Grounding
Grounding betyder, at et AI-svar forankres i eksterne eller verificerbare kilder frem for kun at basere sig på modellens interne mønstre. Grounding bruges til at øge aktualitet, præcision og mulighed for kildehenvisning.
Grounding betyder at forankre et AI-svar i konkrete kilder i stedet for at lade modellen svare ud fra hukommelsen. Formålet er tredelt: færre hallucinationer, aktuel information og verificerbare kildehenvisninger. Google bruger begrebet direkte i sine egne produkter, blandt andet under navnet “Grounding with Google Search”.
Grounding og RAG er ikke det samme
Denne forskel er værd at få rigtigt, fordi begreberne bruges i hulter til bulter i dansk faglitteratur.
Google Cloud formulerer det selv sådan: grounding er at give en sprogmodel ekstern information, så svaret forankres i virkeligheden. RAG er en specifik teknik til at gøre det.
Altså:
| Grounding | RAG | |
|---|---|---|
| Hvad er det? | Målet: svar forankret i kilder | Metoden: hent først, generér derefter |
| Niveau | Princip | Teknisk implementering |
| Kildetyper | Websøgning, interne databaser, kundedata, dokumenter | Typisk et søgeindeks eller en vektordatabase |
| Kan det ene findes uden det andet? | Grounding kan opnås på andre måder | RAG er altid en form for grounding |
Grounding er overbegrebet. RAG er en af vejene derhen.
Hvordan et svar uden grounding ser ud
Du har sikkert oplevet det. Du spørger om noget aktuelt, og du får et svar, der lyder helt rigtigt, med kildehenvisninger der ligner rigtige kilder. Du klikker. Siden findes ikke.
Det er ikke, fordi modellen lyver. Det er, fordi den genererer det mest sandsynlige næste ord ud fra træningsdata med en skæringsdato. Bliver den bedt om en kilde, genererer den noget der ser ud som en kilde, fordi det er den form, svaret skal have.
Grounding fjerner den mekanik ved at give modellen faktiske dokumenter at arbejde ud fra, inden den skriver.
Detaljen, der bør ændre den måde, du skriver på
Her er den mest interessante del, og den kommer fra Googles egen tekniske dokumentation.
Når Gemini besvarer et grounded spørgsmål, returnerer API’et ikke kun et svar. Det returnerer grounding-metadata med tre typer information:
- Grounding chunks: de konkrete tekststykker fra kilderne, som understøtter svaret
- Grounding supports: en kobling mellem en specifik påstand i svaret og det tekststykke, der understøtter den
- Konfidensscore: et tal mellem 0 og 1, der angiver hvor godt en enkelt påstand er forankret
Læs det tredje punkt igen. Systemet vurderer forankringen påstand for påstand. Ikke svar for svar. Ikke side for side.
Det fortæller noget vigtigt om, hvordan AI-svar bliver bygget: de bliver samlet påstand for påstand fra forskellige kilder, som var det et puslespil. Ikke skrevet i ét stykke ud fra én kilde.
Konsekvensen for dit indhold er direkte: din konkurrenceenhed er den enkelte påstand. En side kan levere én sætning til et svar, mens en anden side leverer den næste. Hvis dine påstande er indpakket i lange, betingede afsnit, hvor det ikke er tydeligt hvad du faktisk hævder, bliver de svære at forankre.
Skriv derfor dine centrale påstande som selvstændige, komplette sætninger med tallet, kilden og forbeholdet i samme sætning. Ikke “det steg betydeligt sidste år”, men “det steg 33 procent i året op til november 2025 ifølge Press Gazette”.
Det første kan ikke forankres. Det andet kan.
Grounding uden citationer findes også
Et forbehold, som er værd at forstå.
Grounding og citation er beslægtede, men ikke identiske. Et system kan hente dit indhold, bruge det til at formulere et svar og aldrig nævne dig. Særligt hvis din pointe også findes i tre andre kilder, hvoraf en er Wikipedia.
Det er ubehageligt, men det er også en oplysning, du kan bruge: det, der ikke findes andre steder, bliver oftere krediteret. Egne målinger, egne cases, egne tal og egen metode er sværere at hente fra en anden kilde, og derfor sværere at citere uden at nævne hvem det kom fra.
Det er en af de få håndgribelige fordele ved at producere originalt materiale i stedet for at omskrive andres.
Hvor grounding bruges i dag
Begrebet dukker op i tre sammenhænge, som er værd at kunne skelne mellem:
I søgning. AI Overviews og AI Mode grounder i Googles eget indeks. Perplexity og ChatGPT grounder i websøgning. Det er det lag, din SEO påvirker.
I udviklerværktøjer. Gemini API og Vertex AI tilbyder grounding som en funktion, man slår til. Man kan grounde mod Google Search, mod egne dokumenter eller mod et Elasticsearch-indeks. Google har også en funktion, hvor modellen selv vurderer, om et spørgsmål har brug for grounding, kaldet dynamic retrieval.
I virksomhedsløsninger. En intern chatbot, der svarer ud fra virksomhedens egne dokumenter, er en grounded løsning. Det er her, mange virksomheder for første gang opdager, hvor uens deres egen dokumentation er. Er der tre versioner af prislisten, kan systemet ikke afgøre hvilken der gælder.
Hvad kan du gøre for at blive et godt grounding-materiale?
Der findes ikke et markup for grounding. Men mekanikken sætter nogle klare rammer:
- Skriv påstande, der kan verificeres. Tal, datoer, navne, kilder.
- Skriv afsnit, der kan stå alene. Systemet henter stykker, ikke sider.
- Angiv hvornår noget er målt. En påstand uden dato er svær at forankre og endnu sværere at citere.
- Vær konsistent på tværs af dit site. Modstridende oplysninger på to sider gør begge mindre brugbare.
- Publicér noget originalt. Det er den eneste rigtige beskyttelse mod at blive brugt uden at blive nævnt.
Hos Concept Interest bygger vi ordbogsartikler efter samme logik: definition i første afsnit, konkrete tal med kildeangivelse, og afsnit der kan læses hver for sig. Det er ikke skrevet for maskinernes skyld alene. Det er også bare god formidling.
Hvor grounding stadig fejler
Vær ikke for optimistisk. Grounding reducerer fejl, den eliminerer dem ikke.
Der er tre typiske fejlmåder, som du kommer til at møde:
Modellen henter en korrekt kilde og drager en forkert konklusion af den. Nuancer og forbehold falder væk under omskrivningen.
Modellen henter en forældet kilde, fordi den ranker godt. Grounding sikrer forankring, ikke aktualitet, hvis kilden selv er gammel.
Modellen blander to kilder og skaber en påstand, som ingen af dem indeholder. Den er sværest at opdage, fordi begge citationer er ægte.
Google har i øvrigt selv fjernet konfidensscoren fra nyere modelversioner, hvilket gør det sværere at vurdere forankringsstyrken udefra. Det er en påmindelse om, at værktøjerne bevæger sig hurtigere end dokumentationen om dem.
Hvorfor begrebet er værd at bruge
Fordi det giver dig et præcist sprog for noget, der ellers bliver diskuteret meget løst.
Når nogen siger “AI’en tager mit indhold”, er det uklart hvad de mener. Når nogen siger “vores indhold bliver hentet som grounding-materiale, men vi bliver ikke citeret”, er problemet pludselig præcist nok til at kunne arbejdes med.
Og det er ofte forskellen på en diskussion, der fører et sted hen, og en, der bare bliver ved med at være ubehagelig.

