AI-hallucinationer er når en AI-model opdigter information der lyder troværdig men ikke er sand. Det kan være en lovparagraf der ikke findes, en omsætningsfigur der er forkert, eller en kodefunktion der ikke eksisterer. For danske virksomheder er det ikke et teoretisk problem: 3-20 procent af alle AI-svar indeholder faktuelle fejl, afhængigt af opgavetypen, og konsekvenserne kan være alt fra pinlige kundesvar til kostbare forretningsbeslutninger baseret på forkerte data.
Denne guide er skrevet til den SMV-ejer, der bruger eller overvejer at bruge AI i kerneforretningen — og vil have en praktisk vejledning til at opdage og forhindre hallucinationer inden de koster penge. Vi gennemgår hvad hallucinationer er teknisk set, hvorfor de sker, 7 advarselssignaler, 6 tekniske tilgange til at reducere dem og en konkret tjekliste du kan bruge i din egen virksomhed.
Hvad er en AI-hallucination?
En AI-hallucination er et svar fra en AI-model der er faktuelt forkert eller helt opdigtet, men præsenteres med samme tone og tillid som et korrekt svar. Termen bruges fordi modellen ikke “lyver” bevidst — den mangler mekanismen til at skelne mellem sandt og falskt. Den forudsiger det mest sandsynlige næste ord baseret på mønstre i træningsdata, og når mønsteret er svagt eller dataen mangler, udfylder den hullet med noget der ser plausibelt ud.
Et konkret eksempel: Hvis du beder ChatGPT om at finde en dansk dom om et specifikt emne, og emnet er sjældent diskuteret, kan den svare med et domnummer, en dato og en kort beskrivelse der lyder helt rigtig — men dommen findes ikke. Hverken nummeret, datoen eller indholdet er ægte. AI’en har lavet en sandsynlig-lydende dom fordi det er sådan danske domme typisk ser ud.
Definition: En AI-hallucination er et svar fra en AI-model der præsenteres som faktuelt men som er opdigtet eller forkert. Hallucinationer opstår fordi sprogmodeller forudsiger sandsynlige svar, ikke sande svar — og når mønstergenkendelsen rammer et hul, opfinder modellen detaljer der passer ind i mønsteret.
Hvorfor sker hallucinationer?
For at forstå hvordan man forebygger hallucinationer skal man forstå hvorfor de sker. De fem primære årsager er alle forankret i hvordan store sprogmodeller fungerer:
1. Modellerne slår ikke op — de genererer. En AI-model har ingen database over “fakta”. Den har et neuralt netværk der gætter det næste mest sandsynlige ord. Når du spørger “hvem var statsminister i Danmark i 1987”, genererer den et svar ud fra mønstre — ikke et opslag. Svaret er ofte rigtigt, men ikke fordi AI’en “ved” det.
2. Træningsdata har huller. Modeller som GPT-5 og Claude er trænet på enorme mængder tekst, men ikke alt. Sjældne danske love, specifikke brancheregler, nye produkter fra 2026 — alt hvad der ikke var i træningsdataene, skal modellen gætte på. Og den gætter.
3. Modeller er trænet til at virke hjælpsomme. I træningsprocessen får modeller belønning for at give svar — også når de ikke kender svaret. Det betyder at de er bias’ede mod at svare frem for at sige “jeg ved det ikke”. Nyere modeller er bedre til at afvise usikre spørgsmål, men ingen model er immun.
4. Komplekse forespørgsler forstærker fejl. Når du beder AI’en om flere ting på én gang — “find denne info, sammenlign med dette, beregn det, skriv et svar” — akkumuleres fejl. Én lille hallucination i første trin kan forplante sig gennem hele kæden.
5. Modeltemperaturen og konteksten kan bidrage. En høj “temperatur”-indstilling gør svarene mere kreative men også mere tilbøjelige til at drifte fra fakta. Lange samtaler hvor modellen mister overblikket over tidligere instruktioner kan også forværre hallucinationer.
Hvor ofte hallucinerer AI i praksis?
Hallucinationsraten varierer voldsomt afhængigt af opgavetype. Forskningen fra 2025-2026 viser disse rammer:
| Opgavetype | Hallucinationsrate | Risiko |
|---|---|---|
| Kreativ skrivning og reformulering | <1% | Meget lav |
| Opsummering af givet tekst | 1-3% | Lav |
| Faktuelle opslag om velkendte emner | 3-8% | Middel |
| Juridisk research og retsopslag | 10-20% | Høj |
| Numeriske beregninger | 5-15% | Høj |
| Kode der refererer til biblioteker | 15-25% | Meget høj |
Det vigtigste tal: selv de mest robuste modeller i 2026 har en hallucinationsrate på mindst 1-3 procent på faktuelle opgaver. Det betyder at hvis din virksomhed automatiserer 10.000 opgaver om måneden, kan 100-300 af dem indeholde fejl. Om det er et problem afhænger af opgavens risiko.
4 virkelige tilfælde hvor hallucinationer har kostet penge
Hallucinationer er ikke teoretiske — de sker konstant, og de koster virksomheder penge hver eneste dag. Fire eksempler der er velkendte fra 2024-2026:
Air Canada-sagen (2024): En kunde spurgte Air Canadas chatbot om reglerne for nedsat pris ved dødsfald i familien. Chatbotten opfandt en politik der lovede kunden en kompensation efter hjemkomsten. Air Canada nægtede, men en domstol i British Columbia dømte dem til at udbetale — virksomheden var bundet af chatbottens løfte. Læren: AI-output er juridisk bindende hvis virksomheden har præsenteret det som officiel kommunikation.
Advokater og fiktive domme (2023-2025): Flere amerikanske og europæiske advokater er blevet dømt for at have brugt ChatGPT til at finde præcedens og indsende dokumenter med fiktive retsafgørelser. I 2025 blev en dansk jurist irettesat af Advokatrådet for samme fejl. Læren: faktuelle kilder skal verificeres — altid.
En dansk e-handelsvirksomhed og falske produktinfo (2025): Virksomheden brugte en AI-chatbot til at svare på kundespørgsmål om produktspecifikationer. Chatbotten begyndte at opfinde tekniske detaljer der ikke stod i produktdatabasen — størrelser, vægt, materiale. Kunder modtog produkter der ikke matchede de oplyste specifikationer. Klager og returneringer kostede virksomheden over 400.000 kr. og betydelig tab af kundetillid. Læren: chatbots skal grounding’es i faktisk produktdata, ikke stole på AI-hukommelse.
En rådgivningsvirksomhed og forkerte markedstal (2024): Rådgiveren brugte ChatGPT til at lave en markedsanalyse. AI’en fremkaldte markedstal fra en Gartner-rapport der angiveligt var udgivet året før. Rapporten fandtes ikke — tallene var opdigtet. Analysen blev leveret til klienten, og fejlen blev først opdaget efter en offentliggørelse. Læren: statistikker og kilder fra AI skal altid kontrolleres mod originalen.
De 7 advarselssignaler: Sådan opdager du en hallucination
Når du læser et AI-svar, skal du have en systematisk metode til at spotte hallucinationer. Her er de syv signaler vi bruger i vores eget arbejde hos AI-AG:
1. Svaret er overraskende præcist. Hvis AI’en giver et hyperspecifikt svar på et kompliceret spørgsmål — en dato på dagen, et tal til to decimaler, en navngivet person — uden at du har givet den data — er det ofte en hallucination. Ægte præcision kræver kildedata. Uden kildedata er præcision en advarselsflag.
2. Citater og kilder uden URL. Hvis AI’en siger “ifølge en rapport fra Deloitte i 2025…” og ikke kan give en link, er sandsynligheden stor for at rapporten er opdigtet. Kræv altid en kilde du selv kan verificere.
3. Lovparagraffer og nummererede referencer. AI er notorisk dårlig til at huske specifikke paragraffer i loven. Hvis den siger ”§ 17, stk. 3 i bogføringsloven” — tjek det. Ofte er paragraffen rigtig men ordlyden er forkert, eller paragraffen eksisterer slet ikke.
4. Kode der ikke virker ved første test. AI er meget kreativ med API-kald, biblioteksfunktioner og metodenavne. Hvis koden ser rigtig ud men ikke kan kompileres, er der ofte en hallucineret funktion i den.
5. Svar der modsiger noget du allerede ved. Hvis AI siger noget der ikke stemmer overens med din egen viden, er det næsten altid AI der tager fejl, ikke dig. Stol på din domæne-ekspertise.
6. Beregninger der ser rigtige ud. AI kan formatere tabeller og beregninger flot, men fejler ofte på selve regnestykkerne. Kør altid de kritiske tal manuelt gennem en lommeregner eller et regneark.
7. Svaret fylder alt. Hvis AI’en skriver et 500-ords svar på et spørgsmål der kan besvares med 20 ord, kan den have fyldt hullerne med generisk plausibelt indhold. Jo længere og mere udtværet et svar er, jo flere muligheder er der for at hallucinationer sniger sig ind.
6 tekniske tilgange til at reducere hallucinationer
Når du bygger AI ind i en arbejdsproces, kan du reducere hallucinationer drastisk gennem bevidst arkitektur. Her er de seks tilgange vi bruger i implementeringsprojekter hos danske SMV’er — rangeret fra mest effektive til mindst effektive:
1. RAG (Retrieval Augmented Generation)
Den mest effektive enkelt-teknik. I stedet for at lade AI’en gætte på fakta, giver du den et dokumentarkiv eller en database og beder den basere sit svar på det hentede indhold. Effekt: 60-80 procent reduktion i faktuelle fejl.
Bruges til: Kundesupport med produktdata, interne videnbaser, juridiske opslag, dokumentsøgning.
Typisk opsætning: Vektor-database (Pinecone, Weaviate, Supabase pgvector) + embeddings + AI-model der får de mest relevante dokumenter som kontekst.
2. Grounding med verificerede kilder
Relateret til RAG men simplere. Du giver AI’en kildematerialet direkte i prompten og instruerer den i kun at bruge det materiale. Effekt: 50-70 procent reduktion.
Bruges til: Analyser af specifikke dokumenter, opsummeringer, data-udtrækning.
Eksempel-prompt: “Brug kun oplysningerne i teksten nedenfor til at besvare spørgsmålet. Hvis svaret ikke står i teksten, skriv ‘ikke nævnt i materialet’.“
3. Temperatur-tuning og deterministisk output
Temperatur (0.0-1.0) styrer AI’ens kreativitet. Lav temperatur (0.1-0.3) giver mere forudsigelige svar med færre hallucinationer. Høj temperatur er for kreative opgaver. Effekt: 20-40 procent reduktion på faktuelle opgaver.
Bruges til: Alle opgaver hvor fakta er vigtigere end kreativitet.
4. Struktureret output med JSON-skema
Når du beder AI’en returnere data i et fast JSON-format, reducerer du risikoen for at den fylder med kreativt indhold. Effekt: 30-50 procent reduktion for dataekstraktionsopgaver.
Bruges til: Dataekstraktion, klassificering, strukturerede svar.
5. Menneskelig gennemgang før kritiske handlinger (HITL)
Human-in-the-loop betyder at en person godkender AI-output før det sendes ud eller udføres. Ikke en teknisk løsning, men en organisatorisk. Effekt: 95+ procent reduktion i skadelige fejl — forudsat at mennesket læser ordentligt.
Bruges til: Juridiske dokumenter, kundekommunikation, finansielle beslutninger, alt der er bindende.
6. Prompt engineering med “jeg ved det ikke”-instruktion
Det enkleste trick: bed AI’en eksplicit om at sige “jeg ved det ikke” hvis den er usikker. Moderne modeller er markant bedre til at følge det end ældre. Effekt: 15-30 procent reduktion.
Eksempel-prompt: “Hvis du er usikker på noget, skriv ‘dette er jeg ikke sikker på’. Gæt aldrig på fakta.”
Se vores guide til prompt engineering på dansk for mere avancerede teknikker.
Risiko-matrix: Hvor er hallucinationer farligst?
Ikke alle opgaver bærer samme risiko fra hallucinationer. Brug denne matrix til at vurdere hvor meget du skal beskytte dig i en given proces:
| Risikoniveau | Kendetegn | Krav til beskyttelse |
|---|---|---|
| Lav | Intern brug, kreativ opgave, revideres af menneske | Ingen specifik — basal prompt engineering |
| Middel | Kundevendt men ikke bindende, kan rettes nemt | Grounding + menneskelig gennemgang af 10-20% |
| Høj | Juridisk eller finansielt bindende, svært at rette | RAG + HITL på 100% + logging af alle beslutninger |
| Kritisk | Sundhed, sikkerhed, eller stor finansiel eksponering | Ingen fuld automation — AI kun som assistent til menneske |
Tommelfingerregel: Jo sværere en fejl er at rette efter den er sket, jo mere skal du investere i at forhindre hallucinationer. En pinlig kundebesked kan rettes; en forkert juridisk klausul i en kontrakt kan ikke.
Hvis dette lyder relevant for jer
Hvis I bruger AI i kundevendte opgaver, juridisk research, økonomiske beregninger eller andre opgaver hvor fejl er dyre at rette, er det tid til en risikovurdering. Book en uforpligtende snak og vi gennemgår jeres AI-setup, identificerer hvor hallucinationer kan gøre skade, og foreslår konkrete guardrails. Baseret på vores arbejde med danske virksomheder kan typiske setups reducere hallucinationsraten med 80-95 procent med få timers arbejde.
Praktisk tjekliste til din virksomhed
Før du lader AI håndtere en opgave i drift, så gennemgå denne tjekliste. Hvis du ikke kan svare ja på mindst 6 af 8 punkter, er opgaven ikke klar til fuld automatisering.
- Er fejl nemme at opdage og rette før de når slutbrugeren? (f.eks. ved menneskelig gennemgang)
- Har AI’en adgang til verificerede kilder for de faktiske oplysninger den bruger? (RAG eller grounding)
- Er temperaturen sat til en lav værdi (under 0.4) for faktuelle opgaver?
- Er der klar instruktion i prompten om at AI skal sige “jeg ved det ikke” ved usikkerhed?
- Logges alle AI-svar så du kan reviewe bagefter?
- Er der en “nødknap” der kan stoppe processen hvis fejl opdages?
- Er medarbejdere trænet i at genkende hallucinationer i AI-output?
- Har du et system til at tjekke og godkende AI’s faktuelle påstande mod originale kilder?
En typisk fejl vi ser hos danske SMV’er er at implementere AI uden at tænke på hallucinationer overhovedet — og derefter opdage problemet først når en kunde klager eller en kontrakt er underskrevet. Tjeklisten tager 30 minutter at gennemgå, og kan redde dig fra langt dyrere konsekvenser senere.
Sådan kommer du videre
Det vigtigste første skridt er at lave en liste over hvor AI bruges i din virksomhed i dag og score hver opgave efter risikoniveau. Processer i “Høj” eller “Kritisk”-kategorien bør have guardrails inden for en måned. Processer i “Lav”-kategorien er fine som de er men bør stadig have basal menneskelig gennemgang.
Se vores relaterede guides: AI-fejl som danske SMV’er typisk begår for en bredere oversigt over implementeringsrisici, og AI literacy og lovkrav for hvad EU AI Act kræver af virksomheder der bruger AI. For konkrete risikovurderinger af jeres setup — skriv til Martin eller book en gennemgang.
Ofte stillede spørgsmål
Hvad er en AI-hallucination egentlig?
En AI-hallucination er et svar fra en AI-model der lyder troværdigt, men som er faktuelt forkert eller opdigtet. Det kan være alt fra en fiktiv reference (ChatGPT finder på en lovparagraf der ikke findes) til et forkert tal i en analyse (AI påstår omsætningen er steget med 23 procent når den er steget med 12). Hallucinationer opstår fordi AI-modeller ikke slår op i fakta — de forudsiger det mest sandsynlige næste ord baseret på træningsdata, og når mønsteret matcher dårligt eller dataene er forældede, opfinder de svaret.
Hvor ofte hallucinerer AI faktisk?
Forskningen viser at mellem 3 og 20 procent af AI-svar indeholder faktuelle fejl, afhængigt af opgavetype og model. For generelle chatopgaver ligger raten på 3-10 procent. For komplekse opgaver med mange fakta (juridisk research, talanalyser, historiske opslag) stiger den til 15-20 procent. Moderne modeller som GPT-5 og Claude Opus har lavere rater end tidligere, men ingen model er fri for hallucinationer — det er en grundlæggende egenskab ved teknologien, ikke en bug der kan fjernes.
Hvilke AI-opgaver er mest risikable for hallucinationer?
De tre mest risikable kategorier er: (1) faktuelle opslag — AI opfinder kilder, navne, datoer og love, (2) tal og beregninger — AI regner ofte forkert på noget der ser rigtigt ud, og (3) kode der refererer til specifikke biblioteker eller API’er — AI hitter ofte på metoder der ikke findes. Omvendt er AI meget pålidelig til: kreative opgaver, reformulering, opsummering af tekst du selv har givet, og struktureret dataekstraktion fra kendt input.
Hvad er RAG, og hvordan hjælper det mod hallucinationer?
RAG (Retrieval Augmented Generation) er en teknisk tilgang hvor AI’en får adgang til en database eller et dokumentarkiv og skal basere sit svar på konkret hentet indhold — ikke på hukommelsen fra træningen. I praksis: før AI svarer på et spørgsmål om jeres produkter, slår systemet op i jeres produktdatabase og giver AI’en de relevante data. Så ved AI hvad den skal svare i stedet for at gætte. RAG reducerer hallucinationer med typisk 60-80 procent i faktuelle opgaver.
Hvordan opdager jeg om AI har hallucineret?
Syv tegn at kigge efter: (1) AI giver specifikke tal eller datoer uden kilde, (2) citater fra personer eller rapporter du ikke kan finde, (3) henvisninger til lovparagraffer, forskning eller bøger der ikke eksisterer, (4) kode der kalder funktioner der ikke findes i biblioteket, (5) beregninger der ser rigtige ud men summerer til noget forkert, (6) svar der er overraskende perfekte for en kompleks situation, og (7) svar der modsiger information du allerede kender. Hvis nogen af disse signaler optræder, verificer fra en pålidelig kilde.
Kan man helt undgå AI-hallucinationer?
Nej. Hallucinationer er en grundlæggende konsekvens af hvordan sprogmodeller fungerer — de forudsiger sandsynlige svar, ikke sande svar. Men du kan reducere dem dramatisk gennem: korrekt prompt engineering, RAG-arkitektur, temperatur-tuning, grounding i verificerede kilder, menneskelig gennemgang af kritiske output, og et klart setup der fortæller AI’en hvad den ikke skal gætte på. Kombinerer du disse teknikker, kan du komme ned på under 1 procent hallucination i praksis for strukturerede opgaver.
Er nogle AI-modeller bedre til at undgå hallucinationer end andre?
Ja. De nyeste modeller (GPT-5, Claude Opus 4.6, Gemini 2.5 Pro) er markant bedre end tidligere generationer til at sige “jeg ved det ikke” i stedet for at opfinde svar. Claude er generelt kendt for at være mest konservativ og sjældnest hallucinerer i fri tekst. GPT-5 har stærke tool-use funktioner der gør RAG-setup lettere. Gemini har god integration til Google Search hvilket reducerer faktuelle fejl ved live-opslag. Forskellen er dog mindre end valget af arkitektur — en god RAG-opsætning med en mellemgod model slår en svag opsætning med den bedste model.