chore(ms-ai-architect): refresh KB critical-bucket — 15 files [skip-docs]

KB-currency refresh (critical priority, 2026-06-19) via /architect:kb-update. 15 critical cost/arkitektur-filer re-verifisert mot Microsoft Learn (MCP). Hovedendringer: - Azure AI Search Serverless (Preview) prismodell (rag-cost, rag-query, vector-storage, rag-enterprise-scale) - Agentic retrieval GA-split (2026-04-01 REST GA, portal preview) + Foundry IQ - AI gateway multi-provider (Anthropic v2 / Google Vertex), unified model API (preview), Foundry-integrasjon (enterprise-arch, ai-services-cost, multi-model, cost-tracking) - FOCUS-skjema + Cost Mgmt -> ADLS Gen2 -> Fabric -> Power BI pipeline (cost-management, cost-allocation) - FinOps hub AI-agent via Azure MCP / Copilot Studio (budget-forecasting) - OTel trace-based sampling for logs (observability) - Korreksjoner: semantic-cache score-threshold = AVSTAND (0.15, ikke 0.85 cosine-likhet); llm-emit-token-metric maks 5 custom dimensions; Foundry RBAC-renames (Owner/Contributor = kun mgmt); Researcher/Analyst er ikke agenter - Alle 15 Last updated -> 2026-06-19 High-bucket (49 filer) UTSATT til egen sesjon (operatoer-valg). Co-Authored-By: Claude Opus 4.8 (1M context) <noreply@anthropic.com> Claude-Session: https://claude.ai/code/session_01REiKFhP4w6xGXXqWKpPCJJ
2026-06-19 06:22:48 +02:00 · 2026-06-19 06:22:48 +02:00 · 41b390b38d
commit 41b390b38d
parent 1ae5655156
15 changed files with 69 additions and 30 deletions
--- a/skills/ms-ai-advisor/references/copilot-extensibility/enterprise-governance-copilot-deployment.md
+++ b/skills/ms-ai-advisor/references/copilot-extensibility/enterprise-governance-copilot-deployment.md
@ -1,6 +1,6 @@
 # Enterprise Governance and Deployment Controls

-**Last updated:** 2026-05
+**Last updated:** 2026-06-19
 **Status:** GA
 **Category:** Copilot Extensibility & Integration

@ -38,11 +38,14 @@ Sentralisert administrasjonspanel i Microsoft 365 admin center (`admin.microsoft
 - **Deployment policies** — Konfigurer hvem som kan installere og bruke agents
 - **Pinning controls** — Pin agents til Copilot rail for synlighet og adoption
 - **Orphaned agent detection** — Identifiser agents uten owner for cleanup
+- **Agent Store-godkjenning (MCP 2026-06)** — Agenter fra Agent Store må gjennom innsending + admin-godkjenning via **Agent Registry** i M365 admin center; admins vurderer **agent-forespørsler** og publiserer/avviser. Publisering til organisasjonen støttes nå også i Government Community Cloud High (GCCH) og Moderate (GCCM)

 **Begrensninger:**
 - Microsoft-installed agents (Researcher, Analyst) kan kun blokkeres tenant-wide — granulære kontroller er grayed-out
 - Admins kan kun slette shared agents og custom LOB agents (ikke Microsoft-built agents)

+**Presisering (MCP 2026-06):** Researcher og Analyst er strengt tatt **ikke agenter**, men førsteparts Copilot-opplevelser i Microsoft 365 Copilot Chat (under **Tools**), bygget på samme fundament som M365 Copilot og innenfor M365 commercial data processing boundary. De sameksisterer med agenter og følger agent-relaterte governance-kapabiliteter, men styres **ikke** av agent-spesifikke innstillinger.
+
 ### 2. Zoned Governance Strategy

 Microsoft anbefaler en tredelt governance-modell basert på risiko og teknisk kompleksitet:
@ -432,7 +435,7 @@ Start
 - **DSPM for AI som "front door"** — Data Security Posture Management for AI er nå anbefalt startpunkt for å oppdage, sikre og anvende compliance-kontroller på tvers av AI-bruk i tenantet (Verified 2026-05)
 - **Tre AI-app-kategorier i Purview:**
  1. **Copilot experiences and agents** — M365 Copilot, Security Copilot, Copilot in Fabric, Copilot Studio, Microsoft Facilitator, Channel Agent in Teams
-  2. **Enterprise AI apps** — Entra-registered AI apps, Microsoft Foundry, ChatGPT Enterprise
+  2. **Enterprise AI apps** — Entra-registered AI apps, Microsoft Foundry, ChatGPT Enterprise, **Anthropic Claude (Enterprise)** (lagt til MCP 2026-06)
  3. **Other AI apps** — Tredjepart-LLMs (ChatGPT consumer, Google Gemini, DeepSeek) detektert via Defender for Cloud Apps
 - **Microsoft Agent 365** har dedikert Purview-side (`ai-agent-365`) for security & compliance
 - **Risky AI usage policy template** i Insider Risk Management — detekterer prompt injection-angrep og tilgang til beskyttet materiale, integrert med Microsoft Defender XDR (Verified 2026-05)
--- a/skills/ms-ai-engineering/references/api-management/cost-tracking-apim-policies.md
+++ b/skills/ms-ai-engineering/references/api-management/cost-tracking-apim-policies.md
@ -1,6 +1,6 @@
 # Cost Tracking & Chargeback via APIM Policies

-**Last updated:** 2026-02
+**Last updated:** 2026-06-19
 **Status:** GA
 **Category:** API Management & AI Gateway

@ -42,12 +42,9 @@ Den primære policyen for å emittere token-metriker til Azure Monitor:
 <outbound>
    <base />
    <llm-emit-token-metric namespace="ai-cost-metrics">
-        <!-- Dimensjoner for kostnadsallokering -->
+        <!-- Maks 5 custom dimensions per policy (Azure Monitor-grense) -->
        <dimension name="Subscription" value="@(context.Subscription.Name)" />
-        <dimension name="API" value="@(context.Api.Name)" />
        <dimension name="Product" value="@(context.Product.Name)" />
-        <dimension name="ClientIP" value="@(context.Request.IpAddress)" />
-        <dimension name="Region" value="@(context.Deployment.Region)" />
        <dimension name="UserId"
                   value="@(context.Request.Headers.GetValueOrDefault("X-User-Id", "unknown"))" />
        <dimension name="Department"
@ -58,6 +55,8 @@ Den primære policyen for å emittere token-metriker til Azure Monitor:
 </outbound>
 ```

+**Viktig (MCP 2026-06):** `llm-emit-token-metric` tillater **maks 5 custom dimensions per policy** (Azure Monitor-grense — 5 default-dimensjoner brukes allerede av tjenesten; eksempelet over er derfor trimmet fra 8 til 5). Flere dimensjoner gir policy-feil. Policyen konfigureres i **inbound**-seksjonen og virker for OpenAI Chat Completions/Responses, **Anthropic Messages API** (API Management v2-tiers) og **Google Vertex AI**. Token-kategoriene inkluderer nå (preview) også cached-, reasoning- og thinking-tokens i tillegg til prompt/completion/total. Sett `include_usage=true` ved streaming, ellers blir token-tellingen unøyaktig.
+
 ### Token-typer og Kostnader

 | Token-type | Beskrivelse | Kostnadsandel |
--- a/skills/ms-ai-engineering/references/azure-ai-services/ai-services-cost-optimization.md
+++ b/skills/ms-ai-engineering/references/azure-ai-services/ai-services-cost-optimization.md
@ -1,6 +1,6 @@
 # Azure AI Services - Pricing Models and Cost Optimization

-**Last updated:** 2026-02
+**Last updated:** 2026-06-19
 **Status:** GA
 **Category:** Azure AI Services (Foundry Tools)

@ -199,6 +199,7 @@ PTU er en kapasitetsbasert prismodell for Azure OpenAI, primært for produksjons
 - **Rate limiting:** Forhindre overskridelser
 - **Circuit breaker:** Automatisk failover til billigere endepunkt
 - **Load balancing:** Distribuer trafikk mellom PTU og pay-as-you-go
+- **Multi-provider + Foundry (MCP 2026-06):** AI gateway styrer nå også Anthropic Messages API (v2-tiers) og Google Vertex AI, tilbyr unified model API (preview), og kan integreres direkte i Microsoft Foundry (preview) for sentral token-/kostnadsgovernance på tvers av modeller, agenter og verktøy

 **Verified** – Microsoft Learn: Generative AI Gateway Capabilities.

--- a/skills/ms-ai-engineering/references/azure-ai-services/ai-services-enterprise-architecture.md
+++ b/skills/ms-ai-engineering/references/azure-ai-services/ai-services-enterprise-architecture.md
@ -1,5 +1,5 @@
 # Azure AI Services - Enterprise Architecture Patterns
-**Last updated:** 2026-05 | Verified: MCP 2026-05
+**Last updated:** 2026-06-19 | Verified: MCP 2026-06
 **Status:** GA
 **Category:** Azure AI Services (Foundry Tools)

@ -52,6 +52,13 @@ Azure AI Services (tidligere Cognitive Services) krever robuste enterprise-arkit
 - Session affinity for conversational agents
 - Health probes og automatic retry uten client-side delay

+**Multi-provider og governance (MCP 2026-06):**
+- AI gateway medierer nå flere LLM-skjemaer: OpenAI Chat Completions/Responses, **Anthropic Messages API** (API Management v2-tiers) og **Google Vertex AI** — i tillegg til modeller i Microsoft Foundry og ikke-Microsoft-leverandører (f.eks. Amazon Bedrock)
+- **Unified model API (preview):** eksponerer flere backends gjennom ett OpenAI-kompatibelt endepunkt med automatisk format-oversettelse og felles policy-governance på tvers av modeller
+- Styrer også **MCP-servere** og **A2A-agent-APIer** som backends, ikke bare språkmodeller
+- **AI gateway i Microsoft Foundry (preview):** governance av modeller, agenter og verktøy direkte fra Foundry-miljøet (token-kvoter, throttling, content safety, telemetri i Foundry/Application Insights)
+- Semantisk caching via **Azure Managed Redis** (RediSearch-kompatibel) med `llm-semantic-cache-store`/`-lookup`-policyer
+
 **VIKTIG:** APIM circuit breaker for Azure OpenAI må håndtere `429 Too Many Requests` og respektere `Retry-After`-headeren (kan være opptil 24 timer).

 ### 3. Azure AI Search
--- a/skills/ms-ai-engineering/references/rag-architecture/rag-cost-optimization.md
+++ b/skills/ms-ai-engineering/references/rag-architecture/rag-cost-optimization.md
@ -1,6 +1,6 @@
 # RAG Cost Optimization and Efficiency

-**Last updated:** 2026-05
+**Last updated:** 2026-06-19
 **Status:** GA
 **Category:** RAG Architecture & Semantic Search

@ -29,7 +29,9 @@ Valg av Azure AI Search pricing tier er avgjørende for total kostnad:
 | **S3 HD** | Multitenant, mange små indekser | 200 GB | Høy | ~NOK 20,000 |
 | **L1/L2** | Storage-optimized, sjeldne queries | 1 TB+ | Lavere | ~NOK 15,000+ |

-**Viktig:** Services opprettet etter april 2024 får større partitions til samme pris. Basic-tier: 15 GB per partisjon (eldre services: 2 GB). S1: 25 GB per partisjon. Tier switching er nå støttet — du kan bytte mellom Basic og Standard S1 direkte uten å recreate servicen. Verified (MCP 2026-04).
+**Viktig:** Services opprettet etter april 2024 får større partitions til samme pris. Basic-tier: 15 GB per partisjon (eldre services: 2 GB). S1: 25 GB per partisjon. Tier switching er nå støttet — du kan bytte mellom Basic og Standard (S1/S2/S3) direkte (config må ikke overstige target-tier; regionen må ha kapasitet). Verified (MCP 2026-04).
+
+**NY prismodell — Serverless (Preview, MCP 2026-06):** Azure AI Search har nå to prismodeller — **Dedicated** (tabellen over, fast pris per Search Unit) og **Serverless (Preview)**, forbruksbasert (Compute Units/time + per-GB/mnd lagring), ingen compute-kost ved idle. Serverless passer sporadiske/bursty workloads og multitenant; Dedicated passer jevn, forutsigbar last. Per juni 2026 er Serverless Developer i preview (kun West Central US, Switzerland North, Japan East), uten SLA, og støtter ikke migrering til/fra Dedicated. **SU og CU er ikke utvekslbare** — ikke bruk SU-baserte kalkulatorer for Serverless.

 ### 2. Token Cost Reduction Strategies

--- a/skills/ms-ai-engineering/references/rag-architecture/rag-enterprise-scale.md
+++ b/skills/ms-ai-engineering/references/rag-architecture/rag-enterprise-scale.md
@ -1,6 +1,6 @@
 # RAG at Enterprise Scale - Indexing and Serving

-**Last updated:** 2026-04
+**Last updated:** 2026-06-19
 **Status:** GA
 **Category:** RAG Architecture & Semantic Search

@ -150,7 +150,9 @@ For global enterprise-løsninger med latency-krav:
 | **Standard S3** | 200 GB | Svært god | 20M+ dokumenter, continuous updates |
 | **Storage Optimized L1** | 1 TB | Moderat | Arkiv-scenarier, sjeldne oppdateringer |

-**Viktig**: Services opprettet etter 3. april 2024 har [høyere storage per partition](https://learn.microsoft.com/en-us/azure/search/search-limits-quotas-capacity#service-limits). Eldre services kan oppgraderes.
+**Viktig**: Services opprettet etter 3. april 2024 har [høyere storage per partition](https://learn.microsoft.com/en-us/azure/search/search-limits-quotas-capacity#service-limits). Eldre services kan oppgraderes. Basic-services opprettet etter 3. april 2024 støtter nå opptil 3 partitions × 3 replicas (maks 9 SU); eldre Basic var begrenset til 1 partition × 3 replicas. Verified (MCP 2026-06).
+
+**NY prismodell — Serverless (Preview, MCP 2026-06):** Ved siden av **Dedicated** (replicas × partitions = Search Units — hele dette dokumentets skaleringsmodell) tilbyr Azure AI Search nå **Serverless (Preview)**: forbruksbasert kapasitet som skalerer automatisk og **ned til null ved idle** (Compute Units/time + per-GB/mnd lagring). Microsoft peker eksplisitt på Serverless for «variable, bursty, or multitenant workloads, including agent-driven scenarios». For enterprise med jevn, forutsigbar last forblir Dedicated riktig; for sporadiske/agent-drevne workloads fjerner Serverless idle-kost. Per juni 2026 i preview (kun West Central US, Switzerland North, Japan East), uten SLA, ingen migrering til/fra Dedicated.

 ### Vanlige Feil

--- a/skills/ms-ai-security/references/cost-optimization/azure-ai-foundry-cost-governance.md
+++ b/skills/ms-ai-security/references/cost-optimization/azure-ai-foundry-cost-governance.md
@ -1,6 +1,6 @@
 # Azure AI Foundry Cost Governance and Controls

-**Last updated:** 2026-02
+**Last updated:** 2026-06-19
 **Status:** GA
 **Category:** Cost Optimization & FinOps for AI

@ -102,6 +102,14 @@ Dynamic quota lar deployments opportunistisk bruke ubrukt kapasitet utover sin b
 - ❌ Produksjonsapplikasjoner som krever forutsigbar ytelse
 - ❌ Når du må enforce hard spending cap (dynamic quota har ingen takgrense)

+### 6. Resource-modell og RBAC (MCP 2026-06)
+
+**«Foundry Tools» → «Foundry resource»:** Den underliggende Azure-ressursen (API-kind `AIServices`) er omdøpt til **Microsoft Foundry resource** — neste versjon og renaming av tidligere «Foundry Tools». Projects fungerer som mapper for å gruppere arbeid under én ressurs (relevant for kostnadsallokering per prosjekt).
+
+**Foundry RBAC-roller (omdøpt — rolle-IDer og kjernepermisjoner uendret):** Azure AI User → **Foundry User**, Azure AI Owner → **Foundry Owner**, Azure AI Account Owner → **Foundry Account Owner**, Azure AI Project Manager → **Foundry Project Manager**. De gamle navnene kan fortsatt vises mens utrullingen pågår.
+
+**Viktig for rolleseparering / least-privilege:** Azure **Owner** og **Contributor** gir KUN management-tilgang (opprette/konfigurere ressurser, styre kvote/kostnad) — **ikke** utviklingstilgang. For å faktisk bygge (data actions) kreves **Foundry User** (minste privilegium for utviklere) eller **Foundry Owner**. Dette gir et rent skille mellom hvem som styrer kostnad/kvote og hvem som utvikler — direkte nyttig for IKS-rolleseparering omtalt lenger ned.
+
 ## Arkitekturmønstre

 ### Mønster 1: Strict Quota Governance (High Control)
--- a/skills/ms-ai-security/references/cost-optimization/azure-cost-management-ai.md
+++ b/skills/ms-ai-security/references/cost-optimization/azure-cost-management-ai.md
@ -1,6 +1,6 @@
 # Azure Cost Management and Budget Monitoring for AI

-**Last updated:** 2026-02
+**Last updated:** 2026-06-19
 **Status:** GA
 **Category:** Cost Optimization & FinOps for AI

@ -131,6 +131,8 @@ Plattformen er gratis for alle Azure-kunder og integreres sømløst med Azure Po
 - **FinOps Hub**: Open-source accelerator fra Microsoft (Data Factory + Fabric) for advanced analytics
 - **Azure Data Explorer (ADX)**: Query cost data med KQL for AI-powered insights (Copilot integration)

+**FOCUS + moderne eksport-pipeline (MCP 2026-06):** Microsoft anbefaler nå **FOCUS** (FinOps Open Cost and Usage Specification) — et leverandør-agnostisk skjema — som eksport-template i Cost Management. Den skalerbare analyse-pipelinen er **Cost Management exports → ADLS Gen2 → Fabric Lakehouse → Power BI** (FOCUS-formatert, daglig schedule). For høyvolum-loggkostnader: bruk ingestion-time transformation i Azure Monitor for å filtrere før lagring. Cost Management beholder data i 13 måneder; eksporter til storage (cool/archive) for lengre historikk.
+
 ### Azure Monitor & Log Analytics

 - **Activity Log**: Spor budsjett-opprettelse, endringer, alert-triggering
--- a/skills/ms-ai-security/references/cost-optimization/budget-forecasting-ai-projects.md
+++ b/skills/ms-ai-security/references/cost-optimization/budget-forecasting-ai-projects.md
@ -1,6 +1,6 @@
 # Budget Forecasting and Financial Planning for AI

-**Last updated:** 2026-02
+**Last updated:** 2026-06-19
 **Status:** GA
 **Category:** Cost Optimization & FinOps for AI

@ -334,6 +334,8 @@ CostDetails
 | where Anomaly > 1.5
 ```

+**AI-agent over FinOps hubs (MCP 2026-06):** Du kan nå koble en AI-agent direkte til FinOps hub-databasen via **Azure MCP server** og stille naturlig-språk-spørsmål om allokering, forecasting, anomalier og rate-optimering — enten i **GitHub Copilot (Agent mode i VS Code)** med ferdige FinOps-instruksjoner, eller som en **Copilot Studio-agent** publisert til Teams/M365 Copilot. Agenten forstår FinOps + **FOCUS**-skjemaet (andre MCP-klienter som Claude kan også brukes). Eksempel: «Show me the cost for last month, this month, and the forecasted cost by end of month for the top subscriptions.»
+
 **Verified** — FinOps Hubs Documentation

 ---
--- a/skills/ms-ai-security/references/cost-optimization/cost-allocation-chargeback.md
+++ b/skills/ms-ai-security/references/cost-optimization/cost-allocation-chargeback.md
@ -1,6 +1,6 @@
 # Cost Allocation and Chargeback Models

-**Last updated:** 2026-04
+**Last updated:** 2026-06-19
 **Status:** GA
 **Category:** Cost Optimization & FinOps for AI

@ -168,6 +168,8 @@ Tags er key-value pairs som kan brukes til å kategorisere ressurser og kostnade
 - Usage Details API støtter **ikke** cost allocation (bruk Cost Details API i stedet)
 - Reservasjoner og Savings Plans støttes **ikke** for allocation

+**FOCUS-skjema (MCP 2026-06):** For standardiserte, leverandør-agnostiske eksporter anbefaler Microsoft nå **FOCUS** (FinOps Open Cost and Usage Specification) som eksport-template i Cost Management — nyttig for konsistent chargeback-/showback-rapportering på tvers av verktøy og skyer. Pipeline: Cost Management exports → ADLS Gen2 → Fabric Lakehouse → Power BI.
+
 ### Management Groups og Subscriptions

 **Strategi:**
--- a/skills/ms-ai-security/references/cost-optimization/multi-model-strategy-costs.md
+++ b/skills/ms-ai-security/references/cost-optimization/multi-model-strategy-costs.md
@ -1,6 +1,6 @@
 # Multi-Model Strategy: Cost-Performance Trade-offs

-**Last updated:** 2026-05 | Verified: MCP 2026-05
+**Last updated:** 2026-06-19 | Verified: MCP 2026-06
 **Status:** GA
 **Category:** Cost Optimization & FinOps for AI

@ -51,6 +51,8 @@ For organisasjoner som ønsker mer kontroll, tilbyr custom gateway-løsninger (v
 - **Azure API Management:** PaaS-løsning med backend pools, circuit breaker, policy-basert routing
 - **Custom Code:** Full kontroll, typisk Azure Container Apps eller AKS, frontet av Azure Front Door/Traffic Manager

+**Multi-provider gateway (MCP 2026-06):** Azure API Managements AI gateway medierer nå også ikke-OpenAI-skjemaer — **Anthropic Messages API** (v2-tiers) og **Google Vertex AI** — i tillegg til Foundry-modeller, og tilbyr **unified model API (preview)**: ett OpenAI-kompatibelt endepunkt på tvers av leverandører med felles policy-governance. Relevant for multi-model-strategier som spenner over flere modell-leverandører, ikke bare flere Azure OpenAI-deployments.
+
 ## Arkitekturmønstre

 ### 1. Model Router: Managed Multi-Model Routing
--- a/skills/ms-ai-security/references/cost-optimization/observability-cost-reduction.md
+++ b/skills/ms-ai-security/references/cost-optimization/observability-cost-reduction.md
@ -1,6 +1,6 @@
 # Observability and Monitoring Cost Optimization

-**Last updated:** 2026-05 | Verified: MCP 2026-05
+**Last updated:** 2026-06-19 | Verified: MCP 2026-06
 **Status:** GA
 **Category:** Cost Optimization & FinOps for AI

@ -47,6 +47,8 @@ Moderne Azure Monitor tilbyr flere kostnadseffektive alternativer som Basic Logs

 **Viktig:** Metrics samples aldri. Sampling påvirker kun traces (spans) og optionally logs. Alerts basert på metrics forblir nøyaktige.

+**OpenTelemetry-distro (MCP 2026-06):** Azure Monitor OTel-distroen har **ikke** sampling på som default og bruker to strategier: **fixed-rate** (ratio 0–1, f.eks. `0.1` = ~10 %) og **rate-limited** (traces/sek, f.eks. `5.0` = fem traces/sek). En egen **trace-based sampling for logs** dropper logger knyttet til ikke-samplede traces og er **på som default når sampling er aktivert** (støttede språk) — gir kostnadsreduksjon utover trace-sampling alene. Distroens custom sampler bevarer hele traces (unngår broken traces) og kreves for Live Metrics. Anbefalt logg-strategi: eksporter kun `ERROR` (legg til `WARN` kun når handlingsrettet).
+
 ## Arkitekturmønstre

 ### Mønster 1: Full Observability (Production-Grade AI)
--- a/skills/ms-ai-security/references/cost-optimization/rag-query-cost-reduction.md
+++ b/skills/ms-ai-security/references/cost-optimization/rag-query-cost-reduction.md
@ -1,6 +1,6 @@
 # RAG Query Cost Optimization

-**Last updated:** 2026-04
+**Last updated:** 2026-06-19
 **Status:** GA
 **Category:** Cost Optimization & FinOps for AI

@ -53,6 +53,8 @@ Basert på Microsoft Learn-data for standard konfigurasjon (5 retrieved document

 **Baseline (Modellkunnskap):** Prisene er omregnet fra USD til NOK (1 USD ≈ 11 NOK, februar 2026) og er veiledende.

+**NY prismodell — Serverless (Preview, MCP 2026-06):** Azure AI Search tilbyr nå to prismodeller: **Dedicated** (provisioned, fast pris per Search Unit — tabellen over) og **Serverless (Preview)** — forbruksbasert (Compute Units/time + per-GB/mnd lagring), ingen compute-kost ved idle. Best for sporadiske/variable workloads; en kontinuerlig provisjonert Basic/S1 kan være dyrere enn Serverless ved bursty trafikk. Per juni 2026 er Serverless i preview (kun West Central US, Switzerland North, Japan East), støtter ikke migrering til/fra dedicated, og er ikke anbefalt for produksjon ennå.
+
 ### Semantic Ranking Costs

 **Verified (Microsoft Learn):** Semantic ranking er en premium-funksjon som påløper ekstra kostnader per query. Kostnaden er progressiv og varierer basert på volum:
@ -142,13 +144,14 @@ else:  # Complex reasoning

 ### 4. Agentic Retrieval (Cost-Aware)

-**Status: Public Preview** — Agentic Retrieval er foreløpig i public preview (ikke GA). *(Verified MCP 2026-04)*
+**Status: GA-split (MCP 2026-06)** — Deler av agentic retrieval er **generelt tilgjengelig i `2026-04-01` REST API** (programmatisk tilgang). Azure-portalen og Microsoft Foundry-portalen gir fortsatt **kun preview-tilgang** til alle agentic retrieval-funksjoner. Pipelinen er også kunnskapslaget bak **Foundry IQ** i Foundry-portalen. *(Verified MCP 2026-06)*

-**Prinsipp:** Azure AI Search Agentic Retrieval bruker LLM til å generere subqueries som kjøres parallelt. Dette kan være dyrt, men også mer effektivt enn multiple sequential queries.
+**Prinsipp:** Azure AI Search Agentic Retrieval bruker LLM til å generere fokuserte subqueries som kjøres parallelt, hver semantisk rerangert. Dette kan være dyrt, men også mer effektivt enn multiple sekvensielle queries.

-**Prismodell (public preview):**
- **Free tier:** 50 millioner gratis agentic reasoning tokens/måned inkludert (på Basic tier og høyere)
- **Standard tier:** Pay-as-you-go etter at gratis kvota er brukt
+**Prismodell:**
+- **Free plan (default):** månedlig gratis token-kvote inkludert (eksakt mengde oppgis ikke lenger i dokumentasjonen — se [Azure AI Search pricing](https://azure.microsoft.com/pricing/details/search))
+- **Standard plan:** pay-as-you-go etter at gratis kvota er brukt
+- **Azure OpenAI faktureres separat** (alltid pay-as-you-go) for input/output-tokens i query planning + answer synthesis

 **Kostnadseksempel (Verified - Microsoft Learn):**
 - **2000 agentic retrievals** med 3 subqueries per plan:
--- a/skills/ms-ai-security/references/cost-optimization/semantic-caching-patterns.md
+++ b/skills/ms-ai-security/references/cost-optimization/semantic-caching-patterns.md
@ -1,6 +1,6 @@
 # Semantic Caching for AI Workloads

-**Last updated:** 2026-02
+**Last updated:** 2026-06-19
 **Status:** GA
 **Category:** Cost Optimization & FinOps for AI

@ -65,6 +65,8 @@ Semantic caching består av fire hovedkomponenter:
 - `0.70-0.84`: Liberal matching, høyere cache hit rate men lavere presisjon
 - **Start med 0.85 og juster basert på cache hit rate og user feedback** (MEDIUM confidence)

+**Viktig — `score-threshold` i APIM-policyen er en AVSTAND, ikke cosine-likhet (MCP 2026-06):** Tabellen over gjelder generell cosine-**likhet** (høyere = strengere), som brukes av application-level vector-stores. Men APIM-policyene `llm-semantic-cache-lookup` / `azure-openai-semantic-cache-lookup` bruker et `score-threshold` som er en semantisk **avstand**: prompts med score *over* terskelen bruker IKKE cachen, så **lavere terskel = strengere matching**. Microsofts eget eksempel bruker `score-threshold="0.15"`. Sett derfor en LAV verdi (~0.1–0.2) i APIM-policyene under — IKKE 0.85.
+
 ---

 ## Arkitekturmønstre
@ -88,7 +90,7 @@ Client → APIM (semantic cache policies) → Azure Managed Redis (RediSearch)
 ```xml
 <!-- Inbound: Cache Lookup -->
 <azure-openai-semantic-cache-lookup
-    score-threshold="0.85"
+    score-threshold="0.15"
    embeddings-backend-id="embeddings-backend"
    embeddings-backend-auth="system-assigned"
    ignore-system-messages="true"
@ -313,7 +315,7 @@ L3: Azure OpenAI → 500-2000ms latency

 | Parameter | Verdi | Forklaring |
 |-----------|-------|------------|
-| `score-threshold` | 0.85 (anbefalt) | Minimum similarity for cache hit (0-1) |
+| `score-threshold` | 0.15 (lav!) | Semantisk **avstand**-terskel: prompts over terskelen bruker IKKE cachen → **lavere = strengere**. IKKE cosine-likhet. MS-eksempel: 0.15 |
 | `embeddings-backend-id` | "embeddings-backend" | Backend ID for embeddings deployment |
 | `embeddings-backend-auth` | "system-assigned" | Bruker APIM managed identity |
 | `ignore-system-messages` | true | Ignorer system messages i similarity-beregning |
@ -398,7 +400,7 @@ Azure AI Foundry models (via Model Inference API) støttes med generic LLM polic
 ```xml
 <!-- Use llm-semantic-cache-lookup instead of azure-openai-semantic-cache-lookup -->
 <llm-semantic-cache-lookup
-    score-threshold="0.85"
+    score-threshold="0.15"
    embeddings-backend-id="embeddings-backend"
    embeddings-backend-auth="system-assigned">
    <vary-by>@(context.Subscription.Id)</vary-by>
--- a/skills/ms-ai-security/references/cost-optimization/vector-storage-cost-optimization.md
+++ b/skills/ms-ai-security/references/cost-optimization/vector-storage-cost-optimization.md
@ -1,6 +1,6 @@
 # Vector Storage and Embedding Cost Optimization

-**Last updated:** 2026-05
+**Last updated:** 2026-06-19
 **Status:** GA
 **Category:** Cost Optimization & FinOps for AI

@ -403,6 +403,8 @@ Eksempel: 5 millioner dokumenter, gjennomsnittlig 2000 tokens per dokument

 **Viktig:** Eldre services (pre-April 2024) har lavere quotas. Sjekk oppgraderingsmulighet: `az search service show --name <service> --resource-group <rg>`.

+**Serverless (Preview, MCP 2026-06):** Azure AI Search tilbyr nå også en **Serverless**-prismodell (forbruksbasert: Compute Units/time + per-GB/mnd lagring) ved siden av Dedicated-tierne over. For store, men sporadisk aksesserte vektor-indekser kan Serverless redusere idle-kost. Per juni 2026 er den i preview (West Central US, Switzerland North, Japan East), uten SLA, mangler enkelte features (index aliases, debug sessions, shared private link), og støtter ikke migrering til/fra Dedicated.
+
 ### Embedding-kostnader (Azure OpenAI)

 | Modell | Input (per 1M tokens) | Use case |