---
title: "AI-prinsipper — Standard Online"
date: "YYYY-MM-DD"
tags: ["ai", "prinsipper", "rammeverk"]
refs:
  - "../4.informasjonsarkitektur/masterdata-og-eierskap.md"
  - "../5.personvern-og-sikkerhet/gdpr-oversikt.md"
  - "identifiserbarhet-og-tilgang.md"
  - "logging-og-sporbarhet.md"
  - "human-in-the-loop.md"
qa:
  status: "draft"
version: 1
---

# AI-prinsipper

Operasjonelle prinsipper for AI-agenter hos Standard Online. **Dette er ikke en arkitektur-spec** — det er et sett premisser som arkitekturen må respektere. Konkret implementering avklares i en senere fase.

## Grunnpremiss

AI-agenter blir bare så pålitelige som dataene under dem. Kontroll og eierskap til data er fundamentet for å kunne sette agenter i produksjon. AI-fundamentet er bygget på [masterdata-og-eierskap](../4.informasjonsarkitektur/masterdata-og-eierskap.md) og [data-governance-prinsipper](../4.informasjonsarkitektur/data-governance-prinsipper.md).

## Fem prinsipper

### 1. Identifiserbarhet — hver agent har egen identitet

Ingen AI-agent skal opptre under en generisk eller delt identitet. Hver agent autentiseres og autoriseres som en egen entitet. Se [identifiserbarhet-og-tilgang](identifiserbarhet-og-tilgang.md).

### 2. Minste privilegium — agenter får kun det de trenger

Tilganger gis per agent, per oppgave, og kun til nødvendig data og funksjonalitet. Tilganger gjennomgås periodisk. Se [identifiserbarhet-og-tilgang](identifiserbarhet-og-tilgang.md).

### 3. Sporbarhet — hver handling logges

Hver handling utført av en agent logges med agent-ID, tidspunkt, input, output og berørt data. Logger er tilgjengelige for dataeier. Se [logging-og-sporbarhet](logging-og-sporbarhet.md).

### 4. Human-in-the-loop for kritiske beslutninger

Beslutninger kategoriseres i tre nivåer: autonom, varslende, godkjennende. Kategoriseringen reflekterer risiko og reversibilitet. Se [human-in-the-loop](human-in-the-loop.md).

### 5. Datakvalitet som premiss

En agent settes ikke i produksjon mot et domene før domenet har tydelig System-of-Record, definert Dataforvalter og minimum akseptabel datakvalitet. Se [datakvalitet-som-ai-premiss](datakvalitet-som-ai-premiss.md).

## Åpne spørsmål for kundedialog

Disse spørsmålene bør avklares før konkret AI-arkitektur designes:

- Hva er kundens akseptable risikonivå for autonome handlinger?
- Hvilke domener er "high-stakes" hvor menneskelig godkjenning alltid kreves?
- Hvilke ansatte/roller skal kunne sette opp og endre agenter?
- Hvordan håndteres feil og avvik fra agenter — incident response?
- Hvilke åpne kilder/LLM-leverandører er akseptable? Hva er GDPR-grunnlaget for treningsdata?
- Hva er kundens posisjon på AI-baserte beslutninger overfor sluttbrukere (transparens, klagerett)?

---

*Klassifisering: Begrenset*