AI-byggeklodser
AI-kategorien samler de byggeklodser, der bruger sprogmodeller, tekstgenkendelse (OCR) og tale-til-tekst til at læse, forstå, udtrække og generere indhold. Det er her, du omdanner rå dokumenter, lyd og fritekst til svar og strukturerede data, som resten af dit flow kan arbejde videre med.
De fleste byggeklodser kører på OpenAI's gpt-5-modeller (gpt-5-mini, gpt-5.2, gpt-5.4, gpt-5.6-terra og gpt-5.6-luna) samt Mistral-modellen mistral-medium-latest, mens OCR og transskribering bruger Google/Mistral henholdsvis Mistral. Nedenfor er hver byggeklods beskrevet med sine inputs, outputs, typiske brugsscenarier og en kort rettesnor for, hvornår du skal bruge den — og hvornår du er bedre tjent med en anden.
Byggeklodser
Sprogmodel
Byggeklods-id: language-model · ⭐ Favorit
Den centrale AI-byggeklods. Den genererer tekst med OpenAI's sprogmodeller ud fra en instruktion og et indhold — til at generere, omskrive, opsummere, oversætte eller analysere. Den kan desuden kalde dine Apps og Byggeklodser som funktioner, tvinge svaret ind i et JSON-skema og søge på internettet efter verificerede kilder.
Sådan virker den: Din instruktion (systemrolle) og dit indhold sendes til modellen, som svarer med tekst. Vælger du funktioner, kører byggeklodsen en agentisk løkke: modellen kan bede om at kalde en App/byggeklods, får resultatet tilbage og fortsætter — indtil den er færdig eller når grænsen for antal runder. Udfylder du et JSON-skema, tvinges svaret til at matche skemaet, og hvert felt bliver et selvstændigt output-handle. Slår du websøgning til, kontrolleres hver kilde-URL (døde links kasseres), og kun de levende kilder når frem til modellen, som citerer dem.
Inputs
| Felt | Type | Beskrivelse |
|---|---|---|
| Model | valg | Hvilken model der genererer svaret. Vælg mellem gpt-5-mini, gpt-5.2, gpt-5.4, gpt-5.6-terra, gpt-5.6-luna og mistral-medium-latest (standard gpt-5.6-luna). Stærkere modeller er bedre til komplekse opgaver, men dyrere og langsommere. |
| Aktivér Reasoning | ja/nej | Lader modellen ræsonnere i flere trin før svaret (reasoning effort "medium"). Slået til som standard. Giver mere gennemtænkte svar på komplekse opgaver, men er lidt langsommere og dyrere. |
| Tillad websøgning | ja/nej | Giver modellen adgang til at søge på internettet undervejs. Slået fra som standard. Ikke tilgængelig for gpt-5-mini og mistral-medium-latest — vælges en af dem samtidig med websøgning, fejler kørslen. |
| Instruktion | tekst | Systeminstruktion der styrer modellens adfærd (standard: "You are a helpful assistant."). |
| Indhold | vilkårlig | Den prompt/tekst modellen skal behandle. Skal være udfyldt — et tomt indhold stopper kørslen med en fejl. Ikke-tekst serialiseres automatisk til JSON. |
| Funktioner (Apps & Byggeklodser) | liste | Valgfrit udvalg af publicerede Apps eller Byggeklodser som modellen selv må kalde undervejs og bruge resultatet af i sit svar. |
| Maks funktionskald-runder | tal (1–10) | Sikkerhedsgrænse for hvor mange runder modellen må kalde funktioner i (standard 5). Har kun effekt når der er valgt funktioner. |
| JSON-skema (valgfri) | tekst | Tilføjer du felter her, tvinges svaret til at matche skemaet. Lad være tomt for fritekst-svar. |
Outputs
- Svar (
str | dict): Den genererede tekst. Er der angivet et JSON-skema, er svaret et struktureret objekt, hvor hvert felt i skemaet bliver et selvstændigt output-handle. - Funktionskald (
str): JSON-log over alle funktionskald og deres resultater. Er[], når der ikke er brugt funktioner.
Typiske brugsscenarier
- Generere, omskrive, oversætte eller opsummere tekst.
- Besvare spørgsmål ud fra kontekst, der føres ind via Indhold.
- Lade modellen hente friske eller eksterne data midt i svaret ved at give den adgang til Apps/Byggeklodser (fx slå et CVR-nummer eller en adresse op) eller ved at aktivere websøgning med citering af verificerede, levende kilder.
- Producere et fast, struktureret objekt (fx navn, beløb, dato hver gang) via JSON-skemaet, klar til et regneark eller efterfølgende byggeklodser.
Brug når / Undlad når
- Brug når tekstgenerering er det primære mål — og du vil have fleksibiliteten til at skifte mellem fritekst, struktureret svar, funktionskald og websøgning uden at skifte byggeklods.
- Brug når opgaven har flere trin, hvor modellen selv skal afgøre hvilket værktøj den bruger og hvornår.
- Undlad når du kun skal lave simpel
{variabel}-udskiftning eller deterministisk tekstbehandling — det er hurtigere, billigere og forudsigeligt uden et sprogmodel-kald. - Undlad websøgning og funktionskald når al nødvendig information allerede står i prompten, eller når svaret skal være reproducerbart — begge tilføjer ekstra runder, latens, pris og variation.
Fungerer godt sammen med: Indlæs dokument → Sprogmodel (analysér OCR-tekst); Transkriber → Sprogmodel (opsummer et møde); Sprogmodel → Output-byggeklodser (aflever det færdige svar). Apps kan kaldes som funktioner.
Start uden Reasoning og uden skema. Slå Reasoning til, når svarene ikke er skarpe nok, og tilføj et JSON-skema, når du er sikker på præcis hvilke felter du skal bruge.
Indlæs dokument
Byggeklods-id: document-ocr · ⭐ Favorit
Udtrækker tekst fra dokumenter og billeder ved hjælp af optisk tegngenkendelse (OCR) og returnerer indholdet som markdown med bevaret struktur (overskrifter, lister, tabeller). Det er indgangen, når indholdet ligger i en scannet PDF, et foto eller et Office-dokument frem for som ren tekst. Understøtter PDF og billeder direkte samt DOCX/XLSX/XLS/DOC, der automatisk konverteres til PDF før genkendelsen. Maksimal filstørrelse er 50 MB.
Inputs
| Felt | Type | Beskrivelse |
|---|---|---|
| Dokument | filejson | Det dokument eller billede, der skal læses. Understøtter PDF, DOCX, XLSX, XLS, DOC samt billedformaterne JPEG, PNG, WebP, HEIC/HEIF, GIF, TIFF, BMP og AVIF. Påkrævet. |
| OCR-motor | valg (avanceret) | "Hurtig" (Mistral) eller "Udførlig" (Google). Standard er "Udførlig", som giver den mest nøjagtige udtrækning; "Hurtig" er billigere og hurtigere til enkle dokumenter. |
Outputs
- Tekst (
str): Den udtrukne tekst i markdown-format.
Typiske brugsscenarier
- Digitalisering af scannede eller fotograferede dokumenter til redigerbar tekst.
- Udtrækning af tekst fra billeder, formularer og kvitteringer.
- Konvertering af PDF'er, Word- og Excel-filer til markdown, der kan sendes videre til fx et sprogmodel- eller udtræks-trin.
Brug når / Undlad når
Brug "Udførlig" når:
- Dokumentet er skannet, fotograferet eller håndskrevet.
- Layoutet er komplekst (tabeller, kolonner) eller billedkvaliteten er dårlig.
Brug "Hurtig" / undlad denne byggeklods når:
- Der er tale om rene digitale PDF'er eller store mængder — "Hurtig" er billigere og hurtigere.
- Dokumentet allerede findes som tekst i dokumentdatabasen — hent teksten direkte i stedet (hurtigere og gratis).
- Du kun skal bruge fil-metadata (filnavn, type, størrelse) frem for filens indhold.
Fungerer godt sammen med: Indlæs dokument → Sprogmodel (analyse); Indlæs dokument → Sprogmodel med JSON-skema (struktureret udtræk); Indlæs dokument → Anonymiser tekst. Se også Data-byggeklodser til at hente filer og felter.
Fil til struktureret data
Byggeklods-id: file-to-structured · ⭐ Favorit
OCR og dataudtræk i ét trin — og i batch. Byggeklodsen udtrækker struktureret data fra filer og/eller tekster: filer læses først med OCR, hvorefter både filtekst og rå tekster udtrækkes efter et JSON-skema, du selv definerer. Resultatet er én struktureret post pr. fil eller tekst — ideelt til at forvandle en stak fakturaer eller kontrakter til en tabel.
Inputs
| Felt | Type | Beskrivelse |
|---|---|---|
| Filer | list[filejson] | Én eller flere filer (PDF, billeder, dokumenter) der OCR-læses før udtræk. Maks. 50 MB pr. fil. |
| Tekster | list[str] | Rå tekster der udtrækkes data fra direkte (uden OCR). Kan kombineres med filer. |
| JSON-skema | str | Skemaet der definerer strukturen på de data, der skal udtrækkes fra hvert element. Påkrævet. |
| Model | str | Model til udtrækningen: gpt-5-mini, gpt-5.2, gpt-5.4, gpt-5.6-terra, gpt-5.6-luna eller mistral-medium-latest (standard gpt-5.6-luna). Avanceret. |
| Aktivér Reasoning | bool | Når slået til, ræsonnerer modellen (reasoning effort "medium") før udtræk — mere præcist på svære filer, men langsommere og dyrere. Standard slået til. Avanceret. |
Mindst ét element (fil eller tekst) skal være til stede, og JSON-skema er påkrævet — ellers fejler byggeklodsen.
Outputs
- Struktureret Data (
list[dict]): én struktureret post pr. element. Rækkefølgen er filer først, derefter tekster.
Typiske brugsscenarier
- Udtrækning af fakturadata (beløb, dato, leverandør) fra PDF'er.
- Strukturering af kontrakt- eller kvitteringsoplysninger fra scannede dokumenter.
- Batch-behandling af mange filer til én samlet liste af strukturerede poster.
- Blandet input, hvor både uploadede filer og allerede foreliggende tekster skal udtrækkes efter samme skema.
Brug når / Undlad når
- Brug når du både skal OCR-læse filer og udtrække struktureret data i samme trin.
- Brug den stærkere model og reasoning når filerne er rodede, inkonsistente eller svære at udlede felter fra.
- Undlad når du kun skal bruge den rå tekst (brug en ren dokument-indlæsning), eller når du allerede har teksten og kun skal udtrække data (brug Sprogmodel med JSON-skema, som springer OCR-trinnet over og er hurtigere og billigere).
- Undlad reasoning og vælg en mindre model på enkle, velstrukturerede filer, hvor hastighed og pris betyder mest.
Fungerer godt sammen med: Fil til struktureret data → Løkke Start (behandl hver post) → Sprogmodel; Fil til struktureret data → Data-byggeklodser (skriv posterne til Excel).
Sortér dokumenter
Byggeklods-id: document-filter
Uploader et eller flere dokumenter, læser deres indhold med OCR og lader AI'en sortere hvert dokument i en af de kategorier, du selv definerer. Hver kategori kan valgfrit have sit eget skema, så samme kald både klassificerer dokumentet og udtrækker de felter, du har angivet. Hver kategori bliver sit eget output-handle.
Inputs
| Felt | Type | Beskrivelse |
|---|---|---|
| Dokumenter | Liste af filer | De dokumenter, der skal sorteres. Maks. 50 MB pr. fil. Understøtter PDF, DOCX, XLSX, XLS, DOC samt billeder (JPEG, PNG, WebP, HEIC, GIF, TIFF, BMP, AVIF). |
| Kategorier | Konfiguration | Åbner et vindue, hvor du opretter kategorierne. Hver kategori har et navn, en valgfri beskrivelse (hjælper AI'en med at ramme rigtigt) og et valgfrit skema med de felter, der skal udtrækkes for dokumenter i kategorien. Mindst én kategori kræves. |
| Model | Valg | Model til klassificering og udtræk: gpt-5-mini, gpt-5.2, gpt-5.4, gpt-5.6-terra, gpt-5.6-luna eller mistral-medium-latest (standard gpt-5.6-luna). Stærkere modeller rammer bedre på svære eller flertydige dokumenter, men er dyrere og langsommere. |
| Aktivér Reasoning | Til/fra | Standard til. Lader modellen ræsonnere før sortering (reasoning effort "medium") for mere præcis klassificering og udtræk — men langsommere og dyrere. Slå fra for hurtigere, billigere sortering. |
| OCR-motor | Valg | "Hurtig" (Mistral, standard) eller "Udførlig" (Google) tekstgenkendelse, før dokumenterne sorteres. |
| Tillad flere kategorier | Til/fra | Standard fra. Når slået til identificeres hvert enkelt logiske dokument i en PDF (fx hver faktura eller kvittering) og sorteres individuelt, så ét dokument kan bidrage til flere kategorier. Med den slået fra havner hele dokumentet i præcis én kategori. |
Outputs
Ét output pr. defineret kategori plus et fast Ukategoriseret-output til dokumenter, der ikke passer i nogen kategori. Hvert output er en liste af objekter (list[dict]). Hvert objekt indeholder altid nøglen text med den udtrukne OCR-tekst plus de felter, kategoriens skema definerer. Kategorier uden skema — og Ukategoriseret — giver objekter med kun text. Kategorier uden matchende dokumenter giver en tom liste.
Typiske brugsscenarier
- Sortere en blandet bunke sagsdokumenter (fakturaer, kontrakter, breve) i kategorier, så hvert dokument ender på det rette output til videre behandling.
- Udtrække strukturerede felter samtidig med sorteringen, fx beløb og dato fra fakturaer og part-navne fra kontrakter, i ét kald.
- Splitte en samlet PDF med mange bilag i separate poster pr. dokumenttype ved at slå "Tillad flere kategorier" til.
- Forbehandle dokumenter, så den udtrukne tekst og felter kan sendes videre til analyse eller til et regneark.
Brug når / Undlad når
- Brug "Udførlig" OCR til skannede, fotograferede eller komplekse layouts; "Hurtig" er billigere og hurtigere til rene digitale PDF'er og store mængder (og anbefales til flere-kategorier-tilstand).
- Slå "Tillad flere kategorier" til, når ét dokument samler flere dokumenttyper; undlad når hvert dokument hører til præcis én kategori, så du undgår fejlfordeling.
Alt-eller-intet: fejler blot ét dokument under OCR eller klassificering, fejler hele kørslen, og der gemmes ingen resultater — heller ikke for de dokumenter, der lykkedes. Ret det dokument, der fejler, og kør igen. OCR-tekst ud over den interne grænse (ca. 20.000 tegn pr. dokument, større budget i flere-kategorier-tilstand) sendes ikke til klassificeringen, og de overskydende sider falder igennem til Ukategoriseret.
Fungerer godt sammen med: Sortér dokumenter → Løkke Start (kør hvert kategori-output for sig) → Sprogmodel eller Data-byggeklodser; Sortér dokumenter → Output-byggeklodser.
Transkriber
Byggeklods-id: transcribe
Konverterer en lydfil til tekst ved hjælp af syv.ai's danske tale-til-tekst-model (Hviske). Kan valgfrit tilføje tidsstempler pr. segment og mærke forskellige talere.
Inputs
| Felt | Type | Beskrivelse |
|---|---|---|
| Lyd | Lydfil (data-URL) | Påkrævet. Upload en lydfil eller optag med mikrofon. Understøtter MP3, WAV, M4A, WebM, OGG og FLAC. Maks. 100 MB. |
| Tidsstempler | Boolean | Tilføjer et tidsstempel pr. segment i formatet [00:01 - 00:05]. Standard: fra. |
| Taleridentifikation | Boolean | Genkender og mærker forskellige talere med et taler-ID (fx speaker_0, speaker_1). Standard: til. |
Outputs
- Tekst (
str): Den transskriberede tekst. Hvis Tidsstempler eller Taleridentifikation er slået til, formateres teksten pr. segment på hver sin linje med tidsstempel og/eller taler-mærke foran; ellers returneres den rene, samlede tekst.
Typiske brugsscenarier
- Transskribering af møder og interviews med flere deltagere (med Taleridentifikation).
- Konvertering af podcasts eller diktater til tekst.
- Generering af underteksttekst til video (med Tidsstempler til navigation i lange optagelser).
Brug når / Undlad når
Brug når:
- Kilden er en lydfil med tale, der skal blive til tekst.
- Du har brug for taler-opdeling (møder/interviews) eller segment-tidsstempler.
Undlad når:
- Du har tekst i en fil (PDF, billede) og ikke lyd — brug Indlæs dokument i stedet.
- Lyden er ren musik uden tale — så returneres ingen tekst.
- Du vil have den helt rene tekst uden støj — slå Tidsstempler og Taleridentifikation fra.
Bemærk: Byggeklodsen kræver, at en syv.ai API-nøgle er konfigureret på platformen, og filtypen skal være blandt de understøttede formater; ellers fejler kørslen. Modellen er optimeret til dansk tale. Resultatet caches (samme lyd og indstillinger genberegnes ikke).
Fungerer godt sammen med: Transkriber → Sprogmodel (opsummer eller udtræk beslutninger); Transkriber → Anonymiser tekst (fjern persondata før deling).
Anonymiser tekst
Byggeklods-id: anonymize-text
Bruger en sprogmodel til at finde personhenførbare oplysninger (PII) i en tekst og erstatter dem med konsistente pladsholdere (fx PERSON_1, TELEFON_1), så samme værdi altid får samme pladsholder. Du vælger selv hvilke typer oplysninger der skal anonymiseres — nyttigt til GDPR-arbejde, før tekst deles eller gemmes.
Inputs
| Felt | Type | Beskrivelse |
|---|---|---|
| Tekst | str | Fritekst der skal anonymiseres. Påkrævet — tom tekst giver en fejl. |
| Personnavne | bool | Erstat personnavne med PERSON_1, PERSON_2 osv. Standard: til. |
| Telefonnumre | bool | Erstat telefonnumre med TELEFON_1, TELEFON_2 osv. Standard: til. |
| CPR-numre | bool | Erstat danske CPR-numre/personnumre med CPR_1, CPR_2 osv. Standard: til. |
| Adresser | bool | Erstat adresser med ADRESSE_1, ADRESSE_2 osv. Standard: til. |
| Firmanavne | bool | Erstat firma-/organisationsnavne med FIRMA_1, FIRMA_2 osv. Standard: til. |
Outputs
Ét output: Anonymiseret tekst (str) — den oprindelige tekst hvor de valgte entitetstyper er erstattet af pladsholdere. Slås alle fem typer fra, returneres teksten uændret.
Typiske brugsscenarier
- Fjerne persondata fra fritekst før den sendes videre eller gemmes, som led i GDPR-arbejde.
- Anonymisere brugerhenvendelser, journalnotater eller sagstekst før intern deling.
- Maskere navne og CPR-numre i tekst der skal vises i et eksempel eller en demo.
- Slå enkelte typer fra (fx bevar firmanavne, men skjul personnavne og telefonnumre) ved kun at aktivere de relevante checkboxe.
Brug når / Undlad når
Brug når:
- Du har fritekst med personhenførbare oplysninger, du vil erstatte med pladsholdere.
- Du vil bevare tekstens struktur, men skjule identiteten (samme værdi bliver konsekvent til samme pladsholder).
Undlad når:
- Du skal udtrække data til videre brug frem for at skjule det — brug Sprogmodel med JSON-skema eller Fil til struktureret data (AI-byggeklodser).
- Du skal anonymisere efter faste mønstre/regex eller behandle struktureret data (JSON, CSV) præcist — brug Python-kode (Logik).
- Teksten ikke indeholder persondata — så undgår du et unødvendigt (betalt) modelkald.
Fungerer godt sammen med: Indlæs dokument → Anonymiser tekst; Transkriber → Anonymiser tekst → Sprogmodel.
Udfaset
Følgende byggeklods er udfaset. Den fungerer stadig i eksisterende flows, men brug den ikke i nye.
Udtræk struktureret data
Byggeklods-id: structured-output
Udtrækker struktureret data fra ustruktureret tekst med en OpenAI-model styret af et JSON-skema, du selv definerer. Modellen finder de ønskede felter i teksten og returnerer dem som et JSON-objekt, der matcher skemaet (manglende, valgfrie felter sættes til null).
Denne byggeklods er udfaset. Brug i stedet Sprogmodel (language-model, se AI-byggeklodser), som dækker både tekstgenerering og struktureret udtræk. Skal du OCR-læse filer først, så brug Fil til struktureret data.
Inputs
| Felt | Type | Beskrivelse |
|---|---|---|
| Indhold | Tekst | Teksten, der skal udtrækkes data fra. Skal være ikke-tom, ellers fejler kørslen. |
| JSON-skema | Tekst | JSON-skema, der definerer felterne og datatyperne, der skal udtrækkes. Skal være ikke-tomt og gyldigt, ellers fejler kørslen. |
| Model | Valg | Model til udtrækning: gpt-5-mini, gpt-5.2, gpt-5.4, gpt-5.6-terra, gpt-5.6-luna eller mistral-medium-latest. Standard er gpt-5.6-luna. (Avanceret) |
| Aktivér Reasoning | Boolean | Når slået til bruger modellen reasoning effort "medium" for dybere analyse. Standard er slået til. (Avanceret) |
| Instruktion | Tekst | Valgfrie ekstra instruktioner, der lægges oven på standardinstruktionen for at guide udtrækningen. |
Outputs
- Udtrukket Data (
dict) — det samlede JSON-objekt med de udtrukne felter, struktureret efter det angivne skema. Hvert skemafelt bliver også sit eget output-handle.
Typiske brugsscenarier
- Udtræk kontaktoplysninger (navn, e-mail, telefon) fra fritekst.
- Parse fakturaer eller kvitteringer til strukturerede felter.
- Træk nøgletal eller nævnte datoer ud af rapporter og dokumenter.
- Konvertér ustruktureret notat-tekst til et fast dataobjekt til videre behandling.
Brug når / Undlad når
- Brug når kilden er ustruktureret tekst, og du har brug for et forudsigeligt JSON-format i outputtet (men foretræk Sprogmodel med JSON-skema i nye flows).
- Undlad når kilden allerede er struktureret JSON — brug en byggeklods, der læser felter direkte (se Data).
- Undlad når du blot vil samle kendte værdier til et objekt eller lave deterministisk parsing — brug en kombiner-byggeklods (Data) eller Python-kode (Logik) i stedet.
Fungerer godt sammen med: Indlæs dokument → Udtræk struktureret data (i nye flows: brug Fil til struktureret data eller Sprogmodel med skema).
Typiske kæder
AI-byggeklodserne sættes typisk sammen sådan her:
- Dokument → indsigt: Indlæs dokument → Sprogmodel (opsummér eller analysér OCR-teksten).
- Dokument → data: Fil til struktureret data (OCR + udtræk i ét) → Data-/regnearks-byggeklodser.
- Bunke → sorteret og udtrukket: Sortér dokumenter → Løkke Start → Sprogmodel pr. kategori.
- Lyd → resumé: Transkriber → Anonymiser tekst → Sprogmodel.
Relaterede sider
- Oversigt over alle byggeklodser — hele kataloget på tværs af kategorier.
- Data-byggeklodser — hent filer og felter ind i AI-trinnene og skriv resultaterne til regneark.
- Logik-byggeklodser — løkker og Python-kode til at behandle AI-output post for post.
- Output-byggeklodser — aflever svar og strukturerede data som fil, e-mail eller download.
- Apps — publicér flows, som Sprogmodel kan kalde som funktioner.