Efterhånden som vores digitale liv bliver mere komplekst, og vores gadgets bliver mere smarte, er det ikke overraskende, at også måden vi søger information på, udvikler sig i lynets hast. Den næste store trend? Multimodal søgning – altså søgning, hvor du bruger flere indgangsmetoder samtidig. Det er som at kombinere at tale, pege, vise billeder og måske endda røre ved noget, alt sammen i én søgning, uden at skulle skifte platform eller måde.
**Hvad er multimodal søgning egentlig?**
Kort sagt: Det er en måde at Lege med data, hvor du kan blande tekst, billeder, lyd, video, stemmekommandoer og endda din lokation i én søgning. Forestil dig, at du står foran en restaurant, og du kan sige: “Find pizzaer her, og se billeder af dem” – så kombineres den talte kommando med visuelle elementer. Eller tænke på en reklame, hvor du kan scanne et produkt, og gleichzeitig høre en podcast om det produkt. Det er fremtiden for, hvordan vi søger og får info.
**Hvorfor er det væsentligt i 2025?**
De store tech-giganter (Google, Microsoft, Apple) arbejder allerede på det, og de vil have, at vores søgninger bliver mere intuitive og naturlige. AI’erne er blevet bedre til at forstå, hvad vi mener, ud fra flere input, hvilket betyder mere præcise resultater og mindre bruge tid på at prøve at formulere den perfekte søgning. Det handler om at skabe en søgeoplevelse, der føles mere som at snakke med en kammerat, der kan mere end bare læse en tekst.
**Eksempler på anvendelser i virkeligheden:**
– *Healthcare*: En patient tager et billede af et udslæt, taler om sine symptomer, og AI’en giver diagnostiske forslag.
– *Detailhandel*: Du tager et billede af en jakke, du kan spørge “Har I den her model i størrelse M?” og straks få relevante resultater.
– *Autonome biler*: Samler kamera, lidar, lydinput, GPS – så bilen kan “se”, “høre” og “forstå” sin omgivelser på én gang.
– *Kundesupport*: Har du en screenshot, lydoptagelse og tekst, kan AI’en hjælpe med at løse dit problem uden meget besvær.
**Hvad er de største udfordringer?**
Det er ikke bare at smide alle disse inputtyper ind i en maskine. Det kræver teknik, der kan fusionere data fra forskellige modaliteter – altså få de forskellige typer data til at tale med hinanden. Der er også brug for, at systemerne kan forstå konteksten, så de skelner mellem “det her billede er vigtigt” eller “den her lyd betyder noget”. Og så skal det være brugervenligt, så almindelige mennesker føler, de får noget ud af det – ingen ønsker at skulle lave avanceret datamatematik bare for at finde deres nøgler.
**Ser vi det i dag?**
Ja, i mindre skala. Du kan allerede i nogle apps tage billeder og få tilhørende info, bruge stemmestyring kombineret med visuelle elementer, eller søge efter noget med en kombination af kamera og tekst. Men i 2025 forventes det, at multimodalitet er helt almindeligt – integreret i alt fra smartphones til selvkørende biler.
Så næste gang du bare prøver at finde den dér jakke eller et godt sted at spise, kan du måske endelig slippe for at formulere den perfekte tekstsøgnings-sætning. I stedet kan du pege, tale, og vise, alt sammen i ét, og AI’en fanger det hele – uden du behøver at lave en mindre phd om det. De store går all in, og vi andre kan bare glæde os til en mere smidig, naturlig måde at finde rundt i infojunglen.
Vores team kan have anvendt AI til at assistere i skabelsen af dette indhold, som er gennemgået af redaktørerne.
![]()
Læs også: