Hva er fine-tuning? Og hvorfor AI-synlighet ikke kommer derfra

Fine-tuning er å ta en ferdigtrent språkmodell og trene den videre på et mindre, spesialisert datasett med dine egne eksempler. Poenget er ikke å lære modellen verden på nytt, men å endre hvordan den svarer — tone, format, struktur eller en smal, gjentakende oppgave. Fine-tuning lærer modellen en væremåte, ikke nødvendigvis nye fakta.

Hva fine-tuning er — og de tre måtene å påvirke en modell på

Det er lettest å forstå fine-tuning ved å stille det opp mot de to andre måtene du kan påvirke en språkmodell på. Prompting styrer modellen med instruksjoner i selve forespørselen — ingen trening, virker umiddelbart, men bare i den ene samtalen. RAG (Retrieval-Augmented Generation) henter inn ferske, eksterne kilder ved svartidspunkt, slik at svaret bygger på oppdatert informasjon. Fine-tuning er den tredje: den endrer modellens vekter gjennom trening, på forhånd og varig. Prompting og RAG virker i øyeblikket; fine-tuning er bakt inn.

Slik fungerer det i praksis

En fine-tuning starter med en grunnmodell og et kuratert sett av eksempelpar — typisk forespørsel og ønsket svar. Modellen trenes videre til den konsekvent produserer svar i den formen du vil ha. Resultatet er en egen modellvariant som «sitter» i tonen og oppgaven din: en supportbot som alltid svarer i selskapets stemme, en klassifiserer som merker henvendelser riktig, eller en modell som alltid returnerer et fast JSON-format. Fordi kunnskapen er frosset inn i vektene, blir den ikke automatisk oppdatert når verden endrer seg.

Fordeler og ulemper

• Fordel: fast form og tone. For smale, repeterende oppgaver gir fine-tuning mer konsekvente svar enn lange prompter, og kan gjøre en mindre modell god nok til å erstatte en større.
• Fordel: lavere kostnad per kall. Når formen er trent inn, trenger du færre instruksjoner i hver forespørsel.
• Ulempe: dårlig for ferske fakta. Kunnskapen fryses ved treningstidspunkt. Endrer prisene, produktene eller reglene seg, må du trene på nytt — der ville grounding via RAG løst det umiddelbart.
• Ulempe: kostnad og vedlikehold. Datainnsamling, trening og evaluering koster, og hver oppdatering er en ny runde.

Hvorfor AI-synlighet kommer fra grounding, ikke fine-tuning

Her er misforståelsen som koster merkevarer mest: troen på at man «blir synlig i ChatGPT» ved å få modellen trent på seg. To ting gjør det feil. For det første kan du ikke fine-tune publikumsmodellene — ChatGPT, Gemini og Perplexity er lukkede for eksterne merkevarer. For det andre, og viktigere: moderne AI-søk svarer ved å grounde svaret på kilder det henter i sanntid. Det modellen siterer, kommer fra det den fant og valgte akkurat da — ikke fra treningsdataene. Derfor ligger merkevaresynlighet i å være hentbar og siterbar: strukturert innhold, tydelige entiteter og troverdighetssignaler som gjør at retrieval-laget velger nettopp deg. Det er hele poenget med Answer Engine Optimization (AEO) og GEO.

Hvordan du bør bruke dette

Bruk fine-tuning der det hører hjemme — interne, smale oppgaver med fast form: klassifisering, formatering, tone-of-voice i dine egne produkter. Men når målet er å bli nevnt, sitert og anbefalt i AI-svar, er trening feil verktøy. Da handler alt om grounding: dekk temaet ditt bredt og dypt, skriv svar som kan hentes ut av kontekst, og bygg entitetsautoritet. Vil du se hva AI faktisk henter og siterer om merkevaren din i dag? Start med en gjennomgang av AI-synligheten din.