Opsummering af Tekst & Dokumenter

Opsummering dækker den opgave, hvor en model får et stykke eksisterende tekst og producerer en kortere version, der bevarer det væsentlige. Kilden kan være en rapport, en artikel, en mailtråd, en transskription eller en kontrakt. Outputtet kan være alt fra en enkelt sætning til et struktureret referat med afsnit og punkter.

Grænsen mod naboområderne går ved, hvor indholdet kommer fra. Skal modellen finde relevante dokumenter først, er det RAG eller søgning, og opsummeringen er kun sidste led. Skal den udtrække bestemte felter som beløb, datoer eller parter i et fast skema, er det dataudtræk, hvor du måler præcision anderledes.

Opsummering adskiller sig også fra omskrivning og oversættelse. Her reduceres informationsmængden bevidst, og det er selve reduktionen, der skal vurderes. Et sammendrag, der gengiver alt, har ikke løst opgaven.

Første led er at få teksten ud af sit format. PDF'er, scannede sider, PowerPoint og lydfiler kræver hver sin forbehandling, og fejl her forplanter sig hele vejen. En PDF med to spalter, der læses som én tekststrøm, giver et sammendrag af noget vrøvl.

Dernæst afgøres det, om dokumentet passer i modellens context window. Gør det det, sendes hele teksten i én prompt sammen med en instruktion om formål, længde, målgruppe og format. Gør det ikke, deles teksten i chunks, hver chunk opsummeres, og delsammendragene samles i en anden runde. Den tilgang kaldes map-reduce og koster kvalitet, fordi modellen aldrig ser helheden på én gang.

Kvaliteten afhænger især af tre ting. Hvor rent inputtet er, hvor præcist du har beskrevet hvad sammendraget skal bruges til, og om modellen har kapacitet til at holde hele dokumentet i kontekst. Gemini 3.1 Pro og Claude Sonnet 5 har store context windows og klarer lange dokumenter i ét hug. GPT-5 nano er billig nok til at køre på store mængder tekst, men taber mere nuance i komplekst materiale.

Den mest udbredte fejl er, at modellen vægter tekstmængde frem for betydning. Et forbehold på to linjer i en 40-siders rapport kan være det juridisk afgørende, men modellen læser det som en detalje og skærer det væk. Sammendraget bliver korrekt i det, det siger, og misvisende i det, det udelader.

Negationer og modifikationer er særligt udsatte. "Resultaterne peger på en mulig sammenhæng under visse betingelser" bliver til "resultaterne viser en sammenhæng". Ingen af ordene er hallucineret, men styrken i påstanden er ændret.

I lange dokumenter er materiale i midten mest udsat for at blive overset, også når det formelt er inden for context window. Med chunking opstår en beslægtet fejl, når et argument går på tværs af en chunk-grænse, og hver halvdel opsummeres uden den anden.

Evaluering er svær, fordi et dårligt sammendrag ser præcis lige så velformuleret ud som et godt. Du kan kun opdage manglerne ved at kende kilden, og det er netop det, opsummeringen skulle spare dig for.

Brug opsummering, hvor konsekvensen af en udeladelse er lav. Til at prioritere en indbakke, screene artikler eller få et førsteindtryk af en rapport er værdien høj og risikoen begrænset.

Ved beslutninger med økonomiske eller juridiske konsekvenser bør sammendraget fungere som indgang til kilden, ikke som erstatning. Bed modellen om sidetal eller citater for hvert hovedpunkt, så du hurtigt kan slå efter. GPT-5.6 Sol og Claude Sonnet 5 er rimeligt stabile til den slags henvisninger, men de kan stadig pege forkert.