Hvorfor er så god til å redigere dokumenter?

01

Språkmodellen ser bare tekst, ikke formatering

Når du åpner en kontrakt i Word, ser du en side: en overskrift i dokumentets stil, et beløp i fet skrift og en understreket frist. Word viser formateringen slik at vi kan redigere visuelt. Under overflaten er en Word-fil (.docx) et komplekst XML-system, der ordene vi ser, er omgitt av skjulte koder som kalles markeringskode.12

En språkmodell får ikke hjelp av Microsoft Word, LibreOffice eller Pages og må stole på sin egen forståelse av markeringskodene. For å redigere riktig må den forstå virkningen av de opprinnelige kodene og skrive den nye setningen med riktige koder.

02

Resultatet fra språkmodellen er iboende ustabilt

Modellene kan ha blitt vesentlig bedre, men selv de nyeste gjør fortsatt feil. I en studie fra Microsoft Research i 2026, med 19 modeller på tvers av 52 fagområder, ødela ledende modeller som Gemini 3.1 Pro, Claude 4.6 Opus og GPT 5.4 i gjennomsnitt 25 % av dokumentinnholdet gjennom lange redigeringsprosesser.4

I en Word-fil kan én liten feil være nok til å gjøre filen ubrukelig. Her har modellen utelatt én skråstrek:

XML tolererer ikke feil i markeringskoden. En fil er enten velformet eller ikke. Word kan noen ganger gjenopprette en ødelagt fil, men den gjenopprettede kopien kan mangle tekst eller formatering.

Lengre resultat, flere feil

Risikoen øker med lengden. LongProc, en referansetest fra 2025 for lange, strukturerte resultater, fant at modeller med åpne vekter begynte å svikte ved 2 000 utdatatoken, mens GPT-4o ble betydelig dårligere ved 8 000.5 En annen studie fant at ytelsen faller med mellom 13,9 % og 85 % når inndataene vokser, selv når modellen kan hente fram alle relevante fakta.6 Et Word-dokument på 10 sider er rundt 10 000 token. Å prøve å redigere alle sidene på én gang uten feil er svært ambisiøst.

03

Slik løser problemet

Vi skriver egne programmer som skiller formatering fra innhold. Modellen får ordene den skal endre, sammen med et gjengitt bilde av siden, slik at den får hjelp fra et Word-program. Deretter setter koden vår de redigerte ordene tilbake i de opprinnelige tekstløpene og lar resten av filen være urørt.

Dette laget finner du ikke i en generell chatbot. Programmene som henter ut, gjengir og setter sammen innholdet igjen, er bygget og vedlikeholdt av OneTurns egne ingeniører.

04

Slik løser vi problemet med lang kontekst

Noen redigeringer er omfattende: et avsnitt som går over flere sider, eller én endring som må brukes konsekvent på hundrevis av sider. Her har vi lært av programvareutvikling. I mars 2026 publiserte Anthropic ved en feil kildekoden til KI-kodeagenten Claude Code i en offentlig npm-pakke.7

Den lekkede kodeagenten viser et enkelt prinsipp: Del opp det som er langt. Vi deler et dokument i grupper av sider og lange avsnitt i setninger, slik at hver redigering er liten nok til å bli riktig.

Å dele opp et dokument skaper et nytt problem: kontekst. Hvordan redigerer du et avsnitt på side 60 ved hjelp av en definisjon på side 2? Her kommer to års erfaring med KI-koderedigerere som Cursor, GitHub Copilot og OpenAI Codex til nytte. Løsningen deres er kontekstutforming: å samle beslektet informasjon i en fokusert samling og gi den til underagenter med rene kontekstvinduer.8 Vi gjør det samme med dokumenter. Vi grupperer informasjon som hører logisk sammen, slik en grundig leser ville gjort, og sender den sammen med målet for redigeringen til underredigerere som utfører endringen.

Eksempel: sladding av en dom

En advokat vil sladde alle vitnenavn i en dom og få en liste over rettsavgjørelsene den viser til, slik at en yngre kollega kan undersøke dem.

1. Søk. finner alle personnavn og henvisninger til rettsavgjørelser med vanlig mønstergjenkjenning. Ingen modell er nødvendig ennå.
2. Klassifiser. Hvert navn sendes sammen med setningen rundt til en modell som avgjør om personen er vitne, advokat eller dommer. Svarene danner en samling av vitner.
3. Samle. Den samme metoden bygger en samling av siterte rettsavgjørelser.
4. Utfør. Fordi vi vet nøyaktig hvor hvert vitnenavn ble funnet, sladder vi nettopp disse stedene, og ingen andre, i originalfilen.

05

Kan chatgpt.com, claude.ai og andre chatnettsteder gjøre det samme?

Noen ganger, ja. Disse nettstedene har ofte en Python-tolker som lar modellen åpne en Word- eller PowerPoint-fil og redigere XML-koden med programkode.

Koden skrives likevel av en ustabil modell, og ingenting kontrollerer resultatet mot originalen. I våre interne tester fikk vi ofte dokumenter med uventede slettinger og endringer. I ett ekstremt tilfelle kom et dokument på 20 sider tilbake med bare 10 sider, uten varsel.

En utelatelse eller endring som ikke blir varslet, er uakseptabel i seriøst arbeid. På blir hver endring KI-agenten vår gjør, registrert. Du kan gjennomgå hver enkelt, angre dem og generere et nytt dokument.

06

Kan agenter som OpenClaw eller Manus gjøre dette ved å styre en datamaskin?

Disse agentene styrer en datamaskin slik et menneske gjør. De åpner dokumentet i Microsoft Word eller PowerPoint, og ruller, klikker og skriver.11 Fordi de bruker de samme programmene som et menneske, kan de redigere som et menneske, og resultatene er ofte imponerende.

Ulempene er kostnad og hastighet. Agenten leser dokumentet ved å ta skjermbilder mens den ruller, og hvert lille trinn krever et modellkall for å bestemme neste handling. Ett skjermbilde i full HD koster alene mellom omtrent 1 500 og 2 700 token.10 I OSWorld-referansetesten brukte selv de beste agentene 2,7 til 4,3 ganger så mange trinn som nødvendig, og senere trinn tok opptil 3 ganger så lang tid som de første.9

Etter vårt anslag kan en agent som styrer en datamaskin, bruke opptil 100 ganger så mange språkmodelltoken som på de samme endringene, og bruke langt lengre tid.