Scout Robotics

25/05/2026

AI i praksis, de 5 begreber.

16/05/2026

Mine ugentlige mødereferater plejede at tage 2+ timer. Nu tager de 15-20 minutter. Jeg har lært Claude at omdanne rå Teams-transskriptioner til færdige MOM'er - med opdateret actionliste, historik fra tidligere møder, og markant lavere fejlrate. Sådan virker det.

I de forrige opslag: LLM (hjernen) og RAG (jeres data). I dag: AI som assistent - og hvordan I kan automatisere jeres mødereferater.

Hvad er en AI-assistent?
En assistent svarer når du spørger. Den hjælper, du styrer:
→ "Lav et mødereferat ud fra de her noter."
→ "Sammenfat de her 40 sider i 5 punkter."
→ "Skriv et udkast til en mail jeg kan justere."
DU styrer. AI'en leverer en byggesten. Du beslutter, formaterer, sender. Det er nyttigt - men kun grundniveauet.

Mit problem: mødereferater tager tid - og kvaliteten lider
Hver uge holder jeg styregruppemøder på Teams. Hvert møde producerer 30-40 sider rå transskription, der skal omdannes til et MOM med:
→ Diskussionspunkter pr. emne
→ Beslutninger truffet på mødet
→ Opdateret actionliste - med markering af hvilke der er lukket siden sidst
→ Historikken intakt, så forrige beslutninger er sporbare

Manuelt tager det 2+ timer. Og fejlraten er reel: jeg glemmer at markere actionpunkter som lukket, eller jeg overser at en beslutning er blevet revideret undervejs.

Beder jeg Claude om hjælp ad hoc, skal jeg forklare formatet hver gang - og selv huske at finde det forrige MOM frem.
Min løsning: én skill der gør det hele

I Claude kan du lave det der hedder en skill - en tekstfil der lærer Claude præcis hvordan en bestemt opgave skal løses. Tænk det som Custom GPTs på steroider. Min skill gør automatisk hver gang:
→ Læser Teams-transskriptionen.
→ Læser det forrige MOM (jeg giver den begge dele).
→ Producerer et nyt MOM i vores faste format.
→ Krydshenviser actions: lukkede markeres med ✓, åbne videreføres.
→ Bevarer beslutnings-historikken på tværs af møder.

Effekten er to-delt: 90%+ tidsbesparelse, OG fejlraten på actionpunkter er styrtdykket — fordi skill'en holder styr på det systematisk, ikke mit hoved.
Workflow:
→ Mødet slutter. Teams genererer transskriptionen.
→ Jeg trækker filen + sidste MOM ind i Claude og siger "lav et MOM".
→ Få minutter senere har jeg et udkast.
→ Jeg læser igennem (human in the loop), retter småting, sender det ud.
15-20 minutter mod 2+ timer manuelt.

Sådan bygger du selv en skill - på et kvarter:
→ Beskriv processen - hvad er input, output, hvilke regler skal følges?
→ Vis Claude et eksempel - kopiér et færdigt MOM som skabelon. Det er det vigtigste enkeltgreb.
→ Bed Claude om at skrive skill'en - i ren tekst.
→ Upload til claude.ai (Settings → Capabilities → Skills).

Bundlinje: En AI-assistent er kun så god som den kontekst I giver den. Beskriver I jeres arbejdsmetode én gang i en skill, slipper I for at gentage jer selv. Mennesket bliver fri til at validere i stedet for at producere. Det er ikke smart AI - det er smart brug af AI.

25/04/2026

Jeres AI ved alt om verden. Men den aner ikke, hvad jeres bedste kunde købte i sidste uge.

I det forrige indlæg dykkede vi ned i LLM - hjernen bag moderne AI. Men en hjerne uden adgang til jeres viden er kun halvt nyttig. Det er her RAG kommer ind.

RAG - Retrieval-Augmented Generation - giver AI'en adgang til jeres data, i det øjeblik den skal svare.

Før AI'en åbner munden, søger systemet i jeres dokumenter og giver de relevante dele med som kontekst. Resultatet? Svar baseret på jeres viden - ikke bare generel træning.

Tænk på det som en bibliotekar, der kender hele jeres arkiv udenad - og i stedet for at pege jer hen til en reol, giver jer svaret direkte.

I Dansk Planteinspektion har vi valgt at berige vores SharePoint med en RAG-løsning. Det betyder at jeg i hverdagen spørger den ting som:

→ "Find et billede af en grøn traktor" - ikke via filnavn, men fordi den har forstået hvad der er PÅ billedet.
→ "Find det seneste salgsstrategi-dokument" - den ved hvilken version der er nyest og giver mig svaret direkte.
→ "Hvor gemmer vi vores logo i PNG-format?" - i stedet for at ringe til marketing og vente.
→ "Hvordan laver man et kort til en John Deere-terminal?" - den finder den tekniske guide og formulerer svaret.
→ "Hvad står der om sygdom og alkohol i vores personalehåndbog?" - svar med præcis reference til afsnit og side.

Prøv at gøre det samme med en normal SharePoint-søgning. Held og lykke.

Forskellen er fundamental:

→ SharePoint giver jer en liste af filer I selv skal åbne og lede i. RAG læser dokumenterne og formulerer svaret direkte.
→ SharePoint finder kun keyword-matches - "traktor" finder ikke "landbrugskøretøj". RAG forstår meningen.
→ RAG kombinerer information fra flere dokumenter i ét sammenhængende svar - på tværs af mapper og siloer.
→ Hvert svar er kildeforankret - fx "slide 4 i Prisliste_2026.pptx" - så man kan verificere og læse videre.

Og det stopper ikke ved dokumentsøgning. Samme princip virker til:

→ Kundeservice der svarer konsistent ud fra jeres produktdokumentation - 24/7, uden oplæring.
→ Onboarding af nye medarbejdere der kan spørge sig frem i stedet for at lede i mapper.
→ Compliance og kvalitetssikring - AI'en svarer kun ud fra godkendt materiale.

Bundlinje: RAG er det der gør AI relevant for JER - ikke bare generelt.

Næste gang ser vi på forskellen mellem en Assistant og en Agent - og hvorfor det afgør hvor meget værdi I faktisk får ud af det hele.

Hvad ville I spørge jeres dokumenter om, hvis I kunne? Skriv det i
kommentarerne 👇

04/04/2026

LLM — fundamentet --- Mange fortæller at de bruger AI. De færreste kan forklare, hvad det faktisk er.

I det seneste indlæg præsenterede jeg 5 AI-begreber som tilsammen udgør økosystemet. Nu dykker vi ned i det første: LLM.

I bund og grund er en LLM — Large Language Model — en statistisk motor, der er trænet på enorme mængder tekst. Den har lært mønstre i sprog: grammatik, logik, fagbegreber, endda kodning. Når den "svarer" jer, forudsiger den det mest sandsynlige næste ord baseret på al den viden.

Bruger I ChatGPT, Claude eller Copilot? Så bruger I allerede en LLM. Det er motoren under motorhjelmen — uanset hvilket produkt der er pakket udenom.

Men her er det vigtige at forstå: En LLM er en hjerne uden krop.

Den kan analysere, formulere og ræsonnere. Men den kan ikke selv slå op i jeres ERP-system, sende en mail eller tjekke en sensor. Den har læst alt på internettet — men den har aldrig set jeres fabrik indefra. Det kræver noget mere at få den ud i jeres virkelighed (det vender vi tilbage til).

Tre ting I skal vide om LLM’er:

1️⃣ Context window er alt.
Tænk på det som arbejdshukommelse. Giv en konsulent 5 siders briefing, og hun forstår opgaven. Giv hende 500 sider, og hun mister overblikket. Samme princip — jo mere præcis kontekst, jo bedre svar.

2️⃣ Prompt engineering er ikke magi — det er kommunikation.
Kvaliteten af jeres output afhænger af kvaliteten af jeres input. "Garbage in, garbage out" gælder stadig. Det er i virkeligheden en kommunikationsevne, ikke en teknisk færdighed — jo bedre I formulerer hvad I vil have, jo bedre resultater får I.

3️⃣ En LLM ved kun det den er trænet på.
Den kan fortælle jer alt om generel viden, men den aner ikke hvad jeres bedste kunde købte i sidste uge. Den har ingen adgang til jeres virksomhedsdata — medmindre I giver den det. Det er præcis dér RAG kommer ind — og det er emnet for næste indlæg.

Bundlinje: En LLM er et kraftfuldt fundament. Men det er fundament — ikke den færdige løsning. De virksomheder der får mest ud af AI, er dem der forstår både styrker og begrænsninger.

Bruger I allerede en LLM i jeres hverdag — eller overvejer I det? Skriv i kommentarerne 👇

01/04/2026

De fleste bruger kun en brøkdel af det AI faktisk kan.
Ikke af mangel på vilje — men fordi 5 nøglebegreber mangler i puslespillet.

AI er ikke længere ét værktøj. Det er et helt økosystem. Og hvis du sidder med ansvar for teknologi eller forretning, er der 5 begreber du skal have styr på — ikke fordi de er nye, men fordi de nu faktisk virker i praksis. De er gået fra forskningspapirer til produktionsklare værktøjer, og de virksomheder der forstår dem først, får en markant fordel.

Her er den korte version:

🧠 LLM (Large Language Model) — Selve "hjernen". En sprogmodel som Claude eller GPT der kan forstå og generere tekst. Den kan tænke, men ikke handle. Tænk på den som en ekstremt veluddannet kollega der aldrig har været på jeres kontor.

📂 RAG (Retrieval-Augmented Generation) — Giver AI’en adgang til DINE data. Jeres dokumenter, jeres database, jeres viden — uden at træne en ny model. Det er det der gør AI relevant for netop jeres virksomhed.

💬 Assistant — Tænk på den som en dygtig vikar: Vikaren kender ikke huset, men giv vikaren en briefing, en skabelon og klare instruktioner, og vikaren svarer ensartet og præcist ud fra det I har defineret. Vikaren gør kun det du beder om — men gør det konsistent hver gang.

⚡ Agent — Din mangeårige kollega. Kollegaen kender systemerne, ved hvem der skal have hvad, og handler selvstændigt. Sæt den i gang med "hold øje med sensordata og sig til hvis noget ser mærkeligt ud" — og den gør det. Uden du behøver spørge igen.

🔌 MCP (Model Context Protocol) — "USB for AI". En standard der lader AI koble sig til jeres systemer — CRM, databaser, fildrev — uden custom-integrationer. Det lim der binder økosystemet sammen.

Indlægget her er det første i en serie, hvor vi går i dybden med hvert begreb — med fokus på hvad det betyder for jer der skal træffe beslutninger, ikke bare dem der bygger teknologien.

Forstår I begreberne, kan I stille de rigtige spørgsmål. Og det er dér værdien starter.

Hvilket af de 5 begreber er mest uklart for dig lige nu? Skriv det i kommentarerne — så starter vi dér 👇

hashtag hashtag hashtag hashtag hashtag hashtag hashtag

22/03/2026

Sådan bruger du AI til at finde dit parti - uden andres bias 🇩🇰

De fleste parti-tests til FV2026 bygger på populistiske udsagn om sprøjtegifte, store bededag, indvandring, pensionsalder og konkrete enkeltsager. Journalister lever af overskrifter der fanger - og det smitter af på de spørgsmål og svarmuligheder, vi præsenteres for. Det gør det svært at gennemskue, hvad partierne egentlig står for.

Jeg har tidligere sagt, at det at få AI til at virke ikke handler om den perfekte prompt - det handler om at forstå, hvordan AI bedst arbejder. Det er hele essensen af Level 3 AI-modenhed.
Og alligevel er her et eksempel på det modsatte: en simpel prompt der løser en konkret opgave på 5 minutter.

Resultatet er 40 spørgsmål, ingen neutrale svarmuligheder, ligeligt fordelt på tværs af emner som klima, økonomi, forsvar, indvandring og velfærd. Til sidst får du alle 12 partier rangeret med en procentscore og et personligt resume der forklarer, hvorfor du lander som du gør.

Nogle gange holder en veltænkt prompt - og det er måske også en del af at forstå AI godt.

Prøv den selv her 👇 ( virker bedst på Claude )

"Gennemlæs partiernes programmer for alle 12 partier der stiller op til FV2026, og lav på den baggrund 40 spørgsmål som du stiller mig ét ad gangen. Fordel spørgsmålene ligeligt på tværs af alle politiske emner - klima, økonomi, indvandring, forsvar, velfærd og øvrige - så intet emne fylder mere end andre i slutresultatet. Spørgsmålene skal formuleres neutralt, så jeg ikke kan aflæse hvilke partier de peger mod, og præsenteres som klikbare knapper. Ingen neutral svarmulighed. Når alle 40 er besvaret, udpeger du hvilke partier jeg er mest enig med, rangeret med procentscore og et kort personligt resume."

09/03/2026

**Fra idé til kørende AI-sikkerhedsagent på 52 minutter**

Har du tænkt over hvor mange enheder der er på dit hjemmenetværk lige nu? Vaskemaskine, køleskab, jordvarme, computere, telefoner. Sandsynligvis 15-30. Der findes masser af tools til at scanne netværket. Men hvem har tid til at sidde og grave i firmware-checks, port scans og CVE-lister?

Løsningen: en AI-agent der gør det for mig — bygget uden at jeg rørte en linje kode. Samler data fra alle kilder, analyserer det hele, og giver mig kun besked når noget faktisk er galt. 35 min. til kravspec og arkitektur. 17 min. til kodegenerering. 2 småfejl rettet på under et minut.

Første test: en NAS-enhed der manglede en firmware-opdatering. Præcis den slags man overser i en travl hverdag.

Jeg har ikke skrevet en linje kode. Jeg har fortalt AI'en hvad jeg ville have, taget beslutningerne og godkendt løsningen. AI'en har bygget det. Det handler ikke om den perfekte prompt, men om hvordan man tøjler AI.

Det her er ikke fremtiden. Det er en mandag formiddag og én kop kaffe. Hvis du ikke er startet — så er det den kop kaffe du mangler.

04/12/2023

Det behøver ikke være svært at komme i gang med præcisionslandbrug. Denne video viser hvad der skal til og giver et eksempel med en Horsch sprøjte med en Fen...

30/09/2022

Kan alle sprøjter bruges ifm. gradueret tildeling eller spotsprøjtningskort ? - læs mere i nedenstående blog.

Dansk Planteinspektion blogger om nyeste viden inden for drone, satellit og præcisionslandbrug.

07/07/2022

Scout Robotics og 5 danske landbrugsvirksomheder er gået sammen om at udvikle et drone setup, hvor dronen autonomt skal indhente data fra marken, analysere og efterfølgende behandle afgrøden. Du kan læse mere om projektet her:

Et nyt projekt skal udvikle en drone, der bor i marken, og overvåger afgrøden med kamerateknologi og kunstig intelligens. Fem danske landbrugsvirksomheder, Aalborg Universitet samt landbrugsbedriften Klitgaard Agro står bag GUDP-projektet.

10/06/2022

Dansk Planteinspektion har i samarbejde med Geoteam A/S - Præcisionslandbrug udviklet spotsprøjtningskort der kan bruges ifm ældre sprøjter og trimble terminaler, se opslag herunder: