Vad är en LLM? Stora språkmodeller förklarade för företag
LLM, large language model, är den typ av AI-modell som finns bakom ChatGPT, Copilot, Claude och Gemini. Här förklarar vi vad en LLM är, hur en stor språkmodell fungerar, vad den är bra och dålig på och hur ett företag kan använda språkmodeller säkert i marknadsföring, försäljning och kundtjänst.
Kort sagt
En LLM, large language model, är en stor språkmodell som har tränats på enorma mängder text och skapar svar genom att förutsäga nästa token, en ordbit i taget. Den finns bakom ChatGPT, Copilot, Claude och Gemini. Den skriver och sammanfattar snabbt men kan ha fel, så viktiga svar behöver kontrolleras.
Vad är en LLM?
En LLM, large language model eller stor språkmodell, är en AI-modell som har tränats på mycket stora mängder text och kan förstå och skapa naturligt språk. IBM beskriver stora språkmodeller som djupinlärningsmodeller som tränats på enorma mängder data och kan förstå och generera naturligt språk för en rad olika uppgifter.
Enligt Google förutsäger en LLM en token eller en följd av tokens, ibland flera stycken text. En token kan vara ett ord, en del av ett ord eller ett enskilt tecken. Det som gör modellen stor är mängden träningsdata och antalet parametrar, alltså de inställningar som modellen lär sig under träningen.
| Begrepp | Vad det är | Exempel |
|---|---|---|
| LLM | Stor språkmodell som förstår och skapar text. | Modellerna bakom ChatGPT, Claude och Gemini. |
| Token | Minsta enheten modellen räknar med: ord, ordbit eller tecken. | Ett långt svenskt ord kan bli flera tokens. |
| Parametrar | Inställningarna modellen lär sig i träningen. | Ofta miljarder i en stor språkmodell. |
| Generativ AI | AI som skapar nytt innehåll. LLM är en typ av den. | Text, bild, ljud och video. |
Hur fungerar en stor språkmodell?
En LLM byggs och används i några tydliga steg. Förenklat ser kedjan ut så här:
- Träning på stora mängder text. Enligt Google är den viktigaste ingrediensen en mycket stor mängd träningsdata. Modellen lär sig mönster genom att gissa ord som saknas eller kommer härnäst och justeras varje gång den har fel.
- Transformer och uppmärksamhet. De flesta stora språkmodeller bygger på arkitekturen transformer. Den använder self-attention, som väger hur mycket varje ord i texten påverkar de andra, så att modellen förstår sammanhanget.
- Finjustering. Efter grundträningen tränas modellen vidare för att följa instruktioner. IBM beskriver bland annat RLHF, där människor rangordnar svar och modellen lär sig föredra de svar som får högst betyg.
- Svar en token i taget. När ni ställer en fråga förutsäger modellen den mest sannolika nästa token, lägger till den och upprepar tills svaret är klart. Enligt IBM vet modellen inte svaret i förväg, utan gör sin bästa gissning i varje steg.
Det sista steget förklarar både styrkan och svagheten. Texten blir flytande och välformulerad, men modellen kontrollerar inte själv att det den skriver är sant.
Exempel på LLM: ChatGPT, Copilot, Claude och Gemini
De flesta möter stora språkmodeller genom en tjänst snarare än själva modellen. IBM nämner Anthropics Claude, OpenAI:s ChatGPT, Microsofts Copilot, Metas Llama och Googles Gemini som vanliga sätt att använda LLM:er. Skillnaden mellan tjänst och modell spelar roll för företag, eftersom avtal, datalagring och administration följer tjänsten.
| Tjänst | Leverantör | Passar när |
|---|---|---|
| ChatGPT | OpenAI | Ni vill ha en fristående AI-arbetsyta. Se ChatGPT för företag. |
| Microsoft 365 Copilot | Microsoft | Arbetet sker i Word, Excel, Outlook och Teams. Se Copilot för företag. |
| Claude | Anthropic | Ni arbetar mycket med långa dokument och text. |
| Gemini | Ni arbetar i Google Workspace. | |
| Llama | Meta | Utvecklare vill köra en öppen modell i egen miljö. |
Står valet mellan de två vanligaste tjänsterna på svenska arbetsplatser jämför vi dem i guiden ChatGPT eller Copilot.
Vad är en LLM bra och dålig på?
Google beskriver att språkmodeller skriver tydlig och lättläst text för många målgrupper, men också att de hallucinerar, alltså att förutsägelserna ofta innehåller fel, att de kräver mycket datorkraft och att de kan ha samma slags snedvridningar som andra maskininlärningsmodeller.
| Bra på | Sämre på |
|---|---|
| Skriva utkast till texter, mejl och annonser. | Fakta, siffror och källor som inte finns i underlaget. |
| Sammanfatta långa dokument och möten. | Aktuella händelser efter träningen, om tjänsten inte söker på webben. |
| Översätta och skriva om i annan ton. | Beräkningar och logik i flera steg utan kontroll. |
| Strukturera fritext, till exempel kundsvar. | Beslut som kräver ansvar, till exempel juridik och ekonomi. |
Tumregeln är enkel: låt språkmodellen göra första utkastet och låt en människa ansvara för det som publiceras eller skickas.
Så kan företag använda en LLM
Nyttan kommer sällan av att ge alla ett AI-verktyg och hoppas på det bästa. Den kommer av att välja några återkommande uppgifter och göra dem snabbare med tydlig granskning:
- Marknadsföring. Utkast till annonser, nyhetsbrev och artiklar, som en person faktagranskar och redigerar.
- Försäljning. Sammanfattningar av kundmöten och förslag till uppföljningsmejl utifrån anteckningar i CRM.
- Kundtjänst. Förslag till svar ur er egen kunskapsbank, där en handläggare godkänner innan svaret skickas.
- Intern kunskap. Sök och sammanfatta policyer och dokument, gärna i en tjänst som bara läser det användaren redan har behörighet till.
När språkmodellen ska göra mer än att svara, till exempel hämta uppgifter och utföra steg i andra system, blir den en del av en AI-agent. Kopplingen till systemen görs ofta med MCP, och flödet runt omkring med AI-automation.
LLM, dataskydd och AI-förordningen
- Personuppgifter. När personuppgifter behandlas med AI gäller dataskyddsförordningen. IMY har vägledning om GDPR och AI. Kontrollera vad tjänsten gör med indata innan kunddata används.
- AI-förordningen. EU:s AI-förordning har egna regler för AI-modeller för allmänna ändamål. Enligt EU-kommissionens AI-kontor är stora generativa AI-modeller ett typiskt exempel. Kraven i den delen gäller främst leverantörerna av modellerna, medan företag som använder AI har andra skyldigheter. Läs mer i guiden om AI-förordningen.
- Regler i företaget. Skriv ner vilka verktyg som är godkända, vilka uppgifter som får klistras in och vem som granskar resultatet. Vi har en guide om hur ni skriver en AI-policy.
- Kunskap. Medarbetare som förstår hur en LLM fungerar märker lättare när svaret är fel. Se AI-utbildning för företag.
Vanliga frågor om LLM och språkmodeller
Vad är en LLM?
En LLM, large language model eller stor språkmodell, är en AI-modell som har tränats på mycket stora mängder text och kan förstå och skapa naturligt språk. Den fungerar genom att förutsäga nästa del av en text, en token i taget.
Vad står LLM för?
LLM står för large language model, på svenska stor språkmodell. Ordet stor syftar på att modellen har väldigt många parametrar, ofta miljarder, och har tränats på en mycket stor mängd text.
Är ChatGPT en LLM?
ChatGPT är en tjänst som bygger på stora språkmodeller från OpenAI. Samma sak gäller Microsoft Copilot, Anthropics Claude och Googles Gemini: gränssnittet är tjänsten, och språkmodellen är motorn bakom.
Vad är skillnaden mellan LLM och generativ AI?
Generativ AI är det bredare begreppet för AI som skapar nytt innehåll, till exempel text, bild, ljud eller video. En LLM är en typ av generativ AI som främst arbetar med språk.
Varför hittar en LLM ibland på svar?
En LLM förutsäger vad som sannolikt kommer härnäst i en text och vet inte i förväg om svaret är sant. Google beskriver att språkmodeller hallucinerar, alltså att förutsägelserna ofta innehåller fel. Därför behöver viktiga svar kontrolleras mot en källa.
Får vi klistra in kunddata i en LLM?
Det beror på tjänsten, avtalet och vilka uppgifter det gäller. När personuppgifter behandlas med AI gäller dataskyddsförordningen, och IMY har vägledning om GDPR och AI. Bestäm i en AI-policy vilka uppgifter som får användas i vilka verktyg.
Kan ni hjälpa oss att använda språkmodeller i företaget?
Ja. Vi hjälper er att välja var AI gör nytta, sätta upp verktyg som ChatGPT eller Copilot, skriva regler för data och granskning och bygga automationer där en människa godkänner resultatet. Läs om AI för företag eller skicka en förfrågan.
Relaterade guider
Källor
Uppgifterna kontrollerades hos IBM, Google, EU-kommissionen och IMY 26 september 2026. Uppdaterad 26 september 2026.
- IBM: What are large language models (LLMs)? – definition, träning, RLHF, inferens token för token och exempel på tjänster.
- Google for Developers: What’s a large language model? – tokens, parametrar, transformer och self-attention samt fördelar och problem som hallucinationer.
- Google for Developers: Introduction to Large Language Models – språkmodeller och tokens.
- EU-kommissionen: General-Purpose AI Models in the AI Act – Questions and Answers – AI-modeller för allmänna ändamål i AI-förordningen.
- IMY: Vägledning om GDPR och AI – dataskydd när AI används.