chore(privacy): scrub real-org references from plugin internals (phase 2)

Same bulk replacement applied to plugin-internal KB, examples, fixtures,
tests, and docs. Real organization names, persona names, internal system
identifiers, and domain-specific terms replaced with fictional generic
public-sector entity (DDT) and generic terminology.

Scope:
- okr/ — examples, governance, framework, integrations, sources
- ms-ai-architect/ — KB references (engineering, governance, security,
  infrastructure, advisor), tests/fixtures, agents, docs
- linkedin-thought-leadership/ — voice samples, network-builder,
  examples (genericized identifying headlines to "[your organization]")
- llm-security/ — research notes, scan report

Manual genericization beyond bulk replace:
- okr SKILL.md "Primary user / Domain" — generic Norwegian public sector
- linkedin-voice SKILL.md headline placeholder
- network-builder.md headline placeholder
- high-engagement-posts.md voice sample employer line + hashtag

Phase 3 (factual-attribution review) remains: a few KB files attribute
publicly known transport-sector docs/datasets (e.g. håndbok V440, NVDB)
to the fictional DDT after bulk replace. Needs manual semantic review
to either remove or restore correct citation without re-introducing
affiliation references.

Co-Authored-By: Claude Opus 4.7 <noreply@anthropic.com>

plugins/ms-ai-architect/skills/ms-ai-security/references/performance-scalability/auto-scaling-ai-infrastructure.md

@@ -76,7 +76,7 @@ Azure Container Apps bruker KEDA (Kubernetes Event-driven Autoscaling) for dekla
               "type": "azure-servicebus",
               "metadata": {
                 "queueName": "ai-processing-queue",
-                "namespace": "svv-ai-servicebus",
+                "namespace": "ddt-ai-servicebus",
                 "messageCount": "5"
               }
             }
@@ -227,7 +227,7 @@ resource aiService 'Microsoft.App/containerApps@2023-05-01' = {
           "type": "azure-servicebus",
           "metadata": {
             "queueName": "document-analysis",
-            "namespace": "svv-ai-bus",
+            "namespace": "ddt-ai-bus",
             "messageCount": "3"
           },
           "auth": [

plugins/ms-ai-architect/skills/ms-ai-security/references/performance-scalability/batch-api-usage-optimization.md

@@ -10,7 +10,7 @@
 
 Azure OpenAI Batch API er designet for storskala, asynkron prosessering av AI-arbeidslaster. Med 50% lavere kostnad enn Global Standard-prising og separat kvote som ikke pavirker online-trafikken, er Batch API ideelt for norsk offentlig sektor som trenger a prosessere store volumer av dokumenter, klassifiseringer eller analyser.
 
-For offentlige virksomheter som Statens vegvesen, Nav, eller Skatteetaten kan Batch API brukes til masseprosessering av henvendelser, dokumentanalyse, oversettelser og datautvinning uten a forstyrre sanntidstjenestene. Tjenesten er spesielt verdifull for periodiske oppgaver som kvartalsvis rapportering, arsavslutning, eller migrering av historiske data.
+For offentlige virksomheter som Direktoratet for digital tjenesteutvikling, Nav, eller Skatteetaten kan Batch API brukes til masseprosessering av henvendelser, dokumentanalyse, oversettelser og datautvinning uten a forstyrre sanntidstjenestene. Tjenesten er spesielt verdifull for periodiske oppgaver som kvartalsvis rapportering, arsavslutning, eller migrering av historiske data.
 
 Denne referansen dekker hele arbeidsflyten for Batch API, fra filsammensetning og opplasting til kostnadsberegning og feilhhandtering, med fokus pa optimalisering for store volumer.
 

plugins/ms-ai-architect/skills/ms-ai-security/references/performance-scalability/latency-optimization-azure-openai.md

@@ -300,7 +300,7 @@ Azure OpenAI prompt caching reduserer latens og kostnad for requests med identis
 # Krav: Minimum 1024 tokens, identisk prefix
 
 # System prompt som gjenbrukes pa tvers av requests
-SYSTEM_PROMPT = """Du er en saksbehandlingsassistent for Statens vegvesen.
+SYSTEM_PROMPT = """Du er en saksbehandlingsassistent for Direktoratet for digital tjenesteutvikling.
 Du hjelper med a analysere og klassifisere innkommende henvendelser
 relatert til forerkort, kjoretoysregistrering og veiprosjekter.
 

plugins/ms-ai-architect/skills/ms-ai-security/references/performance-scalability/model-distillation-performance.md

@@ -295,7 +295,7 @@ def calculate_distillation_savings(
         "roi_months": round(roi_months, 1)
     }
 
-# Eksempel: Statens vegvesen dokumentanalyse
+# Eksempel: Direktoratet for digital tjenesteutvikling dokumentanalyse
 savings = calculate_distillation_savings(
     monthly_requests=100_000,
     avg_input_tokens_before=1200,  # Med few-shot

plugins/ms-ai-architect/skills/ms-ai-security/references/performance-scalability/prompt-caching-performance.md

@@ -153,15 +153,15 @@ def design_cacheable_prompt(
     return messages, stats
 
 
-# Eksempel: Saksbehandler-assistent for Statens vegvesen
+# Eksempel: Saksbehandler-assistent for Direktoratet for digital tjenesteutvikling
 messages, stats = design_cacheable_prompt(
     system_instructions="""Du er en AI-assistent for saksbehandlere i
-    Statens vegvesen. Du hjelper med å analysere klager på vedtak om
-    førerkort, vurdere om klagen har grunnlag, og foreslå svar.
+    Direktoratet for digital tjenesteutvikling. Du hjelper med å analysere klager på vedtak om
+    saksbehandling, vurdere om klagen har grunnlag, og foreslå svar.
 
     Regelverk du skal referere til:
     - Vegtrafikkloven § 24-34
-    - Førerkortforskriften
+    - fagforskriften
     - Forvaltningsloven § 28-36 (klagebehandling)
 
     Format: Alltid bruk overskrifter, vurder hvert punkt separat,
@@ -173,7 +173,7 @@ messages, stats = design_cacheable_prompt(
             "output": "## Vurdering\n### Regelverksvurdering..."
         },
         {
-            "input": "Klage: Mitt førerkort ble inndratt...",
+            "input": "Klage: Mitt saksbehandling ble inndratt...",
             "output": "## Vurdering\n### Regelverksvurdering..."
         }
     ],
@@ -203,7 +203,7 @@ client = AzureOpenAI(
 response = client.chat.completions.create(
     model="gpt-4o",
     messages=messages,
-    prompt_cache_key="svv-complaint-handler-v2",  # Gruppert caching
+    prompt_cache_key="ddt-complaint-handler-v2",  # Gruppert caching
     max_tokens=1000
 )