Vores metode
Fuld gennemsigtighed i hvordan vi analyserer lovforslag.
Fra lovforslag til analyse
Hvert lovforslag gennemgår en pipeline fra rådata til den analyse du læser. Processen er fuldt automatiseret og kører hver anden time.
Indsamling
Vi henter data direkte fra Folketingets åbne API (ft.dk) — lovforslag, sagsforløb, afstemninger og politikerinformation. Kun ændringer siden sidste synkronisering hentes.
Hændelsesdetektering
Systemet registrerer ændringer i et lovforslags livscyklus: nyt forslag, statusændring, ny behandlingsfase, afstemning gennemført, og endelig afgørelse. Hver ændring udløser en hændelse.
Analyseudløsning
En regelmotor vurderer hændelser og beslutter om et lovforslag skal analyseres (eller genanalyseres). Kun lovforslag (L) og beslutningsforslag (B) analyseres. Der er et 24-timers cooldown mellem genanalyser, medmindre en afstemning eller afgørelse udløser den.
LLM-råd (4 modeller)
Hvert lovforslag sendes til fire uafhængige AI-modeller fra fire forskellige familier: OpenAI GPT-4o, Google Gemini, DeepSeek V3 og Anthropic Claude. Hver model analyserer lovforslaget fra de seks perspektiver uafhængigt af hinanden.
Syntese
En uafhængig syntese-model samler rådets svar, identificerer konsensus og uenigheder, og producerer den endelige analyse med konfidensniveauer og konsensusscore for hvert perspektiv.
De seks perspektiver
Ingen analyse er neutral. I stedet for at foregive objektivitet giver vi seks eksplicitte analytiske linser — hvert perspektiv er klart markeret og afgrænset.
Økonomi
Hvordan påvirker forslaget den danske økonomi? Vækst, konkurrenceevne, erhvervsvilkår og markedseffekter.
Social lighed
Hvem vinder, hvem taber? Fordeling, retfærdighed, social mobilitet og konsekvenser for udsatte grupper.
Frihedsrettigheder
Berører forslaget borgerrettigheder, privatliv, ytringsfrihed eller individets autonomi?
Miljø
Miljø- og klimakonsekvenser. Bæredygtighed, ressourceforbrug og naturpåvirkning.
Finansiel bæredygtighed
Er forslaget finansierbart? Statsbudget, skatteeffekter og langsigtede økonomiske konsekvenser.
Praktisk gennemførlighed
Kan forslaget reelt implementeres? Administrative krav, tidshorisont og teknisk kompleksitet.
Konfidensniveauer
Hver perspektivanalyse angiver et konfidensniveau der afspejler modellernes samlede sikkerhed:
Høj
Modellerne er enige og har solidt grundlag i lovtekst, data eller etableret forskning.
Medium
Rimelig sikkerhed, men med nuancer eller begrænset data. De fleste modeller er enige.
Lav
Begrænset data eller uenighed mellem modellerne. Analysen bør læses med forbehold.
Spekulativ
Baseret på fortolkning og vurdering snarere end hårde data. Kan ændre sig markant med ny information.
Fire modellers konsensus
Vi bruger fire AI-modeller fra fire forskellige familier — OpenAI, Google, DeepSeek og Anthropic — for at reducere individuelle bias. Modellerne ser den samme lovtekst men producerer deres analyse helt uafhængigt af hinanden.
En femte model (der ikke selv deltager som analytiker) syntetiserer svarene. For hvert perspektiv angives en konsensusscore der viser hvor stor en andel af modellerne der er enige — f.eks. "3 af 4 modeller er enige".
Syntesen markerer også om der er høj konsensus (modellerne er enige), delvis konsensus (overordnet enighed med nuanceforskelle), eller lav konsensus (væsentlig uenighed — et signal om ægte kompleksitet).
Når modeller er uenige, forsøger vi ikke at skjule det. Uenighed er information.
Modeller
- Rådsmedlem:openai/gpt-4o
- Rådsmedlem:google/gemini-2.5-flash-preview
- Rådsmedlem:deepseek/deepseek-chat-v3-0324
- Rådsmedlem:anthropic/claude-sonnet-4-5
- Syntese:anthropic/claude-sonnet-4-5
Mindst 2 af 4 modeller skal lykkes, før en analyse betragtes som brugbar. Disse modelnavne er ikke skrevet ind på denne side — de er hentet direkte fra kildekoden i det kørende system, så listen altid er opdateret.
Rådets prompt
Her er de præcise prompts systemet bruger — ikke en omskrivning. Feltværdierne herunder (markeret med «…») er placeholdere; i produktion udfyldes de med det konkrete lovforslags titel, resumé, afgørelse og afstemningskonklusion, som hentes fra ft.dk.
Denne prompt sendes uændret til hver af de fire rådsmodeller ovenfor.
Du er en uafhængig politisk analytiker. Analysér følgende lovforslag fra det danske Folketing.
LOVFORSLAG:
Titel: «lovforslagets titel»
Korttitel: «korttitel»
Resumé: «resumé fra ft.dk»
Afgørelse: «afgørelse»
Afstemningskonklusion: «afstemningskonklusion»
INSTRUKTIONER:
Lav en grundig analyse fra seks uafhængige perspektiver. For hvert perspektiv:
- Skriv 2-3 afsnit med substantiel analyse på dansk
- Angiv et konfidensniveau (høj/medium/lav/spekulativ) baseret på tilgængelig evidens
- Henvis til konkrete kilder med nummererede referencer
Perspektiver:
1. Økonomi — markedseffekter, effektivitet, dødvægtstab
2. Social lighed — fordeling, ulighed, sårbare grupper
3. Frihedsrettigheder — rettigheder, frihed, begrænsninger
4. Miljø — klima, natur, bæredygtighed
5. Finansiel bæredygtighed — statsbudget, langsigtede fiskale konsekvenser
6. Praktisk gennemførlighed — implementering, kapacitet, andenordenseffekter
Inkludér også:
- En letforståelig opsummering (2-3 afsnit for borgere uden forkundskaber)
- Det stærkeste modargument mod analysens konklusioner
- Liste over interessenter (støtter / modsætter sig)
- Kildeliste med nummererede referencer
VIGTIGT: Du tager IKKE stilling til om forslaget er godt eller dårligt. Du analyserer fakta, mekanismer og tradeoffs.
Svar i JSON-format:
{
"plainSummary": "...",
"economy": { "text": "...", "confidence": "høj|medium|lav|spekulativ" },
"social": { "text": "...", "confidence": "..." },
"freedom": { "text": "...", "confidence": "..." },
"environment": { "text": "...", "confidence": "..." },
"fiscal": { "text": "...", "confidence": "..." },
"feasibility": { "text": "...", "confidence": "..." },
"counterargument": "...",
"sources": [{ "number": 1, "title": "...", "url": "...", "attribution": "..." }],
"stakeholders": { "supporters": ["..."], "opponents": ["..."] }
}Syntese-prompt
Efter rådet har svaret, sendes alle svar samlet til syntese-modellen. Eksemplet herunder viser prompten med kun to korte, illustrative modelsvar i stedet for fire fulde analyser — strukturen og instruktionerne er identiske med det, systemet faktisk sender.
Du er en meta-analytiker. Du har modtaget analyser af det samme lovforslag fra 2 forskellige AI-modeller. Din opgave er at syntetisere dem til én samlet analyse.
MODELLER: openai/gpt-4o, google/gemini-2.5-flash-preview
MODELANALYSER:
### Model: openai/gpt-4o
{
"plainSummary": "«…»",
"economy": {
"text": "«…»",
"confidence": "høj"
},
"social": {
"text": "«…»",
"confidence": "medium"
},
"freedom": {
"text": "«…»",
"confidence": "lav"
},
"environment": {
"text": "«…»",
"confidence": "spekulativ"
},
"fiscal": {
"text": "«…»",
"confidence": "medium"
},
"feasibility": {
"text": "«…»",
"confidence": "høj"
},
"counterargument": "«…»",
"sources": [],
"stakeholders": {
"supporters": [
"«…»"
],
"opponents": [
"«…»"
]
}
}
### Model: google/gemini-2.5-flash-preview
{
"plainSummary": "«…»",
"economy": {
"text": "«…»",
"confidence": "medium"
},
"social": {
"text": "«…»",
"confidence": "høj"
},
"freedom": {
"text": "«…»",
"confidence": "lav"
},
"environment": {
"text": "«…»",
"confidence": "medium"
},
"fiscal": {
"text": "«…»",
"confidence": "spekulativ"
},
"feasibility": {
"text": "«…»",
"confidence": "medium"
},
"counterargument": "«…»",
"sources": [],
"stakeholders": {
"supporters": [
"«…»"
],
"opponents": [
"«…»"
]
}
}
INSTRUKTIONER:
1. Producér én samlet analyse i det samme JSON-format som input-analyserne.
2. For hvert perspektiv (economy, social, freedom, environment, fiscal, feasibility):
- Hvor modellerne er ENIGE: skriv en styrket analyse med høj konfidens
- Hvor modellerne er UENIGE: beskriv divergensen ærligt, undgå at middle — forklar hvad forskellen er
- Angiv konfidensniveau baseret på graden af enighed
3. Tilføj et "consensus" felt der for hvert perspektiv angiver:
- "agreement": "high" (modellerne er enige) | "partial" (delvis enige) | "low" (uenige)
- "notes": kort forklaring af hvad de er enige/uenige om (på dansk)
- "agreementScore": tal mellem 0.0 og 1.0 (f.eks. 0.75 = 3 af 4 enige)
- "modelPositions": objekt med hver models holdning, f.eks. {"openai/gpt-4o": "agree", "google/gemini-2.5-flash-preview": "diverge"}
Brug: "agree" (enig med flertallets vurdering), "partial" (delvis enig), "diverge" (afviger væsentligt)
4. plainSummary skal afspejle den samlede syntese, ikke bare én models version
5. Bevar de bedste kilder fra alle modeller
6. stakeholders skal forene alle modellers bud
VIGTIGT: Du syntetiserer — du tager ikke stilling. Enighed mellem modeller er et signal om robusthed. Uenighed er et signal om ægte usikkerhed eller perspektivforskelle.
Svar i JSON-format:
{
"plainSummary": "...",
"economy": { "text": "...", "confidence": "..." },
"social": { "text": "...", "confidence": "..." },
"freedom": { "text": "...", "confidence": "..." },
"environment": { "text": "...", "confidence": "..." },
"fiscal": { "text": "...", "confidence": "..." },
"feasibility": { "text": "...", "confidence": "..." },
"counterargument": "...",
"sources": [...],
"stakeholders": { "supporters": [...], "opponents": [...] },
"consensus": {
"economy": { "agreement": "high|partial|low", "notes": "...", "agreementScore": 0.75, "modelPositions": {"model-a": "agree", "model-b": "diverge"} },
...
}
}Begrænsninger
AI-genererede analyser er ikke fejlfrie. Modellerne kan fejlfortolke lovtekst, mangle kontekst fra politiske forhandlinger eller undervurdere konsekvenser. Vi opfordrer altid til at tjekke de angivne kilder.
Analyserne afspejler den information der var tilgængelig på genereringstidspunktet. Når et lovforslag ændrer status eller nye afstemninger gennemføres, genanalyserer vi automatisk med den nye kontekst.
Har du spørgsmål til vores metode? Læs mere om politiker.ai.