Du frågar en AI-assistent om vad som hände på ett specifikt möte förra veckan. Den svarar snabbt och självsäkert – men när du kollar dina anteckningar stämmer ingenting. Eller så ber du den sammanfatta en artikel, och plötsligt dyker det upp påståenden som aldrig stod i texten. Det här är ett klassiskt exempel på hallucination, när AI hittar på saker. Men det finns en teknik som dramatiskt minskar risken för sånt här: grounding.
Grounding handlar om att förankra AI:ns svar i konkret, verifierbar information istället för att låta den gissa fritt utifrån sina träningsdata. Det är skillnaden mellan att fråga någon ”Vad tror du hände?” och ”Vad står det i protokollet?”
När en språkmodell arbetar utan grounding försöker den helt enkelt generera det mest troliga svaret baserat på mönster den lärt sig. Om du frågar om en person du hört talas om kan den konstruera en trovärdig biografi – även om personen inte finns. Den vet inte skillnad på fakta och fiktion, den bara fortsätter textmönstret.
Med grounding ger du modellen tillgång till specifika källor den ska använda. Det kan vara en uppsättning dokument, en databas, resultatet av en sökning, eller till och med en konversationshistorik. Modellen instrueras att basera sina svar på just den informationen, och helst bara den.
Tänk dig att du arbetar med en lång rapport. Utan grounding kan du fråga AI:n ”Vad var de viktigaste slutsatserna?” och få ett svar som låter vettigt men som blandar ihop dina tankar med allmänna antaganden om ämnet. Med grounding laddar du upp rapporten och säger ”Basera ditt svar endast på det här dokumentet” – och plötsligt hänvisar svaret till konkreta stycken och citat.
Det finns olika sätt att göra grounding. Det enklaste är att du själv kopierar in relevant text i prompten: ”Här är mötesanteckningarna. Baserat på dem, vilka beslut togs?” Ett mer avancerat sätt är RAG (Retrieval-Augmented Generation), där systemet automatiskt söker fram relevanta dokument ur en kunskapsbas och använder dem som grund.
Moderna AI-assistenter som kan söka på webben använder också grounding. När du ställer en fråga söker de först efter aktuell information, läser de källor de hittar, och besvarar sedan frågan utifrån det. Det är därför de ofta länkar till sina källor – så du kan kolla att de faktiskt tolkade rätt.
Men grounding är inte perfekt. Även när en modell har tillgång till rätt information kan den misstolka den, lägga till egna slutsatser, eller blanda in saker från sin träning. Särskilt om instruktionerna är vaga. Därför är det viktigt att vara tydlig: ”Svara endast baserat på bifogad text” fungerar bättre än att bara hoppas på det.
Grounding spelar extra stor roll i professionella sammanhang. Om du använder AI för att analysera kunddata, sammanfatta juridiska dokument eller förbereda beslut, vill du inte att den ska fylla i luckor med kvalificerade gissningar. Du vill att den håller sig till fakta.
Nästa gång du arbetar med en AI-assistent och märker att svaren känns lite för kreativa eller allmänna, tänk på grounding. Ge den konkret material att jobba med. Var tydlig med att den ska hålla sig till det. Och dubbelkolla gärna ändå – för även groundad AI kan göra misstag, men åtminstone vet du var den hämtat informationen.