Generative AI Developer

En generative AI developer bygger produkter oven på store sprogmodeller (LLM'er). Modellen er købt eller hentet færdig. Opgaven er at koble den sammen med virksomhedens egne data, systemer og regler — og få den til at svare rigtigt hver gang.

Typiske opgaver:

• Bygge søgning i virksomhedens egne dokumenter, hvor modellen svarer ud fra fundne tekster (RAG). Det kræver opdeling af dokumenter, embeddings og en vektordatabase.
• Skrive, versionere og teste prompts og systeminstruktioner.
• Bygge agenter med function calling, så modellen kan slå op i CRM, oprette en sag eller sende en mail.
• Lave evalueringssæt: rigtige spørgsmål med facit, der kører automatisk ved hver ændring.
• Måle hallucinationer, svartid og tokenforbrug — og få prisen pr. samtale ned.
• Bygge guardrails mod promptinjektion, maskere personoplysninger og lave overlevering til et menneske.
• Finjustere en mindre model (fine-tuning, LoRA), når prompting ikke rækker.

En almindelig arbejdsdag

Dagen starter tit i loggen. Du læser gårsdagens samtaler og finder de svar, brugerne ikke kunne bruge. Meget ofte er fejlen ikke modellen. Fejlen er, at den rigtige tekst aldrig blev fundet. Så retter du opdeling, søgning eller prompt og kører evalueringen igen.

Resten af dagen ligner almindelig softwareudvikling. Du skriver API'er, laver kodegennemgang og deployer. Du bruger også meget tid sammen med fagfolk — en jurist, en sagsbehandler, en supporter. Det er dem, der afgør, hvad et korrekt svar er. Uden dem kan du ikke bygge en evaluering, der betyder noget.

Hvor rollen findes i Danmark

Banker, pension og forsikring bruger den til sagsbehandling og kundeservice. Medicinal- og medicoindustrien bruger den til dokumentation og litteratursøgning. Kommuner og styrelser bygger vejledning og journalstøtte. Konsulenthuse sælger rollen som ydelse til andre virksomheder. Og mange danske softwarevirksomheder bygger AI direkte ind i deres eget produkt.

Vær forberedt på én ting: demoerne tager to dage, driften tager et halvt år. Størstedelen af arbejdet er datakvalitet, test og kedelige fejlrettelser.

Hvilken lovgivning dækker denne rolle?

Faget kræver hverken autorisation eller certifikat, men EU's AI-forordning stiller konkrete krav til det, du bygger. Kravene om gennemsigtighed i forordningens artikel 50 har fundet anvendelse siden 2. august 2026. Brugeren skal kunne se, at der er tale om en AI, og genereret tekst, lyd, billede og video skal kunne mærkes maskinlæsbart. Digitaliseringsstyrelsen er nationalt koordinerende tilsynsmyndighed for AI-forordningen i Danmark. Behandler løsningen persondata, gælder databeskyttelsesforordningen og Datatilsynets praksis også for prompts og logfiler.

Der findes ingen uddannelse i Danmark, der hedder generative AI developer. Faget er for nyt. De fleste kommer fra en it-uddannelse og lærer den sidste del på jobbet.

Universitetsvejen

En bachelor i datalogi, softwareteknologi eller data science tager tre år. Derefter en kandidat på to år, gerne med machine learning som speciale. DTU, IT-Universitetet, Aalborg Universitet, Syddansk Universitet, Aarhus Universitet og Københavns Universitet udbyder relevante linjer. Adgangskravene er typisk matematik A og engelsk B. De præcise krav fastsættes af det enkelte universitet og fremgår af Uddannelses- og Forskningsministeriets optagelsesregler.

Den korte vej

Datamatiker på erhvervsakademi tager to et halvt år. Adgangskravet er en gymnasial eksamen med matematik C eller en relevant erhvervsuddannelse. Bagefter kan du tage en professionsbachelor i softwareudvikling som overbygning på halvandet år. Mange gode udviklere i faget har præcis den baggrund.

Skift fra et andet it-job

Det er i praksis den mest almindelige vej lige nu. Backend-udviklere, dataingeniører og integrationsudviklere flytter sig ind i faget. Du kan allerede kode, teste og deploye. Det, du mangler, er retrieval, evaluering og en fornemmelse for, hvornår en model lyver overbevisende.

Selvlært

Muligt, men det kræver en portefølje, ikke et kursusbevis. Byg to-tre rigtige ting og læg koden offentligt frem. For eksempel en søgeløsning på dine egne dokumenter, en agent der udfører en konkret arbejdsopgave, og et evalueringssæt der viser, hvor tit svaret er forkert. Det sidste imponerer mest, fordi de færreste gør det.

Hvad der reelt kræves

Du skal kunne programmere rigtigt, mest Python og ofte også TypeScript. Grundlæggende statistik og lineær algebra hjælper. Du behøver ikke en ph.d. i machine learning for at bygge produkter oven på færdige modeller.

Certificeringer findes, blandt andet fra Microsoft, AWS og Google Cloud på deres egne AI-platforme. De vejer noget i konsulenthuse, hvor kunden ser certifikater. Til gengæld spørger de fleste rekrutterende ledere om noget andet: hvad har du sat i drift, og hvordan målte du, at det virkede?

Python er hovedsproget. FastAPI bruges til at lægge API på løsningen, og TypeScript med React eller Next.js til brugerfladen.

Modeller hentes typisk gennem et API: Claude fra Anthropic, GPT fra OpenAI, Gemini fra Google eller Mistral. Åbne modeller som Llama og Qwen køres selv med vLLM eller Ollama, når data ikke må forlade huset. Mange danske kunder kræver hosting i EU. Det afgør ofte valget mere end modellens kvalitet.

Til søgning i egne data bruges embeddings og en vektordatabase. pgvector oven på PostgreSQL er det almindelige valg, når man ikke vil have en ny database. Ellers Qdrant, Weaviate eller Pinecone.

Rammeværk som LangChain og LlamaIndex bruges til at binde tingene sammen. Model Context Protocol (MCP) bruges til at give modellen adgang til værktøjer og systemer. Til finjustering bruges PyTorch og Hugging Face Transformers.

Evaluering og overvågning er sit eget værktøjslag. LangFuse, LangSmith, Ragas og Weights & Biases bruges til at spore hver enkelt samtale, se hvad modellen fik af kontekst, og måle kvaliteten over tid.

Resten er almindelig udviklerværktøj: Git, Docker, Kubernetes og GitHub Actions. Skyplatformene er typisk Microsoft Azure AI Foundry, AWS Bedrock eller Google Vertex AI.