Ræsonnerende modeller er den vigtigste modeltype, der er kommet til siden den oprindelige ChatGPT. o1, o3, GPT-5 Thinking, Claude Opus / Sonnet med extended thinking, DeepSeek R1, Gemini 2.5 Thinking og Grok-4 Heavy — i 2026 har alle større AI-laboratorier udgivet en ræsonnerende model, og de har ændret mulighederne for vanskeligt analytisk arbejde.
De belønner også en anden måde at skrive prompts på end hurtige modeller. Mange af de teknikker, der virker fremragende med modeller i GPT-4-klassen — omfattende stilladsering, ”tænk trin for trin” og detaljerede rolleprompts — er i bedste fald neutrale og i værste fald skadelige, når de anvendes på ræsonnerende modeller. Den rette stil ligger tættere på ”beskriv problemet tydeligt, og stol på modellen” end på noget, du har læst i vejledninger om udformning af prompts.
Denne artikel forklarer, hvad ræsonnerende modeller er, hvornår du skal bruge dem, hvordan du skriver gode prompts til dem, og hvilke faldgruber der rammer selv erfarne AI-brugere.
Hvad ræsonnerende modeller egentlig er
En ræsonnerende model genererer internt en udvidet ræsonnementskæde, før den fremstiller sit endelige svar. Den bruger snesevis af sekunder, ofte flere minutter, på den interne behandling, før den svarer. Dens thinking-tokens er ofte skjult for dig — du ser indikatoren ”thinking…” — eller opsummeret.
Det er et reelt skift i kapacitet. På vanskelige benchmarks med flere trin klarer ræsonnerende modeller sig rutinemæssigt markant bedre end hurtige modeller. Den nøjagtige forskel afhænger i høj grad af opgaven og de udbydere, der sammenlignes, men den er stor nok til, at valget mellem ”fast” og ”thinking” nu er en reel arkitekturbeslutning. Modellerne koster også mere, er længere om at svare og kræver en anden måde at skrive prompts på.
De vigtigste ræsonnerende modeller i 2026:
- OpenAI o3 og dens varianter (o3-mini, o3-pro). Tilgængelig via API’et og ChatGPT (Plus og Pro). GPT-5 i ”Thinking”-tilstand er versionen til almindelige brugere.
- Claude 4.5 Opus / Sonnet med extended thinking. Tilgængelig på claude.ai (Pro og derover) og via API’et. Indstil parameteren
thinkingfor at aktivere ræsonnementstilstanden. - DeepSeek R1 og efterfølgere. Vægte med åben kildekode; tilgængelig via DeepSeeks app, OpenRouter og andre udbydere.
- Gemini 2.5 Thinking. I Gemini Advanced og API’et.
- Grok 4 Heavy. Tilgængelig for brugere med X Premium+.
De bygger alle på det samme grundprincip. Forskellene ligger i pris, svartid, synligheden af ræsonnementssporet og de konkrete problemer, hver model er stærkest til.
Hvornår du skal vælge en ræsonnerende model
En ræsonnerende model er det rette værktøj, når:
- Problemet har flere trin, der bygger på hinanden. Matematik, logik, planlægning i flere trin og kode, hvor en tilstand skal følges.
- Det har reelle konsekvenser at tage fejl. Finansiel analyse, juridisk fortolkning, medicinsk ræsonnement og fejlfinding af problemer i produktion.
- Traditionelle modeller bliver ved med at svare forkert. Hvis du har prøvet en hurtig model, og svaret konsekvent rammer ved siden af, løser en ræsonnerende model som regel problemet.
- Opgaven kræver omhyggelig sammenligning eller afvejning. Beslutninger med flere kriterier, arkitekturvalg og leverandørvurderinger.
- Modellen skal ræsonnere reelt over særtilfælde frem for blot at fremstille tekst, der lyder plausibel.
Brug ikke en ræsonnerende model til:
- Samtaler. Svartiden gør dialogen frem og tilbage besværlig.
- Generering og udkast. Ræsonnerende modeller skriver efter mange brugeres erfaring dårligere kreativ tekst end hurtige modeller.
- Enkel genkaldelse. At spørge en ræsonnerende model ”hvad er Estlands hovedstad?” spilder dens beregningsressourcer og din tid.
- Iterative forfinelsesforløb. Når du vil sende 10 hurtige beskeder, er den hurtige model det rette værktøj.
- Opgaver, hvor du skal styre mellemtrinnene. Ræsonnerende modeller skjuler ræsonnementet. Hvis du vil undersøge hvert trin, skal du bruge en hurtig model med udtrykkelig CoT.
En nyttig regel: Hvis du ikke ville betale en analytiker for at bruge 20 minutter på opgaven, skal du ikke bruge en ræsonnerende model. Hvis du ville, så gør det.
Skiftet i udformning af prompts
Den største fejl er at anvende udformning af prompts til hurtige modeller på ræsonnerende modeller. Her er de fem ting, du skal droppe:
1. Hold op med at tilføje ”tænk trin for trin”
Ræsonnerende modeller gør det allerede. Det er i bedste fald overflødigt at tilføje formuleringen. På nogle ræsonnerende modeller kan den ovenikøbet forstyrre den interne ræsonnementsproces: Modellen bruger beregningsressourcer på at udføre synligt ræsonnement trin for trin i stedet for at bruge sit mere effektive interne ræsonnement.
Dårligt: Tænk trin for trin. Løs dette omhyggeligt. Vis dine beregninger. [problem]
Godt: [problem]
Angiv blot problemet tydeligt. Stol på modellen.
2. Hold op med at overstrukturere
Omfattende stilladsering virker godt med hurtige modeller: ”Gør først A, derefter B, så C; her er formatet…” Med ræsonnerende modeller finder modellen ofte selv den rette svarstruktur, og en påtvunget struktur kan give dårligere resultater end at lade modellen vælge.
Stil til hurtig model: Angiv først de vigtigste begrænsninger. Opregn derefter mulighederne. Vurdér så hver mulighed i forhold til hver begrænsning. Vælg derefter. Begrund til sidst. Outputformat: …
Stil til ræsonnerende model: Hjælp mig med at vælge mellem mulighed A og mulighed B. Kontekst: […]
Den ræsonnerende model udarbejder som regel internt en mere avanceret analyse end den struktur, du selv ville have påtvunget.
3. Kombinér ikke ræsonnementsteknikker
CoT + self-critique + tree-of-thoughts virker med hurtige modeller. Ræsonnerende modeller udfører allerede noget, der svarer til alle tre, internt. Hvis du lægger de eksterne versioner ovenpå, er det overflødigt og forringer kvaliteten.
Hvis din prompt til en ræsonnerende model indeholder ”tænk trin for trin, kritisér derefter dit eget svar, og revidér det så”, skal du reducere den til selve spørgsmålet. Den interne ræsonnering håndterer resten.
4. Overbeskriv ikke rollen
En omfattende rollebeskrivelse virker godt med hurtige modeller: ”Du er en erfaren udvikler med 20 års erfaring i distribuerede systemer, som har bygget applikationer i stor skala og kender afvejningerne ved…” Ræsonnerende modeller har ikke samme gavn af denne stilladsering. Problemet fremkalder allerede den relevante faglige bearbejdning.
En kort og direkte rolleprompt er stadig nyttig til at fastlægge tone og sprogligt register, men en lang og detaljeret persona er overdrevet.
Dårligt: Du er en backendudvikler i verdensklasse med 20+ års erfaring…
Godt: Hjælp mig med at ræsonnere over dette problem i distribuerede systemer. [problem]
5. Bed ikke om modellens ”thinking”
På o3 og visse andre modeller er ræsonnementssporet skjult med vilje. Hvis du beder modellen om at ”vise sin ræsonnering”, kan den fremstille et andet og ofte mere overfladisk resultat, end hvis du lader den tænke privat og give dig konklusionen.
Hvis du vil se ræsonnementet, er det en rimelig præference. Med Claude og extended thinking er sporet ofte synligt. Men hvis du udtrykkeligt beder om det på en model, hvor det normalt er skjult, kan kvaliteten blive dårligere.
Hvad ræsonnerende modeller HAR brug for
Nogle få ting gavner dem:
Konkrete oplysninger. Tal, datoer, præcise begrænsninger, konkrete filer og personer. Ræsonnerende modeller kan udføre reel aritmetik med virkelige tal — giv dem tallene.
Åben indramning. ”Her er situationen. Her er det, jeg vil finde ud af. Hvad mener du?” giver et bedre resultat end stive skabeloner.
Ærlig usikkerhed. Fortæl modellen, hvad du ikke ved. ”Jeg er ikke sikker på X eller Y; hjælp mig med at afklare det.” Ræsonnerende modeller håndterer tvetydighed godt og bruger den produktivt.
Tilladelse til at være uenig. ”Sig fra, hvis min indramning er forkert” eller ”fortæl mig, hvad jeg ikke har overvejet” giver et mærkbart bedre resultat end at bede om støtte til dit eksisterende standpunkt.
Konkrete data. Regneark, kode og dokumenter — indsæt dem. Ræsonnerende modeller udfører deres bedste arbejde, når de har virkelige artefakter at ræsonnere over, ikke abstrakte spørgsmål.
Gennemarbejdede eksempler
Eksempel 1: En fejlfindingsopgave
Forestil dig, at du har en vanskelig fejl.
Hurtig model + CoT:
Du er en erfaren softwareudvikler med speciale i TypeScript. Tænk trin for trin over denne fejl.
Find først de relevante kodedele. Følg derefter datastrømmen. Find så de sandsynlige årsager. Anbefal til sidst en rettelse.
Her er fejlen: [description] Her er koden: [code]
Ræsonnerende model:
Hjælp mig med at finde denne fejl.
Symptomer: [description] Relevant kode: [code] Det har jeg allerede prøvet: [list]
Den ræsonnerende model gennemgår fejlen systematisk uden at have brug for stilladseringen. Den opdager ofte problemet hurtigere end kombinationen af en hurtig model og CoT, fordi dens interne ræsonnement reelt går dybere.
Eksempel 2: En strategisk beslutning
Hurtig model:
Du er en erfaren strategikonsulent. Jeg prøver at beslutte, om produkt X skal lanceres. Anvend rammen [framework name]. Først … [long structured prompt]
Ræsonnerende model:
Jeg prøver at beslutte, om produkt X skal lanceres. Kontekst:
- Vi er en virksomhed med 50 medarbejdere og $5M ARR.
- Produktet vil tage 2 kvartaler at bygge.
- Det ligger op ad vores hovedprodukt, men konkurrerer ikke direkte med det.
- To af vores 10 største kunder har efterspurgt det.
- Vores teamkapacitet er allerede presset.
Hjælp mig med at gennemtænke dette. Sig fra over for svag ræsonnering. Fortæl mig, hvad jeg ikke har overvejet.
Den ræsonnerende model fremstiller en dybere og mere nuanceret analyse ud fra den minimalistiske prompt end ud fra en overstruktureret prompt. Den vil sandsynligvis pege på forhold, du ikke selv tænkte på at nævne, og opdage spændinger i dine oplysninger.
Eksempel 3: Kompleks kodeanalyse
Hurtig model:
Analysér denne kode for ydelsesproblemer. Tænk trin for trin. Find først datastrukturerne, følg derefter algoritmens kompleksitet, og udpeg så konkrete flaskehalse. [code]
Ræsonnerende model:
Hvad gør denne kode langsom? Den tager i øjeblikket ~3 sekunder på et typisk input; jeg vil have den ned under 500ms.
[code]
Den ræsonnerende model analyserer kompleksiteten, finder flaskehalse, foreslår rettelser og anbefaler ofte målestrategier — helt uden udtrykkelig stilladsering.
Faldgruber ved ræsonnerende modeller
Her er en kort liste over forhold, der rammer selv erfarne brugere:
Svartiden. Ræsonnerende modeller kan bruge 30 sekunder til flere minutter på et svar. Det forstyrrer reelt arbejdsrytmen, hvis du ikke forventer det. Planlæg efter det, og brug dem ikke til samtaleopgaver.
Prisen. Ræsonnerende modeller koster typisk flere gange mere pr. forespørgsel end hurtige modeller — undertiden en størrelsesorden mere afhængigt af niveau, udbyder og antallet af thinking-tokens, modellen bruger. Med API-priser kan en enkelt kompleks forespørgsel koste et mærkbart beløb. Brug dem bevidst.
Problemet med afbrudt ”thinking”. Ræsonnerende modeller har tokenbudgetter til deres interne tænkning. Ved ekstremt vanskelige problemer kan modellen opbruge sit thinking-budget, før den når en sikker konklusion. Resultatet bliver da usikkert. Løsningen er at give en prompt, der er egnet til tænkning — et klart, velafgrænset problem — og øge thinking-budgettet i de værktøjer, der tillader det.
Ræsonnementsløkker. En ræsonnerende model går af og til i stå: Dens interne tænkning kører i ring, eller den vælger en forkert vej og kan ikke komme tilbage. Tegnene er meget lang tænketid efterfulgt af et forbeholdent eller mærkeligt svar. Løsningen er at starte forfra med en lidt anderledes indramning.
Overdreven selvsikkerhed om de forkerte ting. Ræsonnerende modeller kan være mere sikre, end de bør være, på spørgsmål, hvor deres interne ræsonnement faktisk ikke kontrollerede svaret. Spørg altid ved kritiske resultater: ”Hvor sikker er du på dette, og hvad ville ændre dit svar?”
Forskellige omkostninger mellem delproblemer. En ræsonnerende model bruger beregningsressourcer nogenlunde proportionalt med problemets sværhedsgrad. Enkle delspørgsmål er billige, vanskelige er dyre. Vær opmærksom på, at fem vanskelige opgaver i én prompt ubemærket kan bruge langt flere beregningsressourcer, end du forventer.
Hybridmønstret, der ofte virker bedst
Til mange virkelige arbejdsgange er det rette mønster hurtig model + ræsonnerende model i rækkefølge:
- Hurtig model til at afgrænse, udforske og brainstorme. Hurtig dialog frem og tilbage. Forfin spørgsmålet.
- Ræsonnerende model til at bearbejde de vanskeligste 1-3 delspørgsmål, som udforskningen afdækkede.
- Hurtig model til at omsætte resultatet fra den ræsonnerende model til den ønskede form, eksempelvis slides, e-mail eller dokument.
Mønstret holder svartiden håndterbar, omkostningerne forudsigelige og bruger hvert værktøj til dets styrker.
Et gennemarbejdet eksempel: en markedsanalyse.
- Hurtig model (Claude / GPT): ”Jeg vil forstå markedet for X. Hjælp mig med at afgrænse analysen: Hvad skal jeg undersøge, hvilke data har jeg brug for, og hvilke spørgsmål har betydning?”
- Ræsonnerende model (o3 / Claude Thinking): ”Hvad betyder de data, jeg har indsamlet, for [specific strategic question]? Gå kritisk til ræsonnementet.”
- Hurtig model: ”Hjælp mig nu med at omsætte dette til et oplæg på én side til vores ledelse.”
Tre værktøjer, der hver bruges til det, de er bedst til. De samlede omkostninger og den samlede tid er lavere, end hvis den ræsonnerende model udførte alle tre trin. Kvaliteten er højere, end hvis den hurtige model udførte dem alle.
Nogle praktiske vaner
Vælg altid udtrykkeligt, om en opgave fortjener en ræsonnerende model. Brug den hurtige model som standard, og opgradér kun, når opgaven gør sig fortjent til det.
Hold to faner åbne. ChatGPT eller Claude med den hurtige model i den ene og det samme produkt med den ræsonnerende model i den anden. Det gør det nemt at skifte uden forvirring.
Følg dine omkostninger til ræsonnerende modeller. Uanset om du bruger overvågning af abonnementsniveauet eller API-fakturering, skal du få en fornemmelse af din månedlige regning for ræsonnerende modeller. Tilpas brugen derefter.
Læg mærke til, hvornår du ikke tidligere ville have brugt en. Efterhånden som du bliver mere fortrolig med dem, opdager du, når du er ved at vælge den hurtige model til et problem, som den ræsonnerende model ville have løst bedre. Opbyg vanen med at stoppe op.
Skriv en ny, minimal prompt. Når en ræsonnerende model har givet et svagt svar, er instinktet at udbygge prompten. Prøv først det modsatte: en kortere og enklere version af den samme prompt. Ræsonnerende modeller får nogle gange for megen hjælp af komplekse prompts.
To modeltyper, to måder at skrive prompts på
Ræsonnerende modeller er ikke hurtige modeller med ekstra trin. De belønner minimale, direkte prompts, straffer omfattende stilladsering, tager tid, koster mere og fremstiller markant bedre svar på vanskelige problemer.
Brug dem bevidst, skriv enkle prompts til dem, og hold op med at anvende mønstrene til hurtige modeller på dem. Kombinationen af hurtige og ræsonnerende modeller — brugt til det, hver type er bedst til — er den stærkeste tilgængelige AI-arbejdsgang i 2026, og forskellen mellem dem, der har lært skellet, og dem, der ikke har, bliver ved med at vokse.
