Extended thinking

Hvad er extended thinking?

Extended thinking er en funktion i AI-modeller der lader modellen tænke eksplicit og trinvist før den giver sit endelige svar. I stedet for at svare med det samme bruger modellen ekstra tid og tokens på en intern tænkeproces der analyserer problemet, overvejer forskellige tilgange og kontrollerer sin egen logik.

Tænk på det som forskellen mellem at svare på et spørgsmål i en quiz (hurtigt, intuitivt) og at løse et matematisk bevis (systematisk, trinvist, med kontrol undervejs). Extended thinking giver AI-modellen mulighed for den anden tilgang.

Funktionen blev introduceret som et centralt koncept med Anthropic’s Claude og er siden blevet en standardfunktion i avancerede AI-modeller. Det repræsenterer et fundamentalt skift i hvordan AI-modeller håndterer komplekse opgaver: i stedet for at forsøge at generere det rigtige svar i ét træk, kan modellen investere beregningskraft i at tænke problemet igennem først.

Hvordan fungerer extended thinking?

Den tekniske proces

Når extended thinking er aktiveret, gennemgår modellen to faser:

Fase 1: Tænkning (thinking). Modellen genererer en sekvens af thinking tokens. En intern tankeproces der ikke er en del af det endelige svar. I denne fase:

1. Problemanalyse: Modellen identificerer hvad der spørges om, hvilke begrænsninger der gælder, og hvilken type opgave det er
2. Strategivalg: Modellen overvejer forskellige tilgange og vælger den mest lovende
3. Trinvis løsning: Modellen arbejder sig igennem problemet trin for trin
4. Selvkontrol: Modellen verificerer sine mellemresultater og kontrollerer logikken
5. Korrektion: Hvis modellen opdager fejl, kan den gå tilbage og prøve en anden tilgang

Fase 2, Svar (response): Baseret på tænkeprocessen genererer modellen sit endelige svar. Velstruktureret, verificeret og med højere sandsynlighed for at være korrekt.

Synlighed af tænkeprocessen

En vigtig egenskab ved extended thinking er at tænkeprocessen kan gøres synlig for brugeren. I Claudes API returneres thinking tokens som en separat del af svaret, adskilt fra det endelige svar. Det giver:

• Transparens: Brugeren kan se hvordan modellen nåede sit svar
• Fejlfinding: Hvis svaret er forkert, kan man se hvor i ræsonneringen fejlen opstod
• Tillid: At kunne følge tankeprocessen giver større tillid til konklusionen
• Læring: Brugeren kan lære af modellens tilgang til problemløsning

I brugergrænseflader som claude.ai vises tænkeprocessen typisk i en sammenklappelig sektion, så brugeren selv vælger om de vil se den.

Skalerbar tænketid

Et centralt koncept i extended thinking er at tænketiden kan skaleres:

Kort tænketid (få hundrede tokens). Til opgaver der kræver lidt ekstra omtanke. Et hurtigt tjek af logikken, en kort overvejelse af kanttilfælde.

Medium tænketid (tusindvis af tokens). Til opgaver der kræver flertrinsræsonnering: matematiske problemer, fejlfinding i kode, analyse af argumenter.

Lang tænketid (titusindvis af tokens). Til meget komplekse opgaver: arkitekturbeslutninger, videnskabelig analyse, juridisk fortolkning med mange interagerende regler.

Moderne implementeringer tillader at man sætter et budget for thinking tokens, så man kan kontrollere balancen mellem kvalitet og hastighed/pris.

Extended thinking vs. standard prompting

Hvornår giver extended thinking bedre resultater?

Opgaver hvor extended thinking exceller

Matematik og logik: Flertrinsproblemer, ligningssystemer, sandsynlighedsberegninger, beviser. Extended thinking reducerer fejlraten dramatisk fordi modellen kan kontrollere hvert trin.

Programmering: Fejlfinding i kompleks kode, arkitekturbeslutninger, implementering af algoritmer, refaktorering af store kodebaser. Evnen til at trace kodeflow mentalt og kontrollere logikken er afgørende.

Analyse og syntese: Sammenhold af information fra multiple kilder, identifikation af mønstre og inkonsistenser, evaluering af argumenter for og imod, nuancerede vurderinger.

Planlægning: Projektplanlægning med mange afhængigheder, strategiudvikling med flere variable, scenarieanalyse.

Instruktionsfølgning: Komplekse prompter med mange krav og begrænsninger. Extended thinking hjælper modellen med at holde styr på alle krav og verificere at svaret opfylder dem alle.

Opgaver hvor standard prompting er tilstrækkeligt

Kreativ skrivning. Historier, digte, marketingtekst. Kreativitet kræver flow, ikke trinvis logik.

Simpel Q&A. “Hvad er hovedstaden i Frankrig?” Intet behov for ræsonnering.

Oversættelse. Sproglig overførsel kræver sprogfærdighed, ikke logisk ræsonnering.

Opsummering. Sammenfatning af tekst er primært en kompressions-opgave.

Casual samtale. Daglig dialog kræver empati og relevans, ikke analytisk tænkning.

Praktiske eksempler

Eksempel 1: Fejlfinding i kode

Opgave: En Python-funktion der skal beregne den korteste vej i en graf returnerer forkerte resultater for visse input.

Uden extended thinking: Modellen scanner koden, genkender det som en Dijkstra-implementering, og foreslår den mest almindelige fejl (f.eks. manglende initialisering). Svaret er ofte korrekt for simple bugs men misser subtile fejl.

Med extended thinking: Tænkeproces (forkortet):

Svaret identificerer den faktiske fejl med fuld forklaring og fix.

Eksempel 2: Finansiel analyse

Opgave: “Vores SaaS-virksomhed har en MRR på 2 mio. kr., 5% månedlig churn, 80% gross margin, CAC på 15.000 kr. og LTV/CAC på 3,2. Vi overvejer at sænke prisen 20% for at reducere churn til 3%. Er det en god idé?”

Med extended thinking: Tænkeproces (forkortet):

Eksempel 3: Juridisk fortolkning

Opgave: “Er vores AI-baserede rekrutteringsværktøj et højrisiko-system under EU AI Act?”

Med extended thinking: Modellen gennemgår systematisk:

1. EU AI Act’s definition af AI-systemer
2. Klassificeringskriterierne for højrisiko
3. Annex III’s liste over højrisiko-anvendelsesområder
4. Specifikt punkt 4 om rekruttering og ansættelse
5. Undtagelser og nuancer
6. Konsekvenser for compliance-krav

Resultatet er en struktureret juridisk vurdering med specifikke artikelhenvisninger, ikke bare et generelt “ja, det er nok højrisiko.”

Extended thinking i API’er

Anthropic Claude API

Claude tilbyder extended thinking via API’en med direkte kontrol:

• Aktiveres ved at sætte thinking parameter med et budget_tokens felt
• Thinking tokens returneres som separate content blocks af typen thinking
• Budget kan sættes fra få hundrede til over 100.000 tokens
• Thinking tokens faktureres til en lavere pris end output-tokens
• Tilgængelig i Claude Sonnet og Opus modellerne

OpenAI o-serie

OpenAI’s reasoning-modeller har built-in extended thinking:

• o1, o3 og o4-mini har reasoning som en integreret del af modellen
• Tænkeprocessen er delvist synlig via “reasoning tokens” i API-svaret
• Reasoning effort kan justeres (low, medium, high)

Google Gemini

Gemini-modeller med thinking-kapabilitet:

• Gemini 2.5 Pro og Flash inkluderer thinking mode
• Kan aktiveres via API-parameter
• Thinking-indhold returneres separat fra det endelige svar

Pris og performance-overvejelser

Token-økonomi

Extended thinking genererer ekstra tokens der påvirker både pris og latens:

Eksempel: simpel opgave.

• Standard: 500 input + 200 output = 700 tokens
• Extended thinking: 500 input + 1.000 thinking + 200 output = 1.700 tokens
• Merprins: ~60-80% (thinking tokens er typisk billigere end output tokens)

Eksempel: kompleks opgave.

• Standard: 2.000 input + 1.000 output = 3.000 tokens
• Extended thinking: 2.000 input + 10.000 thinking + 1.500 output = 13.500 tokens
• Merpris: ~200-300%, men med markant bedre kvalitet

Latens

Extended thinking tilføjer ventetid fordi modellen skal generere thinking tokens før svaret. For en opgave med 5.000 thinking tokens kan det betyde 5-15 sekunders ekstra ventetid afhængigt af model og infrastruktur.

Strategi: Brug streaming til at vise tænkeprocessen i realtid, så brugeren kan følge med i stedet for at vente på et tomt skærmbillede.

Hvornår er det pengene værd?

Extended thinking er værd at bruge når:

1. Fejl er dyre: Kode der skal i produktion, finansielle beregninger, juridiske vurderinger
2. Opgaven er kompleks: Flertrinsræsonnering, mange begrænsninger, modstridende krav
3. Kvalitet trumfer hastighed: Research, analyse, strategiudvikling
4. Transparens er vigtig: Når man skal forstå og validere modellens ræsonnering

Extended thinking er ikke pengene værd når:

1. Hastighed er kritisk: Chatbots, autokomplete, realtidsinteraktion
2. Opgaven er simpel: Opsummering, oversættelse, faktuelt Q&A
3. Volumen er højt: Tusindvis af simple klassifikationer per minut
4. Budgettet er stramt: Og opgaverne ikke kræver dyb ræsonnering

Begrænsninger

Overtænkning

Extended thinking kan overkomplicere simple opgaver. En model der bruger 2.000 thinking tokens på at besvare “Hvad er 2+2?” spilder ressourcer og kan paradoksalt nok introducere fejl ved at overtænke.

Moderne implementeringer adresserer dette med adaptiv tænketid. Modellen bruger kun den tænketid der er nødvendig. Men det er ikke perfekt endnu.

Hallucination i tænkeprocessen

Modellen kan ræsonnere overbevisende baseret på forkerte præmisser. En lang, velstruktureret tænkeproces kan give falsk tryghed. Kontrollér altid kritiske fakta i tænkeprocessen, ikke bare det endelige svar.

Context window-forbrug

Thinking tokens forbruger plads i modellens context window. For opgaver med meget stort input kan thinking tokens reducere pladsen til selve svaret. Det er især relevant for opgaver der involverer analyse af lange dokumenter.

Ikke-deterministisk

To identiske prompts med extended thinking kan producere forskellige tænkeprocesser og potentielt forskellige svar. Tænkeprocessen er stokastisk ligesom resten af modellens output. For opgaver der kræver reproducerbarhed er dette en udfordring.

Ofte stillede spørgsmål

Hvad er extended thinking?

Extended thinking er en funktion i AI-modeller der aktiverer en eksplicit tænkeproces før modellen genererer sit endelige svar. I stedet for at svare med det samme bruger modellen ekstra tokens (thinking tokens) til at analysere problemet trinvist, overveje tilgange, kontrollere sin logik og korrigere fejl undervejs. Det resulterer i markant bedre svar på komplekse opgaver som matematik, kodning, analyse og planlægning. Funktionen er tilgængelig i modeller som Claude (Anthropic), o-serien (OpenAI) og Gemini (Google).

Hvad er forskellen på extended thinking og chain-of-thought?

Chain-of-thought (CoT) er den generelle teknik at tænke trinvist igennem et problem. Det kan opnås via prompting (f.eks. “tænk trin for trin”). Extended thinking er en model-native implementering af denne idé: modellen har en dedikeret tænkefase med separate thinking tokens. Trænet specifikt til ræsonnering via reinforcement learning. Forskellen er som mellem at bede nogen om at tænke højt (CoT-prompting) og at arbejde med nogen der naturligt tænker grundigt igennem før de svarer (extended thinking).

Koster extended thinking ekstra?

Ja, extended thinking genererer ekstra thinking tokens der faktureres. Dog er thinking tokens typisk billigere per token end output-tokens. For simple opgaver er merprise 50-100%. For komplekse opgaver der kræver lang tænketid kan merprise være 200-400%. Til gengæld er kvaliteten markant højere på komplekse opgaver, og den samlede omkostning kan være lavere hvis man ellers ville have brug for flere forsøg med en standard model for at nå et korrekt svar.

Hvornår bør man bruge extended thinking?

Brug extended thinking til opgaver der kræver logisk ræsonnering, trinvis problemløsning eller præcis analyse: matematik, programmering, juridisk fortolkning, finansiel modellering, strategisk analyse, kompleks instruktionsfølgning. Brug standard prompting til opgaver hvor hastighed og pris er vigtigere end dyb ræsonnering: kreativ skrivning, opsummering, oversættelse, simpel Q&A. En god tommelfingerregel: hvis du selv ville bruge tid på at tænke problemet igennem før du svarede, er extended thinking sandsynligvis værd at bruge.