Nogle idéer starter med en strategi.
Andre starter med en PowerPoint.
Mine starter ofte med en lidt for aktiv hjerne og spørgsmålet:

“Kunne man bruge avanceret teknologi til noget helt absurd?”

Det var sådan idéen til en AI-baseret undskyldningsgenerator opstod.

Inspirationen: Chris & Chokoladefabrikken

Hvis man er vokset op med dansk radiohumor, kender man måske sketch-universet omkring Chris & Chokoladefabrikken. Her ringer folk til deres chef med de mest vanvittige forklaringer på, hvorfor de ikke kan komme på arbejde.

En klassiker lyder nogenlunde sådan:

“Chef, jeg kan desværre ikke komme i dag, fordi der står et to meter højt ringbind uden for min dør.”

Forklaringen giver selvfølgelig ingen mening – men den bliver leveret med en seriøsitet, som næsten gør den troværdig.

Og det var netop dér min hjerne begyndte at arbejde.

Hvad hvis man kunne bygge en AI-agent, der genererer den perfekte undskyldning?

Ikke bare en tilfældig undskyldning – men en, der:

• virker plausibel
• er baseret på fakta
• passer til dagens situation
• aldrig gentager sig

Og nogle gange… er helt absurd.

Den tekniske udfordring

Selvom problemet er latterligt, er løsningen faktisk ret interessant.

En virkelig god undskyldning kræver kontekst. Den skal passe til virkeligheden.

Derfor forestillede jeg mig et system, der samler information fra forskellige kilder:

• vejrdata (DMI)
• trafikdata
• kalender og helligdage
• sygdomsstatistikker
• kulturelle begivenheder
• årstid og sæson

På den måde kan undskyldningen være både kreativ og plausibel.

For eksempel:

“Jeg kan desværre ikke komme ind på kontoret i dag.
DMI har udsendt varsel om kraftig sidevind i hovedstadsområdet, og statistisk set sker en stor del af cykelulykker netop i morgentrafikken under sådanne forhold.”

Eller – hvis systemet er i mere kreativt humør:

“Jeg kan ikke komme i dag, fordi der står et to meter højt ringbind uden for min dør.
Jeg har forsøgt at flytte det, men ringbindets masse og tyngdepunkt gør det til en logistisk opgave, som realistisk kræver mindst tre projektledere og en workshop.”

Når AI møder menneskelig kreativitet

Det interessante er, at en sådan generator faktisk illustrerer nogle centrale principper i moderne AI:

• kontekstbevidst generering
• data-integration
• memory og variation
• prompt engineering

Systemet skal nemlig også huske, hvilke undskyldninger der allerede er blevet brugt. Ellers bliver det hurtigt mistænkeligt.

Hvis man har brugt “trafikproblemer” fire gange på en uge, begynder selv den mest tålmodige chef at undre sig.

Derfor skal generatoren føre log over tidligere undskyldninger og aktivt variere sine forklaringer.

Den skjulte feature

Og her blev idéen endnu sjovere.

Hvad hvis arbejdsgiveren også kunne få adgang til systemet?

Ikke for at se medarbejdernes undskyldninger – men for at justere generatoren.

Forestil dig, at chefen kan skrue op for parameteren:

“Embarrassment level”

Så kunne en undskyldning pludselig blive:

“René kan desværre ikke komme på arbejde i dag.
Hans kalenderstyring kolliderede igen med virkeligheden.”

Eller:

“Forsinkelsen skyldes sandsynligvis en kombination af snooze-knappen og en optimistisk vurdering af morgenlogistik.”

Et seriøst eksperiment forklædt som humor

Det hele er selvfølgelig tænkt som humor.

Men faktisk illustrerer projektet noget ret interessant.

AI bliver ofte diskuteret i forhold til produktivitet, automatisering og effektivisering.

Men nogle gange kan man lære mindst lige så meget ved at bruge teknologien til noget helt absurd.

Fordi det tvinger os til at forstå:

• hvordan kontekst påvirker AI
• hvordan data kan berige generative modeller
• hvordan man designer agent-systemer

Og måske vigtigst:

Hvor langt vi egentlig er kommet med teknologien.

Konklusion

Jeg ved endnu ikke, om verden mangler en avanceret undskyldningsgenerator.

Men jeg er ret sikker på, at hvis man kan bygge den – så har man lært noget om AI undervejs.

Og hvis ikke andet, så har man i det mindste altid en god forklaring klar til sin chef.

Selv hvis der pludselig står et to meter højt ringbind uden for døren.

Undskyldningsgeneratoren – del 2

Hvordan man faktisk kunne bygge den

I første del beskrev jeg idéen om en AI-baseret undskyldningsgenerator inspireret af dansk radiohumor. En teknologi der kan generere alt fra plausible forklaringer til fuldstændig absurde historier om ringbind foran hoveddøren.

Men selv om idéen er humoristisk, er den tekniske udfordring faktisk ret interessant.

Hvis man skulle bygge en sådan løsning rigtigt, ville den i virkeligheden ligne en lille AI-platform, der kombinerer data, kontekst og generativ AI.

Den grundlæggende arkitektur

En simpel version kunne se sådan ud:

User request
      ↓
Context Collector
      ↓
Excuse Scenario Builder
      ↓
LLM Generator
      ↓
Excuse Log & Variation Engine

Systemet fungerer i fire trin.

1. Context Collector

Før AI-modellen genererer en undskyldning, indsamler systemet kontekstdata.

Det kan for eksempel være:

• vejret
• trafik
• kalender
• sæson
• sygdomsudbredelse
• aktuelle begivenheder

Pointen er, at undskyldningen ikke bare opfindes – den forankres i virkeligheden.

2. Scenario Builder

Derefter vælger systemet en forklaringskategori.

Eksempler kunne være:

Transport

• trafikuheld
• vejarbejde
• togforsinkelser

Helbred

• influenza
• migræne
• pollenallergi

Praktiske problemer

• håndværkere
• internetnedbrud
• tekniske problemer

Absurd kategori

• gigantiske ringbind
• printere i oprør
• logistiske paradokser

Scenario Builder bestemmer også et plausibility-niveau.

Niveau	Beskrivelse
Høj	realistisk
Medium	lidt mistænkelig
Lav	humoristisk
Meget lav	Chris & Chokoladefabrikken

3. LLM Generator

Når konteksten er samlet, genererer en sprogmodel selve undskyldningen.

Prompten kan fx indeholde:

• brugerens navn
• relation (arbejde / familie / venner)
• kontekstdata
• plausibility-niveau
• tidligere brugte undskyldninger

Det sikrer variation.

4. Variation Engine

Et vigtigt element er historik.

Hvis man bruger samme forklaring flere gange, mister den troværdighed.

Systemet kan derfor logge hver undskyldning:

Excuse ID: E-2026-03-05-TRAFFIC-01
Category: Traffic
Plausibility: 82%
Target: Work

Generatoren undgår derefter at gentage lignende scenarier.

Datakilder og integrationer

For at gøre generatoren mere realistisk kan man integrere forskellige datakilder.

Vejr

Mulige API’er:

• DMI
• OpenWeather
• Meteostat

Eksempel:

DMI har udsendt varsel om kraftig vind i hovedstadsområdet.

Trafik

Mulige kilder:

• Google Maps Traffic
• TomTom Traffic
• Waze

Eksempel:

Trafikken på Motorring 3 er ifølge trafikdata tættere end normalt.

Kalender og helligdage

Eksempler på datakilder:

• Google Calendar
• Microsoft Graph
• Calendarific

Dette gør systemet opmærksom på:

• helligdage
• ferieperioder
• særlige begivenheder

Epidemiologi

Sygdomsdata kan hentes fra:

• Statens Serum Institut
• WHO
• CDC

Eksempel:

Influenzaaktiviteten i uge 10 er moderat ifølge SSI.

Kultur og begivenheder

Systemet kan også kende til:

• sportsbegivenheder
• festivaler
• strejker
• demonstrationer

Det giver undskyldninger, der føles realistiske.

Multi-agent idéen

Hvis man ville gøre systemet mere avanceret, kunne man opdele det i små specialiserede agenter.

For eksempel:

Weather Agent
Traffic Agent
Calendar Agent
Health Agent
Culture Agent
        ↓
Excuse Composer

Hver agent leverer kontekst til den centrale generator.

Det minder faktisk om arkitekturen i mange moderne AI-systemer.

Plausibility score

En sjov funktion er en realism score.

Eksempel:

Score	Betydning
90-100	meget realistisk
70-89	plausibel
40-69	kreativ
0-39	absurd

Output kunne derfor se sådan ud:

Plausibility score: 73%

Den hemmelige arbejdsgiverfunktion

En af de mere satiriske funktioner er en skjult employer mode.

Her kan en chef justere systemets parametre.

For eksempel:

• maksimal plausibilitet
• variationskrav
• pinlighedsniveau

Hvis pinlighedsniveauet sættes højt, kunne generatoren producere noget i stil med:

René kan ikke komme på arbejde i dag, fordi hans tidsplan kolliderede med virkeligheden.

Hvorfor bygge noget så absurd?

Fordi sådanne projekter faktisk er gode til at demonstrere, hvordan moderne AI fungerer.

Selv en humoristisk undskyldningsgenerator illustrerer:

• kontekstberiget AI
• data-integration
• prompt engineering
• memory-systemer
• agent-arkitektur

Med andre ord: mange af de samme principper som i seriøse AI-projekter.

Konklusion

Det er muligt, at verden ikke har akut brug for en avanceret undskyldningsgenerator.

Men hvis man kan bygge en, har man sandsynligvis også forstået en del om moderne AI-systemer.

Og i værste fald har man altid en forklaring klar, næste gang man ikke kan komme på arbejde.

Selv hvis årsagen er et to meter højt ringbind foran døren.