# GenAI Bootcamp ## Fra awareness til sikker praksis Thomas Delvin / Pharma R&D — Rox Resort, Køge 30. april 2026

# AI skaber først værdi, når faglighed, teknologi og proces hænger sammen > I dag træner vi ikke "smarte prompts". Vi træner en arbejdsform. - **Faglighed:** jeres Medical Science-dømmekraft - **Teknologi:** AI som probabilistisk assistent - **Proces:** metoden der gør output sikkert og brugbart → Dagens mål: hver deltager forlader dagen med én prompt-skabelon og én konkret workflow-idé.

# Dagens materiale er et website, ikke en PowerPoint ### I rummet - Vi bruger udvalgte slides, øvelser og live-demoer - Vi arbejder med jeres egne cases, når de kan anonymiseres sikkert - Vi holder tempoet praktisk ### Efter dagen - I kan vende tilbage til skabeloner, kilder og øvelser - Ikke alt skal gennemgås live - Website-formatet gør materialet brugbart som opslagsværk

# AI-agenter har reviewet materialet før I ser det <div style="display:flex;align-items:center;justify-content:center;gap:0.6rem;margin:1.2rem 0"> <div style="background:#0C1120;color:#fff;padding:0.5rem 1rem;border-radius:8px;font-weight:600;font-size:0.95em">Torben</div> <span style="font-size:1.4em;color:#0066CC">→</span> <div style="background:#E8F0FE;color:#0C1120;padding:0.5rem 1rem;border-radius:8px;font-weight:600;font-size:0.95em">Reviewer</div> <span style="font-size:1.4em;color:#0066CC">→</span> <div style="background:#E8F0FE;color:#0C1120;padding:0.5rem 1rem;border-radius:8px;font-weight:600;font-size:0.95em">Thomas Director</div> <span style="font-size:1.4em;color:#0066CC">→</span> <div style="background:#E8F0FE;color:#0C1120;padding:0.5rem 1rem;border-radius:8px;font-weight:600;font-size:0.95em">Designer</div> </div> **Reviewer** tjekker struktur og kilder · **Thomas Director** reagerer som målgruppen · **Designer** tjekker læsbarhed · **Torben** beslutter Human in the loop: AI analyserer og forbedrer. Mennesket ejer beslutningen.

<!-- .slide: data-background-color="#E8F0FE" --> # Vi springer hurtigt over "AI er vigtigt" og går til "hvordan bruger vi det sikkert?" - De fleste organisationer har adgang til AI - Færre har gjort AI til en struktureret arbejdsmetode - I pharma er spørgsmålet ikke kun "kan AI hjælpe?" - Spørgsmålet er: **hvad kan AI hjælpe med, uden at kvalitet, IP eller compliance svækkes?** > → Hvor bruger I allerede AI i dag: dagligt, ugentligt, sjældent?

# Sikkerhed starter med dataklassificering, ikke med prompts | Data | Brug | Eksempel | |------|-----|----------| | **Public** | OK i åbne værktøjer | Public artikler, generiske formuleringer | | **Internal** | Kun i godkendte enterprise-værktøjer | Interne mødenoter, procesudkast | | **Sensitive** | Stop og afklar | Patientdata, IP, upublicerede kliniske detaljer | > → I dag bruger vi anonymiserede eller konstruerede cases. Ingen sensitiv data i åbne prompts.

# En svag prompt skaber mere reviewarbejde, end den sparer ### Svag "Skriv et udkast til teksten." ### Stærk "Du er en kritisk Medical Science sparringspartner. Brug kun den kontekst jeg giver. Find uklarheder, manglende antagelser og steder hvor en fagperson skal validere. Returnér en tabel med risiko, spørgsmål og forslag." → Forskellen er ikke modellen. Forskellen er arbejdsinstruksen.

# Én ramme gør AI-output lettere at reviewe | Blok | Spørgsmål | Pharma R&D-eksempel | |------|-----------|----------------------| | **Rolle** | Hvem skal AI være? | Kritisk medical writer | | **Kontekst** | Hvad må AI vide? | Anonymiseret projektbaggrund | | **Opgave** | Hvad skal den gøre? | Find huller i argumentationen | | **Format** | Hvordan skal output se ud? | Tabel med risici og spørgsmål | | **Constraint** | Hvad må den ikke gøre? | Ingen opdigtede kilder eller claims | | **Kvalitetstjek** | Hvordan skal svaret kontrolleres? | Marker alt der kræver human validation |

<!-- .slide: data-background-color="#E8F0FE" --> # Øvelse 1: Redesign en one-liner til en arbejdsinstruks <div class="timer-display" data-seconds="720">12:00</div> Start med denne: > "Hjælp mig med at skrive en summary." Omskriv den med: - Rolle - Kontekst - Opgave - Format - Constraints - Kvalitetstjek

# AI er stærkest, når den bruges som kritisk assistent før den bruges som forfatter - Bed AI finde **svagheder** før den skriver pænere tekst - Bed AI stille **afklarende spørgsmål** før den konkluderer - Bed AI markere **usikkerhed** i stedet for at glatte den ud - Bed AI lave **review-liste** før endeligt udkast > → Hvilke outputs i jeres hverdag ville blive bedre af en kritisk pre-review?

# Medical writing-casen: AI kan hjælpe med struktur, ikke eje fagligheden ### Brug AI til - strukturere et udkast - finde uklare antagelser - forbedre læsbarhed - foreslå spørgsmål til review ### Brug ikke AI til - opfinde kilder - konkludere klinisk uden ekspertreview - håndtere sensitiv data uden godkendt miljø - erstatte faglig sign-off

# Data-cleaning-casen starter med anonymisering En sikker øvelse kan være: 1. Fjern eller generalisér følsomme felter 2. Beskriv datastrukturen i stedet for at uploade rå data 3. Bed AI foreslå kolonner, kategorier eller regex-regler 4. Test output på en lille, ufarlig sample 5. Lad mennesket validere før skalering > → Hvilke rodet-data opgaver kan beskrives uden at dele selve data?

<!-- .slide: data-background-color="#E8F0FE" --> # Agenter er næste niveau, men de kræver adgang, værktøjer og governance ### Niveau 1: Tooling Enterprise GPT / Copilot er tilgængeligt og sikkert nok til basisbrug. ### Niveau 2: Workflow AI bliver en standard del af en proces, ikke et frivilligt add-on. ### Niveau 3: Agents AI kan læse filer, køre trin, reviewe output og stoppe ved gates.

# I dag installerer vi ikke agenter — vi lærer at genkende agent-egnede opgaver En opgave er agent-egnet når den har: - tilbagevendende trigger - klare input - flere trin - kendte kvalitetsgates - dokumenterbart output - tydelig menneskelig ejer > → Hvilke opgaver i jeres team ligner allerede et workflow?

# Agent-demoen skal vise potentiale uden at kræve lokal installation *Live demo: Claude Code / agentisk workflow* Vi viser: - hvordan en agent kan opdele en opgave - hvordan den kan læse og ændre filer - hvordan review og judge-gates virker - hvorfor IT-adgang og governance er afgørende > → Det vigtige spørgsmål: "Hvilke processer er værd at gøre klar til dette?"

# Låst IT-miljø er ikke en stopklods — det er en designconstraint Hvis installation ikke er mulig nu: - brug godkendte enterprise-værktøjer til sikre prompts - byg prompt-skabeloner og reviewvaner - kortlæg agent-egnede workflows - identificér hvilke adgange IT skal åbne for senere - lav en superviseret pilot før bred udrulning

<!-- .slide: data-background-color="#E8F0FE" --> # Øvelse 2: Byg en "AI-profil" til en tilbagevendende opgave <div class="timer-display" data-seconds="1080">18:00</div> Vælg én opgave: - literature summary - review af argumentation - mødeopsummering - data-structuring - first draft af intern tekst Definér: - rolle - inputs - output-format - stopregler - kvalitetstjek

# Adoption sker gennem mikro-vaner, ikke store transformationer Vælg små faste greb: - "AI-assisted?" som punkt i mødeskabelon - 10-min case-demo på teammøde - fælles promptbibliotek - før/efter-måling på én opgave - reviewregel: AI-output må aldrig sendes videre uden faglig sign-off > → Hvilken mikro-vane kan I teste i de næste 14 dage?

# Vi slutter med tre konkrete use cases For hver use case: | Felt | Beslutning | |------|------------| | Opgave | Hvad vil vi ændre? | | Ejer | Hvem tager første skridt? | | Sikkerhed | Hvilke data må bruges? | | Måling | Hvordan ser vi effekt? | | Næste gate | Hvornår evaluerer vi? |

# Output fra dagen Hver deltager bør gå hjem med: - én forbedret prompt-skabelon - én AI-profil til en tilbagevendende opgave - én sikkerhedsregel de faktisk bruger - én idé til et agent-egnet workflow - én konkret næste handling

# Næste modul kan gå dybere, når IT og cases er klar Mulige fortsættelser: - Claude Code kickstart for Thomas og superbrugere - agent-workflow pilot med godkendte filer og gates - promptbibliotek for Medical Science - intern show-and-tell session med teamets egne cases - governance-light model for supervised AI work