Social Media Content

Use-casen dækker produktion af korte tekster til sociale platforme: opslag, captions, hashtags, hooks, kommentarsvar og planer for hvad der skal udgives hvornår. Formatet er kort, tonen er talesprogsnær, og teksten skal fungere uden at læseren har kontekst fra andre kanaler.

Grænsen mod content marketing generelt går ved længde og formål. Blogindlæg, whitepapers og nyhedsbreve hører til andre use-cases, fordi de bygger argumentation over flere afsnit og typisk optimeres mod søgning frem for feed-algoritmer.

Grænsen mod annoncetekst er sværere at trække. En betalt annonce har et defineret konverteringsmål og bliver målt på klikpris, mens organiske opslag oftere måles på rækkevidde og interaktion. Samme model kan skrive begge dele, men de kræver forskellige briefs og forskellig vurdering af resultatet.

Grundopsætningen er en systemprompt med brand voice, målgruppe og forbudte formuleringer, plus en brugerprompt med det konkrete emne og den platform teksten skal ud på. Modellen leverer et udkast, du redigerer, og udkastet er sjældent færdigt i første forsøg.

Kvaliteten afhænger mest af hvor konkret dit input er. En prompt der siger "skriv et LinkedIn-opslag om vores nye funktion" giver generisk tekst. En prompt der indeholder tre tidligere opslag der klarede sig godt, en beskrivelse af hvem der læser med, og den præcise pointe du vil frem til, giver noget brugbart.

Få-eksempel-prompting virker godt her, fordi brand voice er lettere at vise end at beskrive. Læg fem til ti egne opslag ind i konteksten og bed modellen matche rytme og ordvalg. Claude Sonnet 5 og GPT-5.6 Sol er stærke til den slags stilkopiering, mens GPT-5 nano og Claude Haiku 4.5 er billigere valg til volumen, hvor du selv redigerer meget.

En content calendar bygges bedst i to trin. Først genererer du emner og vinkler ud fra kampagner og sæsoner, derefter skriver du de enkelte opslag ét ad gangen. Beder du om tredive færdige opslag i ét kald, falder kvaliteten markant efter de første fem.

Det mest almindelige problem er at teksten er teknisk korrekt og fuldstændig ligegyldig. Modeller trænet på store mængder marketingtekst reproducerer marketingtekstens gennemsnit, og gennemsnittet performer ikke i et feed hvor brugeren scroller forbi på et halvt sekund.

Modellen kender heller ikke din verden. Den ved ikke hvad der skete på kontoret i sidste uge, hvilken kundehistorie der faktisk er interessant, eller hvorfor en bestemt formulering er følsom i din branche. Den konkrete detalje der gør et opslag værd at læse, skal du selv levere.

Trends og platformregler ændrer sig hurtigere end træningsdata. Anbefalinger om antal hashtags, optimal længde eller hvad algoritmen belønner kan være et par år gamle og direkte forkerte. Behandl den slags råd som forslag der skal verificeres, ikke som fakta.

Endelig er der genkendelighedsproblemet. Når nok afsendere bruger samme modeller med samme løse prompts, begynder opslagene at ligne hinanden. Faste vendinger, retoriske spørgsmål som åbning og opremsninger i tre led er blevet markører som mange læsere nu registrerer.

Den brugbare arbejdsdeling er at modellen laver mængden og du laver skarpheden. Bed om ti varianter af en hook, vælg den ene, og skriv den om så den lyder som dig. Det tager kortere tid end at starte fra et tomt dokument, og resultatet bliver ikke gennemsnitligt.

Hold også fast i at nogen med ansvar læser hvert opslag inden det publiceres. Faktuelle fejl, forkerte tal og formuleringer der rammer skævt, koster mere at rydde op i end den tid gennemlæsningen tager.