test(ms-ai-architect): playground v3 markdown fixtures (17 commands) [skip-docs]

Synthetic markdown fixtures for the 17 report-producing commands per the canonical archetype-routing-tabell. Each fixture uses the consistent ANPR-trafikkanalyse system from brief example to produce parser-input that exercises every archetype path (aiact, requirements-list, text-document, fria, conformity-checklist, matrix-risk 5x5, matrix-risk-6x5, findings, cost-distribution, capability, phased-plan, markdown, verdict, comparison).

Real /architect:<command> capture deferred to incremental work; synthetic fixtures suffice as parser test input for Steps 11-12.

plugins/ms-ai-architect/playground/test-fixtures/utredning.md

@@ -0,0 +1,61 @@
+# AI-arkitekturutredning — ANPR-trafikkanalyse for Statens vegvesen
+
+## 1. Bakgrunn og formål
+
+Statens vegvesen har siden 2018 driftet en on-prem ANPR-løsning for trafikkanalyse på riksveger og enkelte kommunale veger. Løsningen er basert på OCR-bibliotek fra 2017 og leveres som et lukket system uten mulighet for retrening eller forbedring av modell. Saksbehandlingen er manuell og tar i snitt 14 minutter per sak. KI-seksjonen utreder modernisering til en skybasert AI-plattform som støtter custom modell-trening, audit-logging på inferens-nivå, og saksbehandler-co-pilot.
+
+## 2. Mandat
+
+Utredningen skal:
+- Anbefale teknologivalg blant Azure AI Foundry, Azure ML+AKS, AWS SageMaker og on-prem GPU-cluster
+- Vurdere compliance-status mot EU AI Act, GDPR, sikkerhetsloven og arkivloven
+- Estimere TCO over 3 år
+- Identifisere risiko og foreslå mitigerende tiltak
+- Definere KPI-er for produksjonssetting
+
+## 3. Metode
+
+Utredningen kombinerer:
+- Kvalitativ analyse av compliance-krav per relevante lover og forskrifter
+- Kvantitativ TCO-analyse basert på 12 millioner ANPR-deteksjoner/mnd
+- Risikoanalyse per NS 5814 og DPIA per Datatilsynets veileder
+- Markedsundersøkelse av tilgjengelige plattformer fra Azure, AWS og GCP
+
+## 4. Funn
+
+### 4.1 Compliance
+
+EU AI Act klassifiserer systemet som høyrisiko (Annex III, punkt 6 — rettshåndhevelse). Statens vegvesen er Provider og Deployer, hvilket trigger alle krav i Art. 9-15 + Art. 27 (FRIA) + Art. 49 (registrering).
+
+### 4.2 Teknologivalg
+
+Azure AI Foundry er anbefalt primær plattform fordi:
+- Full compliance-pakke for offentlig sektor
+- Customer-managed keys og Customer Lockbox tilgjengelig
+- Custom modell-trening via integrert Azure ML
+- Norsk dataresidens (West Europe + EU Data Boundary)
+
+### 4.3 TCO
+
+3-års TCO estimert til NOK 6.7M (P50). Hovedkostnad: Azure AI Services (38%) + Azure OpenAI (16%).
+
+### 4.4 Risiko
+
+Hovedrisiko: bias mot utenlandske kjennemerker, modell-drift over tid, og manglende ABAC-implementering på saksbehandler-tilgang. Alle har konkrete tiltak.
+
+## 5. Konklusjon
+
+Anbefalt: gjennomfør 8-ukers POC før formell prosjektoppstart. Ved vellykket POC, full implementering over 28 uker mot produksjonssetting Q2 2027.
+
+## 6. Anbefaling
+
+Godkjenn POC-budsjett på NOK 1.2M og forenkle prosjekt-mandat for fase 1-4 ved positiv POC-evaluering.
+
+## 7. Referanser
+
+- EU AI Act 2024/1689
+- GDPR 2016/679
+- Sikkerhetsloven (LOV-2018-06-01-24)
+- Arkivloven (LOV-1992-12-04-126)
+- NS 5814:2008 — Krav til risikovurderinger
+- Datatilsynets veileder for AI og personvern (2024)