end at bede om flere ideer.

Vurderingen selv bør blive hos dig. Beder du samme model om at score sine egne forslag, får du en bedømmelse uden reelt kendskab til dine ressourcer eller dit marked. Brug den til at sortere og sammenligne, ikke til at afgøre hvad der bliver bygget.