# RAG – retrieval augmented generation > RAG står for retrieval augmented generation. Det er den teknik, hvor en sprogmodel slår noget op i en ekstern kilde, inden den svarer. ## Metadata - URL: https://www.concept-i.dk/ordbog/rag-retrieval-augmented-generation.html - Markdown URL: https://www.concept-i.dk/ordbog/rag-retrieval-augmented-generation.md - Published: 2026-08-05T22:06:42+02:00 - Modified: 2026-08-05T22:06:42+02:00 ## Content RAG står for retrieval augmented generation. Det er den teknik, hvor en sprogmodel slår noget op i en ekstern kilde, inden den svarer, i stedet for udelukkende at bruge det, den lærte under træningen. Teknikken blev beskrevet i en forskningsartikel af Patrick Lewis og kolleger i 2020 og er i dag den bærende mekanik bag AI-søgning. ## Hvorfor du bør kende begrebet Fordi RAG afgør, hvilke websites der bliver citeret i AI-svar. Ikke hvilke der rangerer. Hvilke der bliver hentet. Og det deler din synlighed i AI op i to helt forskellige spil: | | Trænet viden | Hentet viden (RAG) | | --- | --- | --- | | Hvad er det? | Det modellen lærte under træning | Det modellen slår op i realtid | | Kan du påvirke det? | Næsten ikke | Ja, det er en forlængelse af SEO | | Hvor gammelt er det? | Frosset ved træningens skæringsdato | Så nyt som kilden | | Får du en citation? | Nej | Typisk ja | Det første spil kan du reelt ikke vinde. Det andet kan du arbejde med i morgen. ## Hvordan RAG fungerer, forklaret uden matematik Forestil dig en meget velformuleret medarbejder, der har læst enormt meget, men som stoppede med at læse for et år siden. Du stiller et spørgsmål om noget aktuelt. Han har to muligheder: gætte ud fra hukommelsen, eller gå ned i arkivet og finde papirerne først. RAG er, at han går ned i arkivet. Processen har tre trin: **1. Søg.** Systemet afgør først, om det overhovedet skal slå noget op. Et spørgsmål som “hvad er en URL” kan modellen svare på selv. Et spørgsmål om priser, nyheder eller navne kræver et opslag. Derefter omskrives dit spørgsmål ofte til flere præcise søgeforespørgsler. **2. Hent.** Systemet finder relevante tekststykker, ikke hele sider. Det er det afgørende punkt, og jeg vender tilbage til det. **3. Generér.** Modellen skriver et svar baseret på de hentede tekststykker og angiver typisk kilderne. Google har brugt en variation af dette i AI Overviews. AI Mode kører efter alt at dømme en flertrins-udgave, der minder mere om dyb research: flere runder af søgning og hentning, før svaret samles. Analysebureauet iPullRank har beskrevet forskellen sådan, og det matcher det, Google selv har fortalt om query fan-out. ## Det, der ændrer dit arbejde: chunken Her er den pointe, jeg sjældent ser forklaret på dansk. RAG-systemer henter ikke sider. De henter afsnit. Teksten på dit website bliver skåret op i stykker, ofte kaldet chunks, som lagres og hentes hver for sig. Det betyder, at **din konkurrenceenhed ikke længere er siden. Det er afsnittet.** Konsekvenserne er konkrete: - Et afsnit skal kunne stå alene. Skriver du “som nævnt ovenfor gælder det samme her”, er den chunk værdiløs uden sin nabo. - Overskrifter er ikke pynt. De er den kontekst, der følger med chunken. - En lang side med ét godt afsnit kan blive citeret, selvom resten af siden er tynd. Og en fremragende side kan blive overset, hvis pointerne er spredt over syv afsnit uden at nogen af dem er komplette. - Pronominer er dyre. “Det” og “den” mister betydning, når afsnittet rives ud af sin sammenhæng. Gentag navneordet i stedet. Prøv en test: klip et tilfældigt afsnit fra din vigtigste side og læs det uden resten. Giver det mening som selvstændigt svar? Hvis nej, er det ikke citérbart. ## Hvad påvirker, om du bliver hentet? Ingen kender vægtningen. Men mekanikken sætter nogle rammer, som ikke er til diskussion: **Du skal være indekseret et sted, systemet henter fra.** ChatGPTs browsing har historisk læst med fra Bing-indekset. Det gør Bing Webmaster Tools relevant igen for danske sites, hvilket de fleste har glemt siden 2015. Er dine produktsider ikke i Bings indeks, kan de ikke hentes. **Din tekst skal matche semantisk, ikke leksikalsk.** Hentningen sker typisk via embeddings, altså betydningsmatch. Det er derfor keyword stuffing ikke virker: systemet sammenligner mening, ikke ordfrekvens. **Frisk indhold vinder på nogle emner.** Hele pointen med RAG er at komme uden om modellens skæringsdato. Har du en side med tal fra 2021, og en konkurrent har tal fra 2026, henter systemet konkurrenten. **Struktur gør dig hentbar.** Tabeller, definitionsafsnit, tydelige spørgsmål som overskrifter. Ikke fordi der findes et hemmeligt markup, men fordi opdelingen bliver renere. ## Den ubehagelige del: du kan blive citeret forkert RAG reducerer hallucinationer. Det fjerner dem ikke. Systemet henter et afsnit og skriver om det. Undervejs kan nuancer forsvinde, forbehold falde bort og en betinget påstand blive absolut. Dit navn står som kilde til noget, du ikke helt har skrevet. Det er en reel risiko, og forsvaret er kun ét: skriv forbeholdene ind i selve sætningen frem for i et efterfølgende afsnit. “Metoden fungerer kun på sites under 500 sider” i samme sætning som anbefalingen. Ikke som en note bagefter. ## RAG i din egen virksomhed Begrebet dukker også op i en anden sammenhæng, som er værd at kende. Mange virksomheder bygger interne RAG-løsninger: en chatbot, der svarer ud fra virksomhedens egne dokumenter, i stedet for at gætte. Det er samme teknik, blot med dit eget arkiv som kilde. Og det er her, mange opdager, hvor rodet deres dokumentation faktisk er. En RAG-løsning gør intern uorden meget synlig meget hurtigt. Hos Concept Interest ser vi det samme mønster på websites: den øvelse, der gør indhold hentbart for AI, er stort set den samme øvelse, der gør det brugbart for mennesker. Ryddet struktur, komplette afsnit, konkrete tal. ## Hvordan ved du, om det virker? Du kan ikke se i Google Analytics, at du er blevet hentet. Der er ikke noget klik. Det, du kan gøre: - Kør et fast sæt spørgsmål i ChatGPT, Perplexity, Gemini og AI Mode med jævne mellemrum, og registrér hvor ofte dit domæne optræder som kilde. - Kør hvert spørgsmål flere gange. Svarene er ikke deterministiske, så et enkelt resultat siger næsten intet. - Se i serverloggen efter AI-crawlere. Bemærk dog en vigtig skelnen: at en bot besøger din side, er ikke det samme som at du bliver citeret. Vi har på egne sites registreret hundredvis af besøg fra AI-bots på filer, som aldrig er blevet citeret i et svar. Besøg er interesse, ikke resultat. ## Er RAG bare SEO igen? Delvist, og det er den mest brugbare måde at forstå det på. Hentningsdelen i et AI-svar er informationssøgning. Det er den disciplin, SEO-folk har arbejdet med i tyve år. Forskellen er, at målet er flyttet. Du optimerer ikke længere mod en position på en liste. Du optimerer mod at være det afsnit, en maskine vælger at læse højt.