AI models are optimised to produce plausible output, not accurate output. The model doesn't know what it doesn't know. It will generate a confident, well-structured, fluent response whether it is correct or not. Poor output often looks identical to good output.

AI‑modeller är optimerade för att producera trovärdigt utdata, inte nödvändigtvis korrekt utdata. Modellen vet inte vad den inte vet. Den kommer att generera ett självsäkert, välstrukturerat och språkligt flytande svar oavsett om innehållet är korrekt eller inte. Bristfälliga svar kan därför ofta se identiska ut med högkvalitativa svar på ytan.

​No prompting strategy eliminates these risks entirely. The responsible position is: AI output is a strong first draft from a confident but fallible collaborator. Your domain knowledge, critical judgment, and verification habits are what make it usable.

Ingen promptingstrategi kan eliminera dessa risker helt. Den ansvarsfulla hållningen är därför att betrakta AI‑utdata som ett starkt första utkast från en självsäker men felbar samarbetspartner. Det är din ämneskunskap, ditt kritiska omdöme och dina rutiner för verifiering som avgör om resultatet blir användbart.

Hallucinations 
A hallucination isn't a glitch or a lie. It's the model filling a gap with the most statistically likely continuation. When it doesn't have the answer, it doesn't say so. Instead, it generates something that sounds like the answer.
​
Common hallucination triggers:

• Specific statistics or percentages
• Named individuals and their credentials
• Citations, studies, and publication dates
• Recent events near or after the training cutoff
• Niche or highly specialised domain knowledge

Hallucinationer
En hallucination är varken ett tekniskt fel eller en lögn. Den uppstår när modellen fyller i en kunskapslucka med den statistiskt sett mest sannolika fortsättningen. När modellen saknar ett svar säger den inte det – i stället genererar den något som låter som ett svar.

Vanliga utlösande faktorer för hallucinationer:

• Specifika statistiska uppgifter eller procentsatser
• Namngivna personer och deras meriter eller befattningar
• Referenser, studier och publiceringsdatum
• Nyligen inträffade händelser, särskilt nära eller efter modellens träningsgräns
• Smala eller starkt specialiserade kunskapsområden

A QU Framework for AI Output

1. Verify the Specific, Trust the General
Broad structural logic is usually sound. Specific facts (names, numbers, dates, citations) are where errors concentrate. Apply your scrutiny proportionally.

2. Source the Sourceable
If the output contains a claim that could be verified, verify it. Don't assume the model's confidence reflects accuracy.

3. Check for False Consensus
The model reflects patterns in its training data. On contested topics, it may present one perspective as settled. Ask: "What is the strongest counterargument to this?" and see if it changes the picture.

4. Test the Edges
Ask the model a question you already know the answer to in your domain. How it handles known ground tells you how much to trust it on unknown ground.

5. Use the Model to Audit Itself
After generating output, follow up with:

• "What assumptions did you make in this response?"
• "Where in this answer are you least confident?"

The model will often surface its own weak points honestly when asked directly.

1. Verifiera det specifika – lita på det generella
Den övergripande strukturella logiken är oftast rimlig. Det är i de specifika detaljerna – namn, siffror, datum och referenser – som felen tenderar att koncentreras. Anpassa därför din granskning proportionellt efter risk.

2. Källgranska det som går att källgranska
Om svaret innehåller ett påstående som kan verifieras, gör det. Utgå inte från att modellens självsäkerhet innebär att uppgiften är korrekt.

3. Var uppmärksam på falsk konsensus
Modellen speglar mönster i sitt träningsdata. I frågor där det råder oenighet kan den presentera ett perspektiv som om det vore etablerad konsensus. Ställ följdfrågan: ”Vilket är det starkaste motargumentet till detta?” och se om bilden förändras.

4. Testa ytterkanterna
Ställ en fråga inom ditt eget expertområde där du redan känner till svaret. Hur modellen hanterar välkänd mark ger en indikation på hur mycket du kan lita på den när terrängen är okänd.

5. Använd modellen för att granska sig själv
Efter att ett svar genererats, följ upp med frågor som:

• ”Vilka antaganden gjorde du i det här svaret?”
• ”Vilka delar av detta är du minst säker på?”

När modellen tillfrågas direkt kan den ibland  (på ett överraskande ärligt sätt) peka ut sina egna svagheter.

Zero, one, and few shots

• Zero-shot: no examples, just instructions. Fast but imprecise.
• One-shot: a single example. Useful when you have a strong, clear model to follow.
• Few-shot: two to five examples. The sweet spot for most tasks. More than five and you're often hitting diminishing returns.

Zero, one, and few shots

• Zero‑shot: Inga exempel – endast instruktioner. Går snabbt, men ger ofta ett mer oprecist resultat.
• One‑shot: Ett enda exempel. Användbart när du har ett starkt och tydligt föredöme att följa.
• Few‑shot: Två till fem exempel. Ofta den bästa balansen för de flesta uppgifter. Fler än fem exempel ger i regel avtagande marginalnytta.