Bag redigeringsværktøjet

Hvorfor er så god til at redigere dokumenter?

En sprogmodel kan skrive en god sætning, men det er en anden opgave at sætte den tilbage med formateringen intakt. Vi forklarer, hvorfor det har været svært at få AI til at redigere et dokument, og hvad vi har bygget for at løse det.

9 minutters læsning3. oktober 2026

Oversigt

Hvis du beder en chatbot om at rette en klausul i en Word-fil, beder du den om to ting samtidig: at ændre ordene og at omskrive filformatet, der holder dem. Sprogmodeller er gode til den første opgave og upålidelige til den anden.

tager den anden opgave fra modellen. Denne artikel forklarer, hvorfor det betyder noget, hvordan det fungerer på lange dokumenter, og hvordan det sammenlignes med chatwebsites og computerbrugsagenter.

  1. 01En sprogmodel læser et dokument som markup, ikke som en side.
  2. 02Ét forkert tegn kan gøre en fil ulæselig, og lange outputs gør forkerte tegn sandsynlige.
  3. 03 adskiller indhold fra formatering: modellen redigerer ord, og vores kode skriver filen.
  4. 04Lange dokumenter samles i batches, deles op og får kontekst, ligesom moderne kodningsagenter gør.
  5. 05Chat-websteder kan redigere filer med Python, men ændringer kan forsvinde ubemærket.
  6. 06Computerbrugs-agenter redigerer ligesom et menneske, men til mange gange omkostningen.

01

LLM ser kun tekst, ikke formatering

Åbner du en kontrakt i Word, ser du en side: en overskrift i husets stil, et fedt beløb og en understreget frist. Word-programmet skaber denne formatering, så vi kan redigere visuelt. Under en Word-fil (.docx) ligger et komplekst XML-system, hvor hvert ord, vi ser, er omhyggeligt annoteret med skjulte ord kendt som markup.12

Hvad du ser

Hvad modellen ser

<w:p>  <w:pPr><w:pStyle w:val="Heading2"/></w:pPr>  <w:r><w:t>4. Husleje</w:t></w:r></w:p><w:p>  <w:pPr><w:jc w:val="both"/></w:pPr>  <w:r><w:t xml:space="preserve">Lejeren skal betale </w:t></w:r>  <w:r><w:rPr><w:b/><w:color w:val="1F4E79"/></w:rPr><w:t>US$2,400</w:t></w:r>  <w:r><w:t xml:space="preserve"> den </w:t></w:r>  <w:r><w:rPr><w:i/><w:u w:val="single"/></w:rPr><w:t>den første dag i hver måned</w:t></w:r>  <w:r><w:t>.</w:t></w:r></w:p>
Figur 1Samme klausul to gange. Ordene fylder 71 tegn; XML'en omkring dem fylder 460. Uddrag fra word/document.xml.

En LLM hjælpes ikke af Microsoft Word, LibreOffice eller Pages og må stole på sin egen forståelse af markup. For at redigere korrekt skal en LLM forstå effekten af den oprindelige markup og skrive den nye sætning i korrekt markup.

02

LLM-output er i sagens natur ustabilt

Modellerne er blevet markant bedre, men selv de nyeste laver stadig fejl. I et Microsoft Research-studie fra 2026 af 19 modeller på tværs af 52 professionelle områder ødelagde frontiermodeller som Gemini 3.1 Pro, Claude 4.6 Opus og GPT 5.4 i gennemsnit 25 % af dokumentindholdet ved slutningen af lange redigeringsforløb.4

I en Word-fil er én lille fejl nok til, at filen er ubrugelig. Her har modellen udeladt ét skråstreg:

<w:p>  <w:pPr><w:jc w:val="both"/></w:pPr>  <w:r><w:t xml:space="preserve">Lejeren skal betale </w:t></w:r>  <w:r><w:rPr><w:b>1<w:color w:val="1F4E79"/></w:rPr><w:t>US$2,400</w:t></w:r>  <w:r><w:t xml:space="preserve"> den </w:t></w:r>  <w:r><w:rPr><w:i/><w:u w:val="single"/></w:rPr><w:t>den første dag i hver måned</w:t></w:r>  <w:r><w:t>.</w:t></w:r></w:p>
Figur 2Et manglende skråstreg efterlader fedt-tagget åbent. XML'en er ikke længere korrekt opbygget, og Word vil ikke åbne filen normalt.3

XML tolererer ikke ugyldig markup. En fil er enten korrekt opbygget, eller også er den ikke. Word kan somme tider gendanne en ødelagt fil, men den gendannede kopi kan mangle tekst eller formatering.

Længere output, flere fejl

Risikoen vokser med længden. LongProc, en benchmark fra 2025 for lang struktureret output, viste, at open-weight-modeller svigtede ved 2.000 output-tokens, og at GPT-4o forringedes markant ved 8.000.5 En anden undersøgelse viste, at ydeevnen falder med 13,9 % til 85 %, efterhånden som input-længden vokser, selv når modellen kan hente alle relevante fakta.6 Et 10-siders Word-dokument er cirka 10.000 tokens, og det er et umuligt projekt at forsøge at redigere alle 10 sider på én gang uden fejl.

<w:p>  <w:pPr><w:pStyle w:val="ClauseText"/></w:pPr>  <w:r><w:rPr><w:b/><w:sz w:val="24"/></w:rPr><w:t>5.1</w:t></w:r>  <w:r><w:rPr><w:sz w:val="24"/></w:rPr><w:t xml:space="preserve"> Harlow &1 Pike LLP repræsenterer udlejeren i alle sager, der opstår under denne lejekontrakt.</w:t></w:r></w:p><w:p>  <w:pPr><w:pStyle w:val="ClauseText"/></w:pPr>  <w:r><w:rPr><w:b/><w:sz w:val="24/>2</w:rPr><w:t>5.2</w:t></w:r>  <w:r><w:rPr><w:sz w:val="24"/></w:rPr><w:t xml:space="preserve"> Lejeren skal holde lejemålet i god og forsvarlig stand og vedligeholdelse.</w:t></w:r></w:p><w:p>  <w:pPr><w:pStyle w:val="ClauseText"/></w:pPr>  <w:r><w:rPr><w:b/><w:sz w:val="24"/></w:rPr><w:t>5.3</w:t></w:r>  <w:r><w:rPr><w:sz w:val="24"/></w:rPr><w:t xml:space="preserve"> Enhver meddelelse skal gives skriftligt og leveres til adressen angivet i bilag 2.</w:t></w:p>3<w:p>  <w:pPr><w:pStyle w:val="ClauseText"/></w:pPr>  <w:r><w:rPr><w:b/><w:sz w:val="24"/></w:rPr><w:t>5.4</w:t></w:r>  <w:r><w:rPr><w:sz w:val="24"/></w:rPr><w:t xml:space="preserve"> Udlejeren kan opsige denne lejekontrak4
  1. 1Et enkelt og-tegn i teksten. XML kræver, at det escapes som en entitet.
  2. 2Et manglende afsluttende anførselstegn. Alt efter det læses som en del af værdien.
  3. 3Et run, der aldrig lukkes, før afsnittet slutter.
  4. 4Outputtet stopper bare. Lange genereringer kan ramme en længdegrænse eller få timeout midt i et tag.
Figur 3Fire klausuler med modeloutput, fire slags fejl. Hver enkelt af dem gør alene filen ulæselig.

03

Sådan løser det

Vi skriver brugerdefinerede programmer, der adskiller formatering fra indhold. Modellen modtager de ord, den skal ændre, sammen med et gengivet billede af siden, så den får hjælp fra et Word-program. Vores kode indsætter derefter de redigerede ord tilbage i de oprindelige runs og lader resten af filen være urørt.

Din fil

<w:p>  <w:pPr><w:jc w:val="both"/></w:pPr>  <w:r><w:t xml:space="preserve">Lejeren skal betale </w:t></w:r>  <w:r><w:rPr><w:b/><w:color w:val="1F4E79"/></w:rPr><w:t>US$2,400</w:t></w:r>  <w:r><w:t xml:space="preserve"> den </w:t></w:r>  <w:r><w:rPr><w:i/><w:u w:val="single"/></w:rPr><w:t>den første dag i hver måned</w:t></w:r>  <w:r><w:t>.</w:t></w:r></w:p>

adskiller indhold fra formatering

Udtrukket indhold

Lejeren skal betale US$2,400 den den første dag i hver måned.

Gengivet side

Begge sendes til modellen

SprogmodelRedigerer ord. Rører aldrig XML.

Modellen returnerer redigeret indhold

Modeloutput

Lejeren skal betale US$2,400US$2,600 den den første dag i hver månedden femte dag i hver måned.

skriver ordene tilbage i de oprindelige runs

Din fil, redigeret

<w:p>  <w:pPr><w:jc w:val="both"/></w:pPr>  <w:r><w:t xml:space="preserve">Lejeren skal betale </w:t></w:r>  <w:r><w:rPr><w:b/><w:color w:val="1F4E79"/></w:rPr><w:t>US$2,600</w:t></w:r>  <w:r><w:t xml:space="preserve"> den </w:t></w:r>  <w:r><w:rPr><w:i/><w:u w:val="single"/></w:rPr><w:t>den femte dag i hver måned</w:t></w:r>  <w:r><w:t>.</w:t></w:r></w:p>

✓ Gyldig .docx. Fed skrift, farve og understregning er præcis, som de var.

Figur 4Redigeringspipelinen, forenklet. Fremhævet tekst er den eneste del af filen, der er ændret.

Dette løser begge problemer på én gang. Modellen ser nu den formatering, den ikke kunne se før, og den skriver ikke længere den markup, den mest sandsynligt ville ødelægge.

Dette lag finder du ikke i en almindelig chatbot. Udtrækning-, gengivelses- og samlingsprogrammerne er bygget og vedligeholdt af OneTurns egne ingeniører.

04

Løsning af problemet med lang kontekst

Nogle redigeringer er lange: et afsnit, der strækker sig over flere sider, eller én ændring, der anvendes konsekvent på hundredvis af steder. Til dette har vi lært af softwareudvikling. I marts 2026 offentliggjorde Anthropic ved en fejl kildekoden til Claude Code, deres AI-kodeagent, i en offentlig npm-pakke.7

Den lækkede kodeeditor lærer en enkel lektie: For at redigere noget langt, skal du dele det op. Vi deler et dokument op i grupper af sider, en teknik kaldet batching, og deler lange afsnit op i sætninger, så hver redigering er lille nok til at blive rigtig.

Når et dokument deles op, opstår et nyt problem: kontekst. Hvordan redigerer man et afsnit på side 60 ved hjælp af en definition på side 2? Her betaler to års erfaring med AI-kodeeditorer (Cursor, GitHub Copilot, OpenAI Codex) sig. Deres svar er context engineering, som samler relaterede oplysninger i en fokuseret samling og giver den til underagenter med rene kontekstvinduer.8 Vi gør det samme med dokumenter. Vi grupperer logisk relaterede oplysninger, som en omhyggelig læser ville gøre, og sender dem derefter sammen med redigeringsmålet til underredaktører, der foretager den faktiske ændring.

1Opdel dokumentet i batches

s. 1–40s. 41–80s. 81–120s. 121–160s. 161–200s. 201–240s. 241–280s. 281–300

2Del lange afsnit op

Klausul 18.3 · s. 60
Sætning 1Sætning 2Sætning 3Sætning 4Sætning 5

3Saml kontekst, og rediger derefter parallelt

Definerede termers. 2–12

Parter og rollers. 1

Tidligere ændringers. 34

Underredaktør 1s. 1–40 + samling

Underredaktør 2s. 41–80 + samling

Underredaktør 3s. 81–120 + samling

Figur 5Et dokument på 300 sider, opdelt. Hver underredaktør får en lille del af dokumentet plus den kontekst, den del afhænger af.

Eksempel: anonymisering af en dom

En advokat vil have alle vidners navne anonymiseret i en dom og en liste over de sager, den henviser til, så en juniorjurist kan undersøge dem.

  1. Søg. finder alle personnavne og alle sagshenvisninger med almindelig mønstergenkendelse. Der er endnu ikke brug for en model.
  2. Klassificér. Hvert navn med sætningen omkring det sendes til en model, der afgør, om det er vidne, advokat eller dommer. Svarene danner en samling af vidner.
  3. Saml. Den samme metode bruges til at danne en samling af citerede sager.
  4. Handl. Fordi vi præcist ved, hvor hvert vidnenavn blev fundet, anonymiserer vi netop disse steder, og kun dem, i den oprindelige fil.

I HØJESTERETS RETSKREDS

KING’S BENCH DIVISION

Harrow v Kestrel Logistics Ltd

Før: Mrs Justice Holloway

DOM

Mrs Justice Holloway: Dette krav opstår som følge af sammenbruddet af en lastebro i sagsøgtes lager den 14. marts 2024. Sagsøgeren var repræsenteret ved Ms Priya Raman, og sagsøgte ved Mr Thomas Whitby. Jeg hørte mundtlige vidneforklaringer i fire dage.

Det vigtigste øjenvidne, Mr Daniel Okafor, var truckfører på nattevagten. Mr Okafor fortalte retten, at advarselslamperne ved lastebroen havde været ude af drift i flere uger, og at han havde indberettet det to gange. Et andet vidne, Ms Margaret Ellison, en entreprenør der havde inspiceret lastebroen i februar, bekræftede, at hendes rapport anbefalede øjeblikkelig reparation. Jeg fandt begge vidner omhyggelige og troværdige..

En beboers ansvar for at udvise omsorg over for dem, der lovligt opholder sig på dens grund, er veletableret, og jeg tager udgangspunkt i naboprincippet i Donoghue v Stevenson [1932] AC 562. Om det er rimeligt, retfærdigt og passende at pålægge en pligt i nye situationer, reguleres af Caparo Industries plc v Dickman [1990] 2 AC 605, men disse omstændigheder er ikke nye. Mr Whitby anførte, at de krævede tab var for fjerntliggende. Denne påstand skal efterprøves mod Hadley v Baxendale (1854) 9 Exch 341.

Efter at have overvejet vidneforklaringerne fra Mr Okafor og Ms Ellison sammen med dokumenterne er jeg overbevist om, at sagsøgte kendte til fejlen og undlod at handle. Kravet tager derfor til følge med hensyn til ansvarsspørgsmålet. Erstatningen fastsættes ved et senere retsmøde. Jeg takker Ms Raman og Mr Whitby for deres klare og velfokuserede procedureindlæg.

Figur 6Skift visning for at se resultatet. Dommen og navnene er fiktive; de tre citerede sager er virkelige.

05

Kan chatgpt.com, claude.ai og andre chatwebsteder gøre det samme?

Nogle gange, ja. Disse websteder har ofte en Python-fortolker, som gør det muligt for modellen at åbne en Word- eller PowerPoint-fil og redigere dens XML med kode.

Men koden er stadig skrevet af en ustabil model, og intet kontrollerer resultatet mod originalen. I vores interne test fik vi ofte dokumenter med uventede slettelser og redigeringer. I et ekstremt tilfælde kom et 20-siders dokument tilbage som 10 sider, uden nogen advarsel.

Chatwebsted med Python

20 sider
10 sider

Færdig! Jeg har opdateret dit dokument med de ønskede ændringer.

Ingen omtale af de 10 manglende sider.

ændringslog

  • s. 4 · Punkt 2.1

    tredive (30) dage tres (60) dage

    Fortryd
  • s. 9 · Punkt 6.3

    leverandøren entreprenøren

    Fortryd
  • s. 17 · Bilag 1

    US$2,400 US$2,600

    Fortryd

Generer nyt dokument

Figur 7Til venstre: en stille afkortning fra vores interne test. Til højre: alle AI-ændringer på OneTurn er vist i en liste, og de kan fortrydes.

En stille udeladelse eller ændring er fatal for ethvert seriøst arbejde. På bliver hver ændring, vores AI-agent foretager, registreret. Du kan gennemgå hver enkelt, fortryde en hvilken som helst af dem og generere et nyt dokument.

06

Kan computerbrugs-agenter som OpenClaw eller Manus gøre dette?

Disse agenter styrer en computer, ligesom en person gør. De åbner dokumentet i Microsoft Word eller PowerPoint og scroller, klikker og skriver.11 Fordi de bruger de samme programmer som et menneske, kan de redigere ligesom et menneske, og resultaterne er ofte imponerende.

Prisen er omkostninger og hastighed. Agenten læser et dokument ved at tage skærmbilleder, mens den scroller, og hvert lille trin kræver et modelkald for at beslutte, hvad der skal ske næste gang. Et skærmbillede i fuld HD koster alene omkring 1.500 til 2.700 tokens.10 På OSWorld-benchmarket tog selv de bedste agenter 2,7 til 4,3 gange flere trin end nødvendigt, og senere trin tog op til 3 gange så lang tid som tidlige trin.9

Computerbrugs-agent

  1. Tag et skærmbillede
  2. Modellen beslutter den næste handling
  3. Scroll, klik eller skriv
  4. Gentag for hvert trin

  1. Læs teksten én gang
  2. Rediger i batches
  3. Skriv filen
20-siders kontrakt, 30 redigeringerComputerbrugs-agent
Modelkald≈ 180≈ 12
Tokens pr. kald≈ 10,000≈ 4,000
Tokens i alt≈ 1,800,000≈ 48,000
Forskel≈ 37× mere, eller ≈ 100–160× med de ekstra trin målt på OSWorld
Figur 8Forudsætninger: cirka 11.000 ord; 60 skærmbilleder for at læse dokumentet; 4 handlinger pr. redigering; hvert kald indeholder et skærmbillede plus den seneste historik. OneTurn læser teksten én gang og sender redigeringer i batches.

Efter vores vurdering kan en computerbrugs-agent bruge op til 100 gange flere LLM-tokens end til de samme redigeringer og tage langt længere tid om at blive færdig.

Kilder

  1. Opbygningen af et WordprocessingML-dokumentMicrosoft Learn · dokumentation for Open XML SDK
  2. ECMA-376: Office Open XML-filformaterEcma International · standard
  3. Validér et tekstbehandlingsdokumentMicrosoft Learn · dokumentation for Open XML SDK
  4. LLM'er ødelægger dine dokumenter, når du uddelegerer opgavenLaban, Schnabel og Neville · Microsoft Research · 2026
  5. LongProc: Benchmarking af sprogmodeller med lang kontekst ved generering af lange procedurerYe m.fl. · COLM 2025
  6. Kontekstlængde alene skader LLM-ydeevnen, selv med perfekt genfindingDu m.fl. · Findings of EMNLP 2025
  7. Anthropic eksponerer ved en fejl kildekoden til Claude Code via en npm-kildekortfilInfoQ · 7. april 2026
  8. Effektiv kontekstteknik til AI-agenterAnthropic Engineering · 29. september 2025
  9. OSWorld-Human: Benchmarking af effektiviteten hos computerbrugsagenterAbhyankar, Qi og Zhang · MLSys 2026
  10. Vision: opløsning og tokenomkostningClaude Platform-dokumentation
  11. Metas Manus lancerer desktopapp, så dens AI-agent kan komme ind på personlige enheder midt i OpenClaw-hypenCNBC · 18. marts 2026

Figurerne er illustrationer lavet til denne artikel. XML'en er reel WordprocessingML; filnavne, personer og dommen er fiktive.

Prøv det på et dokument, du ikke har råd til at ødelægge.

Prøv gratis →