Hvad er en custom GPT og hvordan bruger virksomheder det?

Analogi

Forskellen på en ny praktikant og en kollega der har været i virksomheden i fem år er præcis den samme som forskellen på standard ChatGPT og et custom GPT. Begge parter er intelligente. Men kun den ene kender konteksten.

ChatGPT er som praktikanten der ankommer første dag. Vedkommende er skarp, lærer hurtigt og kan skrive, regne og analysere. Men praktikanten kender ikke jeres tone. Ved ikke hvilke produkter I sælger. Har aldrig hørt om jeres kunder eller set en faktura fra jeres leverandør. Hver opgave kræver en grundig briefing. Hvert output skal tjekkes. Hver beslutning skal godkendes.

Det tager tid. Masser af tid.

Et custom GPT er kollegaen der har siddet ved skrivebordet i årevis. Kollegaen kender jeres produktkatalog. Husker hvilke kategorier der performer bedst. Forstår hvornår en kunde er irriteret, og hvornår de bare spørger. Ved præcis, hvordan en færdig produktbeskrivelse skal lyde, fordi vedkommende har skrevet hundreder af dem før.

Forskellen er ikke intelligens. Det er kontekst. Og kontekst er det der skiller en opgave der tager tyve minutter fra en opgave der tager tyve sekunder.

Hvad ‘trænet på jeres data’ faktisk betyder

Når en leverandør siger, at deres AI er “trænet på jeres data”, betyder det sjældent, at selve modellen er blevet finetunet. Finetuning af en stor sprogmodel koster hundredtusindvis af kroner og kræver specialiseret hardware.

For langt de fleste virksomheder er det både unødvendigt og uøkonomisk.

I stedet bruger man en teknik, der hedder RAG. Det lyder teknisk, men konceptet er enkelt.

Dine dokumenter bliver konverteret til matematiske repræsentationer og lagret i en særlig database. Når en bruger stiller et spørgsmål, søger systemet først i denne database efter de mest relevante dokumenter. Først derefter sender det fundne materiale videre til sprogmodellen sammen med spørgsmålet.

Resultatet er det samme: AI’en svarer baseret på dine dokumenter. Men metoden er både billigere, hurtigere at implementere og nemmere at vedligeholde. Når du får nye dokumenter, skal du blot tilføje dem til databasen.

Du behøver ikke træne modellen forfra.

Det er denne tilgang, vi bruger i vores services til custom GPTs. Kunden får en AI, der taler virksomhedens sprog og kender interne procedurer, uden at vi nogensinde rører ved den underliggende model.

RAG giver også en vigtig fordel: gennemsigtighed. Fordi AI’en slår op i konkrete dokumenter før den svarer, kan du altid se, hvilke kilder svaret bygger på. Det er sværere at opnå med ægte finetuning, hvor viden er integreret direkte i modellens parametre.

5 konkrete eksempler med detalje

En ny medarbejder skriver “Hvad er vores sygedagspolitik?” i en intern chat. AI’en søger i personalehåndbogen, finder det relevante afsnit og svarer med et konkret citat plus en henvisning til, hvor medarbejderen kan læse mere. Ingen chef behøver afbryde sit arbejde. Ingen skal lede efter et PDF dokument, der ligger gemt på et drev.

Ved produktbeskrivelser modtager AI’en rå data fra leverandøren: dimensioner, materialer, farvekoder og tekniske specifikationer. Den omskriver informationen til færdige beskrivelser i jeres tone of voice, tilføjer SEO nøgleord og formatterer teksten klar til upload. Lynpadden har hjulpet en webshop med præcis denne opgave, hvor 24 produkter om dagen nu går fra leverandørdata til færdigt produkt i WooCommerce automatisk.

Compliance tjekker fungerer på samme måde. Du uploader en kontrakt, og AI’en sammenligner den med jeres standardvilkår. Den markerer afvigelser, fremhæver klausuler, der afviger fra normal praksis, og giver dig en liste over, hvad du bør forholde dig til, før du skriver under.

500 kundeanmeldelser kan analyseres og kategoriseres på 30 sekunder. AI’en identificerer mønstre: hvilke produkter får lovord, hvad går kunderne igen og igen på, og hvilke problemer dukker op på tværs af anmeldelser. Det giver et overblik, som ville tage en medarbejder en hel arbejdsdag at samle manuelt.

Det femte eksempel er salgs pitches. Når et nyt lead kommer ind, trækker AI’en data fra jeres CRM: kundens branche, virksomhedsstørrelse, tidligere interaktioner og købshistorik. Den genererer en skræddersyet pitch med relevante case referencer og en åbningsmail, der rammer præcis det, kunden har brug for at høre. Lynpaddens case om B2B SaaS viser, hvordan denne proces kan køre på 2 minutter per lead fra research til første svar.

Det, der gør disse eksempler stærke, er præcisionen. Det er ikke generiske AI tricks. Det er arbejdsgange, der løser specifikke problemer i din virksomhed.

Hvis du vil vide, hvilke af disse fem scenarier der vil give mest værdi i din organisation, kan du få en gratis AI audit, hvor vi kortlægger dine konkrete muligheder.

Datasikkerhed

Når du bygger AI workflows skal du træffe et aktivt valg om, hvor dine data behandles. De tre primære modeller er OpenAI API, Azure OpenAI og modeller der kører på dine egne servere.

OpenAI API er den letteste vej i gang. Data sendes til OpenAIs servere i USA, men virksomheder kan indgå en databehandleraftale der sikrer, at data ikke bruges til træning af modeller. Det dækker de fleste use cases for interne værktøjer og ikke følsomme data.

Azure OpenAI kører på Microsofts infrastruktur med mulighed for EU datacentre. Det giver stærkere GDPR compliance og er ofte foretrukket af virksomheder i regulerede brancher. Prisen er typisk højere, men du får bedre kontrol over dataopbevaring og geografisk placering.

Selvhostede modeller som Ollama eller Mistral kører lokalt på dine egne servere. Ingen data forlader din infrastruktur. Det giver maksimal kontrol, men kræver teknisk kompetence til drift og vedligeholdelse. Det er vejen frem hvis du arbejder med personfølsomme oplysninger eller fortrolige forretningsdata.

GDPR stiller tre konkrete krav til din AI implementering. Du skal have en databehandleraftale på plads. Du skal praktisere dataminimering, så kun nødvendige data sendes til behandling. Og du skal definere en klar opbevaringsperiode for både input og output.

Valget afhænger af dine data. Interne tekster og offentlige informationer kan ofte køre via standard API. Kundedata og fortrolige dokumenter bør enten gå gennem Azure med EU hosting eller køre lokalt. For virksomheder i B2B services er det værd at gennemgå risikovurderingen grundigt før implementering.

Vedligeholdelse

Når jeres data ændrer sig, skal jeres søgeindeks følge med automatisk. Et workflow kan overvåge kilder, registrere opdateringer og sende nye data til Typesense uden menneskelig indblanding.

Problemet opstår først når data bliver gamle. En prisændring hos leverandøren, et udsolgt produkt eller en opdateret specifikation skal afspejles i søgeresultaterne med det samme. Ellers leder kunderne efter varer der ikke findes, eller værre, ser forkerte priser.

Workflowet tjekker jeres datakilder på fastsatte intervaller. Når det finder ændringer, henter det de nye data, formaterer dem til Typesenses skema og opdaterer indekset. Hele processen tager sekunder.

En legetøjsbutik havde 800 blogindlæg der trængte til opdatering. Manuel gennemgang ville tage måneder. I stedet byggede vi et workflow, der identificerede forældet indhold, hentede nye data og genindekserede automatisk. Resultatet var friske søgeresultater uden ekstra manuelt arbejde.

Automatisk re, indeksering betyder at jeres søgefunktion altid viser korrekte data. I slipper for at huske opdateringer, og kunderne møder aldrig forældede informationer.

I praksis handler vedligeholdelse om at håndtere volumen uden at miste præcision. Vores case med automatisk produktimport til WooCommerce demonstrerer dette tydeligt. Her behandles 24 produkter dagligt automatisk, hvor nye leverandørdata omdannes til færdige produkter uden manuel indblanding. Hver opdatering trigger et nyt indekseringsjob, så søgefunktionen altid reflekterer den aktuelle lagerstatus og prissætning. Uden denne automatisering ville medarbejdere skulle bruge tid på rutinepræget copy paste arbejde med risiko for menneskelige fejl.

Fejlhåndtering er integreret i vedligeholdelsesarbejdet for at sikre dataintegritet. Systemet validerer datakvaliteten før opdateringen skrives til indekset. Hvis et produkt mangler påkrævede felter eller indeholder ugyldige værdier, routes det automatisk til en kø til manuel gennemgang mens resten af batch’en behandles ufortrødent.

Kontinuerlig overvågning giver den nødvendige indsigt i vedligeholdelsens effektivitet. Dashboards viser præcist hvor mange dokumenter der genindekseres per time, hvilke datakilder der genererer flest ændringer, og hvor lang tid hver batch tager at processe. Denne synlighed gør det muligt at optimere workflowet løbende, justere tjekintervallerne efter behov og identificere flaskehalse før de påvirker slutbrugerne negativt.

Skalerbarheden i automatisk vedligeholdelse betyder at systemet vokser med jeres datavolumen uden at kræve proportionalt mere arbejde. Uanset om I har hundrede eller hundredtusinde af poster, kører re, indekseringen med samme hastighed og pålidelighed. Dette fjerner behovet for at ansætte ekstra ressourcer til manuel datahåndtering når virksomheden ekspanderer, og sikrer at søgefunktionen forbliver hurtig selv med omfattende kataloger.

Pris

En typisk automationsløsning koster mellem 15.000 og 40.000 kr i opsætning, mens den månedlige drift ligger på 500 til 2.000 kr for API adgang og hosting.

Prisen afhænger af kompleksiteten. En simpel integration mellem to systemer ligger i den lave ende, mens løsninger med flere datakilder, avanceret logik og brugergrænseflader kræver mere arbejde. Antallet af systemer der skal tales sammen, mængden af data og behovet for fejlhåndtering påvirker alle timetallet.

Det er en investering, ikke en udgift.

Driftsomkostningerne dækker primært API kald til AI modeller og hosting af selve automationen. De fleste løsninger kører på en kombination af OpenAI eller Anthropic til tekstarbejde og en cloud platform til at holde koden kørende. For en webshop der får 24 produkter om dagen automatisk importeret til WooCommerce udgør driften typisk under 1.000 kr om måneden (999 kr. (135 USD)).

ROI kommer hurtigt.

Tager vi udgangspunkt i en medarbejder der arbejder 37 timer om ugen til 300 kr i timen, skal automationen kun spare 2 timer om ugen for at tjene sig ind på under tre måneder. De fleste kunder oplever besparelser der ligger langt over det. Et bureau der overvåger konkurrenter sparede 6 til 8 timer om ugen. En B2B virksomhed gik fra lang research til personlig mail på 2 minutter per lead.

Ofte stillede spørgsmål

Kan vores data lække fra en custom GPT?

Ja, der er risiko. Forskning viser, at 11 % af data indtastet i ChatGPT er fortrolige. Med ChatGPT Enterprise får I en databehandleraftale og ingen træning på jeres data, men I skal stadig undgå at dele personfølsomme oplysninger uden samtykke.

Skal medarbejderne have teknisk viden for at bruge en custom GPT?

Nej. Medarbejdere skriver spørgsmål på almindeligt sprog. Custom GPT’er kræver ingen kodning eller it, kompetencer. De fungerer som en avanceret søgemaskine, hvor I styrer, hvilken viden den trækker på.

Hvor lang tid tager det at opsætte en custom GPT?

En simpel custom GPT kan oprettes på 10 til 30 minutter. Komplekse løsninger med integration til jeres dokumenter og systemer tager typisk 1 til 3 dage. Tiden afhænger af, hvor meget indhold I vil tilføje.

Kan en custom GPT bruges af vores kunder?

Ja, men overvej formålet. Kundevendte GPT’er kræver omhyggelig konfiguration for at svare korrekt. I skal også sikre, at kunderne ikke indtaster persondata, medmindre I har juridisk grundlag og databehandleraftale på plads.

Hvad med fortrolighed og GDPR?

ChatGPT Enterprise tilbyder GDPR, kompatible databehandleraftaler og bruger ikke jeres data til træning. Data slettes inden for 30 dage efter opsigelse. I er stadig dataansvarlige og skal sikre, at medarbejdere ikke deler fortrolige oplysninger uden godkendelse.

Hvad koster det at bruge custom GPT’er i virksomheden?

ChatGPT Plus koster 150 kr. om måneden (148 kr. (20 USD)) per bruger. Team, planen koster 185 kr. om måneden (185 kr. (25 USD)) ved årlig betaling eller 225 kr. om måneden (222 kr. (30 USD)) månedligt. Enterprise har individuel prissætning fra cirka 445 kr. om måneden (444 kr. (60 USD)) per bruger.