Files

Petter Schultz 0c6bcb7782 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>

2026-05-21 12:22:56 +02:00

2.1 KiB

Raw Blame History

title, date, tags, refs, qa, version

title

date

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:

Tydelig System-of-Record
Definert Dataforvalter
Minimum akseptabel datakvalitet for use casen
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

2.1 KiB Raw Blame History