Google lancerede Gemini 3.1 med et 2 millioner token kontekstvindue. Alle overskrifter præsenterede det som et gennembrud. Og til specifikke brugsscenarier – som at behandle hele kodebaser, analysere bøger eller søge gennem timer af video – er det også. Men markedsføringen skabte en farlig antagelse: større kontekst = bedre output.
Det gør det ikke. I de fleste virkelige opgaver betyder kvaliteten af din kontekst mere end mængden. En fokuseret prompt på 5.000 tokens med præcis de rigtige oplysninger giver bedre output end et dump på 500.000 tokens af alt, der er løst relateret.
Vigtig pointe
Kontekstvinduer er som lagerplads: et større garage gør dig ikke til en bedre bilist. Det, der betyder noget, er, hvad du putter i konteksten – ikke hvor meget plads der er tilgængelig. Kontekst-engineering (at vælge den RIGTIGE kontekst) er den færdighed, der giver bedre resultater, ikke størrelsen på kontekstvinduet.
Hvorfor giver mere kontekst ikke bedre output?
Problemet med “tabt i midten”. Forskning viser konsekvent, at LLM’er er mindre opmærksomme på indhold i midten af lange kontekster. Oplysninger i begyndelsen og slutningen bliver behandlet mere præcist end oplysninger begravet på position 100.000. Det er ikke en fejl – det er en grundlæggende egenskab ved transformer-opmærksomhedsmekanismer. Hvis man dumper 2 millioner tokens kontekst, betyder det, at en betydelig del af den kontekst reelt er usynlig for modellen.
Signal-støj-forhold. Når du uploader en hel kodebase i et 2 millioner token kontekstvindue, er det meste af koden irrelevant for dit specifikke spørgsmål. Modellen skal finde ud af, hvilke filer der betyder noget – og det lykkes ikke altid. En målrettet upload af de 3-5 relevante filer giver mere præcise svar end et fuldt repository-dump.
Token-omkostninger stiger med konteksten. At behandle 2 millioner tokens koster dramatisk mere end at behandle 5.000. Til rutineopgaver – som at skrive e-mails, lave opsummeringer eller besvare spørgsmål – betaler du 400 gange mere for en marginal (eller ingen) kvalitetsforbedring.
| Konteksttilgang | Output-kvalitet | Omkostning | Hastighed |
|---|---|---|---|
| 5K tokens fokuseret kontekst | Fremragende – modellen fokuserer præcist på det, der betyder noget | Minimal | Hurtig |
| 50K tokens relevante dokumenter | Meget god – mere kontekst hjælper ved komplekse opgaver | Moderat | God |
| 500K+ tokens fuldt dump | Variabel – afhænger af opgaven og “tabt i midten”-effekter | Høj | Langsom |
| 2M tokens maksimal fyldning | Nyttig kun til specifikke opgaver (kodebasesøgning, boganalyse) | Meget høj | Meget langsom |
📬 Får du værdi ud af dette? Vi gennemskuer AI-markedsføring med praktisk analyse, hver uge. Få det i din indbakke →
---Hvornår betyder store kontekstvinduer noget?
Store kontekstvinduer hjælper reelt kun i tre scenarier:
1. Søgning i store dokumenter efter specifik information. “Find alle omtaler af ‘annulleringsvilkår’ på tværs af disse 50 kontrakter.” Dette er opslag, ikke analyse – og mere kontekst betyder flere dokumenter at søge i.
2. Krydsreferencer på tværs af flere kilder. “Sammenlign metodafsnittene i disse 20 forskningsartikler.” Dette kræver, at flere dokumenter holdes samtidig – umuligt med små kontekstvinduer.
3. Analyse af hele kodebaser. “Find alle funktioner, der kalder betalings-API’en, og tjek for fejlhåndtering.” Dette kræver overblik over hele projektet. Claude Code håndterer det via CLAUDE.md-filer i stedet for rå kontekst, men Geminis tilgang med at indlæse alt fungerer også.
Til alt andet – skrivning, udkast, opsummering, analyse af enkeltdokumenter, besvarelse af spørgsmål, indholdsskabelse – slår kontekstkvalitet kontekstmængde. Hver gang.
Den færdighed, der betyder noget, er kontekst-engineering – at vælge de rigtige 5.000 tokens fra din tilgængelige information. Prompt Optimizer hjælper med dette ved at omstrukturere prompts, så de indeholder den mest relevante kontekst i det mest effektive format.
---📬 Vil du have mere af samme slags? Kontrær AI-analyse baseret på forskning. Tilmeld dig gratis →
---Ofte stillede spørgsmål
Er Geminis 2M kontekst så ubrugelig?
Ikke på nogen måde. Til de specifikke brugsscenarier nævnt ovenfor (storsøgning i dokumenter, krydsreferencer, kodebaseanalyse) er det reelt transformerende. Pointen er, at kontekstvinduets størrelse markedsføres som en generel kvalitetsforbedring, mens det i virkeligheden er en specialiseret kapacitet. De fleste daglige AI-opgaver har gavn af fokuseret kontekst, ikke massiv kontekst.
Skal jeg vælge min AI-model ud fra kontekstvinduets størrelse?
Kun hvis du regelmæssigt arbejder med meget store dokumenter eller kodebaser. For de fleste brugere betyder kvalitetsforskellene mellem modellerne (Claude-skrivning, GPT-gennemstrømning, Geminis multimodale evner) langt mere end størrelsen på kontekstvinduet.
Hvad er den ideelle prompt-længde?
Til de fleste opgaver giver 200-500 ord velstruktureret kontekst (ICCSSE-frameworket) optimale resultater. Ud over det får du faldende udbytte, medmindre du inkluderer faktiske referencedokumenter, som AI’en skal analysere.
Oplysning: Nogle links i denne artikel er affiliate-links. Vi anbefaler kun værktøjer, vi selv har testet og bruger regelmæssigt. Se vores fulde oplysnings-politik.