Så laddar du upp dokument till AI i Whizi

Filtyper som stöds, och vad som faktiskt händer med varje

Bifoga filen genom att dra den till skrivfältet eller klicka på gemet, och ställ sedan din fråga. Vad modellen tar emot varierar med filtyp, och att veta vilket förklarar de mesta överraskande resultaten.

Typ	Filändelser	Vad modellen arbetar med
Textbaserade PDF:er	.pdf	Den extraherade texten, i läsordning, inklusive tabeller som text
Skannade PDF:er	.pdf	En sidvis transkription från en serversidig synanalys
Word-dokument	.docx	Dokumenttexten, extraherad i din webbläsare
Kalkylblad	.xlsx, .csv	Cellvärden som text, inte levande formler
Bilder	.png, .jpg, .jpeg	Själva bilden, tolkad av en multimodal modell
Kod och ren text	.py, .js, .ts, .go, .md, .txt och liknande	Filinnehållet ordagrant

Två konsekvenser värda att komma ihåg. För det första kommer ett kalkylblad in som värden snarare än som en fungerande arbetsbok, så modellen kan läsa vad din formel gav men inte köra om formeln. För det andra har en skannad PDF gått igenom en synbaserad transkription snarare än ren textextraktion, och ett ovanligt typsnitt, en handskriven notering eller en skanning med låg upplösning kan fortfarande ge ett feltolkat tecken i ett tal. Kontrollera siffror från skannade dokument mot originalet. En bildanteckning: skrivfältet vägrar GIF-filer och ber om PNG eller JPEG istället.

Förbered filen innan du frågar något

Fem minuter här sparar en förvirrande konversation senare.

• Namnge filen efter vad den är. Modellen ser filnamnet, och 2025-q3-vendor-contract-acme.pdf ger den nyttig kontext som document(3).pdf inte gör. Det spelar också stor roll när flera filer redan finns i tråden.
• Skicka källversionen, inte presentationsversionen. Särskilt för kalkylblad orsakar versionen med sammanslagna celler, delsummor inuti datan och anteckningar i marginalen betydligt fler fel än en stor ren fil gör.
• Dela upp enorma dokument efter syfte, inte efter storlek. Om du bara behöver metod- och resultatavsnitten är det bättre att ladda upp dem än att ladda upp 400 sidor och hoppas att uppmärksamheten hamnar på rätt ställe.
• Ta bort personuppgifter du inte behöver. Namn, e-postadresser och identifierare krävs sällan för analysen, och att rensa bort dem går snabbare än att avgöra om du fick ladda upp dem.
• Kontrollera att en PDF faktiskt är text. Försök markera text i din PDF-läsare. Om du inte kan är det en skanning, Whizi transkriberar den med en synanalys, och siffror bör kontrolleras mot originalet.

Välj modell för filen

Det valet spelar större roll än prompten för dokumentarbete.

• Gemini för allt långt. Gemini-modeller i Whizi har ett kontextfönster på 1 000 000 token, vilket betyder att en rapport på 200 sidor, en hel avtalsmängd eller ett dussin artiklar kan finnas närvarande samtidigt istället för att bearbetas bit för bit. Frågor mellan dokument fungerar bara ordentligt när allt faktiskt finns i kontexten.
• Claude för nyans. Juridiskt språk, policydokument, allt där betydelsen beror på förbehåll och nyansering. Den är också bäst på att berätta vad ett dokument inte säger, vilket ofta är den verkliga frågan.
• GPT för extraktion. Fakturor, formulär, strukturerad data, allt där du vill ha en strikt tabell eller JSON tillbaka och konsekventa fältnamn över hundra rader.
• Vilken multimodal modell som helst för bilder, diagram, skärmdumpar och illustrationer. Be den beskriva vad den ser innan du ber den tolka, vilket fångar feltolkningar tidigt.

Du kan byta modell mitt i tråden utan att ladda upp igen, vilket är själva poängen med att göra detta i en och samma arbetsyta. Läs med Gemini, extrahera med GPT och låt Claude skriva sammanfattningen, allt mot samma bifogade fil. Se byte av modell mitt i en konversation.

Arbeta med flera dokument samtidigt

Frågor om ett enda dokument är användbara. Frågor om flera dokument är där detta slutar vara en bekvämlighet och börjar vara en förmåga du inte hade tidigare.

Prompt: jämför

Jämför contract-a.pdf och contract-b.pdf. Ge en tabell över varje klausul som skiljer sig: klausul, vad A säger, vad B säger, och vilken som är mer fördelaktig för oss och varför. Bortse från skillnader i formatering och numrering. Lista klausuler som finns i en men saknas i den andra separat.

Prompt: sammanställ

Bygg en tabell utifrån alla bifogade filer som besvarar [fråga]. En rad per dokument, med dokumentnamnet i första kolumnen. Där ett dokument inte tar upp det, skriv INTE BEHANDLAT. Slå inte ihop dokument som använder olika definitioner utan att flagga det.

Prompt: hitta motsägelsen

Var motsäger dessa dokument varandra? Citera båda passagerna sida vid sida och ange vilken fil varje kommer från. Skilj äkta motsägelser från skillnader i omfattning eller datum.

Referera alltid till filer med namn i din prompt när det finns fler än en. "I leverantörsavtalet, vad är uppsägningstiden?" är entydigt, "vad är uppsägningstiden?" gör att modellen väljer, och den talar inte om vilken den valde.

När svaret ser fel ut

En kort diagnossekvens som löser de flesta problem.

Modellen säger att den inte ser filen. Bekräfta att bifogningen faktiskt laddades upp, och referera den sedan uttryckligen: "I den bifogade report.pdf". Särskilt för bilder säkerställer "titta på den bifogade bilden" att den multimodala vägen används istället för att modellen svarar utifrån texten i din fråga ensam.

Svaret handlar om fel dokument. Namnge filen i varje fråga när tråden har flera.

Siffrorna är lite fel i ett skannat dokument. Det är transkriptionen av skanningen, inte resonemanget. Be modellen citera raden runt omkring ordagrant så du kan se vad den läste, och kontrollera sedan originalet.

Den missade något du vet finns där. Ställ en lokaliserande fråga först: Citera passagen som diskuterar [ämne] och ange dess sida eller avsnitt. Om den inte kan hitta det är extraktionen problemet, inte resonemanget. Prova en annan modell eller ladda upp de relevanta sidorna separat.

Den sammanfattar istället för att svara. Be om beläggen snarare än slutsatsen: Citera exakt den text som stödjer ditt svar. Detta fångar också fallet där svaret härleddes från allmän kunskap snarare än från ditt dokument, vilket är det viktigaste felet att fånga.

Den sista kontrollen förtjänar betoning. En modell som tillfrågas om en välkänd avtalstyp, en vanlig reglering eller en känd artikel kan svara trovärdigt utifrån träningsdata utan att alls konsultera din fil. Att kräva ett citat tvingar svaret att förankras i det dokument som faktiskt finns framme.

Sekretess och vad du bör tänka på innan du laddar upp

Uppladdade bifogningar är konfigurerade att gå ut efter upp till 30 dagar, och du kan själv ta bort en fil eller en hel konversation tidigare. Whizi använder inte dina prompter, filer, konversationer, röstinspelningar eller genererat innehåll för att träna Whizi-ägda AI-modeller, och säljer inte det innehållet som träningsdata. Leverantören som driver modellen du valde tar emot vad den behöver för att svara och kan hålla tillfälliga cachar enligt sin egen policy.

Bedömningen som förblir din är om dokumentet är ett du får behandla med en tredjepartstjänst alls. Kategorierna värda att stanna upp vid: personuppgifter som tillhör andra personer, allt som omfattas av en specifik sekretessklausul, väsentlig icke-offentlig information och reglerad data som hälso- eller finansuppgifter som omfattas av särskilda hanteringsregler.

Den praktiska medelvägen för de flesta är att redigera bort snarare än att avstå. Namn utbytta mot roller, siffror indexerade snarare än absoluta, och identifierare borttagna bevarar allt analysen behöver samtidigt som det tar bort det mesta som gör ett dokument känsligt.