Præsentationer & Slides

Use-casen dækker den tekstlige del af en præsentation: den overordnede struktur, titler på de enkelte slides, bullets, talking points og eventuelt et talemanuskript. Modellen arbejder med rækkefølge, prioritering og formulering. Den laver ikke layout, og den placerer ikke elementer på en flade.

Grænsen mod almindelig tekstproduktion går ved formatet. En rapport læses i modtagerens eget tempo, mens et deck skal understøtte en person der taler, og derfor er komprimering og rækkefølge vigtigere end sammenhængende prosa. Et deck der læses som en rapport, er som regel skrevet forkert.

Grænsen mod dataanalyse og billedgenerering går ved outputtet. Modellen kan foreslå hvilken graf der ville illustrere en pointe, men selve grafen bygger du i et andet værktøj på baggrund af faktiske data.

Arbejdsgangen har typisk fire trin. Først en brief med formål, målgruppe, taletid og den ene pointe modtageren skal huske. Derefter en outline med slide-titler. Derefter indhold per slide. Til sidst talking points eller manuskript til de slides hvor du skal sige mere end der står.

Kvaliteten afgøres næsten udelukkende af to ting: hvor konkret din brief er, og hvor meget råmateriale du giver modellen. Et deck bygget på tal fra sidste kvartal, referater fra kundemøder og en tidligere version af præsentationen bliver brugbart. Et deck bygget på en enkelt sætning bliver en generisk skabelon.

Modelvalget følger opgavens længde. GPT-5.6 Sol holder sammen på et langt deck hvor slide 22 skal referere tilbage til rammen fra slide 3. Claude Sonnet 5 er stærk til tone og til manuskripttekst der skal lyde som talt sprog. GPT-5 nano er tilstrækkelig til mekaniske delopgaver som at forkorte bullets eller omskrive titler i samme stil.

Den hyppigste fejl er, at modellen producerer et deck uden argument. Den lægger emnerne i en logisk rækkefølge, men uden en pointe der bygges op mod en konklusion. Resultatet ser ordentligt ud og efterlader ingen indtryk. Det opdager du først når du øver præsentationen højt.

Den næsthyppigste er tekstmængde. Sprogmodeller skriver til læsere, og de fylder derfor slides med fulde sætninger som publikum begynder at læse i stedet for at lytte til dig. Du skal aktivt bede om få ord per slide og alligevel skære yderligere ned bagefter.

Tal og kilder er det farligste område. Beder du om et markedsestimat eller en benchmark, kan modellen levere et tal der ser plausibelt ud og ikke stammer fra nogen kilde. Den slags hallucination er særligt skadelig i investorpræsentationer og kvartalsrapporter, hvor et enkelt forkert tal koster troværdighed i hele resten af mødet. Alle tal skal komme fra dig eller verificeres mod kilden.

Modellens output er tekst, og der er altid et manuelt trin bagefter. Beder du om markdown eller struktureret JSON med et felt per slide, kan du importere det i værktøjer der bygger slides automatisk, men resultatet kræver stadig gennemgang.

En praktisk vane er at behandle det genererede deck som et førsteudkast fra en kollega der ikke kender salen. Du kender publikum, de interne følsomheder og hvad der blev sagt sidste gang. Den redigering kan modellen ikke overtage, og den udgør typisk den halvdel af arbejdet der afgør om præsentationen virker.