--- title: "Hva er RAG?" description: "RAG er når en språkmodell henter eksterne dokumenter før den svarer. Det er mekanismen som gjør ferskt innhold siterbart — og der du kan påvirke." canonical: https://kristerross.no/hva-er/rag/ updated: 2026-08-23 term: "RAG" term_en: "Retrieval Augmented Generation" category: "Hvordan AI finner informasjon" chain_link: "2. Henting (Retrieval)" trust_step: "2. Henting" author: "Krister Ross" site: "Krister Ross" language: nb-NO --- # Hva er RAG? Hvordan kan en modell som ble trent i fjor sitere noe du publiserte i går? ## Kort svar RAG (Retrieval-Augmented Generation) er når en språkmodell henter inn eksterne dokumenter før den svarer, i stedet for å svare kun fra det den er trent på. Det er denne mekanismen som gjør at ferskt innhold kan siteres. Uten henting svarer modellen fra det den lærte under trening. Med henting leser den dokumenter i det øyeblikket spørsmålet stilles, og da er det innholdet ditt som er i spill, ikke bare det modellen tilfeldigvis husker om deg. Det er derfor RAG er det viktigste ordet å forstå i AI-synlighet: det er skillet mellom en flate du kan påvirke med publisering, og en flate du bare kan påvirke med entitetsarbeid over tid. ## Ikke å forveksle med ### Parametrisk minne Parametrisk minne er det modellen har lagret i seg selv fra treningen. RAG er det den henter utenfra. Svarer den fra minnet, hjelper ikke en ny artikkel — da er det omtale andre steder på nettet som avgjør. ### Grounding RAG er arkitekturen, grounding er egenskapen den gir svaret. Et system kan bruke RAG og likevel gi et dårlig forankret svar, hvis det henter feil kilder eller ignorerer dem når teksten skrives. ### Finjustering Finjustering endrer modellen selv og krever ny trening. RAG endrer ingenting i modellen — den gir den bare noe å lese. Det er derfor RAG er raskt og finjustering er tregt. ## Plass i kjeden RAG hører hjemme i ledd 2 av 8, Henting (Retrieval), som er trinn 2 — Henting — i TRUST-modellen. **Er du blant dokumentene som faktisk hentes inn?** Spørsmålet brytes opp i flere delsøk, og hvert delsøk henter typisk fem til tjue dokumenter. Kandidatpoolen er trang, og den er der de fleste faller ut. Svikter leddet: Du rangerer kanskje i Google, men blir aldri kandidat i det generative svaret. Hele modellen: https://kristerross.no/trust/ ## Hvorfor dette avgjør noe Et RAG-oppsett gjør tre ting i rekkefølge. Først oversettes spørsmålet til ett eller flere søk. Så hentes dokumenter som ligner semantisk, som regel fem til tjue per søk. Til slutt legges de hentede tekstbitene inn i modellens kontekst sammen med spørsmålet, og svaret skrives ut fra det. Hvert av de tre trinnene er en flaskehals for deg. Bommer omskrivingen av spørsmålet på din vinkling, blir du ikke søkt etter. Er du ikke i indeksen, blir du ikke hentet. Og er avsnittet ditt ikke selvbærende, blir det hentet uten å kunne brukes. Det som hentes er biter, ikke sider. Modellen ser aldri nettstedet ditt — den ser noen hundre ord løsrevet fra alt annet, uten meny, uten forrige avsnitt og uten deg som avsender med mindre det står i teksten selv. Merk at motoren velger selv om den skal bruke henting i det hele tatt. Andelen kjøringer der den faktisk søker er et eget måltall, og det er det første tallet som skal på bordet før noen konkluderer med at innholdet er problemet. ## Eksempel: Hvorfor en fersk artikkel kan siteres og en gammel bedrift ikke kan En artikkel publisert i går kan siteres i dag, fordi den hentes i det øyeblikket spørsmålet stilles. Samtidig kan en bedrift som har eksistert i tjue år være helt fraværende i svar der motoren ikke søker — fordi ingen har skrevet nok om den til at modellen har noe å huske. De to tilfellene ser identiske ut i en rapport: «vi nevnes ikke». De krever motsatt arbeid. Det ene løses med publisering og indeksering, det andre med omtale hos andre og en entydig entitet. _Oppstilling av to årsaker til samme symptom, ikke et måleresultat._ ## Sjekk selv Tidsbruk: 4 minutter. Utfall: Du vet om motoren henter eller svarer fra minnet på dine viktigste spørsmål. 1. Still fem av kundenes vanligste spørsmål i ChatGPT, ett om gangen. 2. Se etter kildehenvisninger i svaret. Følger det med lenker, ble det hentet. Følger det ikke med noen, kom svaret fra minnet. 3. Still det samme spørsmålet igjen med «søk på nettet» lagt til, og se om svaret endrer seg. 4. Noter forholdet: hvor mange av de fem utløste et faktisk søk? Forbehold: Aktivering varierer med formulering, plattform og tidspunkt. Fem spørsmål gir en retning, ikke en aktiveringsrate du kan rapportere. ## Hva du faktisk gjør 1. **Sørg for at søkecrawlerne slipper inn.** RAG kan bare hente det som er indeksert. En blokkert OAI-SearchBot betyr at ChatGPT ikke kan sitere deg i det hele tatt, uansett hvor godt innholdet er. 2. **Skriv avsnitt som overlever å bli løsrevet.** Det som hentes er en bit uten kontekst. Gjenta subjektet, skriv ut forkortelser første gang i hvert avsnitt, og la påstanden stå ferdig i sin egen tekst. 3. **Dekk vinklingene, ikke bare søkeordet.** Spørsmålet omskrives til flere delsøk. Innhold som bare treffer hovedformuleringen faller ut av alle de andre. 4. **Publiser der ferskhet teller.** Henting favoriserer oppdatert innhold på spørsmål som har et tidsaspekt. Det er den ene fordelen en liten aktør har mot en stor. ## Vanlige feil - Å anta at modellen «kjenner» bedriften din. Uten henting kjenner den bare det andre har skrevet om deg. - Å optimalisere innhold på flater der aktiveringsraten er lav. Der er det entitetsarbeid som virker. - Å behandle RAG som noe teknisk teamet fikser. Det er innholdsstruktur som avgjør om det hentede kan brukes. - Å tro at et llms.txt-oppslag styrer hva som hentes. Det gjør det ikke — indeksen gjør. ## Hva som lar seg måle Måltall: Aktiveringsrate og hentbarhet, per motor Aktiveringsraten forteller hvor stor andel av kjøringene som i det hele tatt involverer henting. Hentbarheten forteller hvor ofte du er blant det som hentes. De to sammen avgjør om innholdsarbeid er riktig investering på akkurat den flaten. Frekvens: Månedlig. Aktiveringsraten endrer seg med plattformoppdateringer, ikke med ditt arbeid. ## Ofte stilte spørsmål ### Er RAG det samme som at ChatGPT «søker på nettet»? I praksis, ja — nettsøket i ChatGPT er en form for RAG. Begrepet er bredere og dekker også interne oppsett, som en kundeserviceassistent som henter fra egen dokumentasjon. Mekanikken er den samme: hent først, skriv etterpå. ### Kan jeg påvirke hva som hentes? Indirekte, gjennom det samme som styrer klassisk henting: at du er indeksert, at innholdet er relevant for de delsøkene som faktisk kjøres, og at avsnittene lar seg bruke løsrevet. Du kan ikke instruere motoren om å hente deg. ### Hva om modellen ikke bruker det den henter? Det skjer ofte, og det er en egen diagnose. Å bli hentet og å bli sitert er to utfall, og avstanden mellom dem peker på uttrekkbarhet: avsnittet svarte ikke direkte nok til å bli valgt da svaret ble skrevet. ## Beslektede begreper - **Chunking** (https://kristerross.no/hva-er/chunking/): Chunking er oppdelingen av et dokument i mindre tekstbiter som kan hentes og vurderes hver for seg. Du styrer den ikke direkte, men du bestemmer hvor gode bitene blir gjennom hvordan du strukturerer teksten. - **Kontekstvindu**: Kontekstvinduet er mengden tekst en språkmodell kan ha i arbeidsminnet mens den skriver svaret. Det er begrenset, og derfor er det alltid noen kilder som ikke kommer med. - **Generative engine**: En generative engine er en søketjeneste som bruker generativ AI til å skrive svaret sitt ut fra én eller flere kilder. Teksten du leser er formulert i øyeblikket, ikke hentet ferdig fra en side. - **Grounding** (https://kristerross.no/hva-er/grounding/): Grounding er å forankre et AI-generert svar i eksterne kilder framfor i modellens eget minne. Det er forskjellen mellom et svar som kan etterprøves og et svar som bare høres riktig ut. - **Retrieval**: Retrieval er trinnet der systemet henter fram informasjon som kan være relevant for spørsmålet. Blir du ikke hentet, spiller det ingen rolle hvor siterbar teksten din er — problemet ligger to ledd lenger opp. - **Vektordatabase**: En vektordatabase er en database bygget for å lagre og søke i embeddings. Den er infrastrukturen bak både RAG-oppsett og de fleste interne AI-assistenter. --- Kilde: https://kristerross.no/hva-er/rag/