AI med egne data: de 7 måder — og hvilken du vælger

AI med egne data er ikke ét valg — det er syv

AI med egne data lyder som ét projekt med ét budget og et halvt år. Det er det ikke. De fleste danske virksomheder copy-paster den samme rapport ind i ChatGPT hver morgen og kalder det "egne data i AI". Andre udskyder hele samtalen, fordi de tror, den begynder med RAG, vektordatabaser og udviklere. Begge står på det forkerte trin.

At gøre dine egne data brugbare for AI er ikke én beslutning. Det er en trappe med syv trin — fra at indsætte tekst i en chat til at bygge en pipeline — og de fleste skal hverken bo nederst eller øverst. Denne artikel rangordner de syv måder efter, hvor meget opsætning de kræver, viser hvordan hver enkelt ser ud hos ChatGPT, Claude og Gemini, og giver dig en regel for at finde dit trin. Det vigtigste, ingen fortæller dig: langt størstedelen af værdien ligger på de midterste trin, der ikke kræver en eneste linje kode.

Den dyre misforståelse: "egne data" er ikke et IT-projekt

Når en leder hører "få vores data ind i AI", hører de et projekt: et budget, en leverandør, et halvt år. Det er derfor, det ikke bliver til noget. Sandheden er, at de fleste gevinster ligger i konfiguration, du kan lave i frokostpausen — og at de få ting, der faktisk kræver udvikling, sjældent er dem, din virksomhed har brug for først.

For at gøre valget konkret bruger jeg en model, jeg kalder Datatrappen: syv trin fordelt på tre zoner. Jo højere op, jo mere friskhed, skala og kontrol får du over dine data — men også jo mere opsætning. Pointen er ikke at nå toppen. Pointen er at kende sit trin.

Trin	Måde	Zone	Opsætning	Data-friskhed
1	Indsæt i konteksten	A — ingen opsætning	Ingen	Død (engangs)
2	Vedhæft filer	A — ingen opsætning	Konto	Død (engangs)
3	Vidensrum	B — konfiguration	Betalt plan + upload	Snapshot
4	Connectors	B — konfiguration	Betalt + adgang	Levende
5	MCP (åbent stik)	B — konfiguration	Server (færdig el. egen)	Levende
6	RAG + agentisk RAG	C — byg selv	API + udvikling	Levende, i skala
7	Fine-tuning + managed	C — byg selv	Platform + ML	Indbygget / styret

De tre zoner er hele beslutningen i forenklet form: Zone A løser en opgave. Zone B løser en arbejdsgang — og det er her, de fleste virksomheder bør bo. Zone C bygger infrastruktur, og den koster udvikling.

Zone A: når dine data kun hører til én opgave

Trin 1 — indsæt i konteksten. Du kopierer tekst eller tal direkte ind i chatten. Nul opsætning, virker overalt, og det er fint til et engangsspørgsmål. Fælden er, at intet bliver gemt: i morgen starter du forfra, og store dokumenter sprænger kontekstvinduet.

Trin 2 — vedhæft filer. Du trækker en PDF, et regneark eller et Word-dokument ind i samtalen. ChatGPT, Claude og Gemini kan det alle tre, ofte allerede på gratis- eller basisplanen. Det er bedre end copy-paste, men lider af samme svaghed: filen hører til denne ene samtale. Næste uge skal den uploades igen, og følsomme data ligger nu spredt i din chathistorik.

Zone A dur til en opgave. Den dur aldrig til en arbejdsgang — for en arbejdsgang kræver, at AI'en husker dine data uden at du fodrer den hver gang.

Zone B: her bør de fleste virksomheder bo

Det er i Zone B, "egne data i AI" holder op med at være en gimmick og bliver til noget, der sparer reel tid hver uge. Tre trin, ingen kode.

Trin 3 — vidensrum. Du uploader dit korpus én gang, og assistenten ser det altid. Hos ChatGPT hedder det Custom GPTs og Projects. Hos Claude hedder det Projects med projekt-viden. Hos Google er det Gems — og NotebookLM, som siden januar 2026 kan kobles direkte ind i Gemini som kilde, med præcise citationer tilbage til dine egne dokumenter. Det er det rette trin for langt de fleste solo-brugere og små teams: et delt rum, hvor virksomhedens vigtigste dokumenter altid er i spil.

Tag et regneeksempel, en CFO kan regne efter. Forestil dig en industrivirksomhed med 300 ansatte, hvor 40 funktionærer dagligt leder efter tegninger, tilbudshistorik og tidligere sager på spredte drev. Et delt vidensrum i Zone B koster nogle få tusind kroner om måneden i licenser plus en uges oprydning af dokumenter — sig 150.000 kr i år ét, alt inklusive. Vinder hver funktionær bare 20 minutter om dagen, er det godt 3.000 timer årligt; til en intern timepris på 350 kr er det over 1 mio. kr i frigjort kapacitet (Regneeksempel 2026). Payback under to måneder, nul kodelinjer, ingen ny platform. Det er den business case, der holder i et budgetmøde — ikke »AI er vigtigt«.

Trin 4 — connectors. I stedet for at uploade forbinder du AI'en levende til der, hvor data allerede bor: Google Drive, SharePoint, Notion, Slack. Ændrer dokumentet sig, læser AI'en den nye version automatisk. ChatGPT kalder det apps og connectors, Claude kalder det connectors, Google leverer det via Workspace, og Microsoft-huse får det via Copilot oven på Microsoft 365. Prisen er, at AI'en ser alt, brugeren ser — så rettigheds-hygiejne bliver pludselig et AI-spørgsmål.

Trin 5 — MCP, det åbne stik. Når du vil forbinde noget, der ikke har en færdig connector — et internt system, en database, et fagsystem — er Model Context Protocol svaret. MCP blev industristandard i december 2025, da det blev doneret til Linux Foundation med OpenAI, Google, Microsoft og AWS ombord, og der findes nu flere tusinde færdige connectors at trække på. Du tilslutter en — eller bygger din egen med beskeden kode.

Sådan ser de tre udbydere ud, trin for trin:

Trin	ChatGPT (OpenAI)	Claude (Anthropic)	Gemini (Google)
2. Vedhæft filer	Gratis / Plus	Gratis / Pro	Gratis / Advanced
3. Vidensrum	Custom GPTs + Projects	Projects (projekt-viden)	Gems + NotebookLM
4. Connectors	Apps: Drive, SharePoint, Box, Slack, GitHub	Connectors (remote MCP), Pro/Team/Enterprise	Workspace: Drive, Gmail, Docs
5. MCP	Custom apps via MCP	Native MCP (lokal + remote)	MCP-understøttelse på vej i Gemini
6-7. Byg selv	Responses API, fine-tuning, Azure OpenAI	Messages API, Files API, Bedrock	Vertex AI + BigQuery

Læg mærke til én ting, hvis du sidder i en dansk virksomhed: flere af ChatGPT's connectors og "Apps" er endnu ikke åbnet i EØS (GitHub-connectoren er en undtagelse og er global). I praksis kan Claude og Gemini lige nu være mere tilgængelige på connector-trinnet for et dansk team end ChatGPT. Det er sjældent den vej, folk forventer — og det er en reel grund til ikke at låse hele virksomheden til ét værktøj, før I har tjekket, hvad der faktisk virker i jeres region. (Mere om data og jura i guiden til Claude og EU-dataresidens.)

Her er det mest undervurderede træk i hele Zone B: hvis dine data ligger som almindelige markdown-filer, virker de på tværs af trin 3, 4 og 5 — og på tværs af alle tre leverandører. Det er den leverandør-uafhængige vej, og den er billigere og mere holdbar end nogen platform. Den har sin egen byggemanual i Byg en AI-vidensbase, og når basen begynder at handle og ikke bare svare, bliver den til en company brain.

Zone C: når skala og governance kræver, at du bygger selv

De øverste to trin kræver udvikling. De fleste virksomheder skal aldrig herop — men du bør vide, hvad der venter, så du kan genkende, når du faktisk rammer loftet for Zone B.

Trin 6 — RAG og agentisk RAG. RAG (retrieval-augmented generation) er din egen søge-pipeline: dine dokumenter lægges i en vektordatabase, og AI'en henter de relevante stumper, før den svarer. Det er det rigtige valg, når korpusset er stort eller skifter dagligt, når du skal have kildehenvisninger til revision, eller når data af princip skal holdes adskilt fra modellen. Agentisk RAG er den samme pipeline med dømmekraft: i stedet for blindt at hente og svare omskriver den først spørgsmålet, vurderer om de hentede kilder er gode nok, vælger mellem flere kilder og går tilbage og søger igen, hvis svaret ikke holder. Forskellen er, at en almindelig pipeline ikke ved, hvornår den er ved at give et dårligt svar — en agentisk kan i det mindste stille spørgsmålet.

Et dansk eksempel gør det konkret: en mellemstor kommune lagde sine procedure-dokumenter i en RAG-løsning til borgerservice-medarbejderne — ikke til borgerne — og skar henvendelsestiden pr. medarbejder med omkring 35 procent (anonymiseret case, 2026). Det afgørende greb var ikke modellen, men at assistenten altid citerede kilde-dokumentet med direkte link. Netop den citation er forskellen mellem en assistent, der er brugbar, og en, der er uautoriseret — og det er præcis derfor, RAG vinder, når revision og ansvar er i spil.

Trin 7 — fine-tuning og managed grounding. Fine-tuning bager stemme, format og fagsprog ind i selve modellen. Det er vigtigt at forstå, hvad det ikke er: det er ikke vejen til frisk viden — det er vejen til konsistent tone og terminologi. Kanon-opskriften i 2026 er en hybrid: fine-tune en lille model til stemmen, og sæt RAG foran til viden. Når skala og styring bliver alvor, flytter mange det hele ind på en managed platform — Amazon Bedrock Knowledge Bases, Google Vertex AI eller Azure OpenAI — der leverer styret RAG, governance og EU-dataresidens i ét.

Spørgsmål	Bliv i Zone B hvis...	Gå til Zone C hvis...
Hvor ofte ændrer data sig?	Sjældent til ugentligt	Konstant, mange kilder
Hvor stort er korpusset?	Få til hundreder af filer	Tusinder af dokumenter
Skal du bruge kildehenvisninger?	Nej, eller NotebookLM rækker	Ja, til revision og compliance
Hvor teknisk er teamet?	Ingen udviklere	Har udviklere/platform

Sådan vælger du, hvor dine egne data skal bo

Reglen er enkel: vælg det laveste trin, der løser opgaven. Folk overbygger — de drømmer om en pipeline, før de har prøvet et vidensrum. Stil fire spørgsmål: Hvor ofte ændrer mine data sig? Hvor stort er korpusset? Skal jeg kunne dokumentere kilden? Og hvor teknisk er mit team? Svarene peger næsten altid på Zone B. Hvis de peger højere, ved du nu hvorfor — og det er en beslutning truffet på behov, ikke på frygt for at gå glip af noget.

Den mest almindelige fejl er ikke at vælge for lavt. Det er at springe for højt: at sætte et RAG-projekt i gang, fordi det lyder seriøst, før nogen har bygget et delt vidensrum og fundet ud af, hvor loftet faktisk ligger. Start lavt, ram loftet, ryk så ét trin op. Et vidensrum, der bliver brugt hver dag, slår en pipeline, ingen vedligeholder — hver gang.

Hvad dit trin afslører om din organisation

Her bliver det strategisk. Hvor dine data bor på Datatrappen, afslører hvilket modenhedsniveau din organisation faktisk står på — uanset hvad PowerPoint'en siger. Hold Datatrappen op mod Miura-Ko-stigen, modellen for hvor "AI-pilled" en virksomhed reelt er:

Datatrappen	Miura-Ko-niveau	Hvad det betyder
Zone A (trin 1-2)	L1 — Personlig produktivitet	Spredte power-users. Gevinsten forsvinder, når personen går.
Zone B (trin 3-5)	L2 → L3	Først når data flytter fra én persons chat til et delt lag, agenter kan handle på, krydser I til L3 — tærsklen hvor det begynder at compounde.
Zone C (trin 6-7)	L3 → L4	Infrastruktur i skala. Det er her, varige konkurrencefordele opstår.

Det meste af dansk erhvervsliv copy-paster (L1) og kalder det AI-transformation. Men compounding starter først på L3 — og L3 kræver, at dine data bor på trin 3-5, ikke på trin 1. Det er også her, den anden test bliver ubehagelig: hvis under halvdelen af din ledelses tid har flyttet sig på grund af AI, er I ikke i gang med at transformere — I dabbler. Det er McKinsey-tærsklen bag den test.

Teknisk sagt er Datatrappen bare den konkrete måde, du bygger din Intelligence Stack på — det lag af sansning og hukommelse, agenter handler ud fra. Uden dine data i et delt lag har de ingenting at handle på. Hele den organisatoriske ramme ligger i AI-strategi og implementering for danske virksomheder.

Key takeaway: At få egne data ind i AI er en trappe med syv trin i tre zoner, ikke ét IT-projekt. Zone A løser en opgave, Zone B (vidensrum, connectors, MCP) løser en arbejdsgang uden kode, og Zone C bygger infrastruktur. Vælg det laveste trin, der løser opgaven — og hold dine data leverandør-uafhængige, så det samme grundlag virker på tværs af ChatGPT, Claude og Gemini. Hvor dit data bor, afgør om I reelt er L1 eller L3.

FAQ

Ofte stillede spørgsmål

01Hvad er den nemmeste måde at bruge mine egne data i AI?–

Indsæt teksten direkte i chatten eller vedhæft filen. Det kræver ingen opsætning og virker på alle planer hos ChatGPT, Claude og Gemini. Det er trin 1 og 2 på Datatrappen — perfekt til en enkelt opgave, ubrugeligt til en arbejdsgang, fordi intet gemmes til næste gang.

02Skal jeg bruge RAG for at få mine data ind i AI?+

Nej. RAG er trin 6 af 7 og kræver udvikling. De fleste virksomheder får 90 procent af værdien på trin 3-5 (vidensrum, connectors, MCP) helt uden kode. Vælg kun RAG, når dit datakorpus er stort eller dynamisk, og du har brug for kildehenvisninger eller streng adskillelse mellem data og model.

03Kan jeg bruge de samme data på tværs af ChatGPT, Claude og Gemini?+

Ja. Hvis dine data ligger som almindelige filer (fx markdown) eller bag en MCP-server, er de leverandør-uafhængige. Du kan skifte fra ChatGPT til Claude i morgen, uden at dit datagrundlag ændrer sig. Det er hele pointen med at bygge på et åbent lag frem for inde i ét værktøj.

04Hvad er forskellen på et vidensrum og en connector?+

Et vidensrum (Custom GPT, Claude Project, Gemini Gem, NotebookLM) er et statisk øjebliksbillede — du uploader filerne én gang. En connector er en levende forbindelse til fx Google Drive eller SharePoint, der altid læser den nyeste version. Tommelfingerregel: ændrer dine data sig sjældent, brug et vidensrum; ændrer de sig løbende, brug en connector.

05Er det sikkert at forbinde mine data til AI?+

Det afhænger af trin og leverandør. Connectors respekterer som regel de rettigheder, brugeren allerede har — men AI'en ser så også alt, brugeren kan se. For et dansk publikum er der en ekstra rynke: flere af ChatGPT's connectors er endnu ikke åbnet i EØS. Hold persondata ude, indtil I ved præcis hvor filerne ligger, og hvem der har adgang.

06Hvad er MCP, og hvorfor betyder det noget nu?+

MCP (Model Context Protocol) er et åbent stik mellem AI og dine systemer. Det blev industristandard i december 2025, da det blev doneret til Linux Foundation med OpenAI, Google, Microsoft og AWS ombord. Konsekvensen for ledere: du behøver ikke længere vælge AI-leverandør efter, hvilke integrationer de tilbyder — det samme stik passer på tværs.