Initial oppdragsstruktur for Standard Online

Etablerer 9-mappe-arbeidsstruktur basert på Forte sitt
startklar-malverk (Salg/_mal/startklar-malverk/), kalibrert
for Nivå 1 (avgrenset strategisk, 6-8 uker).

Inkluderer skeletter for:
- 1. Oppdrag og kontekst (oppdragsbeskrivelse, leveranser, rammer,
  interessenter, møtelogg, møtenotat-mal)
- 2. Organisasjonsforståelse (struktur, roller, nøkkelpersoner)
- 3. System- og datalandskap (SuperOffice, Business Central,
  nopCommerce — fylles ut i Fase A-B)
- 4. Informasjonsarkitektur (begrepskatalog, masterdata-og-eierskap,
  Data Governance prinsipper) — kjernen for leveranse 03 og 07
- 5. Personvern og sikkerhet (GDPR, Privacy by Design)
- 6. AI-rammeverk (operasjonelle prinsipper — ny for Standard,
  bygger på Forte AI Accelerator)
- 7. Standardisering og handlingsplan (avvik, prioritering, tiltak)
- 8. Kontinuerlig læring (intervjuguider, åpne spørsmål, funn)
- 9. Leveranser (Executive Summary, sluttrapport, leveranseplan)

Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>

6.ai-rammeverk/datakvalitet-som-ai-premiss.md

@@ -0,0 +1,63 @@
+---
+title: "Datakvalitet som AI-premiss — Standard Online"
+date: "YYYY-MM-DD"
+tags: ["ai", "datakvalitet", "premiss"]
+refs:
+  - "ai-prinsipper.md"
+  - "../4.informasjonsarkitektur/masterdata-og-eierskap.md"
+  - "../4.informasjonsarkitektur/datakvalitet-og-avvik.md"
+qa:
+  status: "draft"
+version: 1
+---
+
+# Datakvalitet som AI-premiss
+
+## Prinsipp
+
+**AI-agenter blir bare så pålitelige som dataene under dem.** En agent settes ikke i produksjon mot et domene før domenet har:
+
+1. Tydelig **System-of-Record**
+2. Definert **Dataforvalter**
+3. Minimum akseptabel **datakvalitet** for use casen
+4. Sporbar **datakilde** for treningsdata (hvis aktuelt)
+
+## Modenhets-gate per domene
+
+Per masterdata-domene må følgende være på plass før AI-agenter slippes inn:
+
+| Krav | Lenke |
+|---|---|
+| SoR tildelt | [[../4.informasjonsarkitektur/masterdata-og-eierskap]] |
+| Dataforvalter utnevnt | [[../4.informasjonsarkitektur/masterdata-og-eierskap]] |
+| Begrepskatalog dekker entitetene | [[../4.informasjonsarkitektur/begrepskatalog]] |
+| Datakvalitet kjent (måling utført) | [[../4.informasjonsarkitektur/datakvalitet-og-avvik]] |
+| Personverntiltak på plass | [[../5.personvern-og-sikkerhet/tiltak-for-innebygd-personvern]] |
+| Tilgangsstyring etablert | [[identifiserbarhet-og-tilgang]] |
+
+## Per use case
+
+| AI-use case | Domene(r) | Modenhet | Klar for produksjon? |
+|---|---|---|---|
+
+## Garbage in, garbage out
+
+Konkrete risikoer hvis datakvalitet ikke er på plass:
+
+- **Hallusinasjon-amplifisering:** LLM-er bygger på data — dårlig data gir feilaktige svar med høy konfidens
+- **Skjevhet (bias):** Manglende eller skjev data gir diskriminerende output
+- **Reproduserbarhet:** Uten kjent kilde kan man ikke reprodusere eller fikse feil
+- **Ansvar:** Hvem svarer for feil hvis dataeier ikke er utpekt?
+
+## AI-treningsdata
+
+Hvis modeller trenes på Standard Onlines data:
+
+- **Behandlingsgrunnlag:** Hva er GDPR-grunnlaget for å bruke persondata til trening?
+- **Anonymisering:** Kan data anonymiseres før trening?
+- **Sletting:** Hvordan håndteres sletteforespørsler — må modellen retrenes?
+- **Versjonering:** Hvilken datasnapshot trente vi på?
+
+---
+
+*Klassifisering: Begrenset*