Grounding

Grounding i AI betyder, at modellens svar forankres i konkrete informationskilder. Det kan være produktdokumentation, godkendte kundecases, en intern knowledge base eller offentlige websider. Kilderne giver modellen et informationsgrundlag for opgaven og gør det muligt at kontrollere, hvad svaret bygger på. Google Cloud beskriver grounding som forbindelsen mellem modeloutput og verificerbare informationskilder.

Grounding er et etableret begreb i anvendt generativ AI. Den tekniske udformning varierer mellem løsninger. Her bruger vi begrebet om kildeforankring af AI-svar med særligt fokus på virksomhedens egen viden.

Hvorfor er grounding relevant i B2B-marketing?

Et marketingteam har ofte brug for svar, som afspejler virksomhedens konkrete produkter, kunder og leverancevilkår. Grounding kan gøre svarene mere relevante ved at give modellen adgang til dette materiale og reducere risikoen for opdigtede oplysninger. Kildehenvisninger kan samtidig gøre svarene lettere at efterprøve.

Relevante anvendelser kan eksempelvis være:

• Produktindhold: Udkast baseret på godkendte funktionsbeskrivelser og dokumenterede begrænsninger.
• Sales enablement: Svar på kundespørgsmål med afsæt i integrationsoversigter og implementeringsvejledninger.
• Kundecases: Genbrug af resultater med deres oprindelige måleperiode og forudsætninger.
• Support og selvbetjening: Vejledning ud fra den relevante produktversion.

Et tænkt eksempel: En integrationsoversigt angiver, at en bestemt CRM-integration kræver Enterprise-pakken. Når AI skriver en salgsmail ud fra oversigten, skal pakkekravet følge med. Grounding giver et grundlag for at bevare denne præcision. Teamet bør stadig kontrollere formuleringen før brug.

Hvordan fungerer grounding og RAG?

RAG står for retrieval-augmented generation og er et teknisk mønster, hvor et system henter relevant information og giver den til en sprogmodel, som formulerer svaret. RAG er en almindelig måde at etablere grounding på.

Et typisk forløb er:

1. Brugeren stiller et spørgsmål, eksempelvis om en integrations muligheder.
2. Systemet søger efter relevante oplysninger i de tilknyttede kilder.
3. Udvalgte tekstafsnit eller data gives til modellen som kontekst.
4. Modellen formulerer et svar, som løsningen kan præsentere med kildehenvisninger.

Microsoft beskriver denne sammenhæng mellem søgning, relevant kildekontekst og modellens svar i sin RAG-dokumentation.

Grounding kan også begynde med, at du selv indsætter et godkendt dokumentuddrag i prompten. OpenAI dokumenterer, hvordan relevant kontekst kan gives direkte til modellen. Det er en enkel mulighed for afgrænsede opgaver.

Ved større dokumentsamlinger kan søgningen automatiseres. OpenAI File search kan eksempelvis hente information fra uploadede filer gennem semantisk søgning og søgeordssøgning. Værktøjet kan returnere filhenvisninger sammen med svaret.

Komplekse spørgsmål kan kræve flere søgninger. Microsofts agentic retrieval kan opdele et spørgsmål i delspørgsmål og samle resultaterne. Den LLM-baserede planlægning er i dokumentationen markeret som preview, hvilket bør indgå i vurderingen af en produktionsløsning.

Hvordan hænger grounding sammen med knowledge bases og source of truth?

I det praktiske arbejde er det nyttigt at skelne mellem tre roller:

• Source of truth: Den autoritative reference for en bestemt oplysning. Produktfunktioner kan eksempelvis have deres reference i produktdokumentationen, mens kundegodkendelser ligger et andet sted.
• Knowledge base: Den organiserede viden, som medarbejdere eller AI-løsninger kan bruge. Den kan samle information fra flere autoritative kilder.
• Grounding: Forankringen af det konkrete AI-svar i relevante oplysninger fra disse kilder.

HappiLeap bruger AI-ready brand knowledge base som et praktisk arbejdsbegreb for struktureret, godkendt brand- og forretningsviden, der er klargjort til AI. Arbejdet omfatter eksempelvis produktbeskrivelser, målgrupper, dokumentation for påstande og sproglige retningslinjer.

En nyttig arbejdsregel er at kunne følge en oplysning fra dens autoritative reference gennem knowledge basen til det færdige svar. Derfor bør kopier have en tydelig forbindelse til originalen og en ansvarlig for opdatering.

Hvad kan stadig gå galt?

Kvaliteten afhænger både af kilderne, søgningen og modellens anvendelse af det hentede materiale. Søgningen kan overse et vigtigt afsnit, og modellen kan gengive en betingelse upræcist. Microsoft fremhæver blandt andet kildeforberedelse og relevante søgeresultater som centrale udfordringer i RAG.

Kildestøtte og faktuel korrekthed bør kontrolleres hver for sig. Groundedness beskriver, hvor godt et svar understøttes af den givne kontekst. Hvis konteksten indeholder en forældet oplysning, kan et svar følge kilden og stadig være forkert i dag. Det er en praktisk konsekvens af at måle svaret mod de leverede referencer.

Kontrollér derfor både kildens gyldighed og den konkrete forbindelse mellem påstand og dokumentation. En henvisning skal understøtte det, der faktisk bliver sagt.

Sådan kommer marketingteamet i gang

Begynd med én arbejdsgang, hvor kildegrundlaget er overskueligt, eksempelvis produktspørgsmål eller udkast til salgsmateriale.

1. Afgræns opgaven. Beskriv, hvilke spørgsmål løsningen skal kunne besvare, og hvilke oplysninger der kræver menneskelig afklaring.
2. Udpeg autoritative kilder. Aftal med produkt, salg og andre relevante fagansvarlige, hvilke dokumenter der er gældende. Fjern forældede dubletter.
3. Klargør indholdet. Brug tydelige overskrifter og registrér produktversion, dato, dokumentstatus og ejer. Sørg for, at betingelser følger med de oplysninger, de begrænser.
4. Fastlæg svarregler. Bed løsningen vise relevante kilder, bevare forbehold og markere manglende dokumentation. Bevar menneskelig godkendelse af væsentlige eksterne påstande.
5. Test og vedligehold. Brug realistiske spørgsmål, herunder spørgsmål med uklare formuleringer eller manglende svargrundlag. Kontrollér kildestøtte, aktualitet og relevans, og gentag testen efter ændringer.

Adgangsstyring skal indgå i designet, når løsningen bruger interne dokumenter. Microsoft understreger, at brugere og AI-agenter kun må hente indhold, de er autoriseret til at tilgå. Grounding etablerer ingen selvstændig tilladelse til at dele oplysninger.

Hvordan hænger grounding sammen med AI visibility?

For AI visibility er grounding relevant, fordi virksomhedens offentlige indhold kan indgå som kildemateriale i AI-svar. Google beskriver eksempelvis, hvordan generative søgefunktioner henter relevante websider fra søgeindekset og bruger oplysningerne til at danne svar med understøttende links.

En intern knowledge base giver viden til de løsninger, der er koblet til den og har adgang. Offentlig synlighed kræver et særskilt arbejde med tilgængelige og veldokumenterede websider. Google fremhæver fortsat grundlæggende SEO og nyttigt indhold, og understreger, at indeksering og visning ikke er garanteret.

HappiLeaps perspektiv

Vi ser grounding som et fælles ansvar for fagpersoner, marketing og dem, der bygger AI-løsningen. En praktisk kvalitetsprøve er: Kan vi vise, hvilken kilde der understøtter svarets vigtigste påstand, og hvem der har ansvaret for, at kilden er opdateret? Det spørgsmål hjælper med at forbinde teknisk opsætning med redaktionel kvalitet.