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>

skills/ms-ai-governance/references/responsible-ai/ai-act-classification-methodology.md

@@ -165,24 +165,24 @@ Offentlig sektor er typisk **deployer** — de kjøper og tar i bruk AI-systemer
 2. De setter navn på systemet og markedsfører det utad (Art. 25(1)(a))
 3. De integrerer et high-risk AI-system som endrer opprinnelig tiltenkt formål vesentlig
 
-Statens vegvesen eksempel: Kjøper Microsoft Copilot Studio → **Deployer**. Bygger eget prediksjonsverktøy basert på Azure OpenAI med tilpasset sikkerhetsdomenetrening → vurder om → **Provider**.
+Direktoratet for digital tjenesteutvikling eksempel: Kjøper Microsoft Copilot Studio → **Deployer**. Bygger eget prediksjonsverktøy basert på Azure OpenAI med tilpasset sikkerhetsdomenetrening → vurder om → **Provider**.
 
 ---
 
 ## Transport-sektoreksempler
 
-### Eksempel 1: FartsPrediksjonsagent (Statens vegvesen)
+### Eksempel 1: FartsPrediksjonsagent (Direktoratet for digital tjenesteutvikling)
 - Formål: Predikerer trafikkflyt og anbefaler fartsgrenser på variabelt oppsatte skilt
 - Steg 1: Ingen forbudte praksiser → NEI
 - Steg 2: Kritisk infrastruktur (Annex III, pkt. 2)? Påvirker trafikksikkerhet → JA, men kun dersom det tar **bindende** beslutninger. Dersom det kun er et beslutningsstøtteverktøy med menneskelig godkjenning → vurder Art. 6(2) unntak
 - Klassifisering: **Minimal risiko** (beslutningsstøtte) eller **Høyrisiko** (autonomt bindende)
 
-### Eksempel 2: AutomatiskSaksbehandler for førerkortvurdering
-- Formål: Vurderer automatisk om en søker oppfyller helsekrav for førerkort
+### Eksempel 2: AutomatiskSaksbehandler for saksbehandlingvurdering
+- Formål: Vurderer automatisk om en søker oppfyller helsekrav for saksbehandling
 - Steg 1: NEI til alle forbudte praksiser
 - Steg 2: Kategori 4 (viktige offentlige tjenester) → JA, tilgang til offentlig tjeneste
 - Klassifisering: **HØYRISIKO** (Annex III, pkt. 5)
-- Rolle: Statens vegvesen = **Deployer**
+- Rolle: Direktoratet for digital tjenesteutvikling = **Deployer**
 - Krav: FRIA (Art. 27), logging 6 mnd, samsvarsvurdering fra provider
 
 ### Eksempel 3: Trafikkstyringsagent
@@ -269,7 +269,7 @@ Bruk denne filen når brukeren trenger å klassifisere et AI-system under EU AI
 1. Gå gjennom steg 1-4 systematisk — hopp ikke over steg
 2. Still vurderingsspørsmålene eksplisitt for brukerens system
 3. Dokumenter hvert steg i klassifiseringsrapporten (anbefalt vedlegg til FRIA)
-4. Bruk transport-sektoreksemplene som analogi når Statens vegvesen er deployer
+4. Bruk transport-sektoreksemplene som analogi når Direktoratet for digital tjenesteutvikling er deployer
 5. Flagg grensetilfeller og anbefal konsultasjon med tilsynsmyndighet
 
 **Kobling til andre KB-filer:**