# GenAI Bootcamp for Pharmacosmos ## Læringsmål for dagen Pharmacosmos / Pharma R&D — Køge 30. april 2026 <div class="lab-grid"> <div class="lab-cell"><b>Tryg brug af AI</b><span>Forstå hvad I trygt kan bruge AI til, og hvor datagrænsen går.</span></div> <div class="lab-cell"><b>Nye værktøjer og arbejdsmetoder</b><span>Prøv konkrete måder at bruge Enterprise ChatGPT, GPT'er og researchværktøjer i arbejdet.</span></div> <div class="lab-cell"><b>Nye processer</b><span>Omsæt AI fra enkeltstående prompts til bedre arbejdsgange, reviewpunkter og opfølgning.</span></div> </div>

# Dagens materiale er et website, ikke en PowerPoint ### I rummet - Vi bruger udvalgte slides, øvelser og live-demoer - Eksemplerne er skabeloner; de rigtige cases kommer fra jeres egne processer - Vi holder tempoet praktisk ### Efter dagen - I kan vende tilbage til skabeloner, kilder og øvelser - Ikke alt skal gennemgås live - Website-formatet gør materialet brugbart som opslagsværk

# AI ændrer ikke jeres faglighed — den ændrer hvor fagligheden gør mest gavn > Mindre manuel produktion. Mere bestilling, audit, review og beslutning. <div class="lab-grid"> <div class="lab-cell"><b>Før</b><span>Jeg skriver, samler, sorterer og dobbelttjekker det meste selv.</span></div> <div class="lab-cell"><b>Nu</b><span>Jeg giver AI en afgrænset opgave og kontrollerer kvaliteten.</span></div> <div class="lab-cell"><b>I dag</b><span>Hver person vælger én proces, hvor AI kan hjælpe uden at overtage faglig sign-off.</span></div> </div>

# Arbejdsformen ændrer sig: mennesket planlægger og evaluerer <img src="assets/work-collapse.png" alt="Skitsen Arbejde kollapser viser at mennesket planlægger, AI arbejder, og mennesket kontrollerer og evaluerer over tid" style="display: block; width: min(980px, 92%); max-width: 980px; max-height: 520px; height: auto; object-fit: contain; margin: 4px auto 12px;"> Det afgørende skift er ikke mindre faglighed. Det er at flytte fagligheden til bestilling, kontrol og beslutning.

# AI skaber først værdi, når faglighed, teknologi og proces hænger sammen > I dag træner vi ikke "smarte prompts". Vi træner en arbejdsform. <div class="lab-grid"> <div class="lab-cell"><b>Faglighed</b><span>Jeres dømmekraft afgør hvad der er rigtigt, relevant og sikkert.</span></div> <div class="lab-cell"><b>Teknologi</b><span>AI foreslår ud fra mønstre. Den kan hjælpe hurtigt, men den skal styres og kontrolleres.</span></div> <div class="lab-cell"><b>Proces</b><span>Vi starter med jeres nuværende arbejdsgang, ikke med AI-værktøjet.</span></div> </div>

# Nye processer: fra menneske alene til menneske plus AI <img src="assets/human-ai-processes.png" alt="Før viser tre menneskelige trin; nu viser hvert trin en menneskelig rolle koblet med et AI-bidrag" style="display: block; width: min(930px, 90%); max-width: 930px; max-height: 540px; height: auto; object-fit: contain; margin: 2px auto 10px;"> I skal ikke bare finde en prompt. I skal finde et procestrin, hvor AI kan hjælpe uden at fjerne ansvar, sikkerhed eller faglig review.

# Andre i pharma bruger allerede AI — men vi starter med arbejdsmåden <div class="lab-grid"> <div class="lab-cell"><b>AstraZeneca</b><span>AI og data science bruges på tværs af discovery, kliniske forsøg og udvikling. <a href="https://www.astrazeneca.com/r-d/data-science-and-ai.html">Kilde</a></span></div> <div class="lab-cell"><b>Roche / Genentech</b><span>Roche og NVIDIA beskriver generativ AI til drug discovery og udviklingsflows. <a href="https://www.roche.com/investors/updates/inv-update-2023-11-21">Kilde</a></span></div> <div class="lab-cell"><b>Pfizer / CytoReason</b><span>AI-drevne sygdomsmodeller bruges til udviklingsbeslutninger. <a href="https://www.pfizer.com/news/press-release/press-release-detail/cytoreason-announces-expanded-collaboration-deal-pfizer">Kilde</a></span></div> </div> → Vi gør ikke det samme i dag. Vi lærer mønsteret: afgræns opgaven, sæt data-grænse, review output.

# Novo Nordisk og OpenAI gør GenAI til pharma-infrastruktur Novo Nordisk annoncerede 14. april 2026 et strategisk samarbejde med OpenAI om at integrere avanceret AI på tværs af forskning, produktion, supply chain og kommercielle operationer. <div class="lab-grid"> <div class="lab-cell"><b>Discovery og data</b><span>AI skal hjælpe med at analysere komplekse datasæt og identificere lovende lægemiddelkandidater.</span></div> <div class="lab-cell"><b>Drift og skalering</b><span>Piloter dækker R&D, manufacturing og commercial operations med fuld integration som mål ved udgangen af 2026.</span></div> <div class="lab-cell"><b>Governance</b><span>Samarbejdet beskrives med databeskyttelse, governance og human oversight som centrale rammer.</span></div> </div> Pointen for os: AI er ikke kun et skriveværktøj. Det bliver en arbejdsinfrastruktur, der kræver sikre processer, gode instruktioner og faglig review. [Berlingske: Novo Nordisk indgår samarbejde med OpenAI](https://www.berlingske.dk/virksomheder/novo-nordisk-indgaar-samarbejde-med-openai--faar-aktien-til-at-stige?gaa_at=eafs&gaa_n=AWEtsqeR6JClWeEkSW_9FICLTdmbGS93sEJNoSOykyOcRGvCkIMRu5ZYsG-xcwevFY8%3D&gaa_ts=69f23c30&gaa_sig=WJiN0SMrfQKcxcXju76ArdgEHSAx42ftz1c09vOcX4CX4XpMtLjtJQqYCss8xFyiFo3TZU0ink0YsyHPW4JBZw%3D%3D) · [Pressemeddelelse via Nasdaq](https://www.nasdaq.com/press-release/novo-nordisk-and-openai-partner-transform-how-medicines-are-discovered-and-delivered)

# Materialet er kvalitetstjekket før workshoppen <div class="workflow-chain"> <span>Workshopmål<br>wake-up og commitment</span> <span>Deltagerforståelse<br>ikke teknisk først</span> <span>Sikkerhed<br>ingen fortrolige øvelsesdata</span> <span>Læsevenlighed<br>projektor og follow-up</span> <span>Menneskelig beslutning<br>Torben styrer</span> </div> Kvalitetstjekket handler ikke om at imponere med AI. Det handler om relevans, sikkerhed og om deltagerne kan bruge materialet mandag.

# Vi arbejder med procesbeskrivelser, ikke fortrolige dokumenter <div class="safety-matrix"> <div class="safety-gate"> <h3>OK i rummet</h3> <p>Rolle, procestrin, generisk inputtype og ønsket output. Ingen navne, tal, datoer, produkter eller dokumenter.</p> </div> <div class="safety-gate caution"> <h3>Kun godkendt enterprise</h3> <p>Fortroligt arbejdsindhold efter jeres interne regler. Brug Enterprise ChatGPT, og behold human validation.</p> </div> <div class="safety-gate stop"> <h3>Stop</h3> <p>Trade secrets, patientdata, GDPR-persondata, produktformler, deal terms, leverandørnavne og non-public clinical details.</p> </div> </div> > Når vi øver i dag: beskriv processen uden at dele selve materialet.

# Hvad betyder "saniteret" i praksis? En saniteret procesbeskrivelse må gerne fortælle **hvad typen af arbejde er**, men ikke afsløre selve indholdet. <div class="prompt-builder"> <div class="prompt-step"><b>Ja</b><span>"Vi laver en intern opsummering af et møde."</span></div> <div class="prompt-step"><b>Ja</b><span>"Input er noter, output er beslutninger og åbne spørgsmål."</span></div> <div class="prompt-step"><b>Ja</b><span>"Review sker hos faglig ejer før deling."</span></div> <div class="prompt-step"><b>Nej</b><span>Navne, patienter, produkter, tal, datoer og konkrete dokumentuddrag.</span></div> <div class="prompt-step"><b>Nej</b><span>Kunde-, leverandør- eller deal-detaljer.</span></div> <div class="prompt-step"><b>Nej</b><span>Data eller kode, der i sig selv er IP eller fortroligt.</span></div> </div>

# Generativ AI kan hjælpe, men den ved ikke automatisk hvad der er sandt Generativ AI kan foreslå: - tekst og struktur - spørgsmål og reviewpunkter - sammenfatninger og næste trin - tjeklister og udkast til arbejdsgange Derfor arbejder vi altid med: **opgave → kontekst → grænser → outputformat → menneskelig review**

# Grundsprog: seks AI-begreber vi bruger i dag <div class="prompt-builder"> <div class="prompt-step"><b>Model</b><span>Systemet der beregner et sandsynligt svar ud fra mønstre i træning og kontekst.</span></div> <div class="prompt-step"><b>Prompt</b><span>Din instruktion: opgave, rolle, kontekst, grænser og ønsket output.</span></div> <div class="prompt-step"><b>Kontekst</b><span>Den information AI får med i opgaven: tekst, filer, historik, eksempler eller regler.</span></div> <div class="prompt-step"><b>Kontekstvindue</b><span>Hvor meget information modellen kan have med ad gangen. Det er stort, men ikke uendeligt.</span></div> <div class="prompt-step"><b>Hallucination</b><span>Når AI svarer flydende, men forkert eller uden sikker kilde. Derfor skal vi reviewe.</span></div> <div class="prompt-step"><b>GPT</b><span>En fast ChatGPT-assistent med egne instruktioner, viden og startprompts til en tilbagevendende opgave.</span></div> </div>

# Tre svære AI-begreber der sparer reviewtid <div class="lab-grid"> <div class="lab-cell"><b>Kontekstvindue</b><span>AI arbejder kun med det, der er med i vinduet. For meget støj eller gamle spor kan gøre svaret dårligere.</span></div> <div class="lab-cell"><b>Prompt drifting</b><span>Når chatten langsomt glider væk fra den oprindelige opgave, fordi sidespor bliver ny kontekst.</span></div> <div class="lab-cell"><b>Hallucination</b><span>Når svaret lyder sikkert, men bygger på forkert gæt eller manglende kilde. Brug det som udkast, ikke facit.</span></div> </div> **Stopregel:** Start en ny chat eller gentag opgave, grænser og kildekrav, når arbejdet begynder at glide.

# Blå bog: Geoffrey Hinton og deep learning Geoffrey Hinton er en af de centrale personer bag moderne neural networks og deep learning - teknologien under mange af de AI-værktøjer, vi bruger i dag. <div class="lab-grid"> <div class="lab-cell"><b>Pioner</b><span>Professor emeritus ved University of Toronto og ofte omtalt som en af deep learnings hovedfigurer.</span></div> <div class="lab-cell"><b>Anerkendelse</b><span>Turing Award i 2018 sammen med Yoshua Bengio og Yann LeCun; Nobelprisen i fysik 2024 sammen med John Hopfield.</span></div> <div class="lab-cell"><b>Hvorfor se klippet?</b><span>Hinton er både medskaber og kritisk stemme: potentiale, risiko og menneskelig styring hører sammen.</span></div> </div> <a class="resource-link-card" href="https://www.youtube.com/watch?v=zKM-msksXq0" target="_blank" rel="noopener noreferrer"> <b>Åbn klippet med Geoffrey Hinton</b> <span>Brug det som perspektiv på, hvorfor AI kræver både nysgerrighed og governance.</span> </a> [Nobel Prize facts](https://www.nobelprize.org/prizes/physics/2024/hinton/) · [University of Toronto](https://web.cs.toronto.edu/news-events/news/geoffrey-hinton-wins-nobel-prize-in-physics)

# De 3 store sprogmodeller <img src="assets/large-language-models.png" alt="Logoer for ChatGPT, Gemini og Claude som eksempler på store sprogmodel-baserede arbejdsrum" style="display: block; width: min(1080px, 94%); max-width: 1080px; max-height: 520px; height: auto; object-fit: contain; margin: 8px auto 14px;">

# Introduktion til ChatGPT: chat, indstillinger og GPT'er ChatGPT er ikke kun et tekstfelt. Det er et arbejdsrum, hvor indstillinger og faste GPT'er afgør, hvor sikkert og genbrugeligt arbejdet bliver. <div class="lab-grid"> <div class="lab-cell"><b>Chatten</b><span>Start med opgave, kontekst, grænser og ønsket output. Bed om spørgsmål før svar, når opgaven er uklar.</span></div> <div class="lab-cell"><b>Indstillinger</b><span>Tjek workspace, datakontrol, hukommelse og personlige instruktioner før følsomme eller gentagne opgaver.</span></div> <div class="lab-cell"><b>GPT'er</b><span>Brug faste instruktioner, viden og startprompts til tilbagevendende arbejdsgange - helst godkendt og delt i teamet.</span></div> </div> [OpenAI Help: GPTs](https://help.openai.com/en/articles/8554397-creating-a-gpt) · [OpenAI Help: Data Controls](https://help.openai.com/en/articles/7730893-how-to-use-custom-instructions)

# Kilde: Co-Intelligence handler om at arbejde sammen med AI Ethan Mollicks bog *Co-Intelligence: Living and Working with AI* beskriver GenAI som noget, man lærer ved at samarbejde med det i praksis - ikke kun ved at læse om det. <div class="lab-grid"> <div class="lab-cell"><b>Invitér AI tidligt</b><span>Brug AI til ideer, alternativer og reviewspørgsmål før udkastet er færdigt.</span></div> <div class="lab-cell"><b>Vær mennesket i loopet</b><span>Afgræns opgaven, kontroller output og behold faglig beslutning hos mennesker.</span></div> <div class="lab-cell"><b>Giv en tydelig rolle</b><span>Fortæl hvilken slags assistent AI skal være, og hvilke grænser den arbejder indenfor.</span></div> </div> [Co-Intelligence på Amazon](https://www.amazon.com/Audible-Co-Intelligence-Living-Working-AI/dp/B0CNFCRJ77) · [Wharton interview om bogen](https://knowledge.wharton.upenn.edu/article/co-intelligence-how-to-live-and-work-with-ai/)

# Fra idé til forbedret løsning - sammen med AI <img src="assets/ai-collaboration-process.png" alt="Seks trin for samarbejde med AI: ide eller problem, sparring med AI, AI bygger, gennemgang og justering, test sammen, forbedr og gentag" style="display: block; width: min(1180px, 98%); max-width: 1180px; max-height: 610px; height: auto; object-fit: contain; margin: 0 auto;">

# Samarbejde med GenAI kræver valg af styring <img src="assets/genai-collaboration.png" alt="Fire stilarter for samarbejde med GenAI: instruerende, coachende, støttende og delegerende, fordelt efter niveau af styring og autonomi" style="display: block; width: min(1120px, 96%); max-width: 1120px; max-height: 560px; height: auto; object-fit: contain; margin: 0 auto 8px;"> Vælg stil efter risiko og modenhed: høj styring ved præcision, mere dialog når opgaven skal udforskes.

# NotebookLM: et researchrum bygget på jeres egne kilder NotebookLM er nyttigt, når opgaven starter med materiale, der skal forstås, forbindes og gøres brugbart. <div class="lab-grid"> <div class="lab-cell"><b>Kilder først</b><span>Upload eller tilføj materialer som PDF, websider, YouTube, audio, Google Docs eller Slides.</span></div> <div class="lab-cell"><b>Svar med citater</b><span>Chat med notebooken og få svar, der er forankret i kilderne med inline-citations.</span></div> <div class="lab-cell"><b>Flere formater</b><span>Lav briefing, study guide, mind map eller audio overview ud fra samme kildesæt.</span></div> </div> Sikker brug: læg kun materiale ind, som jeres interne regler tillader i det konkrete Google-/Workspace-miljø. [Åbn NotebookLM](https://notebooklm.google.com/)

# Demo: AI og efterspørgselsstyring i pharma Vi bruger en konkret notebook som eksempel på, hvordan AI kan gøre et kildesæt mere anvendeligt. <div class="prompt-builder"> <div class="prompt-step"><b>1</b><span>Åbn notebooken og se hvilke kilder den arbejder ud fra.</span></div> <div class="prompt-step"><b>2</b><span>Spørg efter nøglebegreber, antagelser og mulige beslutningspunkter.</span></div> <div class="prompt-step"><b>3</b><span>Brug svaret som overblik - ikke som facit uden faglig review.</span></div> </div> Formålet er ikke at automatisere demand management. Formålet er at vise, hvordan kilder kan blive til spørgsmål, overblik og næste skridt. [Åbn notebooken: AI og efterspørgselsstyring i den farmaceutiske industri](https://notebooklm.google.com/notebook/2208448e-3476-4a50-a89a-2703b5cd5267)

# GPT'er er agent lite: en fast arbejdsinstruks pakket ind i chat En GPT er ikke en fuld agent. Men den kan give jer: - samme rolle hver gang - samme regler hver gang - samme outputformat hver gang - samme sikkerhedsgrænse hver gang - samme reviewspørgsmål hver gang → I dag bygger vi en enkel `Proceskort-assistent` sammen.

# En svag prompt skaber mere reviewarbejde, end den sparer ### Svag "Hjælp mig med min proces." ### Stærk ```text Du er kritisk sparringspartner. Jeg beskriver en arbejdsgang uden fortrolige detaljer. Find 3 sikre AI-bidrag. Returnér en tabel med: procestrin, AI-bidrag, data-risiko og menneskelig review. ``` → Forskellen er ikke modellen. Forskellen er arbejdsinstruksen.

# Forskellige typer af GenAI engineering <img src="assets/horse-model-large-text.png" alt="Oversigt over forskellige typer GenAI engineering forklaret med hestemodellen" style="display: block; width: min(1180px, 98%); max-width: 1180px; max-height: 550px; height: auto; object-fit: contain; margin: 6px auto 12px;"> Dagens arbejde: konkrete arbejdsgange → sikre AI-arbejdsformer.

# En god AI-opgave starter med proces, ikke prompt <div class="prompt-builder"> <div class="prompt-step"><b>Procestrin</b><span>Hvad sker der før, under og efter opgaven?</span></div> <div class="prompt-step"><b>Ufarlig kontekst</b><span>Hvad kan beskrives uden fortrolige detaljer?</span></div> <div class="prompt-step"><b>AI-bidrag</b><span>Struktur, udkast, reviewspørgsmål eller tjekliste?</span></div> <div class="prompt-step"><b>Stopregel</b><span>Hvad må AI ikke se eller beslutte?</span></div> <div class="prompt-step"><b>Outputformat</b><span>Tabel, liste, spørgsmål eller næste trin?</span></div> <div class="prompt-step"><b>Reviewpunkt</b><span>Hvor stopper AI, og hvor tager mennesket over?</span></div> </div>

# Context engineering: giv AI det rigtige arbejdsrum Anthropic beskriver context engineering som arbejdet med at vælge, hvilken information modellen faktisk skal have i sit begrænsede opmærksomhedsrum. <div class="lab-grid"> <div class="lab-cell"><b>Kontekst er begrænset</b><span>Mere input er ikke altid bedre. For meget støj gør det sværere at ramme rigtigt.</span></div> <div class="lab-cell"><b>Prompten er kun én del</b><span>Instruks, data, eksempler, værktøjer og historik former tilsammen AI'ens svar.</span></div> <div class="lab-cell"><b>High-signal og stramt</b><span>Giv det mindste sæt information, der gør opgaven, grænsen og outputtet klart.</span></div> </div> [Anthropic: Effective context engineering for AI agents](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents)

# Promptniveauer: fra korte svar til dyb refleksion <img src="assets/prompt-levels.png" alt="De fem niveauer i spørgeteknikken fra simple prompts til uddybning, analyse, dyb refleksion og sparring og transformation" style="display: block; width: min(1120px, 96%); max-width: 1120px; max-height: 560px; height: auto; object-fit: contain; margin: 0 auto 8px;"> Jo dybere niveau, jo mere skal I give AI kontekst, rolle, grænse og reviewpunkt.

# Øvelse 1: Gør en proces AI-klar uden at dele fortrolige data <div class="exercise-panel"> <div class="timer-display" data-seconds="720">12:00</div> <div> Vælg en aktuel arbejdsgang. Beskriv den på 5 linjer uden navne, tal, patienter, produkter eller fortrolige dokumenter. Output: - 3 procestrin - 1 sikker AI-spørgsmål - 1 ting AI ikke må se - 1 menneskeligt reviewpunkt </div> </div> > Kun procesbeskrivelse: ingen navne, tal, produkter eller fortrolige dokumenter.

# AI er stærkest, når den bruges som kritisk assistent før den bruges som forfatter Spørg før du beder om tekst: - "Find huller i denne procesbeskrivelse." - "Hvilke afklarende spørgsmål bør en fagperson stille?" - "Hvilke dele kræver kilder, data eller sign-off?" - "Hvad kan AI hjælpe med uden at se fortroligt materiale?" > Det bedste første output er ofte en reviewliste, ikke et flot udkast.

# Prompt-øvelse: få AI til at vise mulighedsrummet Kopiér prompten og afslut den med en rolle eller adfærd, I vil teste. ```text Jeg vil gerne demonstrere GenAI's næsten utallige muligheder for at løse opgaver. Kan du, når jeg beder dig simulere en rolle/adfærd, også angive de muligheder som du har inden for det rum? Ex. Ager som en ... ``` Prøv en ufarlig rolle først: kritisk reviewer, mødefacilitator, proceskonsulent eller læringsmakker.

# Proces-lab: dokumentarbejde Hvis din proces handler om dokumenter, kan AI hjælpe uden at se dokumentet. <div class="lab-grid"> <div class="lab-cell"><b>Struktur</b><span>"Lav en disposition ud fra denne saniterede opgavebeskrivelse."</span></div> <div class="lab-cell"><b>Review</b><span>"Find uklare antagelser og spørgsmål til faglig review."</span></div> <div class="lab-cell"><b>Tjekliste</b><span>"Lav en review-checkliste før dokumentet går videre."</span></div> </div> > Beskriv dokumenttypen og opgaven, ikke dokumentet.

# Proces-lab: data, kode eller tabeller Hvis din proces handler om data, kode eller tabeller, så beskriv formålet før indholdet. <div class="lab-grid"> <div class="lab-cell"><b>Formål</b><span>"Beskriv hvad koden eller tabellen skal gøre i almindeligt sprog."</span></div> <div class="lab-cell"><b>Validering</b><span>"Foreslå hvilke checks et menneske skal lave."</span></div> <div class="lab-cell"><b>Fejltyper</b><span>"Hvilke typiske fejl skal vi lede efter i denne proces?"</span></div> </div> > Ingen rå data og ingen kode-IP i øvelsen.

# Vi bygger en Proceskort-assistent sammen <div class="workflow-chain"> <span>Rolle<br>kritisk sparringspartner</span> <span>Input<br>saniteret proces</span> <span>Regler<br>ingen fortroligt data</span> <span>Output<br>tabel</span> <span>Review<br>mennesket ejer</span> <span>Test<br>ufarlig case</span> </div> GPT'en skal hjælpe med at finde procestrin, AI-bidrag, data-risiko, reviewpunkt og første testopgave.

# En GPT bliver bedre, når fejl skrives tilbage i instruktionen Vi tester først med en ufarlig procesbeskrivelse. Hvis GPT'en svarer for bredt, forbedrer vi den: ```text Svar altid som tabel med fire kolonner: Procestrin | AI-bidrag | Data-risiko | Reviewpunkt ``` Så tester vi igen. > Det er meta-forbedringen: fejl bliver til bedre instruktion.

# Agent-tænkning starter som en fast arbejdsgang En agent er ikke magi. Det er en arbejdsproces med: - faste trin - tydelige input - stopregler - reviewpunkt - dokumenterbart output I dag arbejder vi med den del, I kan bruge nu: bedre GPT'er og bedre arbejdsinstrukser.

# Browser-GenAI rådgiver - agentværktøjer kan handle <img src="assets/browser-vs-agent-tools.png" alt="Sammenligning mellem GenAI i browser og agentværktøjer som Codex eller Claude Code, hvor browseren rådgiver uden adgang til maskinen og agenten kan læse, skrive og køre kommandoer i et kontrolleret miljø" style="display: block; width: min(1180px, 98%); max-width: 1180px; max-height: 610px; height: auto; object-fit: contain; margin: 0 auto;">

# I dag installerer vi ikke agenter — vi lærer mønsteret Det I skal genkende: <div class="workflow-chain"> <span>Plan<br>hvad skal ske?</span> <span>Input<br>hvad må bruges?</span> <span>Udfør<br>hvad kan AI hjælpe med?</span> <span>Review<br>hvad skal mennesket tjekke?</span> <span>Lær<br>hvad skal forbedres?</span> <span>Næste test<br>hvad prøver vi?</span> </div> Dette er ikke et installationskrav. Det er en måde at tænke arbejde på.

# Øvelse 2: Byg en GPT-instruks til én tilbagevendende opgave <div class="exercise-panel"> <div class="timer-display" data-seconds="1080">18:00</div> <div> Vælg én proces: - review af et argument - opsummering af mødebeslutninger - strukturering af ikke-fortrolige noter - forberedelse af spørgsmål til faglig review - oversættelse af en proces til en tjekliste Definér rolle, input, stopregler, outputformat og reviewpunkt. </div> </div> > Instruksen må kunne deles uden fortroligt indhold.

# Adoption sker gennem mikro-vaner, ikke store transformationer Vælg små faste greb: - "AI-assisted?" som punkt i mødeskabelon - 10-min case-demo på teammøde - fælles GPT eller promptbibliotek - før/efter-måling på én opgave - reviewregel: AI-output må aldrig sendes videre uden faglig sign-off Lederens spørgsmål: **Hvordan brugte du AI, og hvor var reviewpunktet?**

# Build-Measure-Learn: sådan bliver AI-arbejdet bedre AI-forbedring er en lille læringsloop, ikke et stort projekt. <div class="lab-grid"> <div class="lab-cell"><b>Build</b><span>Prøv én prompt, GPT-instruks eller arbejdsgang på en ufarlig case.</span></div> <div class="lab-cell"><b>Measure</b><span>Mål om output blev kortere, tydeligere, hurtigere eller krævede mindre review.</span></div> <div class="lab-cell"><b>Learn</b><span>Skriv fejlen tilbage i prompten, GPT-instruksen eller proceskortet.</span></div> </div> Eksempel: Hvis AI svarer for langt, så tilføj længdekrav. Hvis AI gætter, så tilføj kildekrav og stopregel.

# Vi slutter med tre proceskort fra rummet For hvert proceskort: | Felt | Beslutning | |------|------------| | Proces | Hvilken arbejdsgang vil vi teste? | | AI-bidrag | Hvor kan AI hjælpe? | | Stopregel | Hvad må AI ikke se? Fortroligt materiale er ude. | | Review | Hvad skal mennesket validere? | | Baseline | Hvor lang tid, hvor mange iterationer eller hvilke fejltyper i dag? | | Næste test | Hvad prøver vi først? |

# Output fra dagen <div class="takeaway-dashboard"> <div class="takeaway-item"><b>Proceskort</b><span>Én arbejdsgang beskrevet sikkert.</span></div> <div class="takeaway-item"><b>Sikker AI-instruks</b><span>Én GPT- eller promptinstruks uden fortroligt indhold.</span></div> <div class="takeaway-item"><b>Reviewpunkt</b><span>Et tydeligt stop hvor fagligheden tager over.</span></div> <div class="takeaway-item"><b>Baseline</b><span>Tid, iterationer eller fejltype før AI-test.</span></div> <div class="takeaway-item"><b>Næste test</b><span>Én opgave der prøves efter workshoppen.</span></div> </div>

# Hvad tester jeg efter workshoppen? Skriv én sætning: > "Jeg tester AI på [proces] ved at bruge [GPT/prompt] til [afgrænset bidrag]. Min baseline er [tid/iterationer/fejltype]. Jeg evaluerer efter [første opfølgning]." Det er ikke en stor transformation. Det er én sikker test, som Pharmacosmos-teamet kan følge op på.

# Næste modul kan tage udgangspunkt i proceskortene fra i dag Mulige fortsættelser: - modne én proces til en fælles GPT - lave en team-tjekliste for sikker AI-brug - teste proceskort mod faktiske arbejdsgange i godkendt miljø - bygge et fælles promptbibliotek - vælge en superviseret pilot med tydelige gates

# Ressource: AI-infrastruktur er blevet en ledelsesressource Jensen Huang fra NVIDIA peger på, at adgang til compute og tokens bliver en reel begrænsning for vidensarbejde. <a class="resource-link-card" href="https://www.youtube.com/watch?v=Hg0Vus39I60" target="_blank" rel="noopener noreferrer"> <b>Åbn videoen i ny fane</b> <span>Jensen Huang om compute, tokens og AI-infrastruktur som ledelsesressource.</span> </a> Brug den som perspektiv, ikke som teknisk krav til dagens øvelser.