Context engineering: Skill'et der har overhalet prompt engineering

I 2026 er der to ord, der har skiftet AI-verdenens vokabular: context engineering. Gartner kalder det "the breakout AI capability of 2026". Anthropics rapport om udvikler-trends udnævner det til årets vigtigste skill-skift. I stillingsopslag og tekniske interviews er prompt engineering allerede ude — context engineering er ind. Her er hvad det er, hvorfor det betyder noget, og hvordan din virksomhed kan komme i gang.

Prompten er ikke nok længere

I 2023 handlede det om at skrive den rigtige besked. Den rigtige formulering. Det rigtige trick — "tænk skridt for skridt", "lad som om du er en ekspert i …", "svar i JSON".

Det fungerede dengang, fordi AI-modeller næsten kun havde det du skrev lige nu at gå ud fra. Men i 2026 er modellerne anderledes: de er agenter, de husker, de kalder værktøjer, de slår op i jeres egne databaser, de arbejder over flere skridt uden et menneske involveret.

Det betyder, at det miljø du sender modellen ind i, betyder mere end den enkelte sætning du skriver.

Prompt engineering er at stille det rigtige spørgsmål. Context engineering er at bygge det rigtige rum at tænke i.

Forskellen i ét billede

Hvad indgår i "konteksten"?

Når vi siger context, mener vi ikke kun det brugeren skriver lige nu. Vi mener alt det modellen har at gå ud fra, når den skal handle:

• Systembesked — virksomhedens regler, tone og grænser
• Hukommelse — hvad har samtalen handlet om indtil nu? Hvad kunden tidligere har skrevet eller købt?
• Vidensbase — jeres dokumenter, FAQ, produktkatalog, politikker
• Værktøjer — hvilke API'er, databaser, søgefunktioner og handlinger har modellen adgang til?
• Eksempler — hvordan ser et godt svar ud? Et dårligt?
• Realtidsdata — lagerbeholdning lige nu, dagens vejr, kundens igangværende sag
• Tidligere fejl — hvad gik galt sidste gang og blev fanget i evalueringen?

Det er ingeniørarbejde. Det handler ikke længere om at "spørge pænt" — det handler om at designe det informationsmiljø modellen handler i.

Beviset: 9.649 eksperimenter

En peer-reviewed videnskabelig undersøgelse kørte 9.649 eksperimenter for at sammenligne effekten af bedre prompts versus bedre kontekst.

Konklusionen var entydig: kvaliteten af konteksten du fodrer modellen betyder mere end kvaliteten af din prompt. Modeller med mediokre prompts og fremragende kontekst slog konsekvent modeller med fremragende prompts og mediokre kontekst — på tværs af opgaver, modeller og målestokke.

Det er en stor sætning. Den betyder at de fleste virksomheder fokuserer på det forkerte sted, når de prøver at få mere ud af AI.

Hvad det betyder for danske virksomheder

Hvis du leder en virksomhed der har eksperimenteret med AI-værktøjer — og nu vil have dem til at virke pålideligt i produktion — så er der et par konkrete skift, du skal lave:

• Investér i jeres data-grundlag — strukturerede dokumenter, opdaterede FAQ'er og søgbare videnbaser er nu en del af jeres AI-infrastruktur
• Byg "memory" ind — hver gang en kunde eller medarbejder interagerer med AI, skal relevant historik kunne hentes ind næste gang
• Vælg værktøjerne med omhu — agenten kan kun gøre det den har adgang til. Hvilke API'er og databaser skal være tilgængelige?
• Skriv eksempler frem for prompts — gode/dårlige svar er ofte mere effektive end lange instruktioner
• Test konteksten, ikke kun outputtet — hvis svaret er forkert, er det ofte fordi konteksten manglede noget

Prompt engineering er ikke dødt — det er flyttet

Nogle artikler hævder at "prompt engineering er dødt". Det er en overdrivelse.

Sandheden er at gode prompts stadig betyder noget — men de er nu ét element ud af mange i den samlede kontekst. Den bedste AI-ingeniør i 2026 ved hvornår problemet løses med en bedre prompt, og hvornår det kun kan løses ved at omarrangere det informationsmiljø modellen tænker i.

Det er en bredere disciplin end før. Den kombinerer datalogi, informationsarkitektur, brugeroplevelse og forretningsforståelse.

Hvor begynder man?

De fleste virksomheder begynder med ét konkret AI-flow, der ikke virker pålideligt. Sælges-skabelonen der nogle gange er god, andre gange uden for skiven. Support-svaret der ikke kender virksomhedens egen returpolitik. Den interne assistant der gætter i stedet for at slå op.

I 9 ud af 10 tilfælde er løsningen ikke en bedre prompt. Det er at give modellen bedre kontekst: adgang til de rigtige dokumenter, hukommelse om hvad sagen tidligere har handlet om, eksempler på hvordan svar plejer at se ud.

Lær at se kontekst som et arbejdsemne — så har du allerede skiftet til den dyre side af kompetence-gradienten.