fix(ms-ai-architect): #8a currency S-bannere — Prompt Flow retirement, CUA GA, agentic retrieval GA-split, EØS + EDPB 28/2024

Phase A av #8 currency-rest. Hver faktapåstand verifisert mot kilde FØR
skriving (Microsoft Learn microsoft_docs_fetch + offisielle EU/norske kilder,
2026-06-18). To research-subagenter brukt til parallell faktaverifisering.

Prompt Flow retirement (banner i 5 filer):
- Verifisert verbatim mot Microsoft Learn: Prompt Flow i BÅDE Microsoft Foundry
  og Azure Machine Learning pensjoneres 2027-04-20; migrer til Microsoft Agent
  Framework (MAF). Container images får ikke lenger oppdateringer.
- Toppbanner: prompt-flow-production-deployment.md, genaiops-llm-specific-practices.md.
- Kontekstuelle inline-flagg: rag-core-patterns.md (bullet + produksjonstabell),
  rag-evaluation-frameworks.md (verktøytabell), azure-ai-search-setup.md (PF-seksjon),
  agentic-rag-patterns.md (Foundry-integrasjonsrad).

Copilot Studio Computer Use / CUA (copilot-studio.md):
- Preview -> GA 7. mai 2026. KORRIGERT fra intern feildato 2026-05-13 (verifisert
  mot Power Platform 2026 wave 1 release plan + What's new).
- Geo presisert: GA i kommersielle miljøer; IKKE GCC/GCC High. Eksakt regionsliste
  ikke offentlig verifiserbar -> merket uverifisert (verifiseringsplikt).
- Fjernet nå-utdatert "Velg RPA når: kun GA-features tillatt"-begrunnelse.

Azure AI Search agentic retrieval (agentic-rag-patterns.md):
- Preview -> DELVIS GA. Minimal/ekstraktiv retrieval er GA (REST 2026-04-01);
  LLM query planning + answer synthesis er fortsatt preview (2026-05-01-preview).
- "Single index"-begrensning -> multi-source via knowledge bases (kun GA-kildetyper:
  searchIndex, azureBlob, indexedOneLake, web; SharePoint/SQL/Fabric/MCP preview).

EU AI Act EØS-status (ai-act-compliance-guide.md):
- Korrigert feilpåstand "direkte gjeldende ... sommeren 2026". AI Act er IKKE
  formelt EØS-innlemmet per juni 2026; KI-loven ikke vedtatt av Stortinget
  (høringsfrist sept. 2025; ikrafttredelse politisk målsatt sensommer 2026).

EDPB Opinion 28/2024 (gdpr-compliance-ai-systems.md, 3 ankre):
- Nyanserer "anonymisert = utenfor GDPR-scope". Må vurderes case-by-case:
  modell er kun anonym når både direkte-ekstraksjon og query-baserte midler gir
  ubetydelig re-identifiseringsrisiko (jf. fortalepunkt 26). Tabellrad endret
  fra "Nei" til "Betinget".

Allerede gjort i tidligere faser (re-verifisert, ingen edit nødvendig):
MAF-banner (semantic-kernel-agents-implementation.md), Omnibus-note
(ai-act-assessor.md), NSM Grunnprinsipper v2.1, A2A v1.0 + Signed Agent Cards
(egen fil agent-to-agent-a2a-protocol.md). A2A v1.0.1 er immateriell patch.

Tester: validate-plugin 239 PASS / 0 FAIL / 0 WARN · kb-integrity 115/115
(262 orphan-warnings er pre-eksisterende ms-ai-security-backlog, urørt).

Gjenstår i #8: M-items (OWASP LLM04/06/08/09, Defender threat protection,
Foundry Local air-gapped, M365 E7+Agent365) + SKILL.md de-orphan -> deretter #9 release.

Co-Authored-By: Claude Opus 4.8 (1M context) <noreply@anthropic.com>
Claude-Session: https://claude.ai/code/session_01REiKFhP4w6xGXXqWKpPCJJ

skills/ms-ai-advisor/references/platforms/copilot-studio.md

@@ -46,9 +46,9 @@ Agenter som kjører i bakgrunnen uten brukerinput:
 - Dataverse table updates
 - Dynamics 365 business events
 
-### Computer Use (Preview)
+### Computer Use (GA)
 
-**Status:** Preview (US-region, jan 2026+)
+**Status:** GA fra **7. mai 2026** (Power Platform 2026 wave 1). Tilgjengelig i kommersielle miljøer; **ikke** tilgjengelig i GCC/GCC High. Eksakt regionsliste er ikke offentlig verifisert per 2026-06-18 — se [Feature availability report](https://aka.ms/FeatureGeographicAvailabilityReport).
 
 Copilot Studio støtter nå Computer-Using Agents (CUA) — AI som kan interagere med Windows-applikasjoner og nettsider via virtuell mus og tastatur:
 
@@ -167,7 +167,7 @@ Copilot Studio støtter MCP for å koble til eksterne AI-servere:
 
 ## CUA — Computer-Using Agents
 
-**Status:** Preview (september 2025); GA planlagt mai 2026
+**Status:** **GA 7. mai 2026** (public preview 27. mai 2025). Verifisert mot Power Platform 2026 wave 1 release plan + Copilot Studio «What's new» (2026-06-18).
 
 CUA lar agenter automatisere oppgaver i Windows-applikasjoner og nettsider uten behov for API.
 
@@ -203,9 +203,9 @@ CUA lar agenter automatisere oppgaver i Windows-applikasjoner og nettsider uten
 | Feilhåndtering | Statisk | Selvkorrigerende |
 
 **Velg CUA når:** UI-et endrer seg ofte, RPA-backlog er full, oppgaven krever visuell resonnering.
-**Velg RPA når:** Kun GA-features tillatt, UI er stabilt, høy volumhastighet er kritisk.
+**Velg RPA når:** UI er stabilt, høy volumhastighet er kritisk, eller miljøet er GCC/GCC High (der CUA ikke er tilgjengelig).
 
-**Krav:** Kun tilgjengelig i United States-regioner (per feb 2026). Generative Orchestration må være aktivert.
+**Krav:** GA fra 7. mai 2026 i kommersielle miljøer; **ikke** tilgjengelig i GCC/GCC High (eksakt regionsliste ikke offentlig verifisert per 2026-06-18). Generative Orchestration må være aktivert.
 
 ---
 

skills/ms-ai-engineering/references/mlops-genaiops/genaiops-llm-specific-practices.md

@@ -7,6 +7,8 @@
 
 ---
 
+> **⚠️ Retirement 2027-04-20 (verifisert 2026-06-18):** Prompt Flow (Microsoft Foundry + Azure ML) pensjoneres 20. april 2027 og anbefales ikke for ny utvikling — migrer til **Microsoft Agent Framework (MAF)**. Referanser til Prompt Flow nedenfor gjelder eksisterende løsninger frem til fristen; nye GenAIOps-pipelines bør bygge på MAF. [Migrasjonsguide](https://learn.microsoft.com/azure/machine-learning/prompt-flow/migrate-prompt-flow-to-agent-framework?view=azureml-api-2).
+
 ## Introduksjon
 
 GenAIOps (Generative AI Operations), også kalt LLMOps, beskriver operasjonelle praksiser og strategier for håndtering av store språkmodeller (LLMs) i produksjon. Mens tradisjonell MLOps fokuserer på å trene og deploye diskriminative modeller, handler GenAIOps om å **velge, tilpasse, orkestrere og overvåke** eksisterende foundation models.

skills/ms-ai-engineering/references/mlops-genaiops/prompt-flow-production-deployment.md

@@ -6,6 +6,8 @@
 
 ---
 
+> **⚠️ Retirement (verifisert mot Microsoft Learn 2026-06-18):** Prompt Flow — i **både Microsoft Foundry og Azure Machine Learning** — pensjoneres **20. april 2027** og anbefales ikke for ny utvikling. Migrer eksisterende flows og deployments til **Microsoft Agent Framework (MAF)** før fristen. Web authoring-opplevelsen (Foundry + Azure ML), VS Code-utvidelsene og Prompt Flow container images (`promptflow-runtime`, `promptflow-runtime-stable`, `promptflow-python`) får ikke lenger oppdateringer, inkludert sikkerhetsoppdateringer. [Migrasjonsguide](https://learn.microsoft.com/azure/machine-learning/prompt-flow/migrate-prompt-flow-to-agent-framework?view=azureml-api-2). Innholdet under beskriver fortsatt gjeldende Prompt Flow-praksis for eksisterende løsninger frem til fristen.
+
 ## Introduksjon
 
 Prompt Flow er Microsofts rammeverk for å utvikle, teste og deploye LLM-baserte applikasjoner gjennom en visuell workflow-editor. Produksjonsdeployment av Prompt Flow handler om å ta en testet og evaluert flow fra utviklingsmiljø til skalerbar produksjon med robuste CI/CD-pipelines, overvåking og governance.

skills/ms-ai-engineering/references/rag-architecture/agentic-rag-patterns.md

@@ -1,7 +1,7 @@
 # Agentic RAG Patterns — Agent-styrt retrieval
 
 **Last updated:** 2026-04 | Verified: MCP 2026-04
-**Status:** GA (Semantic Kernel), Preview (Azure AI Search agentic retrieval)
+**Status:** GA (Semantic Kernel); Azure AI Search agentic retrieval **delvis GA** (verifisert 2026-06-18) — minimal/ekstraktiv retrieval er GA via REST `2026-04-01`, mens LLM query planning + answer synthesis er preview (`2026-05-01-preview`)
 **Category:** RAG Architecture & Semantic Search
 
 ---
@@ -138,10 +138,10 @@ agent = chat_client.as_agent(
 - Built-in semantic reranking per subquery
 - 3-delt response med grounding + citations + activity plan
 
-**Begrensninger:**
+**Begrensninger (verifisert 2026-06-18):**
-- Kun single index per agentic retrieval instance
+- **Delt GA-/preview-overflate:** REST `2026-04-01` (stabil/GA) gir kun minimal, ekstraktiv retrieval. **LLM query planning og answer synthesis** (beskrevet over) krever **preview** (`2026-05-01-preview`) — Azure- og Foundry-portalen bruker preview-versjonen.
+- **Knowledge bases / multi-source:** GA (`2026-04-01`) støtter flere kilder i én knowledge base, men kun GA-kildetyper (`searchIndex`, `azureBlob`, `indexedOneLake`, `web`). SharePoint, Azure SQL, Fabric og MCP server er fortsatt preview.
 - Krever semantic ranker (S1+ tier)
-- Preview status (API 2025-11-01-preview)
 
 **Prising:**
 - Free tier: 50M agentic reasoning tokens/mnd
@@ -200,10 +200,10 @@ agent = chat_client.as_agent(
 
 | Tjeneste | Integrasjonspunkt |
 |----------|-------------------|
-| **Azure AI Search** | Agentic retrieval (preview), vector store, hybrid search |
+| **Azure AI Search** | Agentic retrieval (delvis GA — REST `2026-04-01`; LLM-planning preview), vector store, hybrid search |
 | **Semantic Kernel** | TextSearchProvider, agent orchestration patterns |
 | **Microsoft Agent Framework** | VectorStore bridge, tool-basert RAG |
-| **Azure AI Foundry** | Prompt Flow for visual DAG orchestration |
+| **Azure AI Foundry** | Prompt Flow (pensjoneres 2027-04-20 → MAF) for visual DAG orchestration |
 | **Azure OpenAI** | GPT-4o for query planning, function calling |
 | **Application Insights** | Agent decision logging, token tracking |
 
@@ -261,7 +261,7 @@ agent = chat_client.as_agent(
 ### Fallgruver
 
 - **Agentic for alt:** Single-query RAG dekker 70% av use cases — start der
-- **Preview-avhengighet:** Azure AI Search agentic retrieval er preview — ha fallback
+- **GA-/preview-split:** Minimal agentic retrieval er GA (REST `2026-04-01`); LLM query planning + answer synthesis er fortsatt preview (`2026-05-01-preview`) — ha fallback hvis løsningen avhenger av preview-funksjonene
 - **Agent-explosion:** For mange spesialist-agenter = uforutsigbar oppførsel
 
 ### Anbefalinger per modenhetsnivå
@@ -287,7 +287,9 @@ agent = chat_client.as_agent(
 | Multi-agent performance (34% accuracy) | **Baseline** | Community source (ragaboutit.com) |
 
 
-### Azure AI Search Agentic Retrieval (Public Preview — oppdatert 2026-04)
+### Azure AI Search Agentic Retrieval (delvis GA — oppdatert 2026-06-18)
+
+> Minimal, ekstraktiv retrieval er **GA** (REST `2026-04-01`). Funksjonaliteten under — LLM-drevet query planning, subquery-nedbryting og answer synthesis — krever **preview** (`2026-05-01-preview`).
 
 Azure AI Search agentic retrieval er en managed multi-query pipeline for komplekse spørsmål i chat og copilot-apper:
 

skills/ms-ai-engineering/references/rag-architecture/azure-ai-search-setup.md

@@ -255,6 +255,8 @@ Copilot Studio kan bruke AI Search som "knowledge base" via **Declarative Agent*
 
 ### AI Foundry + AI Search (Prompt Flow)
 
+> **⚠️ Retirement 2027-04-20:** Prompt Flow (Microsoft Foundry + Azure ML) pensjoneres 20. april 2027 — migrer til **Microsoft Agent Framework (MAF)**. Mønsteret under gjelder eksisterende løsninger frem til fristen. [Migrasjonsguide](https://learn.microsoft.com/azure/machine-learning/prompt-flow/migrate-prompt-flow-to-agent-framework?view=azureml-api-2).
+
 AI Foundry (tidligere AI Studio) har innebygget **Vector Index**-node i Prompt Flow:
 
 ```yaml

skills/ms-ai-engineering/references/rag-architecture/rag-core-patterns.md

@@ -264,7 +264,7 @@ results = search_client.search(
 
 ### Azure AI Foundry
 
-- **Prompt flow:** Visuell orkestrasjon av RAG-pipelines (indexing → retrieval → generation)
+- **Prompt flow:** Visuell orkestrasjon av RAG-pipelines (indexing → retrieval → generation) — ⚠️ *pensjoneres 2027-04-20, migrer til Microsoft Agent Framework (MAF)*
 - **Evaluation:** Built-in metrics (groundedness, relevance, coherence)
 - **Tracing:** End-to-end observability av RAG-calls
 
@@ -365,7 +365,7 @@ results = search_client.search(
 | Modenhet | RAG-mønster | Tooling | Tidsestimat |
 |----------|-------------|---------|-------------|
 | **Pilot** (MVP) | Naive RAG | Copilot Studio generative answers | 1-2 uker |
-| **Produksjon** (scale) | Advanced RAG | Azure AI Foundry Prompt flow + Semantic Kernel | 6-8 uker |
+| **Produksjon** (scale) | Advanced RAG | Microsoft Agent Framework (MAF) + Semantic Kernel ⚠️ *(erstatter Prompt Flow, som pensjoneres 2027-04-20)* | 6-8 uker |
 | **Advanced** (complex) | Agentic RAG | Microsoft Agent Framework + custom agents | 12-16 uker |
 
 ### Quick-start playbook

skills/ms-ai-engineering/references/rag-architecture/rag-evaluation-frameworks.md

@@ -218,7 +218,7 @@ Bruk `mlflow.log_feedback()` med `AssessmentSourceType.HUMAN` for å logge menne
 |---------|-------------|------|
 | Azure AI Evaluation SDK | `pip install azure-ai-evaluation` | Offline/batch evaluering |
 | MLflow 3 | `pip install mlflow` | Tracing + online evaluering |
-| Prompt Flow | Via Azure AI Foundry | End-to-end utvikling |
+| Prompt Flow ⚠️ *(pensjoneres 2027-04-20 → MAF)* | Via Azure AI Foundry | End-to-end utvikling |
 
 ### Spesialverktøy
 

skills/ms-ai-governance/references/responsible-ai/ai-act-compliance-guide.md

@@ -7,7 +7,9 @@
 
 ## Introduksjon
 
-EU AI Act er verdens første omfattende regulering av kunstig intelligens, vedtatt i 2024 og gjeldende fra august 2024 med gradvis innfasing av krav frem til 2027. For Norge som EEA-medlem blir regelverket direkte gjeldende, med planlagt implementering sommeren 2026.
+EU AI Act er verdens første omfattende regulering av kunstig intelligens, vedtatt i 2024 og gjeldende i EU fra august 2024 med gradvis innfasing av krav (tidslinjen er under revisjon via Digital Omnibus).
+
+> **⚠️ EØS-/Norge-status (verifisert 2026-06-18):** EU AI Act er **ikke formelt innlemmet i EØS-avtalen** per juni 2026 — den er derfor ikke «direkte gjeldende» i Norge ennå. Norsk gjennomføringslov («KI-loven» / lov om kunstig intelligens) var på høring (frist 30. sept. 2025) og er **ikke vedtatt av Stortinget**. Ikrafttredelse er politisk målsatt til sensommer 2026, men ikke en vedtatt dato (Digital Omnibus-forsinkelser kan påvirke). Kilder: regjeringen.no (høring 30.06.2025), europalov.no.
 
 Regelverket innfører en risikobasert tilnærming der AI-systemer klassifiseres i fire kategorier: forbudt, høyrisiko, begrenset risiko og minimal risiko. Majoriteten av forpliktelsene gjelder **høyrisiko-systemer**, som omfatter AI brukt i kritiske områder som ansettelse, kredittvurdering, rettshåndhevelse og kritisk infrastruktur.
 

skills/ms-ai-governance/references/responsible-ai/gdpr-compliance-ai-systems.md

@@ -162,7 +162,9 @@ Raw Data (PersonID, Name, Email, Medical Record)
      → Anonymized Training Data (safe for model training)
 ```
 
-**GDPR-relevans**: Anonymiserte data er IKKE personopplysninger under GDPR, og dermed ikke underlagt samme restriksjoner.
+**GDPR-relevans**: Effektivt anonymiserte data er ikke personopplysninger under GDPR, og dermed ikke underlagt samme restriksjoner.
+
+> **⚠️ Nyanse — EDPB Opinion 28/2024 (verifisert 2026-06-18):** «Anonymisert = utenfor GDPR-scope» kan **ikke antas** — det er en løpende, konkret vurdering. EDPB fastslår at en modell først er anonym når **både** (a) sannsynligheten for å trekke ut personopplysninger direkte, og (b) sannsynligheten for å få ut personopplysninger via spørringer, er ubetydelig — vurdert ut fra alle rimelig sannsynlige midler (jf. fortalepunkt 26 GDPR). En modell trent på anonymiserte data kan fortsatt bære re-identifiseringsrisiko. [EDPB Opinion 28/2024](https://www.edpb.europa.eu/our-work-tools/our-documents/opinion-board-art-64/opinion-282024-certain-data-protection-aspects_en).
 
 **Confidence marker**: Baseline (model knowledge) + Verified (SmartNoise reference fra MCP)
 
@@ -273,7 +275,7 @@ User DSR Request → Logic App / Power Automate
 | Chatbot som svarer på FAQ (ingen persondata) | ❌ Nei | Ingen høyrisikobehandling |
 | Chatbot som aksesserer HR-data for å svare på permisjonsspørsmål | ✅ Ja | Behandling av personopplysninger på vegne av bruker |
 | AI-modell for ansiktsgjenkjenning i videoovervåking | ✅ Ja | Biometriske data + systematisk overvåking |
-| Fine-tuning av modell på anonymisert salgsdata | ❌ Nei | Anonymiserte data er ikke personopplysninger |
+| Fine-tuning av modell på anonymisert salgsdata | ⚠️ Betinget | Kun hvis anonymiseringen er effektiv og re-identifiseringsrisiko er ubetydelig (EDPB Opinion 28/2024) — ellers personopplysninger |
 | Automated decision-making for lånegodkjenning | ✅ Ja | Automatisert beslutning med legal/finansiell effekt |
 
 **Anbefaling**: Gjennomfør DPIA for alle AI-systemer som behandler personopplysninger hvor det er automatisert beslutning, profilering, eller sensitiv data (helse, økonomi, biometri).
@@ -284,7 +286,7 @@ User DSR Request → Logic App / Power Automate
 
 **Utfordring**: Hvis en bruker ber om sletting av sine data, og disse dataene er brukt til å trene en modell, må modellen retrenes?
 
-**GDPR-perspektiv**: Hvis dataene er effektivt anonymisert før trening, er de ikke lenger personopplysninger, og sletting er ikke påkrevd. Hvis dataene IKKE var anonymisert, må organisasjonen enten:
+**GDPR-perspektiv**: Hvis dataene er **effektivt** anonymisert før trening og modellen ikke bærer re-identifiseringsrisiko (jf. EDPB Opinion 28/2024 — vurder case-by-case, ikke anta), er de ikke lenger personopplysninger, og sletting er ikke påkrevd. Hvis dataene IKKE var anonymisert — eller modellen fortsatt kan eksponere dem via spørringer — må organisasjonen enten:
 1. Retrain modellen uten brukerens data (kostbart)
 2. Dokumentere at dataene er aggregert på en måte som gjør identifikasjon umulig (unlearning)
 3. Bruke differential privacy fra starten for å sikre at individuelle datapunkter ikke kan rekonstrueres fra modellen