diff --git a/scripts/kb-update/lib/transform.mjs b/scripts/kb-update/lib/transform.mjs
index 3ce70cb..87a12df 100644
--- a/scripts/kb-update/lib/transform.mjs
+++ b/scripts/kb-update/lib/transform.mjs
@@ -310,20 +310,25 @@ export function insertHeaderFields(content, meta) {
   if (needSource) toInsert.push(`**Source:** ${String(src).trim()}`);
 
   const lines = s.split('\n');
-  let anchorIdx = -1; // last line of the first contiguous meta run
+  let anchorIdx = -1; // last line of the first contiguous meta run that fits the window
   let titleIdx = -1; // fallback anchor for the "no meta line" dialect
   let cum = 0;
   for (let i = 0; i < lines.length; i++) {
     const line = lines[i];
     if (/^##\s/.test(line) || /^---\s*$/.test(line)) break; // reached body / rule
     if (titleIdx === -1 && /^#\s+\S/.test(line)) titleIdx = i;
+    const nextCum = cum + line.length + 1; // byte offset just AFTER this line (= the insertion point)
     if (RE_META_LINE.test(line)) {
+      // Anchor after this meta line ONLY if the insertion point still fits the scan window.
+      // A meta line whose own length pushes the offset past 500B (a corpus file that packs a
+      // paragraph into **Status:**) must NOT become the anchor — otherwise the inserted field
+      // lands past the window and parseTypeHeader/parseSourceHeader miss it. Back off here.
+      if (nextCum > HEADER_REGION_BYTES) break;
       anchorIdx = i; // extend the contiguous meta run
     } else if (anchorIdx !== -1) {
       break; // first non-meta line after the run — the run is over (contiguous only)
     }
-    cum += line.length + 1;
-    if (cum > HEADER_REGION_BYTES) break; // never place fields past the scan window
+    cum = nextCum;
   }
   // "None" dialect (no bold-label meta): anchor on the title line so the fields still
   // land in the header region, before the first section. (-1 → very top if no title.)
@@ -333,52 +338,59 @@ export function insertHeaderFields(content, meta) {
 }
 
 /**
- * Surgically strip a STALE `**Verified:**` value from a legacy KB file's header — the
- * bounded Spor 1 carve-out for the 14 files carrying `**Verified:** MCP <date>`. That
- * non-date value is read by parseVerifiedHeader as a bogus "verified" stamp, which drops
- * the file out of the full-pass worklist AND marks it falsely verified; stripping it is
- * the OPPOSITE of stamping verified. Acts ONLY on the first header-region `**Verified:**`
- * (the exact occurrence parseVerifiedHeader reads) and ONLY when its value is not a clean
- * YYYY-MM(-DD) date. It never touches anything at or below the first `---` rule, so a
- * body-duplicate survives (removing body content is NOT part of the blessed byte-identity
- * carve-out). On a pipe-delimited meta row it removes only the `**Verified:** <value>`
+ * Surgically strip STALE `**Verified:**` value(s) from a legacy KB file — the bounded
+ * Spor 1 carve-out for the 14 files carrying `**Verified:** MCP <date>`. That non-date
+ * value is read by parseVerifiedHeader as a bogus "verified" stamp, which drops the file
+ * out of the full-pass worklist AND marks it falsely verified; stripping it is the OPPOSITE
+ * of stamping verified. Acts on EVERY stale `**Verified:**` inside the 500-byte scan window
+ * (the region parseVerifiedHeader actually reads) whose value is not a clean YYYY-MM(-DD)
+ * date — including a stray duplicate sitting just below the first `---` rule, a corpus
+ * artifact (9 mlops-genaiops files) that still poisons the read once the header copy is
+ * gone. A clean date at the first scanned position stops the pass (a legitimately verified
+ * file is left alone), and anything PAST the 500-byte window is genuine body content and is
+ * never touched. On a pipe-delimited meta row it removes only the `**Verified:** <value>`
  * token plus one adjacent ` | ` separator, preserving the sibling tokens
- * (**Sist oppdatert:** etc.); on a standalone line it drops the whole line. Idempotent.
+ * (**Sist oppdatert:** etc.); on a standalone line it drops the whole line. Idempotent
+ * (each pass removes one match; a re-run finds nothing to strip).
  *
  * @param {string} content — full existing file content
- * @returns {string} content with the stale header Verified removed, or unchanged
+ * @returns {string} content with the stale in-window Verified value(s) removed, or unchanged
  */
 export function normalizeStaleVerified(content) {
-  const s = String(content ?? '');
-  const head = s.slice(0, HEADER_REGION_BYTES);
-  const m = /\*\*Verified:\*\*\s*(\S+)/i.exec(head);
-  if (!m) return s; // no header Verified
-  if (DATE_RE.test(m[1])) return s; // clean date → leave untouched
-  const matchStart = m.index; // index of "**Verified:**" in s
-  // Guard: never act at or below the first `---` rule — body content is off-limits.
-  const rule = /^---\s*$/m.exec(s);
-  if (rule && matchStart >= rule.index) return s; // defensive (parser scans header, but be sure)
+  let s = String(content ?? '');
+  // Remove every stale (non-date) **Verified:** inside the scan window. Loop because a file
+  // can carry two (header copy + stray body-dup below ---); each pass drops one, so it
+  // terminates. A clean date at the first position ends the pass — parseVerifiedHeader reads
+  // that first occurrence, so a dated first Verified means the file is legitimately verified.
+  for (;;) {
+    const head = s.slice(0, HEADER_REGION_BYTES);
+    const m = /\*\*Verified:\*\*\s*(\S+)/i.exec(head);
+    if (!m) return s; // nothing stale left in the window
+    if (DATE_RE.test(m[1])) return s; // clean date at the read position → leave untouched
+    const matchStart = m.index; // index of "**Verified:**" in s
 
-  const lineStart = s.lastIndexOf('\n', matchStart - 1) + 1; // 0 if no preceding newline
-  let lineEnd = s.indexOf('\n', matchStart);
-  if (lineEnd === -1) lineEnd = s.length;
-  const line = s.slice(lineStart, lineEnd);
+    const lineStart = s.lastIndexOf('\n', matchStart - 1) + 1; // 0 if no preceding newline
+    let lineEnd = s.indexOf('\n', matchStart);
+    if (lineEnd === -1) lineEnd = s.length;
+    const line = s.slice(lineStart, lineEnd);
 
-  if (!line.includes(' | ')) {
-    // Standalone `**Verified:** …` line — drop the whole line, including its newline.
-    const cutEnd = lineEnd < s.length ? lineEnd + 1 : lineEnd;
-    return s.slice(0, lineStart) + s.slice(cutEnd);
+    if (!line.includes(' | ')) {
+      // Standalone `**Verified:** …` line — drop the whole line, including its newline.
+      const cutEnd = lineEnd < s.length ? lineEnd + 1 : lineEnd;
+      s = s.slice(0, lineStart) + s.slice(cutEnd);
+      continue;
+    }
+    // Pipe row: remove only the `**Verified:** <value>` token + one adjacent ` | `.
+    const nextSepRel = s.slice(matchStart, lineEnd).indexOf(' | ');
+    const tokenEnd = nextSepRel === -1 ? lineEnd : matchStart + nextSepRel;
+    if (s.slice(matchStart - 3, matchStart) === ' | ') {
+      s = s.slice(0, matchStart - 3) + s.slice(tokenEnd); // drop the preceding separator
+    } else if (nextSepRel !== -1) {
+      s = s.slice(0, matchStart) + s.slice(tokenEnd + 3); // drop the following separator
+    } else {
+      s = s.slice(0, matchStart) + s.slice(tokenEnd); // degenerate — token only
+    }
   }
-  // Pipe row: remove only the `**Verified:** <value>` token + one adjacent ` | `.
-  const nextSepRel = s.slice(matchStart, lineEnd).indexOf(' | ');
-  const tokenEnd = nextSepRel === -1 ? lineEnd : matchStart + nextSepRel;
-  if (s.slice(matchStart - 3, matchStart) === ' | ') {
-    return s.slice(0, matchStart - 3) + s.slice(tokenEnd); // drop the preceding separator
-  }
-  if (nextSepRel !== -1) {
-    return s.slice(0, matchStart) + s.slice(tokenEnd + 3); // drop the following separator
-  }
-  return s.slice(0, matchStart) + s.slice(tokenEnd); // degenerate — token only
 }
 
 const RE_TITLE = /^#\s+\S/m;
diff --git a/skills/ms-ai-engineering/references/agent-orchestration/agent-365-governance-and-deployment.md b/skills/ms-ai-engineering/references/agent-orchestration/agent-365-governance-and-deployment.md
index d40ad80..e08c078 100644
--- a/skills/ms-ai-engineering/references/agent-orchestration/agent-365-governance-and-deployment.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/agent-365-governance-and-deployment.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-18
 **Status:** GA (1. mai 2026)
 **Category:** Agent Orchestration & Automation
+**Type:** reference
+**Source:** https://learn.microsoft.com/copilot/microsoft-365/agent-essentials/m365-agents-blueprint
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Microsoft Agent 365 er Microsofts enterprise control plane for AI-agenter på tvers av hele Microsoft 365-økosystemet. Plattformen gir IT-administratorer sentralisert kontroll over agent-identitet, livssyklusstyring, sikkerhet og compliance for agenter bygget med Copilot Studio, Agent Builder, SharePoint eller Microsoft Agent Framework.
diff --git a/skills/ms-ai-engineering/references/agent-orchestration/agent-autonomy-and-control-governance.md b/skills/ms-ai-engineering/references/agent-orchestration/agent-autonomy-and-control-governance.md
index cc4efad..8528b4e 100644
--- a/skills/ms-ai-engineering/references/agent-orchestration/agent-autonomy-and-control-governance.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/agent-autonomy-and-control-governance.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24 | Verified: MCP 2026-06-24
 **Status:** GA
 **Category:** Agent Orchestration & Automation
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/guardrails/guardrails-overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Autonome AI-agenter representerer et paradigmeskifte fra deterministisk programvarelogikk til probabilistisk beslutningstaking. Når agenter får tilgang til eksterne systemer, kan modifisere data, og tar selvstendige beslutninger, introduseres operasjonelle risikoer som krever nye styringsmekanismer. Et robust governance framework balanserer autonomi mot kontroll — det lar agenter operere effektivt innenfor definerte sikkerhetssoner samtidig som kritiske handlinger undergis menneskelig godkjenning.
diff --git a/skills/ms-ai-engineering/references/agent-orchestration/agent-compliance-and-audit-trails.md b/skills/ms-ai-engineering/references/agent-orchestration/agent-compliance-and-audit-trails.md
index dfde34e..4500e28 100644
--- a/skills/ms-ai-engineering/references/agent-orchestration/agent-compliance-and-audit-trails.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/agent-compliance-and-audit-trails.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Agent Orchestration & Automation
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Action Audit Logging](#action-audit-logging)
+- [Decision Trail Documentation](#decision-trail-documentation)
+- [Retention Policies](#retention-policies)
+- [Regulatory Alignment](#regulatory-alignment)
+- [Compliance Reporting](#compliance-reporting)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Compliance og revisjonsspor for AI-agenter er ikke lenger en "nice-to-have" -- det er et regulatorisk krav under EU AI Act, GDPR, og nasjonale regelverk som den norske Forvaltningsloven. Organisasjoner må dokumentere hva agenter gjør, hvilke data de aksesserer, hvilke beslutninger de tar, og hvordan disse beslutningene kan etterprøves. Uten strukturerte revisjonsspor risikerer virksomheter regulatoriske sanksjoner og tap av tillit.
diff --git a/skills/ms-ai-engineering/references/agent-orchestration/agent-cost-optimization-strategies.md b/skills/ms-ai-engineering/references/agent-orchestration/agent-cost-optimization-strategies.md
index cc166ba..95d1598 100644
--- a/skills/ms-ai-engineering/references/agent-orchestration/agent-cost-optimization-strategies.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/agent-cost-optimization-strategies.md
@@ -3,9 +3,24 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Agent Orchestration & Automation
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Model Selection per Task](#model-selection-per-task)
+- [Token Optimization for Agents](#token-optimization-for-agents)
+- [Request Deduplication](#request-deduplication)
+- [Resource Pooling](#resource-pooling)
+- [Cost Attribution per Agent](#cost-attribution-per-agent)
+- [Foundry Control Plane Kostnadsoptimalisering](#foundry-control-plane-kostnadsoptimalisering)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Kostnadsoptimalisering for agentsystemer er en strategisk nødvendighet ettersom organisasjoner skalerer fra pilot til produksjon. Agenter som involverer flere LLM-kall, RAG-retrievals og verktøyinvokasjoner kan generere betydelige kostnader -- en enkelt kompleks agentforespørsel kan involvere 3-5 modellkall med totalt 5000-20000 tokens. Uten bevisst kostnadsstyring eskalerer utgiftene raskt når brukervolum øker.
diff --git a/skills/ms-ai-engineering/references/agent-orchestration/agent-ecosystem-and-plugin-marketplace.md b/skills/ms-ai-engineering/references/agent-orchestration/agent-ecosystem-and-plugin-marketplace.md
index 453994e..599d97e 100644
--- a/skills/ms-ai-engineering/references/agent-orchestration/agent-ecosystem-and-plugin-marketplace.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/agent-ecosystem-and-plugin-marketplace.md
@@ -3,9 +3,24 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Agent Orchestration & Automation
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Plugin Discovery Mechanisms](#plugin-discovery-mechanisms)
+- [Capability Advertisement](#capability-advertisement)
+- [Dependency Management](#dependency-management)
+- [Version Compatibility](#version-compatibility)
+- [Distribution Patterns](#distribution-patterns)
+- [Governance for Agent Ecosystems](#governance-for-agent-ecosystems)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 AI-agentøkosystemer representerer en paradigme-endring fra isolerte AI-løsninger til sammenkoblede plattformer der agenter, plugins og tredjepartsintegrasjoner kan oppdages, distribueres og kombineres dynamisk. Microsoft 365 Copilot-økosystemet er det mest modne eksemplet, med en unified app-modell der agenter er apps som distribueres gjennom Microsoft 365 admin center, sideloades for testing, eller publiseres i Microsoft Commercial Marketplace.
diff --git a/skills/ms-ai-engineering/references/agent-orchestration/agent-evaluation-testing-frameworks.md b/skills/ms-ai-engineering/references/agent-orchestration/agent-evaluation-testing-frameworks.md
index 86a491c..74805f0 100644
--- a/skills/ms-ai-engineering/references/agent-orchestration/agent-evaluation-testing-frameworks.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/agent-evaluation-testing-frameworks.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24 | Verified: MCP 2026-06
 **Status:** GA (Azure AI Evaluation SDK), Preview (Agent-specific evaluators)
 **Category:** Agent Orchestration & Automation
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/concepts/observability
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Agent-baserte AI-systemer representerer en ny kompleksitet i testing og validering sammenlignet med tradisjonelle deterministic workflows. Der en enkel LLM-applikasjon kun har én inngangspunkt og ett svar, har agenter multippel tool-calling, dynamisk reasoning, multi-turn samtaler, og ikke-deterministisk oppførsel. Microsoft tilbyr et komprehensivt evalueringsrammeverk gjennom Azure AI Evaluation SDK og Microsoft Foundry som håndterer både pre-deployment testing (batch evaluation) og post-deployment monitoring (continuous evaluation).
diff --git a/skills/ms-ai-engineering/references/agent-orchestration/agent-feedback-and-learning-loops.md b/skills/ms-ai-engineering/references/agent-orchestration/agent-feedback-and-learning-loops.md
index 2ccc4ca..04b19c5 100644
--- a/skills/ms-ai-engineering/references/agent-orchestration/agent-feedback-and-learning-loops.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/agent-feedback-and-learning-loops.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-02
 **Status:** GA / Preview (continuous evaluation)
 **Category:** Agent Orchestration & Automation
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Human Feedback Collection](#human-feedback-collection)
+- [Continuous Evaluation med Microsoft Foundry](#continuous-evaluation-med-microsoft-foundry)
+- [Performance Monitoring og Drift-deteksjon](#performance-monitoring-og-drift-deteksjon)
+- [Retraining og Continuous Improvement](#retraining-og-continuous-improvement)
+- [Implementeringsmønstre](#implementeringsmønstre)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 AI-agenter i produksjon er ikke statiske systemer -- de krever kontinuerlig forbedring basert på reell brukerinteraksjon og ytelsesdata. Feedback-loops er mekanismene som fanger opp signaler fra brukere, evaluatorer og systemmetrikker, og kanaliserer disse tilbake til agentens konfigurasjon, prompts og underliggende modeller. Uten strukturerte feedback-loops degraderer agentytelse over tid ettersom brukerforventninger, datakilder og forretningsregler endres.
diff --git a/skills/ms-ai-engineering/references/agent-orchestration/agent-latency-optimization.md b/skills/ms-ai-engineering/references/agent-orchestration/agent-latency-optimization.md
index 77f7417..1934461 100644
--- a/skills/ms-ai-engineering/references/agent-orchestration/agent-latency-optimization.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/agent-latency-optimization.md
@@ -3,9 +3,25 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Agent Orchestration & Automation
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Latency-anatomi for agentsystemer](#latency-anatomi-for-agentsystemer)
+- [Response Streaming](#response-streaming)
+- [Request Batching](#request-batching)
+- [Prefetching Strategies](#prefetching-strategies)
+- [Semantic Caching med APIM](#semantic-caching-med-apim)
+- [Async-Awaitable Patterns](#async-awaitable-patterns)
+- [Model Selection for Latency](#model-selection-for-latency)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Responstid er en kritisk kvalitetsfaktor for AI-agenter. Brukere forventer sub-sekund initial respons og fullstendige svar innen få sekunder. I multi-agent-systemer akkumuleres latency gjennom hver orkestreringsbeslutning, modellkall, verktøyinvokasjon og data-retrieval. Uten bevisst optimalisering kan en agent som involverer 3-4 LLM-kall raskt nå 15-30 sekunders total responstid, noe som er uakseptabelt for interaktive scenarier.
diff --git a/skills/ms-ai-engineering/references/agent-orchestration/agent-memory-and-context-management.md b/skills/ms-ai-engineering/references/agent-orchestration/agent-memory-and-context-management.md
index 6e33d9e..0f4ca3c 100644
--- a/skills/ms-ai-engineering/references/agent-orchestration/agent-memory-and-context-management.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/agent-memory-and-context-management.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24 | Verified: MCP 2026-06
 **Status:** GA (Managed Memory in Foundry Agent Service: Preview)
 **Category:** Agent Orchestration & Automation
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/agents/concepts/what-is-memory
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Agent memory og context management er grunnleggende for å bygge AI-agenter som leverer personaliserte, kontekstbevisste opplevelser over tid. Uten minnehåndtering er alle Large Language Models (LLMs) stateless — hver interaksjon starter fra blanke ark, uten kjennskap til tidligere samtaler eller brukerpreferanser.
diff --git a/skills/ms-ai-engineering/references/agent-orchestration/agent-monitoring-observability.md b/skills/ms-ai-engineering/references/agent-orchestration/agent-monitoring-observability.md
index d6144dd..ae10774 100644
--- a/skills/ms-ai-engineering/references/agent-orchestration/agent-monitoring-observability.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/agent-monitoring-observability.md
@@ -3,9 +3,24 @@
 **Last updated:** 2026-02
 **Status:** GA / Preview (Agent 365)
 **Category:** Agent Orchestration & Automation
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Distributed Tracing for Agents](#distributed-tracing-for-agents)
+- [Agent Event Logging](#agent-event-logging)
+- [Performance Profiling](#performance-profiling)
+- [Error Categorization](#error-categorization)
+- [Debugging Tools](#debugging-tools)
+- [Observability SDK Integration](#observability-sdk-integration)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Observability for agentsystemer går utover tradisjonell applikasjonsovervåking. Agenter opererer probabilistisk, tar dynamiske beslutninger, og produserer ulike outputs for identiske inputs. Denne ikke-deterministiske naturen krever spesialiserte overvåkingsverktøy som fanger ikke bare ytelsesmetrikker, men også beslutningsprosesser, verktøybruk, prompt-respons-par og evalueringskvalitet.
diff --git a/skills/ms-ai-engineering/references/agent-orchestration/agent-routing-and-specialization.md b/skills/ms-ai-engineering/references/agent-orchestration/agent-routing-and-specialization.md
index daa8e7a..425253b 100644
--- a/skills/ms-ai-engineering/references/agent-orchestration/agent-routing-and-specialization.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/agent-routing-and-specialization.md
@@ -3,9 +3,24 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Agent Orchestration & Automation
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Intent Classification Routing](#intent-classification-routing)
+- [Agent Capability Matching](#agent-capability-matching)
+- [Semantic Kernel Handoff Pattern](#semantic-kernel-handoff-pattern)
+- [Load Balancing Strategies](#load-balancing-strategies)
+- [Fallback Routing](#fallback-routing)
+- [Specialization Hierarchies](#specialization-hierarchies)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Intelligent routing mellom spesialiserte agenter er en av de mest kritiske arkitekturbeslutningene i multi-agent-systemer. Istedenfor å bygge en "god nok til alt"-agent, deler man ansvarsområder mellom spesialiserte agenter som hver mestrer sitt domene. En router-agent eller orkestrator analyserer innkommende forespørsler og dirigerer dem til riktig spesialist basert på intent-klassifisering, kontekstuell matching og kapabilitets-deklarasjoner.
diff --git a/skills/ms-ai-engineering/references/agent-orchestration/agent-security-threat-modeling.md b/skills/ms-ai-engineering/references/agent-orchestration/agent-security-threat-modeling.md
index aed0746..b9e8b2f 100644
--- a/skills/ms-ai-engineering/references/agent-orchestration/agent-security-threat-modeling.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/agent-security-threat-modeling.md
@@ -3,9 +3,24 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Agent Orchestration & Automation
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Agent Prompt Injection](#agent-prompt-injection)
+- [Tool Abuse Prevention](#tool-abuse-prevention)
+- [Credential Handling](#credential-handling)
+- [Data Exfiltration Risks](#data-exfiltration-risks)
+- [Agent Impersonation Attacks](#agent-impersonation-attacks)
+- [Red Teaming](#red-teaming)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 AI-agenter introduserer unike sikkerhetstrusler som ikke finnes i tradisjonelle applikasjoner. Agenter tar dynamiske beslutninger basert på brukerinput, har ofte brede tilganger til systemer og data, og deres probabilistiske natur gjør atferden vanskelig å forutsi fullstendig. Angrepsflaten utvides betydelig: prompt injection kan manipulere agentens oppførsel, verktøymisbruk kan utnyttes til uautoriserte handlinger, og agent-til-agent-kommunikasjon kan spre kompromittering gjennom systemet.
diff --git a/skills/ms-ai-engineering/references/agent-orchestration/agent-to-agent-a2a-protocol.md b/skills/ms-ai-engineering/references/agent-orchestration/agent-to-agent-a2a-protocol.md
index c9fba84..a07842c 100644
--- a/skills/ms-ai-engineering/references/agent-orchestration/agent-to-agent-a2a-protocol.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/agent-to-agent-a2a-protocol.md
@@ -3,9 +3,27 @@
 **Last updated:** 2026-06-18 | Verified: 2026-06-18
 **Status:** Stabil (protokollspesifikasjon v1.0) / Preview (Microsofts A2A-SDK + Agent Framework A2A-pakker)
 **Category:** Agent Orchestration & Automation
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/agents/concepts/agent-to-agent-authentication
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Protokolldesign](#protokolldesign)
+- [Agent Cards — Discovery og Kapabilitetsannonsering](#agent-cards--discovery-og-kapabilitetsannonsering)
+- [Task-livssyklus](#task-livssyklus)
+- [A2A vs MCP — Komplementære Protokoller](#a2a-vs-mcp--komplementære-protokoller)
+- [Microsoft-implementasjoner](#microsoft-implementasjoner)
+- [Sikkerhet](#sikkerhet)
+- [Multi-vendor Interoperabilitet](#multi-vendor-interoperabilitet)
+- [Norsk Offentlig Sektor](#norsk-offentlig-sektor)
+- [For Cosmo — Beslutningsveiledning](#for-cosmo--beslutningsveiledning)
+- [Arkitekturmønster](#arkitekturmønster)
+- [Installasjon og SDK-er](#installasjon-og-sdk-er)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Agent2Agent (A2A) er en åpen standardprotokoll for kommunikasjon og samarbeid mellom autonome AI-agenter på tvers av rammeverk, leverandører og organisasjonsgrenser. Protokollen ble lansert av Google i april 2025 og donert til Linux Foundation i juni 2025, der den nå forvaltes som et nøytralt open source-prosjekt.
diff --git a/skills/ms-ai-engineering/references/agent-orchestration/agent-to-agent-communication.md b/skills/ms-ai-engineering/references/agent-orchestration/agent-to-agent-communication.md
index d525d8b..963eafb 100644
--- a/skills/ms-ai-engineering/references/agent-orchestration/agent-to-agent-communication.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/agent-to-agent-communication.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-04 | Verified: MCP 2026-04
 **Status:** GA
 **Category:** Agent Orchestration & Automation
+**Type:** reference
+**Source:** https://learn.microsoft.com/semantic-kernel/frameworks/agent/agent-orchestration
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Agent-to-agent communication i Microsoft-økosystemet handler om å få autonome AI-agenter til å samarbeide på tvers av plattformer, rammeverk og organisasjonsgrenser. I stedet for å bygge én monolittisk agent som kan alt, kan du orkestrere flere spesialiserte agenter som kommuniserer strukturert og sikkert.
diff --git a/skills/ms-ai-engineering/references/agent-orchestration/autonomous-workflow-automation-patterns.md b/skills/ms-ai-engineering/references/agent-orchestration/autonomous-workflow-automation-patterns.md
index 3116e52..b4216a0 100644
--- a/skills/ms-ai-engineering/references/agent-orchestration/autonomous-workflow-automation-patterns.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/autonomous-workflow-automation-patterns.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Agent Orchestration & Automation
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/azure-functions/durable/durable-functions-overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Autonomous Workflow Automation representerer et paradigmeskift i hvordan organisasjoner bygger intelligente arbeidsprosesser. Der tradisjonelle workflows krever eksplisitt programmering av hvert steg, tillater autonome workflows at AI-agenter tar beslutninger, tilpasser seg kontekst, og orkestrerer komplekse oppgaver med minimal menneskelig intervensjon.
diff --git a/skills/ms-ai-engineering/references/agent-orchestration/computer-using-agents-cua.md b/skills/ms-ai-engineering/references/agent-orchestration/computer-using-agents-cua.md
index 2b92c14..3c7bbd3 100644
--- a/skills/ms-ai-engineering/references/agent-orchestration/computer-using-agents-cua.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/computer-using-agents-cua.md
@@ -3,9 +3,29 @@
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
 **Status:** Copilot Studio — GA (2026-05-07); Foundry Agent Service — Preview (sep 2025)
 **Category:** Agent Orchestration & Automation
+**Type:** reference
+**Source:** https://learn.microsoft.com/microsoft-copilot-studio/guidance/agent-tools
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Hva er CUA?](#hva-er-cua)
+- [Hvordan det fungerer](#hvordan-det-fungerer)
+- [Copilot Studio-integrasjon](#copilot-studio-integrasjon)
+- [Foundry Agent Service](#foundry-agent-service)
+- [Browser Automation (Playwright) — relatert kapabilitet](#browser-automation-playwright--relatert-kapabilitet)
+- [Bruksområder](#bruksområder)
+- [Begrensninger](#begrensninger)
+- [Sikkerhetsmodell](#sikkerhetsmodell)
+- [CUA vs RPA — Sammenligning](#cua-vs-rpa--sammenligning)
+- [Status og tilgjengelighet](#status-og-tilgjengelighet)
+- [Norsk offentlig sektor — Relevans](#norsk-offentlig-sektor--relevans)
+- [For Cosmo: Beslutningsveiledning](#for-cosmo-beslutningsveiledning)
+- [Kostnadsestimat](#kostnadsestimat)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Computer-Using Agents (CUA) er en ny klasse AI-agenter som automatiserer oppgaver ved å **se på skjermbilder og betjene mus og tastatur** — akkurat som et menneske. I motsetning til tradisjonell automatisering, der agenten kaller API-er eller bruker forhåndsskrevne skript, kan CUA operere på *ethvert* system med et grafisk grensesnitt (GUI), inkludert legacysystemer uten API-støtte.
diff --git a/skills/ms-ai-engineering/references/agent-orchestration/copilot-agent-integration-patterns.md b/skills/ms-ai-engineering/references/agent-orchestration/copilot-agent-integration-patterns.md
index 138a129..b76d3d3 100644
--- a/skills/ms-ai-engineering/references/agent-orchestration/copilot-agent-integration-patterns.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/copilot-agent-integration-patterns.md
@@ -3,9 +3,24 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Agent Orchestration & Automation
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Copilot Studio Agent Binding](#copilot-studio-agent-binding)
+- [Message Format Adaptation](#message-format-adaptation)
+- [Capability Exposure](#capability-exposure)
+- [User Context Passing](#user-context-passing)
+- [Session Management](#session-management)
+- [Declarative vs Custom Engine Integration](#declarative-vs-custom-engine-integration)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Integrasjon av agenter med Microsoft Copilot-økosystemet -- Copilot Studio, Microsoft 365 Copilot og Copilot Chat -- gir agenter tilgang til millioner av brukere gjennom kjente grensesnitt i Teams, Outlook, Word og andre Microsoft 365-applikasjoner. Denne integrasjonen utnytter Copilots orkestrator, grunnmodeller og sikkerhetstjenester, slik at agenter arver enterprise-grade compliance, RAI-standarder og governance uten ekstra utviklingsarbeid.
diff --git a/skills/ms-ai-engineering/references/agent-orchestration/declarative-vs-imperative-agent-design.md b/skills/ms-ai-engineering/references/agent-orchestration/declarative-vs-imperative-agent-design.md
index b326548..9fda153 100644
--- a/skills/ms-ai-engineering/references/agent-orchestration/declarative-vs-imperative-agent-design.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/declarative-vs-imperative-agent-design.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Agent Orchestration & Automation
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Declarative Agent Benefits](#declarative-agent-benefits)
+- [Code-First Flexibility](#code-first-flexibility)
+- [Migration Paths](#migration-paths)
+- [Hybrid Approaches](#hybrid-approaches)
+- [Skill Abstraction Levels](#skill-abstraction-levels)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Valget mellom deklarativ og imperativ agentdesign er en av de mest grunnleggende arkitekturbeslutningene for AI-agenter i Microsoft-økosystemet. Deklarative agenter konfigurerer atferd gjennom manifest-filer, instruksjoner og kunnskapskilder -- orkestratoren håndterer resonnering og utførelse. Imperative (code-first) agenter gir full kontroll over prompt engineering, orkestrering, verktøybruk og feilhåndtering gjennom eksplisitt kode.
diff --git a/skills/ms-ai-engineering/references/agent-orchestration/foundry-agent-service-ga.md b/skills/ms-ai-engineering/references/agent-orchestration/foundry-agent-service-ga.md
index 0b60893..6943340 100644
--- a/skills/ms-ai-engineering/references/agent-orchestration/foundry-agent-service-ga.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/foundry-agent-service-ga.md
@@ -3,6 +3,8 @@
 **Last updated:** 2026-06-18 (currency-verifisert mot Learn)
 **Status:** GA — **ny agent-modell** (Prompt agents GA + Hosted agents preview)
 **Category:** Agent Orchestration & Automation
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/agents/overview
 
 > **VIKTIG currency-korreksjon (verifisert 2026-06-18 mot learn.microsoft.com/azure/foundry/agents/overview):**
 > Dagens GA-modell for Foundry Agent Service har to agenttyper:
@@ -15,6 +17,23 @@
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Hva er Foundry Agent Service?](#hva-er-foundry-agent-service)
+- [GA-modell og feature-status (per 2026-06)](#ga-modell-og-feature-status-per-2026-06)
+- [Kjernefunksjoner](#kjernefunksjoner)
+- [Agenttyper og verktøy](#agenttyper-og-verktøy)
+- [Multi-agent mønstre](#multi-agent-mønstre)
+- [Integrasjon med Semantic Kernel](#integrasjon-med-semantic-kernel)
+- [Prising](#prising)
+- [Regional tilgjengelighet](#regional-tilgjengelighet)
+- [Enterprise-sikkerhet og governance](#enterprise-sikkerhet-og-governance)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [For Cosmo: Beslutningsveiledning](#for-cosmo-beslutningsveiledning)
+- [Grenser og kvoter](#grenser-og-kvoter)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Foundry Agent Service er Microsofts fullt administrerte runtime for å bygge, deploye og skalere AI-agenter i produksjon. Tjenesten nådde General Availability (GA) 19. mai 2025 og er nå kjernen i Microsoft Foundry-plattformen.
diff --git a/skills/ms-ai-engineering/references/agent-orchestration/foundry-workflows-visual-orchestration.md b/skills/ms-ai-engineering/references/agent-orchestration/foundry-workflows-visual-orchestration.md
index b04819e..f0ea3f6 100644
--- a/skills/ms-ai-engineering/references/agent-orchestration/foundry-workflows-visual-orchestration.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/foundry-workflows-visual-orchestration.md
@@ -3,9 +3,27 @@
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
 **Status:** Public Preview (announced MS Ignite november 2025)
 **Category:** Agent Orchestration & Automation
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/agents/concepts/workflow
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Visuell Designer](#visuell-designer)
+- [Node-typer](#node-typer)
+- [Orkestreringsmønstre (Maler)](#orkestreringsmønstre-maler)
+- [Feilhåndtering](#feilhåndtering)
+- [Power Fx for Betingelser og Datatransformasjon](#power-fx-for-betingelser-og-datatransformasjon)
+- [Integrasjon med Foundry Agent Service og MCP](#integrasjon-med-foundry-agent-service-og-mcp)
+- [Foundry Workflows vs. Logic Apps vs. Power Automate](#foundry-workflows-vs-logic-apps-vs-power-automate)
+- [Deployment: API-endepunkter, Versjonering og A/B-testing](#deployment-api-endepunkter-versjonering-og-ab-testing)
+- [Overvåking: Tracing, Tokenbruk og Latensmetrikker](#overvåking-tracing-tokenbruk-og-latensmetrikker)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [For Cosmo: Beslutningsveiledning](#for-cosmo-beslutningsveiledning)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Foundry Workflows er den visuelle orkestreringsdesigneren i Microsoft Foundry (Microsoft Foundry) for å bygge, teste og deploye multi-agent-prosesser uten å skrive orkestreringslogikk for hånd. Annonsert i Public Preview på Microsoft Ignite november 2025, er Workflows bygget på toppen av **Microsoft Agent Framework** og tilbyr en drag-and-drop-kanvas kombinert med YAML-definisjon for team som vil ha en visuell designopplevelse med pro-code-flukt.
diff --git a/skills/ms-ai-engineering/references/agent-orchestration/multi-agent-orchestration-patterns.md b/skills/ms-ai-engineering/references/agent-orchestration/multi-agent-orchestration-patterns.md
index 43c5e3a..dd62696 100644
--- a/skills/ms-ai-engineering/references/agent-orchestration/multi-agent-orchestration-patterns.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/multi-agent-orchestration-patterns.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
 **Status:** GA
 **Category:** Agent Orchestration & Automation
+**Type:** reference
+**Source:** https://learn.microsoft.com/agent-framework/user-guide/workflows/orchestrations/overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Multi-agent orchestration representerer en fundamental arkitektonisk tilnærming for å håndtere komplekse AI-oppgaver gjennom koordinering av flere spesialiserte agenter. I stedet for å bygge én monolittisk agent med mange verktøy og kunnskapsbaser, deler multi-agent-systemer problemet i mindre, spesialiserte enheter som kan samarbeide, parallellisere eller sekvensielt prosessere oppgaver.
diff --git a/skills/ms-ai-engineering/references/agent-orchestration/multi-tenant-agent-isolation.md b/skills/ms-ai-engineering/references/agent-orchestration/multi-tenant-agent-isolation.md
index 2b3c450..cc4321a 100644
--- a/skills/ms-ai-engineering/references/agent-orchestration/multi-tenant-agent-isolation.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/multi-tenant-agent-isolation.md
@@ -3,9 +3,24 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Agent Orchestration & Automation
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Isolasjonsmodeller for Azure OpenAI](#isolasjonsmodeller-for-azure-openai)
+- [Tenant Data Isolation](#tenant-data-isolation)
+- [Permission Enforcement](#permission-enforcement)
+- [Audit Segregation](#audit-segregation)
+- [Cross-Tenant Attack Prevention](#cross-tenant-attack-prevention)
+- [Resource Quotas](#resource-quotas)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Multi-tenant agentarkitektur er en fundamental utfordring for organisasjoner som tilbyr AI-agenter til flere kunder, avdelinger eller forretningsenheter. Korrekt isolasjon sikrer at data, konfigurasjoner og agentoppførsel ikke lekker mellom tenants, samtidig som man opprettholder kostnadseffektivitet og skalerbarhet.
diff --git a/skills/ms-ai-engineering/references/agent-orchestration/semantic-kernel-agents-implementation.md b/skills/ms-ai-engineering/references/agent-orchestration/semantic-kernel-agents-implementation.md
index 0b00070..36ef51d 100644
--- a/skills/ms-ai-engineering/references/agent-orchestration/semantic-kernel-agents-implementation.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/semantic-kernel-agents-implementation.md
@@ -3,11 +3,25 @@
 **Last updated:** 2026-06-18 | Verified: 2026-06-18
 **Status:** GA — Microsoft Agent Framework 1.0 (3. apr 2026), orchestration patterns GA
 **Category:** Agent Orchestration & Automation
+**Type:** reference
+**Source:** https://learn.microsoft.com/agent-framework/overview/agent-framework-overview
 
 > **Produksjonsklart rammeverk (juni 2026):** Microsoft Agent Framework (MAF) 1.0 nådde GA 3. april 2026 og er det produksjonsklare, open-source rammeverket (.NET + Python) som Semantic Kernel og AutoGen har konvergert inn i. SK og AutoGen er nå i vedlikeholds-/migrasjonsmodus (migration guides finnes); ny utvikling bør bygge på MAF. De fem orkestreringsmønstrene — Sequential, Concurrent, Handoff, Group Chat og Magentic — er **stabile (GA)** i MAF 1.0 med streaming, checkpointing, human-in-the-loop og pause/resume.
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stacken](#integrasjon-med-microsoft-stacken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og Lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Semantic Kernel Agent Framework og Microsoft Agent Framework representerer neste generasjon av agentic AI-utvikling på Microsoft-stacken. Semantic Kernel Agent Framework bygger på det etablerte Semantic Kernel-økosystemet og utvider det med multi-agent orchestration patterns, mens Microsoft Agent Framework forener kapabilitetene fra Semantic Kernel og AutoGen i ett unified framework.
diff --git a/skills/ms-ai-engineering/references/agent-orchestration/tool-use-and-function-calling-patterns.md b/skills/ms-ai-engineering/references/agent-orchestration/tool-use-and-function-calling-patterns.md
index 2f7a40d..db8ac7d 100644
--- a/skills/ms-ai-engineering/references/agent-orchestration/tool-use-and-function-calling-patterns.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/tool-use-and-function-calling-patterns.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
 **Status:** GA
 **Category:** Agent Orchestration & Automation
+**Type:** reference
+**Source:** https://learn.microsoft.com/semantic-kernel/frameworks/agent/agent-functions
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Function calling og tool use er fundamentale mekanismer som lar AI-agenter utvide sine kapabiliteter utover ren språkgenerering. Ved å kalle predefinerte funksjoner kan agenter hente data fra eksterne kilder, utføre beregninger, oppdatere databaser, og samhandle med andre systemer — alt på en kontrollert og sikker måte.
diff --git a/skills/ms-ai-engineering/references/api-management/apim-ai-gateway-overview.md b/skills/ms-ai-engineering/references/api-management/apim-ai-gateway-overview.md
index e76cfe7..b1e7f27 100644
--- a/skills/ms-ai-engineering/references/api-management/apim-ai-gateway-overview.md
+++ b/skills/ms-ai-engineering/references/api-management/apim-ai-gateway-overview.md
@@ -3,9 +3,24 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** API Management & AI Gateway
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/api-management/genai-gateway-capabilities
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekonsepter i Azure API Management](#kjernekonsepter-i-azure-api-management)
+- [AI Gateway-kapabiliteter](#ai-gateway-kapabiliteter)
+- [Arkitekturmønstre for AI Gateway](#arkitekturmønstre-for-ai-gateway)
+- [Governance og organisatorisk styring](#governance-og-organisatorisk-styring)
+- [Bicep-deployment: AI Gateway](#bicep-deployment-ai-gateway)
+- [Policy-pipeline for AI Gateway](#policy-pipeline-for-ai-gateway)
+- [Relevante referansearkitekturer](#relevante-referansearkitekturer)
+- [Hensyn for norsk offentlig sektor](#hensyn-for-norsk-offentlig-sektor)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Azure API Management (APIM) har utviklet seg fra en tradisjonell API-gateway til en fullverdig AI-gateway som gir organisasjoner sentral kontroll over alle generative AI-tjenester. For norsk offentlig sektor, der mange etater deler Azure OpenAI-instanser på tvers av avdelinger og prosjekter, er APIM den anbefalte tilnærmingen for å sikre styring, kostnadsfordeling og sikkerhet.
diff --git a/skills/ms-ai-engineering/references/api-management/apim-authentication-oauth-managed-identity.md b/skills/ms-ai-engineering/references/api-management/apim-authentication-oauth-managed-identity.md
index 592e63c..3ea5670 100644
--- a/skills/ms-ai-engineering/references/api-management/apim-authentication-oauth-managed-identity.md
+++ b/skills/ms-ai-engineering/references/api-management/apim-authentication-oauth-managed-identity.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** API Management & AI Gateway
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/api-management/backends
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Azure AD Integration](#azure-ad-integration)
+- [OAuth 2.0 Flows](#oauth-20-flows)
+- [Managed Identity](#managed-identity)
+- [Client Certificate Authentication](#client-certificate-authentication)
+- [API Key Rotation](#api-key-rotation)
+- [Defense-in-Depth Mønster](#defense-in-depth-mønster)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Autentisering og autorisering er grunnleggende for å sikre AI-tjenester som eksponeres gjennom Azure API Management. Når organisasjoner bygger ut sin AI-plattform med Azure OpenAI, er det kritisk at kun autoriserte applikasjoner og brukere får tilgang, at API-nøkler ikke lekker, og at tilgang kan spores og revideres. APIM tilbyr flere autentiseringsmekanismer som kan kombineres for defense-in-depth.
diff --git a/skills/ms-ai-engineering/references/api-management/apim-azure-front-door-ai.md b/skills/ms-ai-engineering/references/api-management/apim-azure-front-door-ai.md
index beb73d3..2e7e038 100644
--- a/skills/ms-ai-engineering/references/api-management/apim-azure-front-door-ai.md
+++ b/skills/ms-ai-engineering/references/api-management/apim-azure-front-door-ai.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** API Management & AI Gateway
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/frontdoor/front-door-overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Global lastdistribusjon](#global-lastdistribusjon)
+- [DDoS-beskyttelse](#ddos-beskyttelse)
+- [Web Application Firewall](#web-application-firewall)
+- [Edge Caching](#edge-caching)
+- [Geografisk ruting](#geografisk-ruting)
+- [Kostnadsestimat for Front Door + APIM](#kostnadsestimat-for-front-door--apim)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Nar organisasjoner ruller ut AI-tjenester globalt eller trenger ekstra beskyttelse og ytelsesoptimalisering, er kombinasjonen av Azure Front Door og Azure API Management en kraftig arkitektur. Azure Front Door gir global HTTP(S)-lastbalansering, DDoS-beskyttelse, Web Application Firewall (WAF), edge caching og TLS-offloading -- alt foran APIM som haandterer AI-spesifikk policy-haaandheving, token-ratebegrensning og backend-lastbalansering.
diff --git a/skills/ms-ai-engineering/references/api-management/apim-vs-direct-access-comparison.md b/skills/ms-ai-engineering/references/api-management/apim-vs-direct-access-comparison.md
index 249597c..3e9417f 100644
--- a/skills/ms-ai-engineering/references/api-management/apim-vs-direct-access-comparison.md
+++ b/skills/ms-ai-engineering/references/api-management/apim-vs-direct-access-comparison.md
@@ -3,9 +3,25 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** API Management & AI Gateway
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/api-management/genai-gateway-capabilities
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Gateway Overhead Analysis](#gateway-overhead-analysis)
+- [Security Posture Comparison](#security-posture-comparison)
+- [Governance Requirements](#governance-requirements)
+- [Cost per Request](#cost-per-request)
+- [Organizational Scale Factors](#organizational-scale-factors)
+- [Migrasjonsvei: Direkte → APIM](#migrasjonsvei-direkte--apim)
+- [Hybrid-tilnærminger](#hybrid-tilnærminger)
+- [Well-Architected Framework Perspektiv](#well-architected-framework-perspektiv)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 En av de første arkitekturbeslutningene ved implementering av Azure OpenAI er om applikasjoner skal koble seg direkte til Azure OpenAI-endepunktene, eller om trafikken skal gå gjennom en gateway som Azure API Management. Svaret avhenger av organisasjonens størrelse, sikkerhetskrav, antall applikasjoner og modelldeployments, samt behovet for sentral styring og observerbarhet.
diff --git a/skills/ms-ai-engineering/references/api-management/backend-pool-management.md b/skills/ms-ai-engineering/references/api-management/backend-pool-management.md
index c19950e..aee1f42 100644
--- a/skills/ms-ai-engineering/references/api-management/backend-pool-management.md
+++ b/skills/ms-ai-engineering/references/api-management/backend-pool-management.md
@@ -3,9 +3,24 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** API Management & AI Gateway
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/api-management/genai-gateway-capabilities
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Backend Configuration](#backend-configuration)
+- [Load-Balanced Backend Pools](#load-balanced-backend-pools)
+- [Health Probe Policies](#health-probe-policies)
+- [Custom Health Checks](#custom-health-checks)
+- [Timeout and Retry Logic](#timeout-and-retry-logic)
+- [Pool Metrics](#pool-metrics)
+- [Best Practices](#best-practices)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Backend pool management i Azure API Management er fundamentalt for å bygge robuste AI-gateways. Når organisasjoner skalerer sin bruk av Azure OpenAI og andre LLM-tjenester, trenger de en mekanisme for å distribuere trafikk på tvers av flere backend-instanser, håndtere throttling gracefully, og sikre at feilende backends ikke påvirker sluttbrukere. APIM backend pools gir nettopp denne kapabiliteten med støtte for round-robin, vektet, prioritetsbasert og session-aware load balancing.
diff --git a/skills/ms-ai-engineering/references/api-management/caching-strategies-apim-ai.md b/skills/ms-ai-engineering/references/api-management/caching-strategies-apim-ai.md
index 69482f5..782b2fe 100644
--- a/skills/ms-ai-engineering/references/api-management/caching-strategies-apim-ai.md
+++ b/skills/ms-ai-engineering/references/api-management/caching-strategies-apim-ai.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** API Management & AI Gateway
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/api-management/caching-overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Prompt-baserte caching-nokler](#prompt-baserte-caching-nokler)
+- [Semantisk deduplisering](#semantisk-deduplisering)
+- [TTL-konfigurasjon](#ttl-konfigurasjon)
+- [Cache-invalidering](#cache-invalidering)
+- [Kostnadsbesparelsesanalyse](#kostnadsbesparelsesanalyse)
+- [Caching-tjenester: Intern vs. Ekstern](#caching-tjenester-intern-vs-ekstern)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Caching er en av de mest effektive strategiene for a redusere kostnader og forbedre ytelse i AI-applikasjoner. Azure API Management tilbyr bade tradisjonell HTTP-caching og semantisk caching spesielt designet for LLM-API-er. Semantisk caching bruker embedding-vektorer for a identifisere prompts som er semantisk like -- ikke bare identiske -- og returnere cachede svar uten a kalle backend-modellen.
diff --git a/skills/ms-ai-engineering/references/api-management/circuit-breaker-ai-resilience.md b/skills/ms-ai-engineering/references/api-management/circuit-breaker-ai-resilience.md
index b498fff..f4b81c9 100644
--- a/skills/ms-ai-engineering/references/api-management/circuit-breaker-ai-resilience.md
+++ b/skills/ms-ai-engineering/references/api-management/circuit-breaker-ai-resilience.md
@@ -3,9 +3,24 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** API Management & AI Gateway
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Circuit Breaker State Machine](#circuit-breaker-state-machine)
+- [Konfigurasjon](#konfigurasjon)
+- [Failure Threshold Tuning](#failure-threshold-tuning)
+- [Fallback-policies](#fallback-policies)
+- [Recovery-mekanismer](#recovery-mekanismer)
+- [Timeout-konfigurasjon](#timeout-konfigurasjon)
+- [Avanserte mønstre](#avanserte-mønstre)
+- [Anti-mønstre](#anti-mønstre)
+- [Komplett resiliens-policy](#komplett-resiliens-policy)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Circuit breaker-mønsteret er en grunnleggende resiliensmekanisme for AI-applikasjoner som kommuniserer med Azure OpenAI og andre LLM-backends. Når en backend-tjeneste blir overbelastet eller utilgjengelig, forhindrer circuit breaker at applikasjonen fortsetter å sende forespørsler som uansett vil feile. I stedet "bryter kretsen" og returnerer en feilmelding umiddelbart, slik at backend-tjenesten får tid til å gjenopprette seg.
diff --git 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
index c4c6940..951337d 100644
--- 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
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19
 **Status:** GA
 **Category:** API Management & AI Gateway
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/cost-management-billing/costs/overview-cost-management
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Token Counting from Responses](#token-counting-from-responses)
+- [Model Routing Tracking](#model-routing-tracking)
+- [Chargeback Tagging](#chargeback-tagging)
+- [Azure Cost Management Integration](#azure-cost-management-integration)
+- [Custom Metrics](#custom-metrics)
+- [FinOps Integrasjon](#finops-integrasjon)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Når organisasjoner skalerer sin bruk av Azure OpenAI og andre AI-tjenester, blir kostnadssynlighet og tildeling av kostnader til riktig avdeling, prosjekt eller team en kritisk utfordring. Azure API Management (APIM) fungerer som et naturlig punkt for å samle inn kostnadsdata fra AI-modeller gjennom policyer som fanger token-bruk, modell-informasjon og forbruker-identitet. Denne informasjonen kan deretter brukes for intern fakturering (chargeback) og kostnadsoptimalisering.
diff --git a/skills/ms-ai-engineering/references/api-management/developer-portal-ai-apis.md b/skills/ms-ai-engineering/references/api-management/developer-portal-ai-apis.md
index ea3cd76..6ea51ee 100644
--- a/skills/ms-ai-engineering/references/api-management/developer-portal-ai-apis.md
+++ b/skills/ms-ai-engineering/references/api-management/developer-portal-ai-apis.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** API Management & AI Gateway
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/api-management/developer-portal-overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Portaltilpasning](#portaltilpasning)
+- [API-dokumentasjon](#api-dokumentasjon)
+- [Interaktiv testkonsoll](#interaktiv-testkonsoll)
+- [API-nokkelhondtering](#api-nokkelhondtering)
+- [Selvbetjeningsarbeidsflyt for brukere](#selvbetjeningsarbeidsflyt-for-brukere)
+- [Azure API Center: Komplementaer katalog](#azure-api-center-komplementaer-katalog)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Azure API Managements Developer Portal er en automatisk generert, fullt tilpassbar nettside for API-dokumentasjon og selvbetjening. Nar organisasjoner eksponerer AI-modeller som API-er gjennom APIM, blir Developer Portal den sentrale plattformen der utviklere oppdager tilgjengelige AI-kapabiliteter, tester modeller interaktivt, administrerer API-nokler og overvaker eget forbruk. I tillegg tilbyr Azure API Center et komplementaert API-katalogverktoy.
diff --git a/skills/ms-ai-engineering/references/api-management/genai-gateway-policies.md b/skills/ms-ai-engineering/references/api-management/genai-gateway-policies.md
index f9c1c95..ad5da20 100644
--- a/skills/ms-ai-engineering/references/api-management/genai-gateway-policies.md
+++ b/skills/ms-ai-engineering/references/api-management/genai-gateway-policies.md
@@ -3,9 +3,24 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** API Management & AI Gateway
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/ai-services/content-safety/concepts/jailbreak-detection
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Content Safety Integration](#content-safety-integration)
+- [Prompt Validation Policies](#prompt-validation-policies)
+- [Response Filtering](#response-filtering)
+- [Rate Limiting per Model](#rate-limiting-per-model)
+- [Audit Logging for Prompts](#audit-logging-for-prompts)
+- [Komplett GenAI Policy Stack](#komplett-genai-policy-stack)
+- [GenAI Policy Referanse](#genai-policy-referanse)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Azure API Management (APIM) inkluderer et sett med policyer spesifikt designet for generativ AI (GenAI). Disse policyene går utover tradisjonell API-gateway-funksjonalitet og adresserer unike utfordringer ved AI-workloads: content safety-modererering, prompt-validering, token-basert rate limiting, semantic caching, og audit-logging av prompts og completions. Samlet utgjør de kjernen i APIM sin AI gateway-kapabilitet.
diff --git a/skills/ms-ai-engineering/references/api-management/load-balancing-openai-instances.md b/skills/ms-ai-engineering/references/api-management/load-balancing-openai-instances.md
index cdfbbcb..6e40762 100644
--- a/skills/ms-ai-engineering/references/api-management/load-balancing-openai-instances.md
+++ b/skills/ms-ai-engineering/references/api-management/load-balancing-openai-instances.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** API Management & AI Gateway
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Backend Pool-konsepter](#backend-pool-konsepter)
+- [Load Balancing-strategier](#load-balancing-strategier)
+- [Individual Backend-konfigurasjon](#individual-backend-konfigurasjon)
+- [Deployment Slot Selection](#deployment-slot-selection)
+- [Regional Distribution](#regional-distribution)
+- [Throttling og Retry-håndtering](#throttling-og-retry-håndtering)
+- [Komplett Bicep-eksempel](#komplett-bicep-eksempel)
+- [Overvåking og feilsøking](#overvåking-og-feilsøking)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Lastbalansering på tvers av flere Azure OpenAI-instanser er en kritisk kapabilitet for enterprise AI-arkitekturer. Azure OpenAI har begrensninger på tokens per minutt (TPM) og requests per minutt (RPM) per deployment, og én enkelt instans vil sjelden dekke behovene til en hel organisasjon. Ved å distribuere trafikk over flere instanser -- gjerne i ulike regioner -- kan organisasjoner øke total kapasitet, forbedre tilgjengelighet og optimalisere kostnader.
diff --git a/skills/ms-ai-engineering/references/api-management/logging-analytics-ai-traffic.md b/skills/ms-ai-engineering/references/api-management/logging-analytics-ai-traffic.md
index 8a2bceb..870b67c 100644
--- a/skills/ms-ai-engineering/references/api-management/logging-analytics-ai-traffic.md
+++ b/skills/ms-ai-engineering/references/api-management/logging-analytics-ai-traffic.md
@@ -3,9 +3,24 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** API Management & AI Gateway
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/api-management/genai-gateway-capabilities
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Application Insights-integrasjon](#application-insights-integrasjon)
+- [Custom Metrics med Token-sporring](#custom-metrics-med-token-sporring)
+- [Token Tracking](#token-tracking)
+- [Latency-overvaking](#latency-overvaking)
+- [Brukeratferdsanalyse](#brukeratferdsanalyse)
+- [Eksport til Microsoft Foundry for modellevaluering](#eksport-til-microsoft-foundry-for-modellevaluering)
+- [Personvern og compliance](#personvern-og-compliance)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Observability er fundamentalt for a drifte AI-applikasjoner i produksjon. Azure API Management tilbyr omfattende logging- og analysekapabiliteter spesielt tilpasset AI-trafikk, inkludert token-sporring, prompt/completion-logging og innebygde dashboards for LLM-bruk. Disse verktoyene lar organisasjoner spore kostnader, overvake ytelse, sikre compliance og feilsoke problemer med AI-API-er.
diff --git a/skills/ms-ai-engineering/references/api-management/multi-region-ai-gateway-design.md b/skills/ms-ai-engineering/references/api-management/multi-region-ai-gateway-design.md
index ba79e14..ce1fb17 100644
--- a/skills/ms-ai-engineering/references/api-management/multi-region-ai-gateway-design.md
+++ b/skills/ms-ai-engineering/references/api-management/multi-region-ai-gateway-design.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** API Management & AI Gateway
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/foundry-models/concepts/deployment-types
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Global APIM Distribution](#global-apim-distribution)
+- [Region-Aware Routing](#region-aware-routing)
+- [Latency Optimization](#latency-optimization)
+- [Data Residency Compliance](#data-residency-compliance)
+- [Cross-Region Failover](#cross-region-failover)
+- [Nettverksarkitektur](#nettverksarkitektur)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Organisasjoner som bygger AI-drevne tjenester med Azure OpenAI og andre LLM-tjenester trenger en gateway-arkitektur som tåler regionale feil, minimerer latens for geografisk distribuerte brukere, og overholder krav til dataresidency. Azure API Management (APIM) med multi-region deployment gir nettopp denne kapabiliteten, og er den anbefalte tilnærmingen for enterprise AI-workloads.
diff --git a/skills/ms-ai-engineering/references/api-management/request-response-transformation-ai.md b/skills/ms-ai-engineering/references/api-management/request-response-transformation-ai.md
index 8b829fa..0144937 100644
--- a/skills/ms-ai-engineering/references/api-management/request-response-transformation-ai.md
+++ b/skills/ms-ai-engineering/references/api-management/request-response-transformation-ai.md
@@ -3,9 +3,24 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** API Management & AI Gateway
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/api-management/genai-gateway-capabilities
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Model-agnostiske API-schemaer](#model-agnostiske-api-schemaer)
+- [Header Rewriting](#header-rewriting)
+- [Payload-transformasjon](#payload-transformasjon)
+- [Error Response Normalization](#error-response-normalization)
+- [Versjonstranslasjon](#versjonstranslasjon)
+- [Policy Fragments for Reuse](#policy-fragments-for-reuse)
+- [Bicep: Oppsett av transformasjons-API](#bicep-oppsett-av-transformasjons-api)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Azure API Management (APIM) tilbyr over 75 innebygde policies for transformasjon av foresporsler og svar. Nar organisasjoner eksponerer AI-modeller gjennom APIM som AI gateway, blir transformasjon av request og response kritisk for a standardisere grensesnittet mellom ulike AI-backends (Azure OpenAI, Microsoft Foundry, tredjeparts LLM-er) og konsumerende applikasjoner. Ved a implementere model-agnostiske API-schemaer kan man bytte ut underliggende modeller uten a bryte klientkontrakter.
diff --git a/skills/ms-ai-engineering/references/api-management/security-hardening-ai-gateway.md b/skills/ms-ai-engineering/references/api-management/security-hardening-ai-gateway.md
index 117d408..9d3bfb6 100644
--- a/skills/ms-ai-engineering/references/api-management/security-hardening-ai-gateway.md
+++ b/skills/ms-ai-engineering/references/api-management/security-hardening-ai-gateway.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** API Management & AI Gateway
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/api-management/genai-gateway-capabilities
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [IP-hvitelisting og -filtrering](#ip-hvitelisting-og--filtrering)
+- [Prompt Injection-forebygging](#prompt-injection-forebygging)
+- [PII-deteksjon og -maskering](#pii-deteksjon-og--maskering)
+- [Mutual TLS (mTLS)](#mutual-tls-mtls)
+- [Revisjonssporing og audit trail](#revisjonssporing-og-audit-trail)
+- [Sikkerhetssjekksliste for AI Gateway](#sikkerhetssjekksliste-for-ai-gateway)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Sikkerhet for AI-gateways krever en flerlagstilnaerming som dekker bade tradisjonelle API-sikkerhetstrusler og AI-spesifikke angrepsoverflater. Azure API Management som AI gateway tilbyr over 20 sikkerhetspolicies, fra IP-filtrering og sertifikatvalidering til AI-spesifikk innholdsmoderasjon og prompt injection-forebygging. En godt herdet AI gateway beskytter mot uautorisert tilgang, datalekkasje, prompt injection og misbruk av kostbare AI-ressurser.
diff --git a/skills/ms-ai-engineering/references/api-management/semantic-caching-apim.md b/skills/ms-ai-engineering/references/api-management/semantic-caching-apim.md
index e5ac47f..bebaa0d 100644
--- a/skills/ms-ai-engineering/references/api-management/semantic-caching-apim.md
+++ b/skills/ms-ai-engineering/references/api-management/semantic-caching-apim.md
@@ -3,9 +3,26 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** API Management & AI Gateway
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Arkitektur](#arkitektur)
+- [Forutsetninger](#forutsetninger)
+- [Cache-lookup og Cache-store Policies](#cache-lookup-og-cache-store-policies)
+- [Embedding-Based Similarity](#embedding-based-similarity)
+- [Cache Invalidation Strategies](#cache-invalidation-strategies)
+- [Cost Savings Analysis](#cost-savings-analysis)
+- [Privacy Considerations](#privacy-considerations)
+- [Rate Limiting etter Cache Lookup](#rate-limiting-etter-cache-lookup)
+- [Verifisering og feilsøking](#verifisering-og-feilsøking)
+- [Komplett policy for semantic caching](#komplett-policy-for-semantic-caching)
+- [Tier-kompatibilitet](#tier-kompatibilitet)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Semantic caching i Azure API Management er en teknikk som reduserer kostnader og latens for LLM-baserte applikasjoner ved å gjenbruke tidligere genererte completions. I motsetning til tradisjonell nøkkelbasert caching, bruker semantic caching embeddings og vektorlikhet til å identifisere semantisk like prompts -- selv når ordlyden er forskjellig. "Hva er hovedstaden i Norge?" og "Hvilken by er Norges hovedstad?" gir samme cachede svar.
diff --git a/skills/ms-ai-engineering/references/api-management/streaming-support-apim.md b/skills/ms-ai-engineering/references/api-management/streaming-support-apim.md
index c2f79c3..c04cf29 100644
--- a/skills/ms-ai-engineering/references/api-management/streaming-support-apim.md
+++ b/skills/ms-ai-engineering/references/api-management/streaming-support-apim.md
@@ -3,9 +3,25 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** API Management & AI Gateway
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/api-management/genai-gateway-capabilities
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [SSE Forwarding](#sse-forwarding)
+- [Buffering Policies](#buffering-policies)
+- [Chunked Responses](#chunked-responses)
+- [Timeout Management for Streams](#timeout-management-for-streams)
+- [Client Compatibility](#client-compatibility)
+- [Logging av Streaming-requests](#logging-av-streaming-requests)
+- [Token-telling for Streaming](#token-telling-for-streaming)
+- [Komplett Streaming-policy](#komplett-streaming-policy)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Streaming av AI-responser er en nøkkelfunksjon for å levere god brukeropplevelse i chat-applikasjoner. Azure OpenAI støtter Server-Sent Events (SSE) for å streame chat completions token-for-token til klienten, noe som gir umiddelbar feedback i stedet for å vente på en komplett respons. Når Azure API Management (APIM) sitter mellom klient og Azure OpenAI, krever denne streaming-arkitekturen spesifikk konfigurasjon for å fungere korrekt.
diff --git a/skills/ms-ai-engineering/references/api-management/token-rate-limiting-policies.md b/skills/ms-ai-engineering/references/api-management/token-rate-limiting-policies.md
index 33ce007..0648793 100644
--- a/skills/ms-ai-engineering/references/api-management/token-rate-limiting-policies.md
+++ b/skills/ms-ai-engineering/references/api-management/token-rate-limiting-policies.md
@@ -3,9 +3,26 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** API Management & AI Gateway
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Token-telling i APIM](#token-telling-i-apim)
+- [Policy-referanse](#policy-referanse)
+- [Counter-key-strategier](#counter-key-strategier)
+- [Rate Limit-algoritmer](#rate-limit-algoritmer)
+- [Kvoter over lengre perioder](#kvoter-over-lengre-perioder)
+- [Multi-region-hensyn](#multi-region-hensyn)
+- [Feilhåndtering og respons-headers](#feilhåndtering-og-respons-headers)
+- [Burst Allowances og Concurrency Control](#burst-allowances-og-concurrency-control)
+- [Monitorering av token-forbruk](#monitorering-av-token-forbruk)
+- [Tier-kompatibilitet](#tier-kompatibilitet)
+- [Best Practices](#best-practices)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Token-basert rate limiting er den viktigste mekanismen for å kontrollere forbruk av AI-tjenester i Azure API Management. I motsetning til tradisjonell request-basert throttling, teller APIM faktisk antall tokens som konsumeres av hver LLM-forespørsel og håndhever grenser basert på dette. Dette er essensielt for norsk offentlig sektor der flere etater og prosjekter deler Azure OpenAI-ressurser og trenger presis kostnadskontroll.
diff --git a/skills/ms-ai-engineering/references/api-management/versioning-ai-api-endpoints.md b/skills/ms-ai-engineering/references/api-management/versioning-ai-api-endpoints.md
index 5bc81db..d56d7ed 100644
--- a/skills/ms-ai-engineering/references/api-management/versioning-ai-api-endpoints.md
+++ b/skills/ms-ai-engineering/references/api-management/versioning-ai-api-endpoints.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** API Management & AI Gateway
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/api-management/genai-gateway-capabilities
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Versjoneringsstrategier i APIM](#versjoneringsstrategier-i-apim)
+- [Avviklingsfrister (Deprecation Timelines)](#avviklingsfrister-deprecation-timelines)
+- [Modellversjonsmapping](#modellversjonsmapping)
+- [Migreringsstrategier](#migreringsstrategier)
+- [Revisjonsstyring for ikke-brytende endringer](#revisjonsstyring-for-ikke-brytende-endringer)
+- [Handtering av brytende endringer](#handtering-av-brytende-endringer)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 API-versjonering er kritisk for AI-tjenester der underliggende modeller endres hyppig, nye kapabiliteter legges til og eldre versjoner fases ut. Azure API Management tilbyr tre versjoneringsstrategier (URL-path, header og query string) samt revisjonsstyring for ikke-brytende endringer. For AI-API-er er dette spesielt utfordrende fordi modellversjoner, API-schemaer og responsformater kan endres uavhengig av hverandre.
diff --git a/skills/ms-ai-engineering/references/azure-ai-services/ai-services-api-best-practices.md b/skills/ms-ai-engineering/references/azure-ai-services/ai-services-api-best-practices.md
index 5110e94..14f1f18 100644
--- a/skills/ms-ai-engineering/references/azure-ai-services/ai-services-api-best-practices.md
+++ b/skills/ms-ai-engineering/references/azure-ai-services/ai-services-api-best-practices.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
 **Status:** GA
 **Category:** Azure AI Services (Foundry Tools)
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/architecture/patterns/rate-limiting-pattern
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter / Nøkkelegenskaper](#kjernekomponenter--nøkkelegenskaper)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Når du bygger produksjonsklare applikasjoner med Azure AI Services (Azure OpenAI, Content Safety, Translator, Document Intelligence, Computer Vision, etc.), er robust API-design og feilhåndtering kritisk. Distribuerte skytjenester krever at applikasjoner håndterer midlertidige feil, throttling, nettverksproblemer og uventede responser på en strukturert måte.
diff --git 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
index 6f060c4..9986f63 100644
--- 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
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19
 **Status:** GA
 **Category:** Azure AI Services (Foundry Tools)
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/concepts/manage-costs
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter / Nøkkelegenskaper](#kjernekomponenter--nøkkelegenskaper)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Azure AI Services (tidligere Cognitive Services) tilbyr flere prismodeller for å balansere fleksibilitet, forutsigbarhet og kostnadskontroll. Valg av riktig prismodell er kritisk for både teknisk ytelse og økonomisk bærekraft. Denne referansen dekker de tre hovedprismodellene – Pay-as-you-go, Commitment Tier og Provisioned Throughput (PTU) – samt beste praksiser for kostnadsovervåking, budsjettering og optimalisering.
diff --git 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
index 27ed207..30fdc4b 100644
--- 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
@@ -2,9 +2,23 @@
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06
 **Status:** GA
 **Category:** Azure AI Services (Foundry Tools)
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/foundry-models/concepts/deployment-types
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Azure AI Services (tidligere Cognitive Services) krever robuste enterprise-arkitekturmønstre for å sikre høy tilgjengelighet, disaster recovery og effektiv skalering i produksjonsmiljøer. Dette dokumentet dekker arkitekturmønstre for multi-region deployment, load balancing, failover og infrastrukturdesign for AI-tjenester i Microsoft-stakken.
diff --git a/skills/ms-ai-engineering/references/azure-ai-services/ai-services-governance-compliance.md b/skills/ms-ai-engineering/references/azure-ai-services/ai-services-governance-compliance.md
index f44f294..4991f76 100644
--- a/skills/ms-ai-engineering/references/azure-ai-services/ai-services-governance-compliance.md
+++ b/skills/ms-ai-engineering/references/azure-ai-services/ai-services-governance-compliance.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19
 **Status:** GA
 **Category:** Azure AI Services (Foundry Tools)
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/cloud-adoption-framework/scenarios/ai/platform/governance
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Data governance og compliance for Azure AI Services handler om å etablere tekniske kontroller som oversetter regulatoriske krav og organisasjonspolicyer til konkrete mekanismer for datahåndtering. Dette omfatter styring av dataaksess, prosessering, lagring, residency, retention og auditlogging.
diff --git a/skills/ms-ai-engineering/references/azure-ai-services/ai-services-monitoring-logging.md b/skills/ms-ai-engineering/references/azure-ai-services/ai-services-monitoring-logging.md
index 30ead3b..c0f9868 100644
--- a/skills/ms-ai-engineering/references/azure-ai-services/ai-services-monitoring-logging.md
+++ b/skills/ms-ai-engineering/references/azure-ai-services/ai-services-monitoring-logging.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
 **Status:** GA
 **Category:** Azure AI Services (Foundry Tools)
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/cost-management-billing/costs/overview-cost-management
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter / Nøkkelegenskaper](#kjernekomponenter--nøkkelegenskaper)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Monitoring, logging og diagnostikk er kritiske komponenter for å drive Azure AI-løsninger i produksjon. Azure Monitor-plattformen gir omfattende innsikt i ytelse, tilgjengelighet, kostnader og feilsituasjoner for alle Azure AI Services (tidligere Cognitive Services).
diff --git a/skills/ms-ai-engineering/references/azure-ai-services/ai-services-networking-security.md b/skills/ms-ai-engineering/references/azure-ai-services/ai-services-networking-security.md
index 689449a..561f54d 100644
--- a/skills/ms-ai-engineering/references/azure-ai-services/ai-services-networking-security.md
+++ b/skills/ms-ai-engineering/references/azure-ai-services/ai-services-networking-security.md
@@ -2,6 +2,8 @@
 
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
 **Status:** GA
+**Type:** reference
+**Source:** https://learn.microsoft.com/security/benchmark/azure/baselines/cognitive-services-security-baseline
 
 > **Navngivning 2026-04:** Microsoft har omdøpt "Azure Cognitive Services" til **"Microsoft Foundry Tools"** (eller kortform "Foundry Tools") i dokumentasjonen. API-endepunkter, RBAC-roller og ARM-ressurstyper beholder "CognitiveServices" i identifikatoren. Alle nye dokumentasjonsreferanser bruker "Foundry Tools".
 
@@ -9,6 +11,18 @@
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Azure AI Services (tidligere Cognitive Services) tilbyr et lagdelt sikkerhetsrammeverk for nettverksisolasjon som beskytter AI-modeller, data og tjenester mot uautorisert tilgang. Private endpoints, virtual networks og service endpoints gir fleksible sikkerhetskonfigurasjoner som passer både skytilkoblede og hybrid-scenarier.
diff --git a/skills/ms-ai-engineering/references/azure-ai-services/ai-services-vs-foundry-tools-selection.md b/skills/ms-ai-engineering/references/azure-ai-services/ai-services-vs-foundry-tools-selection.md
index e2ce199..f74243f 100644
--- a/skills/ms-ai-engineering/references/azure-ai-services/ai-services-vs-foundry-tools-selection.md
+++ b/skills/ms-ai-engineering/references/azure-ai-services/ai-services-vs-foundry-tools-selection.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
 **Status:** GA
 **Category:** Azure AI Services (Foundry Tools)
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/concepts/manage-costs
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter / Nøkkelegenskaper](#kjernekomponenter--nøkkelegenskaper)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Microsoft tilbyr flere nivåer av AI-tjenester under paraplynavnet "Azure AI Services" (tidligere Cognitive Services). Denne guiden klargjør forskjellen mellom de tre hovedplattformene: **Foundry Tools** (individuelle AI-tjenester), **Microsoft Foundry** (plattform), og **Azure OpenAI** (generativ AI-tjeneste).
diff --git a/skills/ms-ai-engineering/references/azure-ai-services/azure-ai-vision-image-analysis.md b/skills/ms-ai-engineering/references/azure-ai-services/azure-ai-vision-image-analysis.md
index c875d8e..f015879 100644
--- a/skills/ms-ai-engineering/references/azure-ai-services/azure-ai-vision-image-analysis.md
+++ b/skills/ms-ai-engineering/references/azure-ai-services/azure-ai-vision-image-analysis.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-04 | Verified: MCP 2026-04
 **Status:** GA (Generally Available)
 **Category:** Azure AI Services (Foundry Tools)
+**Type:** reference
+**Source:** https://learn.microsoft.com/python/api/overview/azure/ai-vision-imageanalysis-readme
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Azure AI Vision Image Analysis er en del av Azure AI Services og gir omfattende muligheter for å analysere visuelt innhold i bilder. Tjenesten kan ekstrahere objekter, generere bildetekster, gjenkjenne ansikter og personer, lese tekst (OCR), samt taggge bildeinnhold basert på tusenvis av gjenkjennbare objekter, vesener, scener og handlinger.
diff --git a/skills/ms-ai-engineering/references/azure-ai-services/azure-ai-vision-ocr-processing.md b/skills/ms-ai-engineering/references/azure-ai-services/azure-ai-vision-ocr-processing.md
index 3721997..8017b09 100644
--- a/skills/ms-ai-engineering/references/azure-ai-services/azure-ai-vision-ocr-processing.md
+++ b/skills/ms-ai-engineering/references/azure-ai-services/azure-ai-vision-ocr-processing.md
@@ -2,6 +2,8 @@
 
 **Last updated:** 2026-04 | Verified: MCP 2026-04
 **Status:** GA
+**Type:** reference
+**Source:** https://learn.microsoft.com/python/api/overview/azure/ai-vision-imageanalysis-readme
 
 > **Oppdatering 2026-04:** For OCR kombinert med semantisk analyse, bruk **Azure AI Content Understanding** (GA). Azure AI Vision OCR (Read API) er fortsatt det beste valget for ren tekst-ekstraksjon, men Content Understanding gir overlegent resultat for dokumenter der layout, tabeller og kontekstuell forståelse er viktig.
 
@@ -9,6 +11,18 @@
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Azure AI Vision tilbyr optisk tegngjenkjenning (OCR) som gjør det mulig å ekstraherne synlig tekst fra bilder og dokumenter og konvertere den til strukturerte tekststrenger. OCR-tjenesten kan lese både trykt og håndskrevet tekst fra et bredt spekter av kilder – fra produktetiketter, skilt og screenshots til fakturaer, rapporter og forretningsdokumenter. Dette gjøres ved hjelp av avanserte maskinlæringsmodeller som støtter flere språk og skriftsystemer, inkludert latinske, kyrilliske, arabiske og devanagari-tegnsett.
diff --git a/skills/ms-ai-engineering/references/azure-ai-services/content-understanding-multimodal-analysis.md b/skills/ms-ai-engineering/references/azure-ai-services/content-understanding-multimodal-analysis.md
index 0d850ee..6e8ad8e 100644
--- a/skills/ms-ai-engineering/references/azure-ai-services/content-understanding-multimodal-analysis.md
+++ b/skills/ms-ai-engineering/references/azure-ai-services/content-understanding-multimodal-analysis.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
 **Status:** Preview (GA for core features, Limited Access for face description)
 **Category:** Azure AI Services (Foundry Tools)
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/search/multimodal-search-overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Azure AI Content Understanding er en generativ AI-tjeneste designet for å transformere ustrukturert multimodalt innhold – dokumenter, bilder, video og audio – til strukturert, maskinlesbar informasjon. Tjenesten kombinerer avansert innholdsekstraksjon med generative modeller for å skape skreddersydd metadata og innsikter på tvers av modaliteter.
diff --git a/skills/ms-ai-engineering/references/azure-ai-services/document-intelligence-custom-models.md b/skills/ms-ai-engineering/references/azure-ai-services/document-intelligence-custom-models.md
index 64a1388..8d486f2 100644
--- a/skills/ms-ai-engineering/references/azure-ai-services/document-intelligence-custom-models.md
+++ b/skills/ms-ai-engineering/references/azure-ai-services/document-intelligence-custom-models.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Azure AI Services (Foundry Tools)
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/ai-services/document-intelligence/train/custom-model
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter / Nøkkelegenskaper](#kjernekomponenter--nøkkelegenskaper)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Azure AI Document Intelligence tilbyr custom models som gjør det mulig å trene egne modeller på spesifikke dokumenttyper og forretningsprosesser. Custom models kommer i to varianter: **custom template** (strukturerte skjemaer med konsistent layout) og **custom neural** (strukturerte, semi-strukturerte og ustrukturerte dokumenter med varierende layout). Med v4.0 (GA) API-en har custom neural models fått støtte for signaturdeteksjon, overlappende felter, og tabell-/celle-konfidensscoring.
diff --git a/skills/ms-ai-engineering/references/azure-ai-services/document-intelligence-prebuilt-models.md b/skills/ms-ai-engineering/references/azure-ai-services/document-intelligence-prebuilt-models.md
index d180260..d8cd68b 100644
--- a/skills/ms-ai-engineering/references/azure-ai-services/document-intelligence-prebuilt-models.md
+++ b/skills/ms-ai-engineering/references/azure-ai-services/document-intelligence-prebuilt-models.md
@@ -2,6 +2,8 @@
 
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
 **Status:** GA
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/ai-services/document-intelligence/model-overview
 
 > **Oppdatering 2026-04:** Azure AI Content Understanding er nå **fullt GA** og er anbefalt startpunkt for de fleste IDP-scenarier. Content Understanding dekker og utvider Document Intelligence-funksjonalitet med multimodal analyse. Velg Document Intelligence for spesifikke prebuilt-skjemaer (regnskap, ID-dokumenter, kvitteringer) der disse gir direkte verdi uten tilpasning. For generell dokumentanalyse og semantisk chunking — start med Content Understanding.
 
@@ -9,6 +11,18 @@
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Azure AI Document Intelligence tilbyr forhåndsbyggede (prebuilt) modeller som bruker maskinlæring og Optical Character Recognition (OCR) til å ekstrakere strukturerte data fra dokumenter uten behov for trening. Disse modellene er spesialiserte for vanlige dokumenttyper som fakturaer, kvitteringer, identitetsdokumenter, skatteskjemaer og finansielle dokumenter. Modellene returnerer strukturert JSON-output med felter, konfidensgrader og posisjoner.
diff --git a/skills/ms-ai-engineering/references/azure-ai-services/language-services-custom-text-classification.md b/skills/ms-ai-engineering/references/azure-ai-services/language-services-custom-text-classification.md
index ea0af4b..002a6b3 100644
--- a/skills/ms-ai-engineering/references/azure-ai-services/language-services-custom-text-classification.md
+++ b/skills/ms-ai-engineering/references/azure-ai-services/language-services-custom-text-classification.md
@@ -2,12 +2,26 @@
 
 **Last updated:** 2026-04 | Verified: MCP 2026-04
 **Status:** GA — avvikles 31. mars 2029
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/ai-services/language-service/custom-text-classification/overview
 
 > **ADVARSEL — TJENESTE AVVIKLES:** Custom Text Classification og Custom Named Entity Recognition (NER) avvikles **31. mars 2029**. Migrer til Microsoft Foundry-modeller (prompt-basert klassifisering og NER med GPT-4o eller GPT-4.1). Se [migrasjonsveiledning](https://learn.microsoft.com/azure/ai-services/language-service/custom-text-classification/how-to/migrate-azure-openai) for detaljer.
 **Category:** Azure AI Services (Foundry Tools)
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter / Nøkkelegenskaper](#kjernekomponenter--nøkkelegenskaper)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Custom Text Classification og Custom Named Entity Recognition (NER) er to spesialiserte funksjoner i Azure Language in Foundry Tools som gjør det mulig å bygge skreddersydde maskinlæringsmodeller for tekstanalyse. Tjenestene bruker machine learning-intelligens for å klassifisere dokumenter i egendefinerte kategorier eller for å trekke ut domene-spesifikke entities fra ustrukturert tekst.
diff --git a/skills/ms-ai-engineering/references/azure-ai-services/language-services-question-answering.md b/skills/ms-ai-engineering/references/azure-ai-services/language-services-question-answering.md
index 430aae8..53d625e 100644
--- a/skills/ms-ai-engineering/references/azure-ai-services/language-services-question-answering.md
+++ b/skills/ms-ai-engineering/references/azure-ai-services/language-services-question-answering.md
@@ -2,12 +2,27 @@
 
 **Last updated:** 2026-04 | Verified: MCP 2026-04
 **Status:** GA — avvikles 31. mars 2029
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/ai-services/language-service/question-answering/overview
 
 > **ADVARSEL — TJENESTE AVVIKLES:** Custom Question Answering (CQA) avvikles **31. mars 2029**. Migrer til Microsoft Foundry-baserte løsninger: Agentic Retrieval, Azure AI Search + GPT-4o RAG-pipeline, eller AI Foundry Knowledge Retrieval. Se [migrasjonsveiledning](https://learn.microsoft.com/azure/ai-services/language-service/question-answering/how-to/migrate-qnamaker-to-question-answering) for detaljer.
 **Category:** Azure AI Services (Foundry Tools)
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Nøkkelegenskaper](#nøkkelegenskaper)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Custom Question Answering (CQA) er en cloud-basert Natural Language Processing (NLP)-tjeneste innenfor Azure AI Language som gjør det enkelt å bygge kunnskapsbaser for conversational AI-applikasjoner. Tjenesten lar deg automatisk ekstrahere spørsmål-og-svar-par fra FAQer, manualer, PDF-dokumenter og nettsider, og gjøre dem tilgjengelige gjennom REST APIs for chatboter, virtuelle assistenter og kundeserviceløsninger.
diff --git a/skills/ms-ai-engineering/references/azure-ai-services/language-services-text-analytics.md b/skills/ms-ai-engineering/references/azure-ai-services/language-services-text-analytics.md
index 79ffd9f..9750c39 100644
--- a/skills/ms-ai-engineering/references/azure-ai-services/language-services-text-analytics.md
+++ b/skills/ms-ai-engineering/references/azure-ai-services/language-services-text-analytics.md
@@ -2,12 +2,26 @@
 
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
 **Status:** GA (deler avvikles 2029-03-31)
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/ai-services/language-service/personally-identifiable-information/overview
 
 > **ADVARSEL — TJENESTER AVVIKLES (2029-03-31):** Sentiment Analysis, Opinion Mining og Custom Text Classification avvikles 31. mars 2029. Migrer til Microsoft Foundry-modeller. PII Detection, Key Phrase Extraction og Language Detection er ikke berørt.
 **Category:** Azure AI Services (Foundry Tools)
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter / Nøkkelegenskaper](#kjernekomponenter--nøkkelegenskaper)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Azure AI Language er en samling av forhåndsopplærte språkmodeller som gjør det mulig å utføre avansert tekstanalyse uten å bygge egne maskinlæringsmodeller. Tjenesten tilbyr flere kjernekapabiliteter for text analytics: **Sentiment Analysis** (med opinion mining), **Key Phrase Extraction**, **Named Entity Recognition (NER)**, og **Language Detection**.
diff --git a/skills/ms-ai-engineering/references/azure-ai-services/speech-services-speaker-recognition.md b/skills/ms-ai-engineering/references/azure-ai-services/speech-services-speaker-recognition.md
index ebd9e78..81ddcb0 100644
--- a/skills/ms-ai-engineering/references/azure-ai-services/speech-services-speaker-recognition.md
+++ b/skills/ms-ai-engineering/references/azure-ai-services/speech-services-speaker-recognition.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24
 **Status:** GA (Limited Access — registrering kreves; kun Microsoft-managed customers)
 **Category:** Azure AI Services (Foundry Tools)
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/ai-services/speech-service/speaker-recognition-overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Azure Speech Services Speaker Recognition gir biometriske algorithmer som verifiserer og identifiserer talere basert på deres unike stemmesignaturer. Tjenesten besvarer spørsmålet "hvem snakker?" gjennom voice biometry som ekstraherer stemmekarakteristikker fra lydopptak.
diff --git a/skills/ms-ai-engineering/references/azure-ai-services/speech-services-speech-to-text.md b/skills/ms-ai-engineering/references/azure-ai-services/speech-services-speech-to-text.md
index 7743460..ada5208 100644
--- a/skills/ms-ai-engineering/references/azure-ai-services/speech-services-speech-to-text.md
+++ b/skills/ms-ai-engineering/references/azure-ai-services/speech-services-speech-to-text.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
 **Status:** GA
 **Category:** Azure AI Services (Foundry Tools)
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/ai-services/speech-service/custom-speech-overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter / Nøkkelegenskaper](#kjernekomponenter--nøkkelegenskaper)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Azure Speech Services tilbyr avansert tale-til-tekst-funksjonalitet som konverterer talte ord til maskinlesbar tekst. Tjenesten støtter tre hovedmodi: **real-time transcription** for live-lyd fra mikrofon eller streaming, **fast transcription** for rask synkron transkripsjon med forutsigbar latens, og **batch transcription** for asynkron prosessering av store lydvolumer i lagring.
diff --git a/skills/ms-ai-engineering/references/azure-ai-services/speech-services-text-to-speech.md b/skills/ms-ai-engineering/references/azure-ai-services/speech-services-text-to-speech.md
index 5bc5e1e..a3ff880 100644
--- a/skills/ms-ai-engineering/references/azure-ai-services/speech-services-text-to-speech.md
+++ b/skills/ms-ai-engineering/references/azure-ai-services/speech-services-text-to-speech.md
@@ -2,6 +2,8 @@
 
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
 **Status:** GA
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/ai-services/speech-service/personal-voice-overview
 
 > **Status 2026-04:** Azure Neural TTS og Custom Neural Voice er begge bekreftet GA og aktivt vedlikeholdt. `nb-NO-PernilleNeural` og `nb-NO-FinnNeural` er de primære norske stemmene. Custom Neural Voice Pro tilbyr ytterligere tilpasning for enterprise-bruk.
 
@@ -9,6 +11,18 @@
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter / Nøkkelegenskaper](#kjernekomponenter--nøkkelegenskaper)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Azure Speech Services sitt Text-to-Speech (TTS) API konverterer tekst til naturlig syntetisk tale ved hjelp av deep neural networks. Tjenesten er en del av Microsoft Foundry Tools og tilbyr over 400 stemmer på 140+ språk og dialekter. TTS gjør det mulig å lage applikasjoner som leser opp tekst, generere lydbøker, bygge chatbots med naturlig tale, og forbedre tilgjengelighet.
diff --git a/skills/ms-ai-engineering/references/azure-ai-services/translator-custom-neural-models.md b/skills/ms-ai-engineering/references/azure-ai-services/translator-custom-neural-models.md
index 8550d63..5fe295b 100644
--- a/skills/ms-ai-engineering/references/azure-ai-services/translator-custom-neural-models.md
+++ b/skills/ms-ai-engineering/references/azure-ai-services/translator-custom-neural-models.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19
 **Status:** GA
 **Category:** Azure AI Services (Foundry Tools)
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/ai-services/translator/custom-translator/overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Custom Translator er en feature i Azure Translator som lar organisasjoner bygge skreddersydde Neural Machine Translation (NMT)-systemer med egne data og terminologi. Tjenesten adresserer et kjerneproblem: generelle oversettelsesmodeller håndterer ikke domene-spesifikk terminologi, bransjespråk eller organisasjonens tone-of-voice tilstrekkelig. Med Custom Translator kan bedrifter trene egne NMT-modeller som forstår deres unike ordforråd, stil og kontekst.
diff --git a/skills/ms-ai-engineering/references/azure-ai-services/translator-document-translation.md b/skills/ms-ai-engineering/references/azure-ai-services/translator-document-translation.md
index d9e74a7..f2f52ae 100644
--- a/skills/ms-ai-engineering/references/azure-ai-services/translator-document-translation.md
+++ b/skills/ms-ai-engineering/references/azure-ai-services/translator-document-translation.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
 **Status:** GA (General Availability) + Preview features
 **Category:** Azure AI Services (Foundry Tools)
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/ai-services/translator/document-translation/overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter / Nøkkelegenskaper](#kjernekomponenter--nøkkelegenskaper)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Azure Translator er en sky-basert neural maskinoversettelsestjeneste som tilbyr både tekst- og dokumentoversettelse på tvers av over 135 språk og dialekter. Tjenesten kombinerer sanntids tekstoversettelse med avansert dokumentoversettelse som bevarer opprinnelig formatering, layout og struktur.
diff --git a/skills/ms-ai-engineering/references/data-engineering/cross-cloud-data-integration.md b/skills/ms-ai-engineering/references/data-engineering/cross-cloud-data-integration.md
index 98ee0f5..aa5e343 100644
--- a/skills/ms-ai-engineering/references/data-engineering/cross-cloud-data-integration.md
+++ b/skills/ms-ai-engineering/references/data-engineering/cross-cloud-data-integration.md
@@ -3,9 +3,22 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Data Engineering for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/fabric/governance/external-data-sharing-overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Multi-Cloud Connector Strategies](#multi-cloud-connector-strategies)
+- [Data Egress Cost Optimization](#data-egress-cost-optimization)
+- [Consistency and Synchronization Patterns](#consistency-and-synchronization-patterns)
+- [Hybrid Cloud Fallback Mechanisms](#hybrid-cloud-fallback-mechanisms)
+- [Data Residency and Sovereignty Compliance](#data-residency-and-sovereignty-compliance)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Mange organisasjoner opererer i multi-cloud-miljoer der data er spredt mellom Azure, AWS, Google Cloud og on-premises systemer. For AI-losninger som krever data fra flere kilder er det kritisk a ha en effektiv strategi for krysssky-dataintegrasjon. Microsoft Fabric sin OneLake og shortcuts-arkitektur gjor det mulig a virtuelt samle data fra ulike skyplattformer uten fysisk kopiering, noe som reduserer bade egress-kostnader og kompleksitet.
diff --git a/skills/ms-ai-engineering/references/data-engineering/data-anonymization-privacy.md b/skills/ms-ai-engineering/references/data-engineering/data-anonymization-privacy.md
index c46d8aa..804176d 100644
--- a/skills/ms-ai-engineering/references/data-engineering/data-anonymization-privacy.md
+++ b/skills/ms-ai-engineering/references/data-engineering/data-anonymization-privacy.md
@@ -3,9 +3,22 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Data Engineering for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-responsible-ai
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Differential Privacy Techniques](#differential-privacy-techniques)
+- [K-Anonymity and L-Diversity](#k-anonymity-and-l-diversity)
+- [PII Detection and Masking](#pii-detection-and-masking)
+- [Right-to-Be-Forgotten Implementation](#right-to-be-forgotten-implementation)
+- [Privacy Impact Assessments](#privacy-impact-assessments)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Personvern og databeskyttelse er fundamentale krav for enhver AI-losning som behandler personopplysninger. GDPR (og den norske Personopplysningsloven) stiller strenge krav til hvordan persondata samles inn, behandles og beskyttes. For AI-systemer er dette spesielt utfordrende: ML-modeller kan utilsiktet memorere persondata fra treningsdatasettet, og RAG-systemer kan eksponere sensitiv informasjon i svar.
diff --git a/skills/ms-ai-engineering/references/data-engineering/data-cataloging-discovery.md b/skills/ms-ai-engineering/references/data-engineering/data-cataloging-discovery.md
index a08395a..d9c73e2 100644
--- a/skills/ms-ai-engineering/references/data-engineering/data-cataloging-discovery.md
+++ b/skills/ms-ai-engineering/references/data-engineering/data-cataloging-discovery.md
@@ -3,9 +3,22 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Data Engineering for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/purview/data-governance-overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Asset Registration and Metadata Enrichment](#asset-registration-and-metadata-enrichment)
+- [Search and Discovery Interfaces](#search-and-discovery-interfaces)
+- [Business Glossaries and Taxonomies](#business-glossaries-and-taxonomies)
+- [Data Owner and Steward Assignments](#data-owner-and-steward-assignments)
+- [Usage Analytics and Popularity Metrics](#usage-analytics-and-popularity-metrics)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Datakatalogisering og oppdagelse er fundamentale kapabiliteter for organisasjoner som bygger AI-løsninger. Uten en systematisk tilnærming til å registrere, beskrive og finne data, risikerer AI-team å bruke uforholdsmessig mye tid på å lete etter relevante datasett, duplisere eksisterende arbeid, eller trene modeller på data av ukjent kvalitet og opprinnelse. Microsoft Purview Unified Catalog er Microsofts svar på denne utfordringen -- en sentral plattform for å organisere, oppdage og forstå data på tvers av hele dataeiendommen.
diff --git a/skills/ms-ai-engineering/references/data-engineering/data-factory-ai-pipelines.md b/skills/ms-ai-engineering/references/data-engineering/data-factory-ai-pipelines.md
index c01a4ff..7c7f9cd 100644
--- a/skills/ms-ai-engineering/references/data-engineering/data-factory-ai-pipelines.md
+++ b/skills/ms-ai-engineering/references/data-engineering/data-factory-ai-pipelines.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24
 **Status:** GA (Azure Data Factory), GA (Fabric Data Factory)
 **Category:** Data Engineering for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/fabric/data-factory/data-factory-overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Azure Data Factory og Fabric Data Factory er Microsofts orkestreringsteknologier for data engineering-arbeidsflyter som understøtter AI-scenarioer. Teknologien lar deg automatisere dataprosessering, transformasjon, og orkestrering av machine learning-pipelines i storskalerte miljøer.
diff --git a/skills/ms-ai-engineering/references/data-engineering/data-mesh-patterns.md b/skills/ms-ai-engineering/references/data-engineering/data-mesh-patterns.md
index 3aee3d6..a577ebe 100644
--- a/skills/ms-ai-engineering/references/data-engineering/data-mesh-patterns.md
+++ b/skills/ms-ai-engineering/references/data-engineering/data-mesh-patterns.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Data Engineering for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/fabric/governance/onelake-catalog-overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Domain-Oriented Data Ownership](#domain-oriented-data-ownership)
+- [Data Product Versioning and Contracts](#data-product-versioning-and-contracts)
+- [Cross-Domain Data Sharing via Shortcuts](#cross-domain-data-sharing-via-shortcuts)
+- [Federated Governance and Shared Platform](#federated-governance-and-shared-platform)
+- [Scaling to 50+ Domains with OneLake](#scaling-to-50-domains-with-onelake)
+- [Anti-patterns og fallgruver](#anti-patterns-og-fallgruver)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Data mesh er en desentralisert dataarkitektur som organiserer data etter forretningsdomener i stedet for sentraliserte datateam. Prinsippene -- domeneeierskap, data som produkt, selvbetjeningsplattform og foderert styring -- er spesielt relevante for store organisasjoner som bygger AI-losninger pa tvers av avdelinger. Microsoft Fabric stotter data mesh-arkitektur gjennom domener, OneLake shortcuts og foderert governance.
diff --git a/skills/ms-ai-engineering/references/data-engineering/data-pipeline-orchestration.md b/skills/ms-ai-engineering/references/data-engineering/data-pipeline-orchestration.md
index 5403786..af8a9f4 100644
--- a/skills/ms-ai-engineering/references/data-engineering/data-pipeline-orchestration.md
+++ b/skills/ms-ai-engineering/references/data-engineering/data-pipeline-orchestration.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Data Engineering for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/fabric/data-factory/data-factory-overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Pipeline Scheduling and Triggers](#pipeline-scheduling-and-triggers)
+- [Dependency Chains and Critical Paths](#dependency-chains-and-critical-paths)
+- [Retry Policies and Error Handling](#retry-policies-and-error-handling)
+- [Monitoring and Alerting on Pipeline Health](#monitoring-and-alerting-on-pipeline-health)
+- [SLAs and Timeliness Guarantees](#slas-and-timeliness-guarantees)
+- [Apache Airflow i Fabric](#apache-airflow-i-fabric)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Datapipeline-orkestrering er ryggraden i enhver AI-plattform. Uten palitelig orkestrering kan data komme for sent, i feil rekkefølge, eller med manglende avhengigheter -- noe som forer til feil i ML-treningsjobber, utdaterte prediksjoner og upaalitelige AI-agenter. Microsoft tilbyr to hovedplattformer for orkestrering: Fabric Data Factory og Azure Data Factory, begge med pipeline-basert arbeidsflyt, triggers og overvaking.
diff --git a/skills/ms-ai-engineering/references/data-engineering/data-quality-ai-frameworks.md b/skills/ms-ai-engineering/references/data-engineering/data-quality-ai-frameworks.md
index 9ff5847..8515780 100644
--- a/skills/ms-ai-engineering/references/data-engineering/data-quality-ai-frameworks.md
+++ b/skills/ms-ai-engineering/references/data-engineering/data-quality-ai-frameworks.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24
 **Status:** GA (Microsoft Purview Data Quality, Azure ML Model Monitoring, Fabric data quality)
 **Category:** Data Engineering for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-model-monitoring
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Data quality frameworks for AI sikrer at data som brukes til trening, validering og inferens av AI-modeller er nøyaktig, komplett, konsistent og pålitelig. I dagens AI-drevne landskap påvirker datakvalitet direkte AI-ytelsen, modellens nøyaktighet, og tillit til AI-beslutninger.
diff --git a/skills/ms-ai-engineering/references/data-engineering/data-sampling-labeling.md b/skills/ms-ai-engineering/references/data-engineering/data-sampling-labeling.md
index dd19e18..e999833 100644
--- a/skills/ms-ai-engineering/references/data-engineering/data-sampling-labeling.md
+++ b/skills/ms-ai-engineering/references/data-engineering/data-sampling-labeling.md
@@ -3,9 +3,22 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Data Engineering for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/how-to-label-data
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Stratified Sampling for Class Balance](#stratified-sampling-for-class-balance)
+- [Active Learning and Uncertainty Sampling](#active-learning-and-uncertainty-sampling)
+- [Crowdsourcing and Labeling Platforms](#crowdsourcing-and-labeling-platforms)
+- [Quality Control and Inter-Rater Agreement](#quality-control-and-inter-rater-agreement)
+- [Feedback Loops for Continuous Labeling](#feedback-loops-for-continuous-labeling)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Kvaliteten pa treningsdata er den viktigste faktoren for ytelsen til ML-modeller. Effektiv datasampling sikrer at treningsdatasettet er representativt og balansert, mens systematisk datamerking (labeling) gir modellene de korrekte signalene a laere fra. Azure Machine Learning tilbyr en komplett plattform for datamerking med stotte for bade bilde- og tekstdata, inkludert ML-assistert merking som akselererer prosessen vesentlig.
diff --git a/skills/ms-ai-engineering/references/data-engineering/data-versioning-lineage.md b/skills/ms-ai-engineering/references/data-engineering/data-versioning-lineage.md
index 26198a4..09c60bd 100644
--- a/skills/ms-ai-engineering/references/data-engineering/data-versioning-lineage.md
+++ b/skills/ms-ai-engineering/references/data-engineering/data-versioning-lineage.md
@@ -3,9 +3,22 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Data Engineering for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/fabric/governance/lineage
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Delta Lake Versioning and Time-Travel](#delta-lake-versioning-and-time-travel)
+- [Commit History and Audit Trails](#commit-history-and-audit-trails)
+- [Data Lineage Visualization in Purview](#data-lineage-visualization-in-purview)
+- [Upstream/Downstream Dependency Mapping](#upstreamdownstream-dependency-mapping)
+- [Rollback and Recovery Strategies](#rollback-and-recovery-strategies)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Dataversionskontroll og lineage-sporing er grunnleggende kapabiliteter for pålitelige AI-systemer. Versjonskontroll gjør det mulig å reprodusere eksakt de dataene en modell ble trent på, mens lineage dokumenterer hele datareisen fra kilde til ferdig prediksjon. Sammen gir de sporbarhet, reproduserbarhet og tillitsgrunnlag for AI-beslutninger.
diff --git a/skills/ms-ai-engineering/references/data-engineering/dataverse-ai-integration.md b/skills/ms-ai-engineering/references/data-engineering/dataverse-ai-integration.md
index aee6d32..2edcb1f 100644
--- a/skills/ms-ai-engineering/references/data-engineering/dataverse-ai-integration.md
+++ b/skills/ms-ai-engineering/references/data-engineering/dataverse-ai-integration.md
@@ -3,9 +3,22 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Data Engineering for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/fabric/data-factory/connector-dataverse-overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Dataverse Connectors in Data Factory](#dataverse-connectors-in-data-factory)
+- [Entity Relationship Mapping to Delta Tables](#entity-relationship-mapping-to-delta-tables)
+- [Real-Time Dataverse Data Sync](#real-time-dataverse-data-sync)
+- [Power Platform Data Integration](#power-platform-data-integration)
+- [RLS Propagation from Dataverse to Fabric](#rls-propagation-from-dataverse-to-fabric)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Microsoft Dataverse er den sentrale dataplattformen for Power Platform og Dynamics 365, og inneholder forretningskritisk data fra CRM, ERP, og egendefinerte applikasjoner. Integrering av Dataverse-data med AI-losninger via Microsoft Fabric og Data Factory gjor det mulig a utnytte forretningsdata for prediktiv analyse, maskinlaring og intelligent automatisering uten komplekse ETL-pipelines.
diff --git a/skills/ms-ai-engineering/references/data-engineering/delta-lake-parquet-optimization.md b/skills/ms-ai-engineering/references/data-engineering/delta-lake-parquet-optimization.md
index 75cf81e..9e60dc1 100644
--- a/skills/ms-ai-engineering/references/data-engineering/delta-lake-parquet-optimization.md
+++ b/skills/ms-ai-engineering/references/data-engineering/delta-lake-parquet-optimization.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Data Engineering for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/fabric/data-engineering/delta-optimization-and-v-order
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Delta Lake ACID Transactions and Z-Order](#delta-lake-acid-transactions-and-z-order)
+- [Parquet Compression Codecs and Row Groups](#parquet-compression-codecs-and-row-groups)
+- [File Size Tuning and Auto-Compaction](#file-size-tuning-and-auto-compaction)
+- [V-Order Optimization](#v-order-optimization)
+- [Small File Handling and Garbage Collection](#small-file-handling-and-garbage-collection)
+- [Best Practices for AI-arbeidsbelastninger](#best-practices-for-ai-arbeidsbelastninger)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Delta Lake er det foretrukne tabellformatet i Microsoft Fabric, bygget oppå Apache Parquet med ACID-transaksjoner, skjemavalidering og tidsreise. For AI-arbeidsbelastninger er ytelsen til underliggende lagring kritisk: dårlig filstruktur kan gjore treningsjobber 10x tregere og forre til unodvendig hoy kostnad. Optimalisering av Delta Lake og Parquet-filer er derfor en kjerneferdighet for enhver dataingenioor som bygger AI-pipelines.
diff --git a/skills/ms-ai-engineering/references/data-engineering/etl-vs-elt-ai.md b/skills/ms-ai-engineering/references/data-engineering/etl-vs-elt-ai.md
index 3eb5599..485498a 100644
--- a/skills/ms-ai-engineering/references/data-engineering/etl-vs-elt-ai.md
+++ b/skills/ms-ai-engineering/references/data-engineering/etl-vs-elt-ai.md
@@ -3,9 +3,22 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Data Engineering for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/fabric/data-factory/data-factory-overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [ELT Advantages: Cost, Scalability, Schema-Flexibility](#elt-advantages-cost-scalability-schema-flexibility)
+- [ETL Data Minimization for Regulated Environments](#etl-data-minimization-for-regulated-environments)
+- [Hybrid ETL/ELT Patterns](#hybrid-etlelt-patterns)
+- [Data Staging and Incremental Processing](#data-staging-and-incremental-processing)
+- [Compute Cost Allocation: ETL vs ELT](#compute-cost-allocation-etl-vs-elt)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Valget mellom ETL (Extract, Transform, Load) og ELT (Extract, Load, Transform) er en av de mest grunnleggende arkitekturbeslutningene for dataintegrasjon i AI-prosjekter. Tradisjonell ETL transformerer data før lasting i et dedikert transformasjonsengine, mens moderne ELT laster rådata først og utnytter målsystemets beregningskraft for transformasjon. Microsoft Fabric støtter begge tilnærminger og hybride mønstre.
diff --git a/skills/ms-ai-engineering/references/data-engineering/fabric-lakehouse-architecture.md b/skills/ms-ai-engineering/references/data-engineering/fabric-lakehouse-architecture.md
index 4be256c..6fe8323 100644
--- a/skills/ms-ai-engineering/references/data-engineering/fabric-lakehouse-architecture.md
+++ b/skills/ms-ai-engineering/references/data-engineering/fabric-lakehouse-architecture.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Data Engineering for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/fabric/data-engineering/lakehouse-overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Microsoft Fabric Lakehouse er Microsofts moderne dataplattformløsning som kombinerer det beste fra data lakes og data warehouses i én enkelt, unified arkitektur. Lakehouse bruker åpne standarder (Delta Lake) og gir en SaaS-opplevelse hvor strukturert, semistrukturert og ustrukturert data kan lagres sammen i OneLake, som er Microsofts single, unified, logical data lake for hele organisasjonen.
diff --git a/skills/ms-ai-engineering/references/data-engineering/feature-stores-engineering.md b/skills/ms-ai-engineering/references/data-engineering/feature-stores-engineering.md
index 6820c8e..6df15cd 100644
--- a/skills/ms-ai-engineering/references/data-engineering/feature-stores-engineering.md
+++ b/skills/ms-ai-engineering/references/data-engineering/feature-stores-engineering.md
@@ -3,9 +3,22 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Data Engineering for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-what-is-managed-feature-store
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Feature Definition and Storage in Silver Layer](#feature-definition-and-storage-in-silver-layer)
+- [Point-in-Time Lookups for Training](#point-in-time-lookups-for-training)
+- [Feature Freshness and Refresh Cadences](#feature-freshness-and-refresh-cadences)
+- [Data Wrangler for Exploratory Feature Engineering](#data-wrangler-for-exploratory-feature-engineering)
+- [Feature Monitoring and Drift Detection](#feature-monitoring-and-drift-detection)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Feature stores er et sentralt mønster i moderne MLOps som løser problemet med feature-gjenbruk, konsistens mellom trening og inferens, og operasjonalisering av feature-pipelines. Azure Machine Learning Managed Feature Store og Microsoft Fabric Data Science gir en komplett plattform for å definere, materialisere, dele og overvåke features på tvers av ML-prosjekter.
diff --git a/skills/ms-ai-engineering/references/data-engineering/lakehouse-architecture-design.md b/skills/ms-ai-engineering/references/data-engineering/lakehouse-architecture-design.md
index aaa2260..8a11941 100644
--- a/skills/ms-ai-engineering/references/data-engineering/lakehouse-architecture-design.md
+++ b/skills/ms-ai-engineering/references/data-engineering/lakehouse-architecture-design.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Data Engineering for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/fabric/data-engineering/lakehouse-overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Delta Lake Transaction Semantics](#delta-lake-transaction-semantics)
+- [Schema-on-Read versus Schema-on-Write Tradeoffs](#schema-on-read-versus-schema-on-write-tradeoffs)
+- [Time-Travel and Data Versioning](#time-travel-and-data-versioning)
+- [Upsert and Merge Patterns for Slowly-Changing Dimensions](#upsert-and-merge-patterns-for-slowly-changing-dimensions)
+- [Lakehouse Performance Tuning](#lakehouse-performance-tuning)
+- [Medallion Architecture Deployment](#medallion-architecture-deployment)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Lakehouse-arkitekturen kombinerer de beste egenskapene fra data lakes (fleksibel lagring av strukturerte, semi-strukturerte og ustrukturerte data) med data warehouse-funksjonalitet (ACID-transaksjoner, skjemahåndtering og høy spørringsytelse). Microsoft Fabric standardiserer på Delta Lake-formatet, som gir denne hybridkapabiliteten nativt på tvers av alle Fabric-opplevelser.
diff --git a/skills/ms-ai-engineering/references/data-engineering/master-data-management-ai.md b/skills/ms-ai-engineering/references/data-engineering/master-data-management-ai.md
index c89c3df..de07921 100644
--- a/skills/ms-ai-engineering/references/data-engineering/master-data-management-ai.md
+++ b/skills/ms-ai-engineering/references/data-engineering/master-data-management-ai.md
@@ -3,9 +3,22 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Data Engineering for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/purview/data-governance-master-data-management
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Golden Record Creation and Reconciliation](#golden-record-creation-and-reconciliation)
+- [Entity Resolution and Deduplication](#entity-resolution-and-deduplication)
+- [MDM Integration with Dataverse](#mdm-integration-with-dataverse)
+- [Reference Data Versioning](#reference-data-versioning)
+- [Data Quality SLAs for MDM Entities](#data-quality-slas-for-mdm-entities)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Master Data Management (MDM) skaper en enkelt kilde til sannhet for kritiske forretningsenheter som kunder, produkter, ansatte og lokasjoner. For AI-losninger er kvaliteten pa stamdata direkte avgjorede -- en ML-modell trent pa inkonsistente kundedata vil produsere upaalitelige prediksjoner, og en RAG-losning med dupliserte dokumenter vil gi motstridende svar.
diff --git a/skills/ms-ai-engineering/references/data-engineering/microsoft-purview-governance.md b/skills/ms-ai-engineering/references/data-engineering/microsoft-purview-governance.md
index b79b957..6266f14 100644
--- a/skills/ms-ai-engineering/references/data-engineering/microsoft-purview-governance.md
+++ b/skills/ms-ai-engineering/references/data-engineering/microsoft-purview-governance.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19
 **Status:** GA
 **Category:** Data Engineering for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/purview/unified-catalog
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Purview Catalog and Asset Registration](#purview-catalog-and-asset-registration)
+- [Data Classification and Sensitivity Labels](#data-classification-and-sensitivity-labels)
+- [Lineage Tracking Across Fabric](#lineage-tracking-across-fabric)
+- [Policy Enforcement and Access Management](#policy-enforcement-and-access-management)
+- [GDPR/HIPAA Compliance Auditing](#gdprhipaa-compliance-auditing)
+- [Purview Governance for Fabric Copilots og Agenter *(Verified MCP 2026-04)*](#purview-governance-for-fabric-copilots-og-agenter-verified-mcp-2026-04)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Microsoft Purview er Microsofts samlete plattform for datastyring, risikohåndtering og compliance. For AI-løsninger er Purview avgjørende fordi det gir oversikt over hvor sensitiv data befinner seg, hvordan data flyter gjennom organisasjonen (lineage), og hvorvidt datakvaliteten er tilstrekkelig for å trene pålitelige modeller. Uten god datastyring kan AI-modeller forsterke bias, bryte personvernregler eller produsere upålitelige prediksjoner.
diff --git a/skills/ms-ai-engineering/references/data-engineering/onelake-data-strategy.md b/skills/ms-ai-engineering/references/data-engineering/onelake-data-strategy.md
index 2f12dd2..bbc7147 100644
--- a/skills/ms-ai-engineering/references/data-engineering/onelake-data-strategy.md
+++ b/skills/ms-ai-engineering/references/data-engineering/onelake-data-strategy.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24
 **Status:** GA (Shortcuts, OneLake Security for kjerne-engines, Shortcut Transformations for CSV/Parquet/JSON), Preview (OneLake Security på Eventhouse/3.-parts-engines, Shortcut Transformations for Excel + AI-powered)
 **Category:** Data Engineering for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/fabric/real-time-intelligence/query-acceleration-overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 OneLake er Microsofts unified data lake for hele Microsoft Fabric-plattformen — "OneDrive for data". Hver Fabric-tenant får automatisk provisjonert én enkelt, logisk data lake som binder sammen alle analytiske workloads. Shortcuts er en av OneLakes mest kraftfulle mekanismer: de fungerer som symbolske lenker (symbolic links) som lar deg unifisere data på tvers av domener, skyer og kontoer uten å flytte eller duplisere data.
diff --git a/skills/ms-ai-engineering/references/data-engineering/real-time-streaming-ai.md b/skills/ms-ai-engineering/references/data-engineering/real-time-streaming-ai.md
index 5108bba..b519351 100644
--- a/skills/ms-ai-engineering/references/data-engineering/real-time-streaming-ai.md
+++ b/skills/ms-ai-engineering/references/data-engineering/real-time-streaming-ai.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Data Engineering for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/fabric/real-time-intelligence/overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Eventstream Connectors and Topologies](#eventstream-connectors-and-topologies)
+- [Structured Streaming with Spark](#structured-streaming-with-spark)
+- [KQL Database for Time-Series Analytics](#kql-database-for-time-series-analytics)
+- [Event Filtering and Derived Streams](#event-filtering-and-derived-streams)
+- [Streaming SLAs and Backpressure Handling](#streaming-slas-and-backpressure-handling)
+- [Arkitekturmonstre for AI med sanntidsdata](#arkitekturmonstre-for-ai-med-sanntidsdata)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Sanntidsdatastrømming er en fundamental byggestein for AI-applikasjoner som krever umiddelbar respons på hendelser -- fra IoT-sensorer og transaksjoner til brukeratferd og systemmetrikker. Microsoft Fabric Real-Time Intelligence kombinert med Azure Event Hubs og Apache Kafka gir en komplett plattform for inntak, transformasjon og analyse av strømmedata som mater AI-modeller med oppdatert informasjon.
diff --git a/skills/ms-ai-engineering/references/data-engineering/schema-evolution-management.md b/skills/ms-ai-engineering/references/data-engineering/schema-evolution-management.md
index 678845e..998cf09 100644
--- a/skills/ms-ai-engineering/references/data-engineering/schema-evolution-management.md
+++ b/skills/ms-ai-engineering/references/data-engineering/schema-evolution-management.md
@@ -3,9 +3,22 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Data Engineering for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/synapse-analytics/spark/apache-spark-what-is-delta-lake
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Schema Versioning and Compatibility Levels](#schema-versioning-and-compatibility-levels)
+- [Adding Columns with Default Values](#adding-columns-with-default-values)
+- [Type Promotions and Narrowing](#type-promotions-and-narrowing)
+- [Deprecated Column Handling](#deprecated-column-handling)
+- [Schema Registration and Validation](#schema-registration-and-validation)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Skjemaendringer er uunngaaelige i moderne dataarkitekturer: nye kolonner legges til, datatyper endres, kolonner gis nye navn, og foreldede felt fjernes. For AI-pipelines er dette spesielt utfordrende fordi ML-modeller er trent pa spesifikke feature-skjemaer, og enhver skjemaendring kan bryte trenings- og inferens-pipelines. Delta Lake i Microsoft Fabric og Azure Databricks tilbyr robust stotte for skjemaevolusjon som gjor det mulig a haandtere disse endringene uten nedetid.
diff --git a/skills/ms-ai-engineering/references/data-engineering/synthetic-data-generation.md b/skills/ms-ai-engineering/references/data-engineering/synthetic-data-generation.md
index ea3b096..0c82e5c 100644
--- a/skills/ms-ai-engineering/references/data-engineering/synthetic-data-generation.md
+++ b/skills/ms-ai-engineering/references/data-engineering/synthetic-data-generation.md
@@ -3,9 +3,22 @@
 **Last updated:** 2026-06-24
 **Status:** GA / Preview (varies by feature)
 **Category:** Data Engineering for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry-classic/openai/concepts/use-your-data
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Synthetic Data Generation Pipelines](#synthetic-data-generation-pipelines)
+- [Azure OpenAI Integration for Text Synthesis](#azure-openai-integration-for-text-synthesis)
+- [Balancing Class Imbalances with Synthetic Samples](#balancing-class-imbalances-with-synthetic-samples)
+- [Privacy-Preserving Synthetic Data](#privacy-preserving-synthetic-data)
+- [Validation of Synthetic Data Quality](#validation-of-synthetic-data-quality)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Syntetisk datagenerering er en stadig viktigere teknikk for AI-utvikling, spesielt i situasjoner der reelle data er begrenset, ubalansert, eller underlagt strenge personvernkrav. Ved å generere kunstige datasett som etterligner statistiske egenskaper ved reelle data, kan organisasjoner utvide treningsdata, adressere klasseimbalanser, og beskytte personvern -- uten å eksponere faktiske sensitive opplysninger.
diff --git a/skills/ms-ai-engineering/references/data-engineering/zero-etl-fabric-patterns.md b/skills/ms-ai-engineering/references/data-engineering/zero-etl-fabric-patterns.md
index b74bc71..8a38af2 100644
--- a/skills/ms-ai-engineering/references/data-engineering/zero-etl-fabric-patterns.md
+++ b/skills/ms-ai-engineering/references/data-engineering/zero-etl-fabric-patterns.md
@@ -3,9 +3,28 @@
 **Last updated:** 2026-06-24
 **Status:** GA (Database Mirroring), Preview (Open Mirroring for some sources)
 **Category:** Data Engineering for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/fabric/mirroring/overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og Lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Tekniske Detaljer](#tekniske-detaljer)
+- [Praktisk Eksempel: End-to-End Setup](#praktisk-eksempel-end-to-end-setup)
+- [Vanlige Feil og Løsninger](#vanlige-feil-og-løsninger)
+- [Fremtidige Utvidelser (Roadmap)](#fremtidige-utvidelser-roadmap)
+- [Kilder og Verifisering](#kilder-og-verifisering)
+- [Oppsummering for Cosmo](#oppsummering-for-cosmo)
+
 ## Introduksjon
 
 Zero-ETL i Microsoft Fabric representerer et paradigmeskifte i hvordan organisasjoner integrerer og konsoliderer data. I stedet for komplekse Extract-Transform-Load (ETL) pipelines, tilbyr Fabric **Mirroring** — en nær-sanntids, kontinuerlig replikeringsløsning som speilser operasjonelle data direkte inn i OneLake som Delta Lake-tabeller.
diff --git a/skills/ms-ai-engineering/references/mlops-genaiops/ab-testing-llm-applications.md b/skills/ms-ai-engineering/references/mlops-genaiops/ab-testing-llm-applications.md
index 5e9b743..3c9bf47 100644
--- a/skills/ms-ai-engineering/references/mlops-genaiops/ab-testing-llm-applications.md
+++ b/skills/ms-ai-engineering/references/mlops-genaiops/ab-testing-llm-applications.md
@@ -1,13 +1,24 @@
 # A/B Testing and Experimentation for AI Models
 
 **Last updated:** 2026-06-19
-**Verified:** MCP 2026-06-19
 **Status:** GA
 **Category:** MLOps & GenAIOps
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/databricks/mlflow3/genai/eval-monitor/concepts/scorers
 
 ---
 
-**Verified:** MCP 2026-06-19
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
 
 ## Introduksjon
 
diff --git a/skills/ms-ai-engineering/references/mlops-genaiops/automated-retraining-pipelines.md b/skills/ms-ai-engineering/references/mlops-genaiops/automated-retraining-pipelines.md
index 68f811c..72495a6 100644
--- a/skills/ms-ai-engineering/references/mlops-genaiops/automated-retraining-pipelines.md
+++ b/skills/ms-ai-engineering/references/mlops-genaiops/automated-retraining-pipelines.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19
 **Status:** GA
 **Category:** MLOps & GenAIOps
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/architecture/ai-ml/guide/mlops-maturity-model
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Maskinlæringsmodeller degraderes over tid på grunn av data drift, concept drift og endringer i produksjonsmiljøet — et fenomen kjent som **model decay**. Automatisert retraining av modeller er derfor en kritisk komponent i moderne MLOps-arkitekturer, som sikrer at produksjonsmodeller opprettholder ytelse og relevans uten manuell intervensjon.
diff --git a/skills/ms-ai-engineering/references/mlops-genaiops/azure-ml-pipelines-orchestration.md b/skills/ms-ai-engineering/references/mlops-genaiops/azure-ml-pipelines-orchestration.md
index fc14278..bcf7dc8 100644
--- a/skills/ms-ai-engineering/references/mlops-genaiops/azure-ml-pipelines-orchestration.md
+++ b/skills/ms-ai-engineering/references/mlops-genaiops/azure-ml-pipelines-orchestration.md
@@ -1,13 +1,24 @@
 # Azure ML Pipelines - Orchestration and Automation
 
 **Last updated:** 2026-04
-**Verified:** MCP 2026-04
 **Status:** GA
 **Category:** MLOps & GenAIOps
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-ml-pipelines
 
 ---
 
-**Verified:** MCP 2026-04
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter / Nøkkelegenskaper](#kjernekomponenter--nøkkelegenskaper)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
 
 ## Introduksjon
 
diff --git a/skills/ms-ai-engineering/references/mlops-genaiops/ci-cd-for-ml-models.md b/skills/ms-ai-engineering/references/mlops-genaiops/ci-cd-for-ml-models.md
index a0f4295..7241253 100644
--- a/skills/ms-ai-engineering/references/mlops-genaiops/ci-cd-for-ml-models.md
+++ b/skills/ms-ai-engineering/references/mlops-genaiops/ci-cd-for-ml-models.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19
 **Status:** GA
 **Category:** MLOps & GenAIOps
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-ml-pipelines
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 CI/CD (Continuous Integration/Continuous Delivery) for maskinlæringsmodeller representerer en utvidelse av tradisjonelle DevOps-praksiser for å håndtere den unike kompleksiteten i ML-arbeidslaster. I motsetning til tradisjonell programvareutvikling, hvor deployment handler om kode, krever ML-løsninger automatisering av hele livssyklusen fra data validering og modelltrening til produksjonsutrulling og kontinuerlig overvåking.
diff --git a/skills/ms-ai-engineering/references/mlops-genaiops/cost-optimization-mlops-pipelines.md b/skills/ms-ai-engineering/references/mlops-genaiops/cost-optimization-mlops-pipelines.md
index 9c84890..4400132 100644
--- a/skills/ms-ai-engineering/references/mlops-genaiops/cost-optimization-mlops-pipelines.md
+++ b/skills/ms-ai-engineering/references/mlops-genaiops/cost-optimization-mlops-pipelines.md
@@ -3,6 +3,20 @@
 **Dato:** 2026-04
 **Kategori:** MLOps & GenAIOps
 **Relevans:** Azure Machine Learning, MLOps-implementering, FinOps for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-ml-pipelines
+
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
 
 ## Introduksjon
 
diff --git a/skills/ms-ai-engineering/references/mlops-genaiops/data-drift-monitoring-detection.md b/skills/ms-ai-engineering/references/mlops-genaiops/data-drift-monitoring-detection.md
index 5675845..9e6dce6 100644
--- a/skills/ms-ai-engineering/references/mlops-genaiops/data-drift-monitoring-detection.md
+++ b/skills/ms-ai-engineering/references/mlops-genaiops/data-drift-monitoring-detection.md
@@ -1,13 +1,24 @@
 # Data Drift Monitoring and Detection
 
 **Last updated:** 2026-04
-**Verified:** MCP 2026-04
 **Status:** GA
 **Category:** MLOps & GenAIOps
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-model-monitoring
 
 ---
 
-**Verified:** MCP 2026-04
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
 
 ## Introduksjon
 
diff --git a/skills/ms-ai-engineering/references/mlops-genaiops/feedback-loops-continuous-improvement.md b/skills/ms-ai-engineering/references/mlops-genaiops/feedback-loops-continuous-improvement.md
index d9e9c18..5021907 100644
--- a/skills/ms-ai-engineering/references/mlops-genaiops/feedback-loops-continuous-improvement.md
+++ b/skills/ms-ai-engineering/references/mlops-genaiops/feedback-loops-continuous-improvement.md
@@ -4,8 +4,21 @@
 **Dato:** 2026-02-04
 **Last updated:** 2026-06-24
 **Confidence:** HIGH (basert på offisiell Microsoft-dokumentasjon)
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/concepts/observability
 
-**Verified:** MCP 2026-06
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+- [For Cosmo](#for-cosmo)
 
 ## Introduksjon
 
diff --git a/skills/ms-ai-engineering/references/mlops-genaiops/genaiops-llm-specific-practices.md b/skills/ms-ai-engineering/references/mlops-genaiops/genaiops-llm-specific-practices.md
index 9592a63..25635d9 100644
--- a/skills/ms-ai-engineering/references/mlops-genaiops/genaiops-llm-specific-practices.md
+++ b/skills/ms-ai-engineering/references/mlops-genaiops/genaiops-llm-specific-practices.md
@@ -4,11 +4,23 @@
 **Last updated:** 2026-06-19
 **Kategori:** MLOps & GenAIOps
 **Konfidensgrad:** Høy (basert på 18 MCP-kilder fra Microsoft Learn)
+**Type:** reference
+**Source:** https://learn.microsoft.com/python/api/overview/azure/ai-evaluation-readme
 
 ---
 
 > **⚠️ Retirement 2027-04-20 (verifisert 2026-06-19):** 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).
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## 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.
diff --git a/skills/ms-ai-engineering/references/mlops-genaiops/governance-audit-ml-operations.md b/skills/ms-ai-engineering/references/mlops-genaiops/governance-audit-ml-operations.md
index 4b6e5c6..00fcd1f 100644
--- a/skills/ms-ai-engineering/references/mlops-genaiops/governance-audit-ml-operations.md
+++ b/skills/ms-ai-engineering/references/mlops-genaiops/governance-audit-ml-operations.md
@@ -3,6 +3,20 @@
 **Kategori:** MLOps & GenAIOps
 **Dato:** 2026-06-19
 **Confidence:** 95% (High — bygger på offisiell Microsoft-dokumentasjon og Azure-referansearkitekturer)
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-responsible-ai-dashboard
+
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
 
 ## Introduksjon
 
diff --git a/skills/ms-ai-engineering/references/mlops-genaiops/inferencing-optimization-caching.md b/skills/ms-ai-engineering/references/mlops-genaiops/inferencing-optimization-caching.md
index 601eddb..65e6908 100644
--- a/skills/ms-ai-engineering/references/mlops-genaiops/inferencing-optimization-caching.md
+++ b/skills/ms-ai-engineering/references/mlops-genaiops/inferencing-optimization-caching.md
@@ -3,8 +3,21 @@
 **Kategori:** MLOps & GenAIOps
 **Dato:** 2026-06-19
 **Forfattet av:** Cosmo Skyberg, Senior Microsoft AI Solution Architect
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-onnx
 
-**Verified:** MCP 2026-06-19
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+- [Oppsummering for Cosmo](#oppsummering-for-cosmo)
 
 ## Introduksjon
 
diff --git a/skills/ms-ai-engineering/references/mlops-genaiops/infrastructure-as-code-mlops.md b/skills/ms-ai-engineering/references/mlops-genaiops/infrastructure-as-code-mlops.md
index a3154d6..181774b 100644
--- a/skills/ms-ai-engineering/references/mlops-genaiops/infrastructure-as-code-mlops.md
+++ b/skills/ms-ai-engineering/references/mlops-genaiops/infrastructure-as-code-mlops.md
@@ -3,8 +3,20 @@
 **Dato:** 2026-06-19
 **Kategori:** MLOps & GenAIOps
 **Forfatter:** Cosmo Skyberg, Senior Microsoft AI Solution Architect
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/aks/concepts-machine-learning-ops
 
-**Verified:** MCP 2026-06-19
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
 
 ## Introduksjon
 
diff --git a/skills/ms-ai-engineering/references/mlops-genaiops/llm-evaluation-production.md b/skills/ms-ai-engineering/references/mlops-genaiops/llm-evaluation-production.md
index 67f7eba..cd5e8c6 100644
--- a/skills/ms-ai-engineering/references/mlops-genaiops/llm-evaluation-production.md
+++ b/skills/ms-ai-engineering/references/mlops-genaiops/llm-evaluation-production.md
@@ -3,10 +3,22 @@
 **Kategori:** MLOps & GenAIOps
 **Sist oppdatert:** 2026-06-19
 **Confidence:** High (basert på offisiell Microsoft dokumentasjon, Microsoft Foundry SDK, og MLflow 3)
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/concepts/observability
 
 ---
 
-**Verified:** MCP 2026-06-19
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
 
 ## Introduksjon
 
diff --git a/skills/ms-ai-engineering/references/mlops-genaiops/mlops-fundamentals-overview.md b/skills/ms-ai-engineering/references/mlops-genaiops/mlops-fundamentals-overview.md
index 7a23c76..d1479c7 100644
--- a/skills/ms-ai-engineering/references/mlops-genaiops/mlops-fundamentals-overview.md
+++ b/skills/ms-ai-engineering/references/mlops-genaiops/mlops-fundamentals-overview.md
@@ -1,13 +1,24 @@
 # MLOps Fundamentals - Lifecycle and Principles
 
 **Last updated:** 2026-06-19
-**Verified:** MCP 2026-06-19
 **Status:** GA
 **Category:** MLOps & GenAIOps
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-model-management-and-deployment
 
 ---
 
-**Verified:** MCP 2026-06-19
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
 
 ## Introduksjon
 
diff --git a/skills/ms-ai-engineering/references/mlops-genaiops/mlops-security-access-control.md b/skills/ms-ai-engineering/references/mlops-genaiops/mlops-security-access-control.md
index 68ac622..feb8021 100644
--- a/skills/ms-ai-engineering/references/mlops-genaiops/mlops-security-access-control.md
+++ b/skills/ms-ai-engineering/references/mlops-genaiops/mlops-security-access-control.md
@@ -4,9 +4,23 @@
 **Last updated:** 2026-06-19
 **Dato:** 2026-06-19
 **Confidence:** HIGH — Basert på offisiell Microsoft Learn dokumentasjon (8 MCP-oppslag, 16 kilder)
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-enterprise-security
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Security and access control utgjør fundamentet for enterprise-grade MLOps i Azure Machine Learning. Denne kunnskapsreferansen dekker identitetsstyring, nettverksisolasjon, datakryptering og tilgangskontroll gjennom hele ML-livssyklusen — fra treningsjobber til produksjons-endpoints.
diff --git a/skills/ms-ai-engineering/references/mlops-genaiops/mlops-teams-collaboration-tools.md b/skills/ms-ai-engineering/references/mlops-genaiops/mlops-teams-collaboration-tools.md
index ccccf3f..c7966f5 100644
--- a/skills/ms-ai-engineering/references/mlops-genaiops/mlops-teams-collaboration-tools.md
+++ b/skills/ms-ai-engineering/references/mlops-genaiops/mlops-teams-collaboration-tools.md
@@ -4,8 +4,20 @@
 **Sist oppdatert:** 2026-06-19
 **Kilde:** Microsoft Learn, Azure Architecture Center
 **Konfidensgradering:** ⭐⭐⭐⭐⭐ (Verifisert mot offisiell Microsoft-dokumentasjon)
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/overview-what-is-azure-machine-learning
 
-**Verified:** MCP 2026-06-19
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
 
 ## Introduksjon
 
diff --git a/skills/ms-ai-engineering/references/mlops-genaiops/model-deployment-strategies-azure.md b/skills/ms-ai-engineering/references/mlops-genaiops/model-deployment-strategies-azure.md
index 57c450f..d20a686 100644
--- a/skills/ms-ai-engineering/references/mlops-genaiops/model-deployment-strategies-azure.md
+++ b/skills/ms-ai-engineering/references/mlops-genaiops/model-deployment-strategies-azure.md
@@ -4,9 +4,23 @@
 **Dato:** 2026-02-04
 **Målgruppe:** Arkitekter som planlegger ML-modellutplassering i produksjon
 **Konfidensgrad:** ⚡️⚡️⚡️ Høy (basert på Microsoft Learn + offisielle code samples)
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-model-management-and-deployment
 
 **Last updated:** 2026-04
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Model deployment strategies handler om hvordan man trygt og effektivt ruller ut nye ML-modeller eller modellversjoner til produksjon uten å forårsake nedetid eller forringet brukeropplevelse. Azure Machine Learning tilbyr flere deployment patterns som støtter **progressive exposure**, **traffic routing**, og **rollback-mekanismer**.
diff --git a/skills/ms-ai-engineering/references/mlops-genaiops/model-drift-performance-degradation.md b/skills/ms-ai-engineering/references/mlops-genaiops/model-drift-performance-degradation.md
index c3109e9..0ad5a5c 100644
--- a/skills/ms-ai-engineering/references/mlops-genaiops/model-drift-performance-degradation.md
+++ b/skills/ms-ai-engineering/references/mlops-genaiops/model-drift-performance-degradation.md
@@ -1,13 +1,24 @@
 # Model Drift and Performance Degradation Detection
 
 **Last updated:** 2026-04
-**Verified:** MCP 2026-04
 **Status:** GA
 **Category:** MLOps & GenAIOps
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-model-monitoring
 
 ---
 
-**Verified:** MCP 2026-04
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
 
 ## Introduksjon
 
diff --git a/skills/ms-ai-engineering/references/mlops-genaiops/model-evaluation-frameworks.md b/skills/ms-ai-engineering/references/mlops-genaiops/model-evaluation-frameworks.md
index e610f6f..5688c14 100644
--- a/skills/ms-ai-engineering/references/mlops-genaiops/model-evaluation-frameworks.md
+++ b/skills/ms-ai-engineering/references/mlops-genaiops/model-evaluation-frameworks.md
@@ -1,13 +1,24 @@
 # Model Evaluation Frameworks and Metrics
 
 **Last updated:** 2026-06-19
-**Verified:** MCP 2026-06-19
 **Status:** GA
 **Category:** MLOps & GenAIOps
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/concepts/observability
 
 ---
 
-**Verified:** MCP 2026-06-19
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
 
 ## Introduksjon
 
diff --git a/skills/ms-ai-engineering/references/mlops-genaiops/model-versioning-registry-management.md b/skills/ms-ai-engineering/references/mlops-genaiops/model-versioning-registry-management.md
index bbbc409..902c891 100644
--- a/skills/ms-ai-engineering/references/mlops-genaiops/model-versioning-registry-management.md
+++ b/skills/ms-ai-engineering/references/mlops-genaiops/model-versioning-registry-management.md
@@ -1,13 +1,24 @@
 # Model Versioning and Registry Management
 
 **Last updated:** 2026-06-24
-**Verified:** MCP 2026-06
 **Status:** GA
 **Category:** MLOps & GenAIOps
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-model-monitoring
 
 ---
 
-**Verified:** MCP 2026-06
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
 
 ## Introduksjon
 
diff --git a/skills/ms-ai-engineering/references/mlops-genaiops/monitoring-observability-ml-systems.md b/skills/ms-ai-engineering/references/mlops-genaiops/monitoring-observability-ml-systems.md
index 8be8076..0e08fde 100644
--- a/skills/ms-ai-engineering/references/mlops-genaiops/monitoring-observability-ml-systems.md
+++ b/skills/ms-ai-engineering/references/mlops-genaiops/monitoring-observability-ml-systems.md
@@ -4,10 +4,22 @@
 **Dato:** 2026-04
 **Kilder:** Microsoft Learn (azure-machine-learning, azure-monitor)
 **Konfidensgrad:** ⭐⭐⭐⭐⭐ (Verifisert mot offisiell Microsoft-dokumentasjon)
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-model-monitoring
 
 ---
 
-**Verified:** MCP 2026-04
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
 
 ## Introduksjon
 
diff --git a/skills/ms-ai-engineering/references/mlops-genaiops/prompt-flow-production-deployment.md b/skills/ms-ai-engineering/references/mlops-genaiops/prompt-flow-production-deployment.md
index a242e42..15ae167 100644
--- a/skills/ms-ai-engineering/references/mlops-genaiops/prompt-flow-production-deployment.md
+++ b/skills/ms-ai-engineering/references/mlops-genaiops/prompt-flow-production-deployment.md
@@ -4,11 +4,25 @@
 **Dato:** 2026-02-04
 **Last updated:** 2026-06-19
 **Confidence:** 🟢 Høy (basert på offisiell Microsoft-dokumentasjon fra Microsoft Foundry og Azure Machine Learning)
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/prompt-flow/migrate-prompt-flow-to-agent-framework
 
 ---
 
 > **⚠️ Retirement (verifisert mot Microsoft Learn 2026-06-19):** 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.
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## 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.
diff --git a/skills/ms-ai-engineering/references/mlops-genaiops/responsible-ai-mlops-integration.md b/skills/ms-ai-engineering/references/mlops-genaiops/responsible-ai-mlops-integration.md
index 1e14ee2..78dab2f 100644
--- a/skills/ms-ai-engineering/references/mlops-genaiops/responsible-ai-mlops-integration.md
+++ b/skills/ms-ai-engineering/references/mlops-genaiops/responsible-ai-mlops-integration.md
@@ -3,9 +3,23 @@
 **Kategori:** MLOps & GenAIOps
 **Sist oppdatert:** 2026-06-19
 **Confidence:** 95% (basert på offisiell Microsoft-dokumentasjon og Azure Machine Learning-referanser)
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-responsible-ai-dashboard
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Responsible AI (RAI) i MLOps-kontekst handler om å integrere ansvarlig AI-praksis systematisk gjennom hele modellens livssyklus — fra utvikling og trening til deployment, overvåking og vedlikehold. Mens tradisjonell MLOps fokuserer på repeaterbarhet, automatisering og pålitelighet, legger RAI-integrasjon til dimensjoner som rettferdighet (fairness), forklarbarhet (interpretability), bias-deteksjon, åpenhet (transparency) og compliance.
diff --git a/skills/ms-ai-engineering/references/multi-modal/accessibility-multimodal-ai.md b/skills/ms-ai-engineering/references/multi-modal/accessibility-multimodal-ai.md
index d3a0abe..49ebdfe 100644
--- a/skills/ms-ai-engineering/references/multi-modal/accessibility-multimodal-ai.md
+++ b/skills/ms-ai-engineering/references/multi-modal/accessibility-multimodal-ai.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Multi-Modal AI
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponentar](#kjernekomponentar)
+- [Alt-tekst generering og WCAG Compliance](#alt-tekst-generering-og-wcag-compliance)
+- [Lydbeskrivingar for visuelt innhald](#lydbeskrivingar-for-visuelt-innhald)
+- [Undertekstar og transkripsjongenerering](#undertekstar-og-transkripsjongenerering)
+- [Brukarpreferansar og hjelpemiddelintegrasjon](#brukarpreferansar-og-hjelpemiddelintegrasjon)
+- [Implementeringsmønstre](#implementeringsmønstre)
+- [Norsk offentleg sektor](#norsk-offentleg-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Tilgjengeleg AI-design er ikkje berre ein moralsk forplikting — det er eit lovkrav i Noreg og EU. Likestillings- og diskrimineringslova, saman med EUs Web Accessibility Directive og den kommande European Accessibility Act (EAA), stiller konkrete krav til at digitale tenester skal vere tilgjengelege for alle brukarar. Multi-modal AI-system som kombinerer tekst, bilete, tale og video introduserer unike tilgjengelegheitsutfordringar — og moglegheiter.
diff --git a/skills/ms-ai-engineering/references/multi-modal/audio-video-transcription-workflow.md b/skills/ms-ai-engineering/references/multi-modal/audio-video-transcription-workflow.md
index a10c7cc..265171f 100644
--- a/skills/ms-ai-engineering/references/multi-modal/audio-video-transcription-workflow.md
+++ b/skills/ms-ai-engineering/references/multi-modal/audio-video-transcription-workflow.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Multi-Modal AI
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponentar](#kjernekomponentar)
+- [Batch Transcription at Scale](#batch-transcription-at-scale)
+- [Speaker Attribution og Diarization](#speaker-attribution-og-diarization)
+- [Automatic Translation with Context Preservation](#automatic-translation-with-context-preservation)
+- [Quality Assurance og Human-in-the-Loop Workflows](#quality-assurance-og-human-in-the-loop-workflows)
+- [Implementeringsmønstre](#implementeringsmønstre)
+- [Norsk offentleg sektor](#norsk-offentleg-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Azure Speech Services tilbyr omfattande kapabilitetar for transkribering og oversettelse av audio- og videoinnhald. Tenesta støttar sanntids- og batch-transkribering med funksjonar som taleridentifisering (diarization), automatisk språkdeteksjon, ordnivå-tidsstempel og tilpassa talemodeller. For norsk offentleg sektor er dette relevant for møtetranskribering, arkivering av telefonsamtalar, tekstforming av video, og tilgjengeleggjering av audioinnnhald.
diff --git a/skills/ms-ai-engineering/references/multi-modal/azure-video-indexer-patterns.md b/skills/ms-ai-engineering/references/multi-modal/azure-video-indexer-patterns.md
index 917b225..a4ab802 100644
--- a/skills/ms-ai-engineering/references/multi-modal/azure-video-indexer-patterns.md
+++ b/skills/ms-ai-engineering/references/multi-modal/azure-video-indexer-patterns.md
@@ -3,9 +3,20 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Multi-Modal AI
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Video Ingestion og Processing Workflows](#video-ingestion-og-processing-workflows)
+- [Face, Speech og Content Detection](#face-speech-og-content-detection)
+- [Knowledge Graph Construction frå Video](#knowledge-graph-construction-frå-video)
+- [Integrasjon med AI Services](#integrasjon-med-ai-services)
+- [Brukstilfelle for norsk offentleg sektor](#brukstilfelle-for-norsk-offentleg-sektor)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Azure AI Video Indexer er ein omfattande AI-teneste som ekstraherer djupe innsikter frå video- og lydinnhald. Tenesta køyrer over 30 AI-modellar for å analysere visuelt og auditivt innhald, inkludert transkripsjon, ansiktsdeteksjon, objektgjenkjenning, sentimentanalyse, emneekstraksjon og mykje meir. Video Indexer er bygd på toppen av Azure AI-tenester som Speech, Vision, Translator og Face.
diff --git a/skills/ms-ai-engineering/references/multi-modal/cv-llm-integration.md b/skills/ms-ai-engineering/references/multi-modal/cv-llm-integration.md
index 3497db9..e5316af 100644
--- a/skills/ms-ai-engineering/references/multi-modal/cv-llm-integration.md
+++ b/skills/ms-ai-engineering/references/multi-modal/cv-llm-integration.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Multi-Modal AI
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponentar](#kjernekomponentar)
+- [Vision Encoder Selection og Fine-Tuning](#vision-encoder-selection-og-fine-tuning)
+- [Prompt Injection for Visual Grounding](#prompt-injection-for-visual-grounding)
+- [Scene Understanding og Spatial Reasoning](#scene-understanding-og-spatial-reasoning)
+- [Few-Shot Learning med visuelle eksempel](#few-shot-learning-med-visuelle-eksempel)
+- [Implementeringsmønstre](#implementeringsmønstre)
+- [Norsk offentleg sektor](#norsk-offentleg-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Integrasjonen av spesialiserte computer vision (CV) modellar med large language models (LLMs) representerer ein av dei viktigaste trendane i AI-arkitektur. I staden for å bruke GPT-4o sin innebygde vision direkte for alle oppgåver, kombinerer avanserte arkitekturar spesialiserte vision encoders med generative LLMs for å oppnå betre nøyaktigheit, lågare kostnad og meir kontrollerte resultat.
diff --git a/skills/ms-ai-engineering/references/multi-modal/dalle-image-generation.md b/skills/ms-ai-engineering/references/multi-modal/dalle-image-generation.md
index d7daa1a..b05ea81 100644
--- a/skills/ms-ai-engineering/references/multi-modal/dalle-image-generation.md
+++ b/skills/ms-ai-engineering/references/multi-modal/dalle-image-generation.md
@@ -3,9 +3,21 @@
 **Last updated:** 2026-02
 **Status:** GA (DALL-E 3) / Limited Access Preview (GPT-image-1)
 **Category:** Multi-Modal AI
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [DALL-E Capabilities og Limitations](#dall-e-capabilities-og-limitations)
+- [Content Filtering og Safety](#content-filtering-og-safety)
+- [Batch Image Generation](#batch-image-generation)
+- [Integration with Document Pipelines](#integration-with-document-pipelines)
+- [Tilgjengelegheit (Accessibility) Considerations](#tilgjengelegheit-accessibility-considerations)
+- [Merking og transparens](#merking-og-transparens)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 DALL-E og GPT-image-1 er Azure OpenAI sine bildegenerering-modellar som skapar bilete frå tekstbeskrivelsar. For norsk offentleg sektor opnar desse modellane moglegheiter innanfor visualisering av offentlege planforslag, illustrasjon av informasjonsmateriell, prototyping av brukargrensesnitt, og generering av tilgjengelege bilete for universell utforming.
diff --git a/skills/ms-ai-engineering/references/multi-modal/document-vision-processing.md b/skills/ms-ai-engineering/references/multi-modal/document-vision-processing.md
index 5676a1a..827e0a5 100644
--- a/skills/ms-ai-engineering/references/multi-modal/document-vision-processing.md
+++ b/skills/ms-ai-engineering/references/multi-modal/document-vision-processing.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Multi-Modal AI
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponentar](#kjernekomponentar)
+- [Document Layout Analysis](#document-layout-analysis)
+- [Tabell- og skjemaekstraksjon](#tabell--og-skjemaekstraksjon)
+- [Handskriftgjenkjenning](#handskriftgjenkjenning)
+- [Pre- og postprosessering](#pre--og-postprosessering)
+- [Implementeringsmønstre](#implementeringsmønstre)
+- [Norsk offentleg sektor](#norsk-offentleg-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Azure AI Document Intelligence (tidlegare Form Recognizer) er ein spesialisert teneste for automatisert dokumentbehandling som kombinerer bransjeleiande OCR med djuplæringsmodellar for å ekstrahere tekst, tabellar, strukturar og felt frå dokument. Tenesta støttar eit breitt spekter av dokumenttypar — PDF, bilete, Office-filer og HTML — med ein enkelt API-kall, og leverer resultat i Markdown-format som er optimalisert for integrasjon med LLM-ar i RAG-pipelines.
diff --git a/skills/ms-ai-engineering/references/multi-modal/gpt4o-vision-architecture.md b/skills/ms-ai-engineering/references/multi-modal/gpt4o-vision-architecture.md
index 4adb1e5..a95a88a 100644
--- a/skills/ms-ai-engineering/references/multi-modal/gpt4o-vision-architecture.md
+++ b/skills/ms-ai-engineering/references/multi-modal/gpt4o-vision-architecture.md
@@ -3,9 +3,21 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Multi-Modal AI
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [GPT-4o Vision Capabilities](#gpt-4o-vision-capabilities)
+- [Token-berekningsmodell for bilete](#token-berekningsmodell-for-bilete)
+- [Native vs. External Vision Integration](#native-vs-external-vision-integration)
+- [Performance og Latency-optimalisering](#performance-og-latency-optimalisering)
+- [Brukstilfelle for norsk offentleg sektor](#brukstilfelle-for-norsk-offentleg-sektor)
+- [Avgrensingar og kjende utfordringar](#avgrensingar-og-kjende-utfordringar)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 GPT-4o (Omni) representerer en fundamental endring i korleis multimodale AI-modellar fungerer. I motsetnad til tidlegare tilnærmingar der tekst- og bildeforståing var separate modellar kopla saman, integrerer GPT-4o tekst og bilete i ein enkelt modell. Dette gir lågare latency, betre kontekstuell forståing og meir nøyaktige svar som kombinerer visuell og tekstuell informasjon.
diff --git a/skills/ms-ai-engineering/references/multi-modal/image-classification-understanding.md b/skills/ms-ai-engineering/references/multi-modal/image-classification-understanding.md
index 89733b9..5f0278c 100644
--- a/skills/ms-ai-engineering/references/multi-modal/image-classification-understanding.md
+++ b/skills/ms-ai-engineering/references/multi-modal/image-classification-understanding.md
@@ -3,9 +3,22 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Multi-Modal AI
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponentar](#kjernekomponentar)
+- [Pre-trained Model Selection](#pre-trained-model-selection)
+- [Custom Model Training og Evaluation](#custom-model-training-og-evaluation)
+- [Confidence og Uncertainty Quantification](#confidence-og-uncertainty-quantification)
+- [Real-time og Batch Processing](#real-time-og-batch-processing)
+- [Norsk offentleg sektor](#norsk-offentleg-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Bildeklassifisering og -forståing i Microsoft-stakken spenner frå tradisjonelle computer vision-modellar til moderne multimodale LLM-ar. Azure AI Vision 4.0, bygd på Florence foundation-modellen, tilbyr automatisk tagging, captioning, objektdeteksjon og OCR i ein samla API. For scenario som krev tilpassa kategoriar, finst Custom Vision (planlagd pensjonering 2028), Azure Machine Learning AutoML og Azure Content Understanding.
diff --git a/skills/ms-ai-engineering/references/multi-modal/multimodal-content-safety.md b/skills/ms-ai-engineering/references/multi-modal/multimodal-content-safety.md
index 10df585..d247c89 100644
--- a/skills/ms-ai-engineering/references/multi-modal/multimodal-content-safety.md
+++ b/skills/ms-ai-engineering/references/multi-modal/multimodal-content-safety.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-02
 **Status:** GA / Preview (varies by feature)
 **Category:** Multi-Modal AI
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponentar](#kjernekomponentar)
+- [Text, Image og Audio Harm Categories](#text-image-og-audio-harm-categories)
+- [Multi-modal Prompt Injection Detection](#multi-modal-prompt-injection-detection)
+- [Bias Detection Across Modalities](#bias-detection-across-modalities)
+- [Regulatory Compliance og Audit Logging](#regulatory-compliance-og-audit-logging)
+- [Implementeringsmønstre](#implementeringsmønstre)
+- [Norsk offentleg sektor](#norsk-offentleg-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Azure AI Content Safety tilbyr eit samla rammeverk for å detektere og filtrere skadeleg innhald på tvers av tekst, bilete, multimodalt innhald (bilete + tekst) og AI-generert output. Tenesta klassifiserer innhald i fire hovudkategoriar — Hate, Sexual, Violence og Self-Harm — med alvorlegheitsgradar frå 0 (trygt) til 6 (svært alvorleg).
diff --git a/skills/ms-ai-engineering/references/multi-modal/multimodal-evaluation-metrics.md b/skills/ms-ai-engineering/references/multi-modal/multimodal-evaluation-metrics.md
index ad57819..2ad6262 100644
--- a/skills/ms-ai-engineering/references/multi-modal/multimodal-evaluation-metrics.md
+++ b/skills/ms-ai-engineering/references/multi-modal/multimodal-evaluation-metrics.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Multi-Modal AI
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponentar](#kjernekomponentar)
+- [Text Generation Metrics](#text-generation-metrics)
+- [Image Quality og Relevance Metrics](#image-quality-og-relevance-metrics)
+- [Cross-Modal Alignment Measurement](#cross-modal-alignment-measurement)
+- [User Satisfaction og Business KPIs](#user-satisfaction-og-business-kpis)
+- [Implementeringsmønstre](#implementeringsmønstre)
+- [Norsk offentleg sektor](#norsk-offentleg-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Evaluering av multi-modale AI-system er fundamentalt meir komplekst enn evaluering av rein tekst-AI. Når system kombinerer tekst, bilete, tale og video, treng ein metrikkrammeverk som dekker kvaliteten innanfor kvar modalitet, men også korleis modalitetane samhandlar — det som blir kalla cross-modal alignment. Microsoft Foundry og Azure OpenAI Evaluation API gir innebygd støtte for både NLP-baserte metrikktypar (BLEU, ROUGE, cosine similarity) og AI-assistert evaluering (groundedness, relevance, coherence, fluency).
diff --git a/skills/ms-ai-engineering/references/multi-modal/multimodal-prompt-engineering.md b/skills/ms-ai-engineering/references/multi-modal/multimodal-prompt-engineering.md
index 8941e61..8a91315 100644
--- a/skills/ms-ai-engineering/references/multi-modal/multimodal-prompt-engineering.md
+++ b/skills/ms-ai-engineering/references/multi-modal/multimodal-prompt-engineering.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Multi-Modal AI
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponentar](#kjernekomponentar)
+- [Visual Grounding og Spatial Reasoning i Prompts](#visual-grounding-og-spatial-reasoning-i-prompts)
+- [Few-shot Examples with Images](#few-shot-examples-with-images)
+- [Chain-of-Thought Reasoning with Visuals](#chain-of-thought-reasoning-with-visuals)
+- [System Messages for Multi-Modal Tasks](#system-messages-for-multi-modal-tasks)
+- [Image Tokenization og Kostnadsoptimalisering](#image-tokenization-og-kostnadsoptimalisering)
+- [Norsk offentleg sektor](#norsk-offentleg-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Multimodal prompt engineering er kunsten å skrive effektive instruksjonar som kombinerer tekst og bilete for å utnytte kapabilitetane til vision-enabled modellar som GPT-4o, GPT-4o mini og GPT-4 Turbo with Vision. Desse modellane aksepterer både tekst og bilete som input, og kan utføre oppgåver som bildeanalyse, visuelt resonnement, dokumentforståing og diagramtolking.
diff --git a/skills/ms-ai-engineering/references/multi-modal/multimodal-rag-architecture.md b/skills/ms-ai-engineering/references/multi-modal/multimodal-rag-architecture.md
index b568cd5..4b8724b 100644
--- a/skills/ms-ai-engineering/references/multi-modal/multimodal-rag-architecture.md
+++ b/skills/ms-ai-engineering/references/multi-modal/multimodal-rag-architecture.md
@@ -3,9 +3,20 @@
 **Last updated:** 2026-02
 **Status:** GA / Preview (multimodal search)
 **Category:** Multi-Modal AI
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Multi-Modal Embedding-modellar](#multi-modal-embedding-modellar)
+- [Chunking-strategiar for bilete og video](#chunking-strategiar-for-bilete-og-video)
+- [Vector Store Design for Mixed Media](#vector-store-design-for-mixed-media)
+- [Retrieval og Ranking Patterns](#retrieval-og-ranking-patterns)
+- [End-to-End Pipeline med Azure AI Search](#end-to-end-pipeline-med-azure-ai-search)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Multi-Modal RAG (Retrieval-Augmented Generation) utvidar tradisjonell tekstbasert RAG til å inkludere bilete, diagram, tabellar og video som datakjelder. I staden for å berre søke i tekstdokument, kan ein multi-modal RAG-pipeline hente relevante bilete, analysere diagram og bruke visuell informasjon saman med tekst for å generere presise og grunnlagda svar.
diff --git a/skills/ms-ai-engineering/references/multi-modal/ocr-pipeline-architecture.md b/skills/ms-ai-engineering/references/multi-modal/ocr-pipeline-architecture.md
index 304dd7e..ec84690 100644
--- a/skills/ms-ai-engineering/references/multi-modal/ocr-pipeline-architecture.md
+++ b/skills/ms-ai-engineering/references/multi-modal/ocr-pipeline-architecture.md
@@ -3,9 +3,22 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Multi-Modal AI
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponentar](#kjernekomponentar)
+- [Image Preprocessing og Quality Assessment](#image-preprocessing-og-quality-assessment)
+- [OCR Engine Selection og Configuration](#ocr-engine-selection-og-configuration)
+- [Text Normalization og Correction](#text-normalization-og-correction)
+- [Integration with Document Understanding](#integration-with-document-understanding)
+- [Norsk offentleg sektor](#norsk-offentleg-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Optical Character Recognition (OCR) er ein grunnleggjande kapabilitet for digitalisering av offentleg forvaltning. Microsoft tilbyr to hovudtenester for OCR: **Azure AI Document Intelligence** (tidlegare Form Recognizer) som er optimalisert for dokument med høg oppløysing, og **Azure AI Vision Image Analysis** (Read API) som er optimalisert for generelle bilete som skiltar, plakatar og scena-tekst.
diff --git a/skills/ms-ai-engineering/references/multi-modal/real-time-audio-api.md b/skills/ms-ai-engineering/references/multi-modal/real-time-audio-api.md
index 18b1004..ccda1b2 100644
--- a/skills/ms-ai-engineering/references/multi-modal/real-time-audio-api.md
+++ b/skills/ms-ai-engineering/references/multi-modal/real-time-audio-api.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Multi-Modal AI
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponentar](#kjernekomponentar)
+- [Støtta modellar](#støtta-modellar)
+- [Session Management og State Tracking](#session-management-og-state-tracking)
+- [Audio Codec-val og bandbreiddeoptimalisering](#audio-codec-val-og-bandbreiddeoptimalisering)
+- [Interruption og Turn-Taking](#interruption-og-turn-taking)
+- [Deployment og Scaling Patterns](#deployment-og-scaling-patterns)
+- [Norsk offentleg sektor](#norsk-offentleg-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Azure OpenAI GPT Realtime API er ein del av GPT-4o-modellfamilien som støttar låg-latency "speech in, speech out" samtaleinteraksjonar. API-et er designa for sanntids bruksscenario som kundeserviceagentar, taleassistentar og sanntidstolkar, der rask respons er kritisk for brukaropplevinga.
diff --git a/skills/ms-ai-engineering/references/multi-modal/speech-to-ai-pipelines.md b/skills/ms-ai-engineering/references/multi-modal/speech-to-ai-pipelines.md
index 33139ec..5d6183a 100644
--- a/skills/ms-ai-engineering/references/multi-modal/speech-to-ai-pipelines.md
+++ b/skills/ms-ai-engineering/references/multi-modal/speech-to-ai-pipelines.md
@@ -3,9 +3,20 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Multi-Modal AI
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Speech Recognition og Language Detection](#speech-recognition-og-language-detection)
+- [Audio Preprocessing og Quality Assessment](#audio-preprocessing-og-quality-assessment)
+- [Low-Latency Streaming Architectures](#low-latency-streaming-architectures)
+- [Error Handling og Confidence Scoring](#error-handling-og-confidence-scoring)
+- [Pipeline-arkitekturar for norsk offentleg sektor](#pipeline-arkitekturar-for-norsk-offentleg-sektor)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Speech-to-AI-integrasjon handlar om å kople talegjenkjenning med downstream AI-tenester for å skape ende-til-ende-pipelines som konverterer tale til handlingsorienterte innsikter. Azure Speech Service dannar grunnlaget, med støtte for sanntids talegjenkjenning, batchtranskribering, språkdeteksjon, talardiarisering og tilpassa talemodular.
diff --git a/skills/ms-ai-engineering/references/multi-modal/text-to-speech-citizen.md b/skills/ms-ai-engineering/references/multi-modal/text-to-speech-citizen.md
index b3e07fb..51cce6b 100644
--- a/skills/ms-ai-engineering/references/multi-modal/text-to-speech-citizen.md
+++ b/skills/ms-ai-engineering/references/multi-modal/text-to-speech-citizen.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Multi-Modal AI
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponentar](#kjernekomponentar)
+- [Neural Voice Selection og Customization](#neural-voice-selection-og-customization)
+- [SSML Markup for Prosody Control](#ssml-markup-for-prosody-control)
+- [Multi-lingual Citizen Support](#multi-lingual-citizen-support)
+- [Performance og Cost Optimization](#performance-og-cost-optimization)
+- [Implementeringsmønstre](#implementeringsmønstre)
+- [Norsk offentleg sektor](#norsk-offentleg-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Azure Speech Services Text-to-Speech (TTS) gir offentleg sektor moglegheit til å tilby tilgjengelege, talbaserte digitale tenester for alle innbyggjarar. Med over 400 neurale stemmer på meir enn 140 språk og lokalarar — inkludert norsk bokmål (`nb-NO`) med stemmene PernilleNeural, FinnNeural og IselinNeural — kan etatar levere informasjon auditivt til brukarar med synshemming, lesevanskar eller låg digital kompetanse.
diff --git a/skills/ms-ai-engineering/references/multi-modal/video-analysis-patterns.md b/skills/ms-ai-engineering/references/multi-modal/video-analysis-patterns.md
index 473886c..f39c769 100644
--- a/skills/ms-ai-engineering/references/multi-modal/video-analysis-patterns.md
+++ b/skills/ms-ai-engineering/references/multi-modal/video-analysis-patterns.md
@@ -3,9 +3,22 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Multi-Modal AI
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponentar](#kjernekomponentar)
+- [Scene- og Action Detection](#scene--og-action-detection)
+- [Temporal Understanding og Summarization](#temporal-understanding-og-summarization)
+- [Multi-Frame Analysis Strategies](#multi-frame-analysis-strategies)
+- [Integrasjon med Narrative Understanding](#integrasjon-med-narrative-understanding)
+- [Norsk offentleg sektor](#norsk-offentleg-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Videoanalyse og -forståing på Azure-plattforma kombinerer Azure AI Video Indexer sin spesialiserte videoanalyse med generative AI-modellar som GPT-4o for djupare semantisk forståing. Video Indexer ekstraherer over 30 ulike typar innsikt frå video — inkludert scenedeteksjon, talegjenkjenning, emosjonanalyse, OCR, ansiktsgjenkjenning og objektdeteksjon — medan GPT-4o sine visuelle kapabilitetar opnar for fri-form analyse av enkeltbilete og keyframes.
diff --git a/skills/ms-ai-engineering/references/multi-modal/whisper-speech-recognition.md b/skills/ms-ai-engineering/references/multi-modal/whisper-speech-recognition.md
index 1da832f..6df3d4f 100644
--- a/skills/ms-ai-engineering/references/multi-modal/whisper-speech-recognition.md
+++ b/skills/ms-ai-engineering/references/multi-modal/whisper-speech-recognition.md
@@ -3,9 +3,24 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Multi-Modal AI
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponentar](#kjernekomponentar)
+- [Whisper Model Selection](#whisper-model-selection)
+- [Fleirspråkleg og norsk støtte](#fleirspråkleg-og-norsk-støtte)
+- [Speaker Diarization og Identification](#speaker-diarization-og-identification)
+- [Custom Vocabularies og Fine-Tuning](#custom-vocabularies-og-fine-tuning)
+- [Batch Transcription for store filer](#batch-transcription-for-store-filer)
+- [Implementeringsmønstre](#implementeringsmønstre)
+- [Norsk offentleg sektor](#norsk-offentleg-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 OpenAI Whisper er ein generell talegjenkjenningsmodell (Automatic Speech Recognition, ASR) som utmerkar seg på fleirspråkleg talegjenkjenning, taleoversetting og språkidentifisering. Modellen er trena på eit massivt datasett med variert audio, noko som gir robust handtering av ulike språk, aksentar og talevariantar. Whisper er tilgjengeleg både gjennom Azure OpenAI Service og som ein del av Azure AI Speech Service.
diff --git a/skills/ms-ai-engineering/references/rag-architecture/agentic-rag-patterns.md b/skills/ms-ai-engineering/references/rag-architecture/agentic-rag-patterns.md
index e767659..bbed12f 100644
--- a/skills/ms-ai-engineering/references/rag-architecture/agentic-rag-patterns.md
+++ b/skills/ms-ai-engineering/references/rag-architecture/agentic-rag-patterns.md
@@ -1,11 +1,25 @@
 # Agentic RAG Patterns — Agent-styrt retrieval
 
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/search/agentic-retrieval-overview
 **Status:** GA (Semantic Kernel); Azure AI Search agentic retrieval **delvis GA via REST `2026-04-01`** (verifisert 2026-06-19) — GA-overflaten returnerer ekstraktiv grounding-data (`activity` + `references`), ikke syntetiserte svar, med GA-kildetypene `searchIndex`/`azureBlob`/`indexedOneLake`/`web`. **Answer synthesis, ikke-minimal reasoning effort (LLM query planning på low/medium) og multi-turn messages forblir preview (`2026-05-01-preview`).** Azure- og Foundry-portalen gir kun preview-tilgang til agentic retrieval
 **Category:** RAG Architecture & Semantic Search
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Agentic RAG representerer et paradigmeskifte fra statisk til autonom retrieval. I tradisjonell RAG er retrieval-flyten hardkodet: embed query → søk → generer svar. I agentic RAG bestemmer LLM-en selv *om*, *når* og *hvilke* kilder den henter fra, basert på dynamisk vurdering av informasjonsbehov.
diff --git a/skills/ms-ai-engineering/references/rag-architecture/azure-ai-search-setup.md b/skills/ms-ai-engineering/references/rag-architecture/azure-ai-search-setup.md
index 8318cb0..796cd9f 100644
--- a/skills/ms-ai-engineering/references/rag-architecture/azure-ai-search-setup.md
+++ b/skills/ms-ai-engineering/references/rag-architecture/azure-ai-search-setup.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
 **Status:** GA
 **Category:** RAG Architecture & Semantic Search
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/search/hybrid-search-overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Azure AI Search (tidligere Azure Cognitive Search) er Microsofts managed search-plattform for å bygge enterprise-ready søkeløsninger med AI-beriket innhold. For RAG-arkitektur er den det dominerende valget i Microsoft-stakken — den støtter hybrid search (full-text + vector), semantic ranker, og integrerer direkte med Azure OpenAI, AI Foundry, og Copilot Studio.
diff --git a/skills/ms-ai-engineering/references/rag-architecture/chunking-strategies.md b/skills/ms-ai-engineering/references/rag-architecture/chunking-strategies.md
index 0589bba..5c2f316 100644
--- a/skills/ms-ai-engineering/references/rag-architecture/chunking-strategies.md
+++ b/skills/ms-ai-engineering/references/rag-architecture/chunking-strategies.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19
 **Status:** GA (core features), Preview (token chunking)
 **Category:** RAG Architecture & Semantic Search
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/ai-services/document-intelligence/concept/retrieval-augmented-generation
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Chunking er prosessen med å dele opp dokumenter i mindre segmenter som kan indekseres og hentes uavhengig i en RAG-pipeline. Kvaliteten på chunking har direkte innvirkning på retrieval-kvalitet, svar-nøyaktighet og kostnader — og er ofte den viktigste faktoren for om en RAG-løsning oppleves som nyttig eller frustrerende.
diff --git a/skills/ms-ai-engineering/references/rag-architecture/citation-tracking.md b/skills/ms-ai-engineering/references/rag-architecture/citation-tracking.md
index 7855cbb..abfedd8 100644
--- a/skills/ms-ai-engineering/references/rag-architecture/citation-tracking.md
+++ b/skills/ms-ai-engineering/references/rag-architecture/citation-tracking.md
@@ -3,9 +3,24 @@
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
 **Status:** GA (classic RAG); agentic retrieval delvis GA via REST `2026-04-01` — grounding-overflaten (`references` + `activity`-log) er GA, mens LLM query planning (ikke-minimal reasoning effort) + answer synthesis + multi-turn messages forblir preview (`2026-05-01-preview`); portal/Foundry preview
 **Category:** RAG Architecture & Semantic Search
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/search/retrieval-augmented-generation-overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Konfidensscoring](#konfidensscoring)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Citation tracking er en kritisk komponent i enterprise RAG-systemer. Det handler om å spore og eksponere kildene som ligger til grunn for AI-genererte svar, slik at brukere kan verifisere informasjonen. I Azure-økosystemet støttes citation tracking gjennom to hovedmønstre: **Classic RAG** (GA) med Azure AI Search og Azure OpenAI, og **Agentic Retrieval** (grounding-overflaten med `references` + `activity` er GA via REST `2026-04-01`; LLM query planning/answer synthesis/multi-turn = preview; portal/Foundry preview) med strukturerte grounding data.
diff --git a/skills/ms-ai-engineering/references/rag-architecture/contextual-retrieval.md b/skills/ms-ai-engineering/references/rag-architecture/contextual-retrieval.md
index 513954a..80f42b6 100644
--- a/skills/ms-ai-engineering/references/rag-architecture/contextual-retrieval.md
+++ b/skills/ms-ai-engineering/references/rag-architecture/contextual-retrieval.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-04 | Verified: MCP 2026-04
 **Status:** GA (custom skill pattern), Preview (agentic retrieval)
 **Category:** RAG Architecture & Semantic Search
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/search/cognitive-search-custom-skill-interface
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Contextual Retrieval er en teknikk der hvert dokumentsegment (chunk) berikes med en LLM-generert kontekstbeskrivelse *før* embedding og indeksering. I tradisjonell RAG mister chunks kontekst når de løsrives fra kildedokumentet — pronomener, forkortelser og referanser blir tvetydige. Contextual Retrieval løser dette ved å prepende en 2-3-setningers forklaring som beskriver segmentets plass i dokumentet.
diff --git a/skills/ms-ai-engineering/references/rag-architecture/embedding-models-selection.md b/skills/ms-ai-engineering/references/rag-architecture/embedding-models-selection.md
index d72dcc8..ccd0e55 100644
--- a/skills/ms-ai-engineering/references/rag-architecture/embedding-models-selection.md
+++ b/skills/ms-ai-engineering/references/rag-architecture/embedding-models-selection.md
@@ -3,9 +3,24 @@
 **Last updated:** 2026-06-19  
 **Status:** GA (Azure OpenAI, Azure AI Search), Preview (Multilingual E5, Custom embeddings)  
 **Category:** RAG Architecture & Semantic Search
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/search/vector-search-overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter og nøkkelegenskaper](#kjernekomponenter-og-nøkkelegenskaper)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Fine-tuning av embedding-modeller](#fine-tuning-av-embedding-modeller)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Embedding-modeller er selve grunnmuren i moderne RAG-systemer og semantisk søk. De oversetter tekst — enten spørsmål, dokumenter eller metadata — til numeriske vektorer som gjør det mulig å finne semantisk liknende innhold basert på mening, ikke bare nøkkelord. Valget av embedding-modell påvirker direkte retrieval-kvalitet, latency, kostnad og hvor godt systemet håndterer domene-spesifikk terminologi eller flerspråklige dokumenter.
diff --git a/skills/ms-ai-engineering/references/rag-architecture/graphrag-knowledge-graphs.md b/skills/ms-ai-engineering/references/rag-architecture/graphrag-knowledge-graphs.md
index b3702c3..a89764e 100644
--- a/skills/ms-ai-engineering/references/rag-architecture/graphrag-knowledge-graphs.md
+++ b/skills/ms-ai-engineering/references/rag-architecture/graphrag-knowledge-graphs.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
 **Status:** Preview
 **Category:** RAG Architecture & Semantic Search
+**Type:** reference
+**Source:** https://learn.microsoft.com/kusto/query/graph-semantics-overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 GraphRAG representerer en fundamental utvidelse av tradisjonell Retrieval-Augmented Generation (RAG) ved å innføre knowledge graphs som strukturert grunnlag for kontekstrikere søk og resonnering. Der klassisk RAG baserer seg på vector similarity for å finne relevante dokumentchunks, utnytter GraphRAG eksplisitte entitets- og relasjonsforbindelser for å svare på spørsmål som krever forståelse av hierarkier, avhengigheter og komplekse sammenhenger.
diff --git a/skills/ms-ai-engineering/references/rag-architecture/hierarchical-rag-patterns.md b/skills/ms-ai-engineering/references/rag-architecture/hierarchical-rag-patterns.md
index 7877720..fe2f643 100644
--- a/skills/ms-ai-engineering/references/rag-architecture/hierarchical-rag-patterns.md
+++ b/skills/ms-ai-engineering/references/rag-architecture/hierarchical-rag-patterns.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
 **Status:** GA (index projections), Preview (agentic retrieval)
 **Category:** RAG Architecture & Semantic Search
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/search/retrieval-augmented-generation-overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Hierarchical RAG organiserer kunnskap i multi-nivå strukturer i stedet for flat chunk-indeksering. Ved å etablere relasjoner mellom parent-dokumenter, seksjoner og chunks muliggjøres en «zoom inn/ut»-mekanisme der søk starter bredt (dokumentnivå) og driller ned til relevante segmenter.
diff --git a/skills/ms-ai-engineering/references/rag-architecture/hybrid-search-configuration.md b/skills/ms-ai-engineering/references/rag-architecture/hybrid-search-configuration.md
index eb31fd4..d9d087c 100644
--- a/skills/ms-ai-engineering/references/rag-architecture/hybrid-search-configuration.md
+++ b/skills/ms-ai-engineering/references/rag-architecture/hybrid-search-configuration.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
 **Status:** GA
 **Category:** RAG Architecture & Semantic Search
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/search/hybrid-search-overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Hybrid search i Azure AI Search kombinerer full-text (BM25) søk med vektorsøk i en enkelt spørring. De to søkemetodene kjøres parallelt, og resultatene fusjoneres via **Reciprocal Rank Fusion (RRF)**-algoritmen. Dette gir bedre relevans enn enten keyword- eller vektorsøk alene, fordi BM25 fanger eksakte termer mens vektorsøk fanger semantisk mening.
diff --git a/skills/ms-ai-engineering/references/rag-architecture/late-chunking-patterns.md b/skills/ms-ai-engineering/references/rag-architecture/late-chunking-patterns.md
index f99e06d..4506874 100644
--- a/skills/ms-ai-engineering/references/rag-architecture/late-chunking-patterns.md
+++ b/skills/ms-ai-engineering/references/rag-architecture/late-chunking-patterns.md
@@ -4,9 +4,22 @@
 **Status:** GA (Jina Embeddings), Preview (Azure Marketplace)
 **Category:** RAG Architecture & Semantic Search
 **Source:** https://learn.microsoft.com/azure/foundry/openai/tutorials/embeddings
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Late chunking er en teknikk der et helt dokument embeddes gjennom en transformer-modell *før* det deles opp i chunks. I tradisjonell (naiv) chunking embeddes hver chunk isolert, og mister dermed kontekst fra resten av dokumentet — pronomener som «den», «de» og «selskapet» blir semantisk tvetydige.
diff --git a/skills/ms-ai-engineering/references/rag-architecture/metadata-management-filtering.md b/skills/ms-ai-engineering/references/rag-architecture/metadata-management-filtering.md
index 48e6149..1e9ebc9 100644
--- a/skills/ms-ai-engineering/references/rag-architecture/metadata-management-filtering.md
+++ b/skills/ms-ai-engineering/references/rag-architecture/metadata-management-filtering.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-04 | Verified: MCP 2026-04
 **Status:** GA
 **Category:** RAG Architecture & Semantic Search
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/search/search-what-is-an-index
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Metadata management og filtrering er fundamentale byggeklosser for å skape presise og kontekstbevisste RAG-løsninger. I Azure AI Search utgjør OData-filtre og faceted navigation et kraftig rammeverk for å organisere, kategorisere og filtrere søkeresultater basert på metadata-egenskaper som kategori, dato, klassifikasjon, eller geografisk plassering.
diff --git a/skills/ms-ai-engineering/references/rag-architecture/multi-index-federation.md b/skills/ms-ai-engineering/references/rag-architecture/multi-index-federation.md
index 844078b..a4e8a26 100644
--- a/skills/ms-ai-engineering/references/rag-architecture/multi-index-federation.md
+++ b/skills/ms-ai-engineering/references/rag-architecture/multi-index-federation.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
 **Status:** GA (single-index), Not supported (native cross-index)
 **Category:** RAG Architecture & Semantic Search
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/search/search-multi-region
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Et av de vanligste spørsmålene fra enterprise-arkitekter er: "Kan vi søke på tvers av flere Azure AI Search-indekser i en enkelt spørring?" Svaret er **nei** — Azure AI Search støtter ikke native multi-index federation. Hvert søk er alltid avgrenset til én enkelt indeks.
diff --git a/skills/ms-ai-engineering/references/rag-architecture/multimodal-rag.md b/skills/ms-ai-engineering/references/rag-architecture/multimodal-rag.md
index 4c8f5a6..5cf3dcf 100644
--- a/skills/ms-ai-engineering/references/rag-architecture/multimodal-rag.md
+++ b/skills/ms-ai-engineering/references/rag-architecture/multimodal-rag.md
@@ -3,9 +3,24 @@
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
 **Status:** GA (Document Intelligence, Content Understanding), Preview (multimodal embeddings)
 **Category:** RAG Architecture & Semantic Search
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/search/multimodal-search-overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Azure Content Understanding for RAG](#azure-content-understanding-for-rag)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Multimodal RAG utvider tradisjonell tekstbasert retrieval til å inkludere bilder, tabeller, diagrammer og andre visuelle elementer i RAG-pipelinen. For enterprise-organisasjoner betyr dette at PDF-rapporter med grafer, tekniske tegninger, og presentasjoner med figurer kan indekseres og hentes med full visuell kontekst.
diff --git a/skills/ms-ai-engineering/references/rag-architecture/rag-caching-optimization.md b/skills/ms-ai-engineering/references/rag-architecture/rag-caching-optimization.md
index b1d839f..ab2d2db 100644
--- a/skills/ms-ai-engineering/references/rag-architecture/rag-caching-optimization.md
+++ b/skills/ms-ai-engineering/references/rag-architecture/rag-caching-optimization.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
 **Status:** GA
 **Category:** RAG Architecture & Semantic Search
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/search/retrieval-augmented-generation-overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Caching er en kritisk optimaliseringsstrategi for RAG-applikasjoner (Retrieval-Augmented Generation) som kan dramatisk redusere både latency og kostnader. I typiske RAG-scenarier er kall til LLM-modeller ofte den mest kostbare og tidkrevende operasjonen, spesielt når store mengder kontekstdata og chat history sendes med hver request. En godt designet caching-strategi kan redusere antall LLM-invocations med opptil 90% for high-traffic scenarier med repeterende eller semantisk like queries.
diff --git a/skills/ms-ai-engineering/references/rag-architecture/rag-context-windows.md b/skills/ms-ai-engineering/references/rag-architecture/rag-context-windows.md
index 95d5ca4..190d35d 100644
--- a/skills/ms-ai-engineering/references/rag-architecture/rag-context-windows.md
+++ b/skills/ms-ai-engineering/references/rag-architecture/rag-context-windows.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
 **Status:** GA
 **Category:** RAG Architecture & Semantic Search
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry-classic/openai/concepts/use-your-data
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Context window-størrelse er en av de mest kritiske faktorene som bestemmer kvaliteten og kostnaden for en RAG-løsning. En language model har en begrenset kapasitet for tokens den kan prosessere i en enkelt request — dette omtales som modellens context window. For RAG-implementasjoner må man balansere mellom å gi modellen nok kontekst til å generere gode svar, uten å overbelaste context window eller sløse med tokens (som koster penger).
diff --git a/skills/ms-ai-engineering/references/rag-architecture/rag-core-patterns.md b/skills/ms-ai-engineering/references/rag-architecture/rag-core-patterns.md
index 835775b..ac6e898 100644
--- a/skills/ms-ai-engineering/references/rag-architecture/rag-core-patterns.md
+++ b/skills/ms-ai-engineering/references/rag-architecture/rag-core-patterns.md
@@ -3,9 +3,24 @@
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
 **Status:** GA
 **Category:** RAG Architecture & Semantic Search
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/search/retrieval-augmented-generation-overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter i RAG-arkitektur](#kjernekomponenter-i-rag-arkitektur)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [In-Context Learning vs RAG](#in-context-learning-vs-rag)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Retrieval-Augmented Generation (RAG) er en arkitektonisk tilnærming som kombinerer informasjonshenting med generativ AI for å produsere faktagrunnede, domene-spesifikke svar. I stedet for å stole utelukkende på en language models forhåndstrente kunnskap, henter RAG-systemer relevant kontekst fra eksterne kunnskapsbaser i sanntid og bruker denne som grunnlag for generering. Dette reduserer hallusinasjoner, tillater kontinuerlig oppdatering av kunnskap uten retrening, og muliggjør svar basert på proprietær eller fersk data.
diff --git a/skills/ms-ai-engineering/references/rag-architecture/rag-cost-optimization.md b/skills/ms-ai-engineering/references/rag-architecture/rag-cost-optimization.md
index b50ff33..0e9345a 100644
--- a/skills/ms-ai-engineering/references/rag-architecture/rag-cost-optimization.md
+++ b/skills/ms-ai-engineering/references/rag-architecture/rag-cost-optimization.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19
 **Status:** GA
 **Category:** RAG Architecture & Semantic Search
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/concepts/manage-costs
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Kostnadsoptimalisering av RAG-løsninger (Retrieval-Augmented Generation) handler om å balansere tre faktorer: kvalitet, ytelse og kostnad. En RAG-arkitektur har flere kostnadsdrivere – fra embedding-generering og vektorindeksering til API-kall mot language models og lagring i Azure AI Search. Denne guiden dekker strategier for å redusere kostnader uten å ofre kvalitet, med fokus på Microsoft AI-stakken.
diff --git a/skills/ms-ai-engineering/references/rag-architecture/rag-document-preprocessing.md b/skills/ms-ai-engineering/references/rag-architecture/rag-document-preprocessing.md
index 8f79c5c..1865381 100644
--- a/skills/ms-ai-engineering/references/rag-architecture/rag-document-preprocessing.md
+++ b/skills/ms-ai-engineering/references/rag-architecture/rag-document-preprocessing.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
 **Status:** GA
 **Category:** RAG Architecture & Semantic Search
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/search/search-indexer-overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Dokumentbehandling før indeksering er en kritisk fase i RAG-systemer (Retrieval-Augmented Generation) som transformerer ustrukturerte dokumenter til søkbare, semantisk rike datapunkter. Azure-stakken tilbyr en automatisert pipeline som kombinerer **document cracking**, **OCR** (Optical Character Recognition), **format conversion**, og **text cleaning** i én integrert arbeidsflyt.
diff --git a/skills/ms-ai-engineering/references/rag-architecture/rag-enterprise-scale.md b/skills/ms-ai-engineering/references/rag-architecture/rag-enterprise-scale.md
index a59e5e2..3646c60 100644
--- a/skills/ms-ai-engineering/references/rag-architecture/rag-enterprise-scale.md
+++ b/skills/ms-ai-engineering/references/rag-architecture/rag-enterprise-scale.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19
 **Status:** GA
 **Category:** RAG Architecture & Semantic Search
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/search/search-indexer-overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og Lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Når RAG-løsninger skaleres til enterprise-volumer, endres både tekniske og operasjonelle utfordringer fundamentalt. Det som fungerer for 10 000 dokumenter kan kollapse ved 10 millioner. Enterprise-skala handler om mer enn bare størrelse — det innebærer parallell prosessering, inkrementelle oppdateringer, batch-optimalisering, og serving-infrastruktur som håndterer høye søkevolumer med lav latency.
diff --git a/skills/ms-ai-engineering/references/rag-architecture/rag-evaluation-frameworks.md b/skills/ms-ai-engineering/references/rag-architecture/rag-evaluation-frameworks.md
index 42ac05f..f199254 100644
--- a/skills/ms-ai-engineering/references/rag-architecture/rag-evaluation-frameworks.md
+++ b/skills/ms-ai-engineering/references/rag-architecture/rag-evaluation-frameworks.md
@@ -3,9 +3,24 @@
 **Last updated:** 2026-06-24
 **Status:** GA (Azure AI Evaluation SDK), Preview (agentic evaluators, Groundedness Pro)
 **Category:** RAG Architecture & Semantic Search
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/concepts/observability
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Verktøy og SDKer](#verktøy-og-sdker)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Evaluering av RAG-systemer er en av de mest undervurderte fasene i enterprise AI-utvikling. Uten systematisk evaluering er det umulig å vite om endringer i chunking, embedding, retrieval eller prompting faktisk forbedrer kvaliteten. Microsoft Foundry tilbyr et komplett evaluerings-rammeverk med 30+ innebygde evaluatorer, LLM-as-judge, human evaluation, og integrasjon med MLflow for produksjonsovervåking.
diff --git a/skills/ms-ai-engineering/references/rag-architecture/rag-hallucination-mitigation.md b/skills/ms-ai-engineering/references/rag-architecture/rag-hallucination-mitigation.md
index 22ca5dd..3fa164c 100644
--- a/skills/ms-ai-engineering/references/rag-architecture/rag-hallucination-mitigation.md
+++ b/skills/ms-ai-engineering/references/rag-architecture/rag-hallucination-mitigation.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24 | Verified: MCP 2026-06
 **Status:** GA (groundedness-deteksjon, RAG-mønstre) · Preview (groundedness correction/mitigating-feature, api-version 2024-09-15-preview)
 **Category:** RAG Architecture & Semantic Search
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/openai/concepts/prompt-engineering
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig Sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og Lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og Verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Hallusinasjoner — når en LLM genererer informasjon som er faktuelt feil eller ikke støttet av kildedataene — er en av de største utfordringene ved bruk av generative AI-modeller i produksjon. I RAG-systemer er målet å redusere hallusinasjoner ved å forankre modellens svar i faktiske dokumenter (grounding), men dette krever strukturerte teknikker for å sikre at modellen faktisk benytter kildematerialet korrekt.
diff --git a/skills/ms-ai-engineering/references/rag-architecture/rag-iterative-refinement.md b/skills/ms-ai-engineering/references/rag-architecture/rag-iterative-refinement.md
index 23015d9..93e4930 100644
--- a/skills/ms-ai-engineering/references/rag-architecture/rag-iterative-refinement.md
+++ b/skills/ms-ai-engineering/references/rag-architecture/rag-iterative-refinement.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
 **Status:** GA
 **Category:** RAG Architecture & Semantic Search
+**Type:** reference
+**Source:** https://learn.microsoft.com/semantic-kernel/concepts/ai-services/chat-completion/chat-history
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig Sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og Lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Iterative RAG (Retrieval-Augmented Generation) med multi-turn refinement representerer en avansert tilnærming til samtalebaserte AI-systemer der kontekst og relevans forbedres progressivt over flere interaksjoner. I motsetning til single-shot RAG, hvor ett spørsmål fører til én retrieval og ett svar, tillater iterative RAG-systemer at brukeren kan forfine, utdype eller endre retning på spørsmål basert på tidligere svar — samtidig som systemet vedlikeholder kontekst og akkumulerer kunnskap gjennom samtalen.
diff --git a/skills/ms-ai-engineering/references/rag-architecture/rag-query-understanding.md b/skills/ms-ai-engineering/references/rag-architecture/rag-query-understanding.md
index 9b2fd21..49751d5 100644
--- a/skills/ms-ai-engineering/references/rag-architecture/rag-query-understanding.md
+++ b/skills/ms-ai-engineering/references/rag-architecture/rag-query-understanding.md
@@ -3,9 +3,24 @@
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
 **Status:** GA
 **Category:** RAG Architecture & Semantic Search
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/databricks/generative-ai/tutorials/ai-cookbook/quality-rag-chain
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Multi-Query RAG](#multi-query-rag)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Query understanding er den kritiske fasen i en RAG-løsning som transformerer brukerens spørsmål til optimaliserte søkespørringer før retrieval-steget. Mens direkte bruk av brukerens originale spørsmål kan fungere for enkle queries, gir query understanding betydelig forbedring av retrieval-kvalitet gjennom teknikker som query expansion, intent classification, query rewriting og sub-query decomposition.
diff --git a/skills/ms-ai-engineering/references/rag-architecture/rag-security-rbac.md b/skills/ms-ai-engineering/references/rag-architecture/rag-security-rbac.md
index 67c7b93..ce588ce 100644
--- a/skills/ms-ai-engineering/references/rag-architecture/rag-security-rbac.md
+++ b/skills/ms-ai-engineering/references/rag-architecture/rag-security-rbac.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
 **Status:** Preview (native ACL/RBAC), GA (security filters)
 **Category:** RAG Architecture & Semantic Search
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/search/retrieval-augmented-generation-overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Sikkerhet i RAG-systemer (Retrieval-Augmented Generation) er kritisk for å beskytte sensitiv informasjon og overholde compliance-krav. Denne kunnskapsreferansen dekker dokumentnivå-tilgangskontroll (document-level access control), som sikrer at brukere kun kan hente og få svar basert på dokumenter de er autorisert til å se.
diff --git a/skills/ms-ai-engineering/references/rag-architecture/self-reflective-rag.md b/skills/ms-ai-engineering/references/rag-architecture/self-reflective-rag.md
index e7c44f2..f00df11 100644
--- a/skills/ms-ai-engineering/references/rag-architecture/self-reflective-rag.md
+++ b/skills/ms-ai-engineering/references/rag-architecture/self-reflective-rag.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24
 **Status:** GA (Microsoft Foundry evaluators), Preview (agentic retrieval)
 **Category:** RAG Architecture & Semantic Search
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/concepts/evaluation-evaluators/rag-evaluators
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Self-Reflective RAG er en arkitektur der systemet evaluerer og raffinerer sine egne retrieval-beslutninger i en iterativ loop. I tradisjonell RAG aksepteres retrieved chunks ukritisk — selv når de er irrelevante eller utilstrekkelige. Self-reflective RAG innfører en evalueringsmekanisme som scorer retrieved dokumenter og trigger re-retrieval, query-reformulering eller fallback-strategier ved lav confidence.
diff --git a/skills/ms-ai-engineering/references/rag-architecture/semantic-ranker-reranking.md b/skills/ms-ai-engineering/references/rag-architecture/semantic-ranker-reranking.md
index 12c4494..eb5abe4 100644
--- a/skills/ms-ai-engineering/references/rag-architecture/semantic-ranker-reranking.md
+++ b/skills/ms-ai-engineering/references/rag-architecture/semantic-ranker-reranking.md
@@ -3,9 +3,24 @@
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
 **Status:** GA (core), Preview (query rewrite, prerelease models)
 **Category:** RAG Architecture & Semantic Search
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/search/hybrid-search-overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Reranking-tilnærminger](#reranking-tilnærminger)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Semantic Ranker er en premium-funksjon i Azure AI Search som bruker Microsofts språkforståelsesmodeller (opprinnelig fra Bing) til å forbedre søkerelevans gjennom **L2 (Level 2) reranking**. Den opererer oppå de initielle BM25- eller RRF-rangerte resultatene, og rerangerer de topp 50 basert på dyp semantisk forståelse av innholdet.
diff --git a/skills/ms-ai-engineering/references/rag-architecture/streaming-rag-responses.md b/skills/ms-ai-engineering/references/rag-architecture/streaming-rag-responses.md
index 7bc92a0..42ded40 100644
--- a/skills/ms-ai-engineering/references/rag-architecture/streaming-rag-responses.md
+++ b/skills/ms-ai-engineering/references/rag-architecture/streaming-rag-responses.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** RAG Architecture & Semantic Search
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/openai/reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Streaming av RAG-responser innebærer å returnere generert innhold token-for-token eller i små chunks mens modellen prosesserer, fremfor å vente på hele svaret. Dette gir dramatisk redusert opplevd latency og bedre brukeropplevelse ved at tekst vises progressivt på samme måte som ChatGPT og andre moderne AI-grensesnitt.
diff --git a/skills/ms-ai-engineering/references/rag-architecture/vector-indexing-techniques.md b/skills/ms-ai-engineering/references/rag-architecture/vector-indexing-techniques.md
index 2b9455a..59d4298 100644
--- a/skills/ms-ai-engineering/references/rag-architecture/vector-indexing-techniques.md
+++ b/skills/ms-ai-engineering/references/rag-architecture/vector-indexing-techniques.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
 **Status:** GA (Hybrid search), Preview (Scalar quantization)
 **Category:** RAG Architecture & Semantic Search
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/search/hybrid-search-overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Vektorindeksering er selve motoren bak moderne semantisk søk i RAG-systemer. Mens embedding-modeller konverterer tekst til numeriske representasjoner, er det indekseringsalgoritmene som gjør det praktisk mulig å søke gjennom millioner av vektorer på millisekunder. For enterprise AI-løsninger handler vektorindeksering ikke bare om å velge riktig algoritme, men om å balansere presisjon, latency, kostnad og skalerbarhet.
diff --git a/skills/ms-ai-governance/references/monitoring-observability/alerting-strategies-escalation.md b/skills/ms-ai-governance/references/monitoring-observability/alerting-strategies-escalation.md
index 283db11..432a472 100644
--- a/skills/ms-ai-governance/references/monitoring-observability/alerting-strategies-escalation.md
+++ b/skills/ms-ai-governance/references/monitoring-observability/alerting-strategies-escalation.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19
 **Status:** GA
 **Category:** Monitoring & Observability
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/azure-monitor/alerts/best-practices-alerts
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Effektive alerting-strategier og eskaleringsrutiner er kritiske for å sikre rask respons på AI-relaterte hendelser. I motsetning til tradisjonelle applikasjoner introduserer AI-systemer unike utfordringer: modeller kan degradere over tid (drift), prompt injection-angrep kan oppstå plutselig, og token-kostnader kan eksplodere uten varsel. En robust alerting-arkitektur må derfor kombinere reaktive varsler (noe gikk galt) med proaktive varsler (noe er i ferd med å gå galt).
diff --git a/skills/ms-ai-governance/references/monitoring-observability/anomaly-detection-ai-systems.md b/skills/ms-ai-governance/references/monitoring-observability/anomaly-detection-ai-systems.md
index 636f80f..fbc1a51 100644
--- a/skills/ms-ai-governance/references/monitoring-observability/anomaly-detection-ai-systems.md
+++ b/skills/ms-ai-governance/references/monitoring-observability/anomaly-detection-ai-systems.md
@@ -3,6 +3,20 @@
 **Dato:** 5. februar 2026
 **Kategori:** Monitoring & Observability
 **Målgruppe:** AI-arkitekter, DevOps-team, MLOps-ingeniører
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/ai-services/anomaly-detector/overview
+
+## Innhold
+
+- [Oversikt](#oversikt)
+- [Smart Detection Capabilities](#smart-detection-capabilities)
+- [Custom Anomaly Rules for AI](#custom-anomaly-rules-for-ai)
+- [Behavioral Baseline Detection](#behavioral-baseline-detection)
+- [Drift Detection Patterns](#drift-detection-patterns)
+- [Alert Correlation](#alert-correlation)
+- [Azure AI-Specific Detection](#azure-ai-specific-detection)
+- [Implementeringsmønster](#implementeringsmønster)
+- [For Cosmo](#for-cosmo)
 
 ## Oversikt
 
diff --git a/skills/ms-ai-governance/references/monitoring-observability/application-insights-llm-monitoring.md b/skills/ms-ai-governance/references/monitoring-observability/application-insights-llm-monitoring.md
index 3f060d7..43c6926 100644
--- a/skills/ms-ai-governance/references/monitoring-observability/application-insights-llm-monitoring.md
+++ b/skills/ms-ai-governance/references/monitoring-observability/application-insights-llm-monitoring.md
@@ -3,6 +3,22 @@
 **Kategori:** Monitoring & Observability
 **Dato:** 2026-02-05
 **Status:** Komplett
+**Type:** reference
+
+## Innhold
+
+- [Oversikt](#oversikt)
+- [Hvorfor Application Insights for LLM-applikasjoner?](#hvorfor-application-insights-for-llm-applikasjoner)
+- [LLM-spesifikk telemetri i Application Insights](#llm-spesifikk-telemetri-i-application-insights)
+- [Custom Events for AI-interaksjoner](#custom-events-for-ai-interaksjoner)
+- [Distributed Tracing for AI Pipelines](#distributed-tracing-for-ai-pipelines)
+- [Performance Baselines for LLMs](#performance-baselines-for-llms)
+- [Error Tracking og Alerting](#error-tracking-og-alerting)
+- [Framework-integrasjoner](#framework-integrasjoner)
+- [Lokal debugging med Aspire Dashboard](#lokal-debugging-med-aspire-dashboard)
+- [Best Practices](#best-practices)
+- [Visualisering i Azure Portal](#visualisering-i-azure-portal)
+- [For Cosmo Skyberg: Application Insights for LLM Monitoring](#for-cosmo-skyberg-application-insights-for-llm-monitoring)
 
 ## Oversikt
 
diff --git a/skills/ms-ai-governance/references/monitoring-observability/azure-monitor-setup-ai-workloads.md b/skills/ms-ai-governance/references/monitoring-observability/azure-monitor-setup-ai-workloads.md
index 1639182..25fb5b3 100644
--- a/skills/ms-ai-governance/references/monitoring-observability/azure-monitor-setup-ai-workloads.md
+++ b/skills/ms-ai-governance/references/monitoring-observability/azure-monitor-setup-ai-workloads.md
@@ -3,9 +3,26 @@
 **Kategori:** Monitoring & Observability
 **Sist oppdatert:** 2026-02-05
 **Gjelder for:** Azure OpenAI, Azure AI Services, Azure AI Search, Microsoft Foundry
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Oversikt](#oversikt)
+- [Diagnostic Settings — Arkitektur](#diagnostic-settings--arkitektur)
+- [Konfigurasjon — Azure Portal](#konfigurasjon--azure-portal)
+- [Konfigurasjon — PowerShell](#konfigurasjon--powershell)
+- [Konfigurasjon — Azure CLI](#konfigurasjon--azure-cli)
+- [Metrics Collection Strategies](#metrics-collection-strategies)
+- [Log Ingestion Patterns](#log-ingestion-patterns)
+- [Resource Tagging for AI Workloads](#resource-tagging-for-ai-workloads)
+- [Log Retention and Lifecycle](#log-retention-and-lifecycle)
+- [Kostnadsoptimalisering](#kostnadsoptimalisering)
+- [Troubleshooting](#troubleshooting)
+- [Best Practices](#best-practices)
+- [For Cosmo](#for-cosmo)
+
 ## Oversikt
 
 Azure Monitor gir omfattende overvåkning av AI-tjenester gjennom samling av metrics, logs og activity logs. Diagnostic settings er det sentrale mekanismen for å konfigurere datainnsamling og ruting til destinasjoner som Log Analytics, Storage Account eller Event Hubs.
diff --git a/skills/ms-ai-governance/references/monitoring-observability/compliance-monitoring-ai-governance.md b/skills/ms-ai-governance/references/monitoring-observability/compliance-monitoring-ai-governance.md
index 6e50348..94a5892 100644
--- a/skills/ms-ai-governance/references/monitoring-observability/compliance-monitoring-ai-governance.md
+++ b/skills/ms-ai-governance/references/monitoring-observability/compliance-monitoring-ai-governance.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19
 **Status:** GA
 **Category:** Monitoring & Observability
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/api-management/genai-gateway-capabilities
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Compliance monitoring og AI governance dashboards gir organisasjoner strukturert oversikt over hvordan AI-systemer overholder reguleringskrav, sikkerhetspolicyer og etiske retningslinjer. I en tid der AI Act, GDPR, Schrems II og nasjonale regelverk setter strenge krav til hvordan AI skal utvikles og driftes, er kontinuerlig compliance-overvåking ikke lenger valgfritt — det er en forutsetning for produksjonssetting.
diff --git a/skills/ms-ai-governance/references/monitoring-observability/cost-monitoring-cost-attribution.md b/skills/ms-ai-governance/references/monitoring-observability/cost-monitoring-cost-attribution.md
index 8bf5178..a17f4b3 100644
--- a/skills/ms-ai-governance/references/monitoring-observability/cost-monitoring-cost-attribution.md
+++ b/skills/ms-ai-governance/references/monitoring-observability/cost-monitoring-cost-attribution.md
@@ -3,9 +3,24 @@
 **Last updated:** 2026-06
 **Status:** GA
 **Category:** Monitoring & Observability
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/concepts/manage-costs
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Foundry-portal-native kostnadssporing](#foundry-portal-native-kostnadssporing)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Kostnadskontroll er kritisk for AI-prosjekter der utgifter kan eskalere raskt gjennom tokenforbruk, modelldrifting og compute-ressurser. Effektiv kostnadsmonitorering kombinerer sanntidssporing av forbruk, granulær kostnadsfordeling per forretningsenhet eller applikasjon, og automatiserte varsler som forebygger budsjettoverskridelser før de påvirker prosjektøkonomien.
diff --git a/skills/ms-ai-governance/references/monitoring-observability/custom-dashboards-ai-operations.md b/skills/ms-ai-governance/references/monitoring-observability/custom-dashboards-ai-operations.md
index 09d5d1b..4ae2d32 100644
--- a/skills/ms-ai-governance/references/monitoring-observability/custom-dashboards-ai-operations.md
+++ b/skills/ms-ai-governance/references/monitoring-observability/custom-dashboards-ai-operations.md
@@ -3,9 +3,24 @@
 **Kategori:** Monitoring & Observability
 **Sist oppdatert:** 2026-06-19 | Verified: MCP 2026-06-19
 **Brukes av:** Cosmo Skyberg, Microsoft AI Solution Architect
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/azure-monitor/visualize/workbooks-overview
 
 ---
 
+## Innhold
+
+- [Innledning](#innledning)
+- [Azure Workbooks for AI](#azure-workbooks-for-ai)
+- [Grafana for AI Operational Dashboards](#grafana-for-ai-operational-dashboards)
+- [Power BI for Executive AI Dashboards](#power-bi-for-executive-ai-dashboards)
+- [Real-Time Intelligence Dashboards (Fabric)](#real-time-intelligence-dashboards-fabric)
+- [Dashboard Sharing and Governance](#dashboard-sharing-and-governance)
+- [Cost and Usage Visualizations](#cost-and-usage-visualizations)
+- [Dashboard Anti-Patterns](#dashboard-anti-patterns)
+- [For Cosmo Skyberg](#for-cosmo-skyberg)
+- [Ressurser](#ressurser)
+
 ## Innledning
 
 Custom dashboards er essensielle for å visualisere og forstå AI-driften i sanntid. Mens standard metrics-visninger gir grunnleggende innsikt, tilbyr tilpassede dashboards mulighet til å kombinere data fra flere kilder, skreddersy visualiseringer for ulike interessenter, og bygge operasjonelle kommandosentral for AI-systemer.
diff --git a/skills/ms-ai-governance/references/monitoring-observability/data-residency-audit-monitoring.md b/skills/ms-ai-governance/references/monitoring-observability/data-residency-audit-monitoring.md
index 72f11e1..4c96f6b 100644
--- a/skills/ms-ai-governance/references/monitoring-observability/data-residency-audit-monitoring.md
+++ b/skills/ms-ai-governance/references/monitoring-observability/data-residency-audit-monitoring.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06
 **Status:** GA
 **Category:** Monitoring & Observability
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/communication-services/concepts/european-union-data-boundary
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Data residency og geographic audit monitoring sikrer at organisasjoner kan verifisere hvor dataene deres lagres og prosesseres, samt spore datahåndtering på tvers av geografiske grenser. Dette er kritisk for compliance med GDPR, AI Act, Schrems II, og andre regulatoriske krav som gjelder offentlig sektor i Norge.
diff --git a/skills/ms-ai-governance/references/monitoring-observability/distributed-tracing-ai-pipelines.md b/skills/ms-ai-governance/references/monitoring-observability/distributed-tracing-ai-pipelines.md
index f8f0e7b..243235a 100644
--- a/skills/ms-ai-governance/references/monitoring-observability/distributed-tracing-ai-pipelines.md
+++ b/skills/ms-ai-governance/references/monitoring-observability/distributed-tracing-ai-pipelines.md
@@ -3,6 +3,24 @@
 **Kategori:** Monitoring & Observability
 **Dato:** 2026-06-19
 **Status:** ✅ Komplett
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/azure-monitor/app/opentelemetry-overview
+
+## Innhold
+
+- [Innledning](#innledning)
+- [Nøkkelkonsepter](#nøkkelkonsepter)
+- [OpenTelemetry for AI Pipelines](#opentelemetry-for-ai-pipelines)
+- [Implementering i Microsoft-stakken](#implementering-i-microsoft-stakken)
+- [End-to-End Trace Correlation](#end-to-end-trace-correlation)
+- [Trace Visualization og Analysis](#trace-visualization-og-analysis)
+- [Performance Bottleneck Identification](#performance-bottleneck-identification)
+- [Best Practices](#best-practices)
+- [Azure Functions OpenTelemetry Pattern](#azure-functions-opentelemetry-pattern)
+- [Integrasjon med AI Foundry Tracing](#integrasjon-med-ai-foundry-tracing)
+- [Troubleshooting Common Issues](#troubleshooting-common-issues)
+- [For Cosmo](#for-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
 
 ## Innledning
 
diff --git a/skills/ms-ai-governance/references/monitoring-observability/endpoint-health-and-capacity-planning.md b/skills/ms-ai-governance/references/monitoring-observability/endpoint-health-and-capacity-planning.md
index b4957b4..86d64ae 100644
--- a/skills/ms-ai-governance/references/monitoring-observability/endpoint-health-and-capacity-planning.md
+++ b/skills/ms-ai-governance/references/monitoring-observability/endpoint-health-and-capacity-planning.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19
 **Status:** GA
 **Category:** Monitoring & Observability
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/openai/quotas-limits
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Endpoint-overvåkning og kapasitetsplanlegging er kritisk for å opprettholde høy tilgjengelighet og forutsigbar ytelse i produksjons-AI-systemer. Azure OpenAI og andre Microsoft AI-tjenester tilbyr omfattende overvåkningsverktøy gjennom Azure Monitor, som samler inn både plattformmetrikkdata (automatisk) og ressurslogger (konfigureres via diagnostic settings).
diff --git a/skills/ms-ai-governance/references/monitoring-observability/log-analytics-kql-ai-queries.md b/skills/ms-ai-governance/references/monitoring-observability/log-analytics-kql-ai-queries.md
index 80503b0..89e7d75 100644
--- a/skills/ms-ai-governance/references/monitoring-observability/log-analytics-kql-ai-queries.md
+++ b/skills/ms-ai-governance/references/monitoring-observability/log-analytics-kql-ai-queries.md
@@ -3,6 +3,22 @@
 **Kategori:** Monitoring & Observability
 **Dato:** 2026-05
 **Forfatter:** Cosmo Skyberg, AI Solution Architect
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/monitor-azure-machine-learning
+
+## Innhold
+
+- [Oversikt](#oversikt)
+- [Essential KQL Queries for AI Monitoring](#essential-kql-queries-for-ai-monitoring)
+- [Performance Analysis Queries](#performance-analysis-queries)
+- [Error Investigation Patterns](#error-investigation-patterns)
+- [Cost Analysis Queries](#cost-analysis-queries)
+- [Query Optimization Techniques](#query-optimization-techniques)
+- [Advanced Patterns](#advanced-patterns)
+- [For Cosmo: Anvendelse i Arkitekturrådgivning](#for-cosmo-anvendelse-i-arkitekturrådgivning)
+- [Viktige KQL-ressurser](#viktige-kql-ressurser)
+- [Nøkkelinnsikter](#nøkkelinnsikter)
+- [Referanser](#referanser)
 
 ## Oversikt
 
diff --git a/skills/ms-ai-governance/references/monitoring-observability/model-performance-drift-detection.md b/skills/ms-ai-governance/references/monitoring-observability/model-performance-drift-detection.md
index a07a2f8..db195af 100644
--- a/skills/ms-ai-governance/references/monitoring-observability/model-performance-drift-detection.md
+++ b/skills/ms-ai-governance/references/monitoring-observability/model-performance-drift-detection.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24 | Verified: MCP 2026-06-24
 **Status:** GA
 **Category:** Monitoring & Observability
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/concepts/observability
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Model Performance Monitoring og Drift Detection er den siste, kritiske fasen i machine learning-livssyklusen. I motsetning til tradisjonelle programvaresystemer, avhenger ikke machine learning-systemers oppførsel bare av regler spesifisert i kode, men også av data. Når et AI-modell blir "gammel" (stale), kan ytelsen degraderes til det punktet at den mister forretningsverdi eller skaper alvorlige compliance-problemer i regulerte miljøer.
diff --git a/skills/ms-ai-governance/references/monitoring-observability/observability-for-copilot-extensions.md b/skills/ms-ai-governance/references/monitoring-observability/observability-for-copilot-extensions.md
index b82b1e9..5555533 100644
--- a/skills/ms-ai-governance/references/monitoring-observability/observability-for-copilot-extensions.md
+++ b/skills/ms-ai-governance/references/monitoring-observability/observability-for-copilot-extensions.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-05
 **Status:** GA
 **Category:** Monitoring & Observability
+**Type:** reference
+**Source:** https://learn.microsoft.com/microsoft-cloud/dev/copilot/isv/observability-for-ai
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Når organisasjoner utvider Microsoft Copilot med custom plugins, connectors og extensions, blir observability kritisk for å sikre pålitelighet, ytelse og compliance. I motsetning til standalone applikasjoner opererer Copilot-extensions i et distribuert økosystem hvor telemetri må samles fra flere lag: plugin-kjøretid, API-kall, LLM-interaksjoner og brukeropplevelse.
diff --git a/skills/ms-ai-governance/references/monitoring-observability/real-time-streaming-monitoring.md b/skills/ms-ai-governance/references/monitoring-observability/real-time-streaming-monitoring.md
index 6fa40b5..a78a46e 100644
--- a/skills/ms-ai-governance/references/monitoring-observability/real-time-streaming-monitoring.md
+++ b/skills/ms-ai-governance/references/monitoring-observability/real-time-streaming-monitoring.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19
 **Status:** GA
 **Category:** Monitoring & Observability
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/concepts/observability
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Real-time streaming og live monitoring er kritiske kapabiliteter for operasjonell overvåking av AI-applikasjoner i produksjon. Mens tradisjonell logging og metrics aggregeres over tid (typisk 1-5 minutter), tilbyr real-time løsninger innsikt med under ett sekunds latency, noe som er essensielt for debugging, incident response og operasjonell overvåking av AI-tjenester.
diff --git a/skills/ms-ai-governance/references/monitoring-observability/response-quality-metrics-rag.md b/skills/ms-ai-governance/references/monitoring-observability/response-quality-metrics-rag.md
index 410a108..7c52ce6 100644
--- a/skills/ms-ai-governance/references/monitoring-observability/response-quality-metrics-rag.md
+++ b/skills/ms-ai-governance/references/monitoring-observability/response-quality-metrics-rag.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24 | Verified: MCP 2026-06-24
 **Status:** GA
 **Category:** Monitoring & Observability
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/concepts/observability
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Response quality metrics er kritisk for å evaluere effektiviteten av RAG-systemer (Retrieval-Augmented Generation). Mens infrastruktur-metrics (tokens, latency, throughput) forteller deg om systemet *kjører*, forteller kvalitetsmetrikker deg om systemet produserer *nyttige og korrekte svar*.
diff --git a/skills/ms-ai-governance/references/monitoring-observability/security-and-audit-logging-ai.md b/skills/ms-ai-governance/references/monitoring-observability/security-and-audit-logging-ai.md
index a9391d5..a5435a2 100644
--- a/skills/ms-ai-governance/references/monitoring-observability/security-and-audit-logging-ai.md
+++ b/skills/ms-ai-governance/references/monitoring-observability/security-and-audit-logging-ai.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19
 **Status:** GA
 **Category:** Monitoring & Observability
+**Type:** reference
+**Source:** https://learn.microsoft.com/security/benchmark/azure/mcsb-v2-artificial-intelligence-security
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Security og audit logging for AI-systemer er et kritisk grunnlag for compliance, incident response og forensisk analyse. Azure AI-tjenester genererer diagnostiske logger som kan spore brukeraktivitet, dataaksess, modellinteraksjon og systemhendelser — men loggene samles ikke inn før du eksplisitt konfigurerer diagnostiske innstillinger (diagnostic settings). Uten strukturert logging har du ingen sporbarhet når sikkerhetsbrudd oppstår, og ingen evne til å dokumentere hvem som aksesserte sensitive data.
diff --git a/skills/ms-ai-governance/references/monitoring-observability/sla-monitoring-ai-services.md b/skills/ms-ai-governance/references/monitoring-observability/sla-monitoring-ai-services.md
index 0f2b425..cebfa3f 100644
--- a/skills/ms-ai-governance/references/monitoring-observability/sla-monitoring-ai-services.md
+++ b/skills/ms-ai-governance/references/monitoring-observability/sla-monitoring-ai-services.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19
 **Status:** GA
 **Category:** Monitoring & Observability
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/azure-monitor/alerts/alerts-overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 SLA-monitorering (Service Level Agreement monitoring) er en kritisk disiplin for å sikre at AI-tjenester oppfyller forventninger til tilgjengelighet, ytelse og pålitelighet. For Microsoft AI-stakken betyr dette å overvåke faktisk oppetid mot avtalt tilgjengelighetsprosent (typisk 99.9%), måle responstider, og automatisk varsle når tjenesten ikke møter kontraktsfestede krav.
diff --git a/skills/ms-ai-governance/references/monitoring-observability/token-usage-tracking-attribution.md b/skills/ms-ai-governance/references/monitoring-observability/token-usage-tracking-attribution.md
index 944f961..5369834 100644
--- a/skills/ms-ai-governance/references/monitoring-observability/token-usage-tracking-attribution.md
+++ b/skills/ms-ai-governance/references/monitoring-observability/token-usage-tracking-attribution.md
@@ -3,6 +3,25 @@
 **Kategori:** Monitoring & Observability
 **Dato:** 2026-06-19
 **Versjon:** 1.0
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/concepts/manage-costs
+
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Token Counting og Logging](#token-counting-og-logging)
+- [Usage Attribution per Applikasjon/Bruker](#usage-attribution-per-applikasjonbruker)
+- [Budget Monitoring og Alerts](#budget-monitoring-og-alerts)
+- [Token Efficiency Metrics](#token-efficiency-metrics)
+- [Chargeback Reporting](#chargeback-reporting)
+- [RAG-spesifikke Considerations](#rag-spesifikke-considerations)
+- [Fine-tuned Models: Spesialkonsiderasjoner](#fine-tuned-models-spesialkonsiderasjoner)
+- [Provisioned Throughput Units (PTU): Tracking](#provisioned-throughput-units-ptu-tracking)
+- [Integrasjon med FinOps Practices](#integrasjon-med-finops-practices)
+- [Best Practices](#best-practices)
+- [Relaterte Referanser](#relaterte-referanser)
+- [Kilder (Microsoft Learn)](#kilder-microsoft-learn)
+- [For Cosmo](#for-cosmo)
 
 ## Introduksjon
 
diff --git a/skills/ms-ai-governance/references/norwegian-public-sector-governance/accessibility-requirements-wcag-norway.md b/skills/ms-ai-governance/references/norwegian-public-sector-governance/accessibility-requirements-wcag-norway.md
index 9b1da78..8e47c31 100644
--- a/skills/ms-ai-governance/references/norwegian-public-sector-governance/accessibility-requirements-wcag-norway.md
+++ b/skills/ms-ai-governance/references/norwegian-public-sector-governance/accessibility-requirements-wcag-norway.md
@@ -3,9 +3,22 @@
 **Last updated:** 2026-06-19
 **Status:** Gjeldende
 **Category:** Norwegian Public Sector AI Governance
+**Type:** reference
+**Source:** https://learn.microsoft.com/compliance/regulatory/offering-wcag-2-1
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Lovgrunnlag](#lovgrunnlag)
+- [AI-spesifikke tilgjengelighetskrav](#ai-spesifikke-tilgjengelighetskrav)
+- [Krav til tilgjengelighetserklæring](#krav-til-tilgjengelighetserklæring)
+- [Microsoft-verktøy for universell utforming av AI](#microsoft-verktøy-for-universell-utforming-av-ai)
+- [Praktiske anbefalinger for arkitekten (Cosmo)](#praktiske-anbefalinger-for-arkitekten-cosmo)
+- [Spesifikke scenario-spørsmål](#spesifikke-scenario-spørsmål)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Universell utforming av IKT er lovpålagt i Norge for både offentlig og privat sektor. AI-løsninger som chatbots, virtuelle assistenter og generative AI-verktøy må følge samme krav som andre digitale tjenester. Dette dokumentet dekker hvordan WCAG-standardene (Web Content Accessibility Guidelines) gjelder for AI-systemer i norsk kontekst, og hvordan Microsoft AI-plattformer kan brukes for å oppfylle disse kravene.
diff --git a/skills/ms-ai-governance/references/norwegian-public-sector-governance/anskaffelser-ai-procurement-framework.md b/skills/ms-ai-governance/references/norwegian-public-sector-governance/anskaffelser-ai-procurement-framework.md
index b1d1c25..b8cb029 100644
--- a/skills/ms-ai-governance/references/norwegian-public-sector-governance/anskaffelser-ai-procurement-framework.md
+++ b/skills/ms-ai-governance/references/norwegian-public-sector-governance/anskaffelser-ai-procurement-framework.md
@@ -3,9 +3,22 @@
 **Last updated:** 2026-04
 **Status:** Gjeldende
 **Category:** Norwegian Public Sector AI Governance
+**Type:** methodology
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Lovgrunnlag](#lovgrunnlag)
+- [Spesielle hensyn for AI-anskaffelser](#spesielle-hensyn-for-ai-anskaffelser)
+- [DFØs veiledning for IT-anskaffelser](#dføs-veiledning-for-it-anskaffelser)
+- [SSA-avtaler for AI og sky](#ssa-avtaler-for-ai-og-sky)
+- [Innkjøp via Microsoft-kanaler](#innkjøp-via-microsoft-kanaler)
+- [Praktisk sjekkliste for AI-anskaffelser](#praktisk-sjekkliste-for-ai-anskaffelser)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Anskaffelse av AI-løsninger i norsk offentlig sektor er regulert av anskaffelsesloven og anskaffelsesforskriften, med særlige hensyn til skytjenester, informasjonssikkerhet og leverandørnøytralitet. AI-systemer stiller nye krav til kravspesifisering, evaluering og etiske vurderinger som må integreres i anskaffelsesprosessen.
diff --git a/skills/ms-ai-governance/references/norwegian-public-sector-governance/budget-and-accounting-ai-costs.md b/skills/ms-ai-governance/references/norwegian-public-sector-governance/budget-and-accounting-ai-costs.md
index 23cdcc9..983a0da 100644
--- a/skills/ms-ai-governance/references/norwegian-public-sector-governance/budget-and-accounting-ai-costs.md
+++ b/skills/ms-ai-governance/references/norwegian-public-sector-governance/budget-and-accounting-ai-costs.md
@@ -3,9 +3,21 @@
 **Last updated:** 2026-02
 **Status:** Gjeldende
 **Category:** Norwegian Public Sector AI Governance
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/cost-management-billing/costs/overview-cost-management
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Relevant regelverk](#relevant-regelverk)
+- [AI-kostnadstyper](#ai-kostnadstyper)
+- [Budsjettplanlegging for AI](#budsjettplanlegging-for-ai)
+- [Azure Cost Management for offentlig sektor](#azure-cost-management-for-offentlig-sektor)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 AI-investeringer i norsk offentlig sektor må følge etablerte rammeverk for økonomistyring, men krever samtidig nye tilnærminger til budsjettering og kostnadsklassifisering. Denne referansen dekker regelverk, kostnadstyper, og praktisk veiledning for å håndtere AI-kostnader innenfor statens økonomiregelverket.
diff --git a/skills/ms-ai-governance/references/norwegian-public-sector-governance/citizen-communication-ai-decisions.md b/skills/ms-ai-governance/references/norwegian-public-sector-governance/citizen-communication-ai-decisions.md
index e49f5ff..ea3ec7b 100644
--- a/skills/ms-ai-governance/references/norwegian-public-sector-governance/citizen-communication-ai-decisions.md
+++ b/skills/ms-ai-governance/references/norwegian-public-sector-governance/citizen-communication-ai-decisions.md
@@ -3,9 +3,21 @@
 **Last updated:** 2026-06-19
 **Status:** Gjeldende
 **Category:** Norwegian Public Sector AI Governance
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-responsible-ai
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Krav til begrunnelse](#krav-til-begrunnelse)
+- [Klarspråk og AI](#klarspråk-og-ai)
+- [Transparensrapportering](#transparensrapportering)
+- [Microsoft-verktøy for forklarbarhet](#microsoft-verktøy-for-forklarbarhet)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Når offentlige myndigheter tar i bruk AI for beslutningsstøtte eller automatiserte vedtak, oppstår et grunnleggende demokratisk krav: innbyggere må forstå hvordan beslutninger som påvirker deres liv er fattet. Dette dokumentet beskriver de rettslige og praktiske rammene for kommunikasjon med innbyggere om AI-baserte beslutninger i norsk offentlig sektor.
diff --git a/skills/ms-ai-governance/references/norwegian-public-sector-governance/copyright-ai-training-data-norway.md b/skills/ms-ai-governance/references/norwegian-public-sector-governance/copyright-ai-training-data-norway.md
index df700d6..b661b57 100644
--- a/skills/ms-ai-governance/references/norwegian-public-sector-governance/copyright-ai-training-data-norway.md
+++ b/skills/ms-ai-governance/references/norwegian-public-sector-governance/copyright-ai-training-data-norway.md
@@ -3,9 +3,21 @@
 **Last updated:** 2026-06-24 | Verified: MCP 2026-06-24
 **Status:** Under endring - norsk implementering av DSM-direktivet og AI Act pågår
 **Category:** Norwegian Public Sector AI Governance
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/openai/concepts/safety-system-message-templates
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Lovgrunnlag](#lovgrunnlag)
+- [Text and Data Mining-unntaket](#text-and-data-mining-unntaket)
+- [Praktiske implikasjoner](#praktiske-implikasjoner)
+- [Microsoft og opphavsrett](#microsoft-og-opphavsrett)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Bruk av opphavsrettsbeskyttet materiale som treningsdata for AI-modeller reiser fundamentale juridiske spørsmål som fortsatt er under avklaring i Norge. Mens AI-trening teknisk sett krever kopiering av opphavsrettsbeskyttet materiale — noe som bryter med åndsverkloven § 3 (1) bokstav a — finnes det unntak under forberedelse som skal implementere EU-regelverk. Med implementering av AI Act planlagt til august 2026, og DSM-direktivet ventet i nær fremtid, står Norge overfor betydelige endringer i hvordan opphavsrett og AI-treningsdata reguleres.
diff --git a/skills/ms-ai-governance/references/norwegian-public-sector-governance/digdir-ai-governance-structure.md b/skills/ms-ai-governance/references/norwegian-public-sector-governance/digdir-ai-governance-structure.md
index 23b6736..94c2cc0 100644
--- a/skills/ms-ai-governance/references/norwegian-public-sector-governance/digdir-ai-governance-structure.md
+++ b/skills/ms-ai-governance/references/norwegian-public-sector-governance/digdir-ai-governance-structure.md
@@ -3,9 +3,20 @@
 **Last updated:** 2026-05
 **Status:** Gjeldende
 **Category:** Norwegian Public Sector AI Governance
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/cloud-adoption-framework/scenarios/ai/govern
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Digdirs ansvarsområder](#digdirs-ansvarsområder)
+- [Styringsmodell for AI](#styringsmodell-for-ai)
+- [Microsoft-integrasjon](#microsoft-integrasjon)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Digitaliseringsdirektoratet (Digdir) har en sentral rolle i koordinering og veiledning rundt ansvarlig bruk av kunstig intelligens i norsk offentlig sektor. Denne kunnskapsreferansen beskriver Digdirs styringsstruktur for AI, ansvarsområder, og hvordan dette integreres med Microsoft-teknologi.
diff --git a/skills/ms-ai-governance/references/norwegian-public-sector-governance/digdir-principle-1-user-centric-design.md b/skills/ms-ai-governance/references/norwegian-public-sector-governance/digdir-principle-1-user-centric-design.md
index 85cb391..a62b563 100644
--- a/skills/ms-ai-governance/references/norwegian-public-sector-governance/digdir-principle-1-user-centric-design.md
+++ b/skills/ms-ai-governance/references/norwegian-public-sector-governance/digdir-principle-1-user-centric-design.md
@@ -3,9 +3,21 @@
 **Last updated:** 2026-02
 **Status:** Gjeldende
 **Category:** Norwegian Public Sector AI Governance
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/well-architected/ai/responsible-ai
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Prinsippets kjerneinnhold](#prinsippets-kjerneinnhold)
+- [Anvendelse på AI-løsninger](#anvendelse-på-ai-løsninger)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Eksempler fra norsk offentlig sektor](#eksempler-fra-norsk-offentlig-sektor)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Brukerorientering er det første og mest fundamentale arkitekturprinsippet etablert av Digitaliseringsdirektoratet (Digdir) for offentlig sektor i Norge. Prinsippet slår fast at **offentlige tjenester skal være basert på brukernes behov og perspektiver, og være brukbare for alle, uavhengig av alder og funksjonsevne**.
diff --git a/skills/ms-ai-governance/references/norwegian-public-sector-governance/digdir-principle-2-interoperability.md b/skills/ms-ai-governance/references/norwegian-public-sector-governance/digdir-principle-2-interoperability.md
index d0b1906..9f0755a 100644
--- a/skills/ms-ai-governance/references/norwegian-public-sector-governance/digdir-principle-2-interoperability.md
+++ b/skills/ms-ai-governance/references/norwegian-public-sector-governance/digdir-principle-2-interoperability.md
@@ -3,9 +3,21 @@
 **Last updated:** 2026-05
 **Status:** Gjeldende
 **Category:** Norwegian Public Sector AI Governance
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/api-management/api-management-key-concepts
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Prinsippets kjerneinnhold](#prinsippets-kjerneinnhold)
+- [Anvendelse på AI-løsninger](#anvendelse-på-ai-løsninger)
+- [Microsoft-teknologier for samhandling](#microsoft-teknologier-for-samhandling)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Samhandlingsevne (interoperabilitet) er et av Digdirs overordnede arkitekturprinsipper for digitalisering av offentlig sektor. Prinsippet er obligatorisk for statlig sektor og anbefalt for kommunesektoren. I en tid hvor AI-løsninger skal integreres på tvers av virksomheter og sektorer, blir evnen til å dele data, tjenester og semantisk forståelse avgjørende for å realisere verdien av kunstig intelligens.
diff --git a/skills/ms-ai-governance/references/norwegian-public-sector-governance/digdir-principle-4-trust-security.md b/skills/ms-ai-governance/references/norwegian-public-sector-governance/digdir-principle-4-trust-security.md
index 4aedb7d..9a7fa81 100644
--- a/skills/ms-ai-governance/references/norwegian-public-sector-governance/digdir-principle-4-trust-security.md
+++ b/skills/ms-ai-governance/references/norwegian-public-sector-governance/digdir-principle-4-trust-security.md
@@ -3,9 +3,21 @@
 **Last updated:** 2026-06-19
 **Status:** Gjeldende
 **Category:** Norwegian Public Sector AI Governance
+**Type:** reference
+**Source:** https://learn.microsoft.com/security/zero-trust/deploy/networks
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Prinsippets kjerneinnhold](#prinsippets-kjerneinnhold)
+- [Sikkerhetskrav for AI-løsninger](#sikkerhetskrav-for-ai-løsninger)
+- [Zero Trust for AI](#zero-trust-for-ai)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Tillit er fundamentet for digitaliseringen av offentlig sektor. Innbyggere, næringsliv og frivillige organisasjoner må ha tillit til at offentlige virksomheter løser sine oppgaver på en god og sikker måte. Digital sikkerhet er ikke bare en teknisk forutsetning – den er en betingelse for å opprettholde samfunnets tillit til offentlig forvaltning.
diff --git a/skills/ms-ai-governance/references/norwegian-public-sector-governance/digital-accessibility-action-plan.md b/skills/ms-ai-governance/references/norwegian-public-sector-governance/digital-accessibility-action-plan.md
index 9bad5f7..2f6cae5 100644
--- a/skills/ms-ai-governance/references/norwegian-public-sector-governance/digital-accessibility-action-plan.md
+++ b/skills/ms-ai-governance/references/norwegian-public-sector-governance/digital-accessibility-action-plan.md
@@ -3,9 +3,24 @@
 **Last updated:** 2026-06-19
 **Status:** Gjeldende
 **Category:** Norwegian Public Sector AI Governance
+**Type:** reference
+**Source:** https://learn.microsoft.com/compliance/regulatory/offering-wcag-2-1
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Nasjonal strategi for digital inkludering](#nasjonal-strategi-for-digital-inkludering)
+- [Gjeldende regelverk for universell utforming av IKT](#gjeldende-regelverk-for-universell-utforming-av-ikt)
+- [EUs tilgjengelighetsdirektiv (EAA) – kommende krav](#eus-tilgjengelighetsdirektiv-eaa--kommende-krav)
+- [UU-tilsynets rolle og fremtidig AI-tilsyn](#uu-tilsynets-rolle-og-fremtidig-ai-tilsyn)
+- [AI og digital inkludering – særlige hensyn](#ai-og-digital-inkludering--særlige-hensyn)
+- [Handlingsplan for AI-prosjekter](#handlingsplan-for-ai-prosjekter)
+- [Microsoft-verktøy for tilgjengelig AI](#microsoft-verktøy-for-tilgjengelig-ai)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Digital tilgjengelighet er ikke bare et lovkrav – det er en grunnleggende forutsetning for inkluderende AI-løsninger i offentlig sektor. Med over 1 milliard mennesker med funksjonsnedsettelser globalt, og en betydelig andel av den norske befolkningen som opplever digitale barrierer, må AI-systemer designes med tilgjengelighet som et kjernekrav fra dag én.
diff --git a/skills/ms-ai-governance/references/norwegian-public-sector-governance/digital-samhandling-eif-5-layers.md b/skills/ms-ai-governance/references/norwegian-public-sector-governance/digital-samhandling-eif-5-layers.md
index 6e4dac2..d2c3014 100644
--- a/skills/ms-ai-governance/references/norwegian-public-sector-governance/digital-samhandling-eif-5-layers.md
+++ b/skills/ms-ai-governance/references/norwegian-public-sector-governance/digital-samhandling-eif-5-layers.md
@@ -3,9 +3,21 @@
 **Last updated:** 2026-02
 **Status:** Gjeldende
 **Category:** Norwegian Public Sector AI Governance
+**Type:** reference
+**Source:** https://learn.microsoft.com/dynamics365/guidance/techtalks/integrate-finance-operations-overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [De fem samhandlingslagene](#de-fem-samhandlingslagene)
+- [Anvendelse på AI-løsninger](#anvendelse-på-ai-løsninger)
+- [Microsoft-teknologier per lag](#microsoft-teknologier-per-lag)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Norge implementerte European Interoperability Framework (EIF) da landet signerte Tallinn-erklæringen i 2017, sammen med EU og andre EFTA-land. Norges nasjonale samhandlingsrammeverk heter i dag **Rammeverk for digital samhandling** og bygger på EIF-prinsippene.
diff --git a/skills/ms-ai-governance/references/norwegian-public-sector-governance/dpia-norwegian-methodology-ai.md b/skills/ms-ai-governance/references/norwegian-public-sector-governance/dpia-norwegian-methodology-ai.md
index 20cb8ed..585527e 100644
--- a/skills/ms-ai-governance/references/norwegian-public-sector-governance/dpia-norwegian-methodology-ai.md
+++ b/skills/ms-ai-governance/references/norwegian-public-sector-governance/dpia-norwegian-methodology-ai.md
@@ -3,9 +3,21 @@
 **Last updated:** 2026-06-18
 **Status:** Gjeldende
 **Category:** Norwegian Public Sector AI Governance
+**Type:** methodology
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Når kreves DPIA for AI-systemer?](#når-kreves-dpia-for-ai-systemer)
+- [Datatilsynets DPIA-metodikk](#datatilsynets-dpia-metodikk)
+- [AI-spesifikke vurderinger i DPIA](#ai-spesifikke-vurderinger-i-dpia)
+- [Microsoft-verktøy for DPIA](#microsoft-verktøy-for-dpia)
+- [Maler og sjekklister](#maler-og-sjekklister)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Data Protection Impact Assessment (DPIA), på norsk kjent som personvernkonsekvensvurdering (PVK), er et sentralt verktøy i personvernforordningen (GDPR) artikkel 35. En DPIA er en prosess som beskriver behandlingen av personopplysninger og vurderer om den er nødvendig og proporsjonal. Den skal også bidra til å håndtere risikoene behandlingen medfører for registrertes rettigheter og friheter, ved å vurdere dem og etablere risikoreduserende tiltak.
diff --git a/skills/ms-ai-governance/references/norwegian-public-sector-governance/forvaltningsloven-ai-decisions.md b/skills/ms-ai-governance/references/norwegian-public-sector-governance/forvaltningsloven-ai-decisions.md
index db1f4db..debcb04 100644
--- a/skills/ms-ai-governance/references/norwegian-public-sector-governance/forvaltningsloven-ai-decisions.md
+++ b/skills/ms-ai-governance/references/norwegian-public-sector-governance/forvaltningsloven-ai-decisions.md
@@ -4,9 +4,23 @@
 **Status:** Gjeldende regelverk (ny lov vedtatt juni 2025, ikke trådt i kraft per aug 2025)
 **Category:** Norwegian Public Sector Governance
 **Confidence:** HIGH (primærkilder fra Lovdata, Regjeringen.no, Sivilombudet)
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-responsible-ai
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernebestemmelser for AI-vedtak](#kjernebestemmelser-for-ai-vedtak)
+- [Krav til transparens og forklarbarhet](#krav-til-transparens-og-forklarbarhet)
+- [Rettsikkerhet og klagebehandling](#rettsikkerhet-og-klagebehandling)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge) — praksis og lærdommer](#offentlig-sektor-norge--praksis-og-lærdommer)
+- [For arkitekten (Cosmo) — spørsmål, fallgruver og anbefalinger](#for-arkitekten-cosmo--spørsmål-fallgruver-og-anbefalinger)
+- [Kilder og verifisering](#kilder-og-verifisering)
+- [For Cosmo — når bruker denne kunnskapen?](#for-cosmo--når-bruker-denne-kunnskapen)
+
 ## Introduksjon
 
 Den nye forvaltningsloven ble vedtatt av Stortinget 20. juni 2025 og representerer en modernisering av norsk forvaltningsrett for den digitale tidsalderen. Loven innfører for første gang eksplisitte bestemmelser om **automatisert saksbehandling** (§§ 11-13), og skaper dermed et rettslig rammeverk for bruk av AI og beslutningsalgoritmer i offentlig forvaltning.
diff --git a/skills/ms-ai-governance/references/norwegian-public-sector-governance/gevinstrealisering-ai-projects.md b/skills/ms-ai-governance/references/norwegian-public-sector-governance/gevinstrealisering-ai-projects.md
index e05c6f7..fc9b6c2 100644
--- a/skills/ms-ai-governance/references/norwegian-public-sector-governance/gevinstrealisering-ai-projects.md
+++ b/skills/ms-ai-governance/references/norwegian-public-sector-governance/gevinstrealisering-ai-projects.md
@@ -3,9 +3,21 @@
 **Last updated:** 2026-06-19
 **Status:** Gjeldende
 **Category:** Norwegian Public Sector AI Governance
+**Type:** reference
+**Source:** https://learn.microsoft.com/copilot/microsoft-365/copilot-control-system/measurement-reporting
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [DFØs rammeverk for gevinstrealisering](#dføs-rammeverk-for-gevinstrealisering)
+- [AI-spesifikke gevinster](#ai-spesifikke-gevinster)
+- [Måling av AI-gevinster](#måling-av-ai-gevinster)
+- [Utfordringer med AI-gevinster](#utfordringer-med-ai-gevinster)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Gevinstrealisering er en metode for planlegging og organisering i både linjeorganisasjonen og prosjektgruppene, med mål om å følge opp og hente ut gevinster fra offentlige prosjekter. For AI-prosjekter er dette spesielt viktig, ettersom AI-investeringer ofte har komplekse og langsiktige gevinstprofiler som krever systematisk oppfølging fra prosjektfase til drift.
diff --git a/skills/ms-ai-governance/references/norwegian-public-sector-governance/gevinstrealisering-dfo-methodology.md b/skills/ms-ai-governance/references/norwegian-public-sector-governance/gevinstrealisering-dfo-methodology.md
index 322aeb7..957809b 100644
--- a/skills/ms-ai-governance/references/norwegian-public-sector-governance/gevinstrealisering-dfo-methodology.md
+++ b/skills/ms-ai-governance/references/norwegian-public-sector-governance/gevinstrealisering-dfo-methodology.md
@@ -4,9 +4,23 @@
 **Status:** Gjeldende
 **Kategori:** Norwegian Public Sector AI Governance
 **Konfidens:** Høy (basert på DFØ veileder og Prosjektveiviseren)
+**Type:** methodology
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [DFØs 5-stegs modell](#dføs-5-stegs-modell)
+- [Gevinstregister-mal for AI-prosjekter](#gevinstregister-mal-for-ai-prosjekter)
+- [KPI-er med baseline og mål](#kpi-er-med-baseline-og-mål)
+- [Tidsplan: Pilot til evaluering](#tidsplan-pilot-til-evaluering)
+- [Gevinstansvarlig - Rolle og RACI-modell](#gevinstansvarlig---rolle-og-raci-modell)
+- [Gevinstprofiler for ulike AI-prosjekttyper](#gevinstprofiler-for-ulike-ai-prosjekttyper)
+- [Kobling til Prosjektveiviseren](#kobling-til-prosjektveiviseren)
+- [Kilder](#kilder)
+- [For Cosmo Skyberg](#for-cosmo-skyberg)
+
 ## Introduksjon
 
 Denne referansefilen utdyper DFØs metodikk for gevinstrealisering, spesifikt tilpasset AI-prosjekter i norsk offentlig sektor. Den bygger videre på den generelle oversikten i `gevinstrealisering-ai-projects.md` med en operasjonell 5-stegs modell, gevinstregister-mal, RACI-modell, og konkrete KPI-er med tidsplaner.
diff --git a/skills/ms-ai-governance/references/norwegian-public-sector-governance/norge-ai-strategy-government.md b/skills/ms-ai-governance/references/norwegian-public-sector-governance/norge-ai-strategy-government.md
index 2451aa3..cd76af9 100644
--- a/skills/ms-ai-governance/references/norwegian-public-sector-governance/norge-ai-strategy-government.md
+++ b/skills/ms-ai-governance/references/norwegian-public-sector-governance/norge-ai-strategy-government.md
@@ -3,9 +3,21 @@
 **Last updated:** 2026-06-19
 **Status:** Gjeldende nasjonale retningslinjer (oppdatert 2024-2025)
 **Category:** Norwegian Public Sector AI Governance
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-responsible-ai-dashboard
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Hovedpunkter i strategien](#hovedpunkter-i-strategien)
+- [Relevans for offentlig sektor](#relevans-for-offentlig-sektor)
+- [Kobling til Microsoft-plattformen](#kobling-til-microsoft-plattformen)
+- [Implementering i praksis](#implementering-i-praksis)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Norges nasjonale strategi for kunstig intelligens ble lansert i januar 2020 av Kommunal- og moderniseringsdepartementet (nå Digitaliseringsdepartementet). Strategien dekker sivil sektor og skal posisjonere Norge som ledende innen etisk og trygg AI-bruk.
diff --git a/skills/ms-ai-governance/references/norwegian-public-sector-governance/norwegian-nlp-benchmarks.md b/skills/ms-ai-governance/references/norwegian-public-sector-governance/norwegian-nlp-benchmarks.md
index 1989358..4eb5f0f 100644
--- a/skills/ms-ai-governance/references/norwegian-public-sector-governance/norwegian-nlp-benchmarks.md
+++ b/skills/ms-ai-governance/references/norwegian-public-sector-governance/norwegian-nlp-benchmarks.md
@@ -3,9 +3,21 @@
 **Sist oppdatert:** 2026-02 (v1.0)
 **Status:** Gjeldende
 **Category:** Norwegian Public Sector AI Governance
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [1. Embedding-modell-sammenligning for norsk](#1-embedding-modell-sammenligning-for-norsk)
+- [2. Benchmark-referanser for norsk NLP](#2-benchmark-referanser-for-norsk-nlp)
+- [3. LLM norsk-kvalitet med fagterminologi](#3-llm-norsk-kvalitet-med-fagterminologi)
+- [4. Chunking for norsk morfologi](#4-chunking-for-norsk-morfologi)
+- [5. Pilottest-anbefaling](#5-pilottest-anbefaling)
+- [Norske NLP-ressurser og forskningsmiljøer](#norske-nlp-ressurser-og-forskningsmiljøer)
+- [For Cosmo Skyberg](#for-cosmo-skyberg)
+
 ## Introduksjon
 
 Når en arkitekturvurdering hevder at "GPT-4o håndterer norsk godt", trenger vi et evidensrammeverk for å validere påstanden. Denne filen dokumenterer tilgjengelige benchmarks, embedding-modeller og kvalitetsvurderinger for norsk NLP, med fokus på modeller tilgjengelige via Azure OpenAI og Microsoft-stakken.
diff --git a/skills/ms-ai-governance/references/norwegian-public-sector-governance/nsm-grunnprinsipper-ai-mapping.md b/skills/ms-ai-governance/references/norwegian-public-sector-governance/nsm-grunnprinsipper-ai-mapping.md
index 8190e68..42881b5 100644
--- a/skills/ms-ai-governance/references/norwegian-public-sector-governance/nsm-grunnprinsipper-ai-mapping.md
+++ b/skills/ms-ai-governance/references/norwegian-public-sector-governance/nsm-grunnprinsipper-ai-mapping.md
@@ -3,9 +3,21 @@
 **Last updated:** 2026-02
 **Status:** Gjeldende (NSM Grunnprinsipper v2.1, juni 2024)
 **Category:** Norwegian Public Sector AI Governance
+**Type:** reference
+**Source:** https://learn.microsoft.com/security/benchmark/azure/security-baselines-overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [De fire kategoriene](#de-fire-kategoriene)
+- [Mapping til AI-systemer](#mapping-til-ai-systemer)
+- [Microsoft Azure-tjenester som dekker NSMs prinsipper](#microsoft-azure-tjenester-som-dekker-nsms-prinsipper)
+- [Sjekkliste for AI-prosjekter](#sjekkliste-for-ai-prosjekter)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Nasjonal sikkerhetsmyndighet (NSM) er Norges fagmyndighet for informasjons- og objektsikkerhet, og det nasjonale fagmiljøet for IKT-sikkerhet. NSMs Grunnprinsipper for IKT-sikkerhet (versjon 2.1, publisert juni 2024) omfatter **4 kategorier** med **21 prinsipper** og tilhørende sikkerhetstiltak.
diff --git a/skills/ms-ai-governance/references/norwegian-public-sector-governance/public-sector-ai-ethics-framework.md b/skills/ms-ai-governance/references/norwegian-public-sector-governance/public-sector-ai-ethics-framework.md
index b9c888c..7e9202f 100644
--- a/skills/ms-ai-governance/references/norwegian-public-sector-governance/public-sector-ai-ethics-framework.md
+++ b/skills/ms-ai-governance/references/norwegian-public-sector-governance/public-sector-ai-ethics-framework.md
@@ -3,9 +3,22 @@
 **Last updated:** 2026-02
 **Status:** Gjeldende
 **Category:** Norwegian Public Sector AI Governance
+**Type:** methodology
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Norsk AI-etisk landskap](#norsk-ai-etisk-landskap)
+- [Etiske prinsipper for AI i offentlig sektor](#etiske-prinsipper-for-ai-i-offentlig-sektor)
+- [Digitaliserings­direktoratets retningslinjer](#digitaliseringsdirektoratets-retningslinjer)
+- [Datatilsynets rolle](#datatilsynets-rolle)
+- [Teknologirådets anbefalinger](#teknologirådets-anbefalinger)
+- [Microsoft Responsible AI i norsk kontekst](#microsoft-responsible-ai-i-norsk-kontekst)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 AI-etikk i norsk offentlig sektor befinner seg i en transformasjonsfase. Med EU AI Act som blir norsk lov fra sommeren 2026, og en økende bevissthet om ansvarlig AI, etableres nå rammeverk som skal sikre at kunstig intelligens brukes på en måte som respekterer grunnleggende verdier, rettigheter og samfunnsansvar.
diff --git a/skills/ms-ai-governance/references/norwegian-public-sector-governance/ros-ai-threat-library.md b/skills/ms-ai-governance/references/norwegian-public-sector-governance/ros-ai-threat-library.md
index 6a39772..e3ca914 100644
--- a/skills/ms-ai-governance/references/norwegian-public-sector-governance/ros-ai-threat-library.md
+++ b/skills/ms-ai-governance/references/norwegian-public-sector-governance/ros-ai-threat-library.md
@@ -4,9 +4,26 @@
 **Kategori:** Norwegian Public Sector AI Governance
 **Status:** Established Practice
 **Formål:** Strukturert trusselkatalog for ros-analysis-agent — gir deterministisk trusselidentifisering med standardverdier for sannsynlighet og konsekvens
+**Type:** methodology
 
 ---
 
+## Innhold
+
+- [Oversikt](#oversikt)
+- [Kategori 1: Input-manipulasjon (6 trusler)](#kategori-1-input-manipulasjon-6-trusler)
+- [Kategori 2: Dataintegritet (6 trusler)](#kategori-2-dataintegritet-6-trusler)
+- [Kategori 3: Output og informasjonslekkasje (5 trusler)](#kategori-3-output-og-informasjonslekkasje-5-trusler)
+- [Kategori 4: Modellsikkerhet (4 trusler)](#kategori-4-modellsikkerhet-4-trusler)
+- [Kategori 5: Forsyningskjede (6 trusler)](#kategori-5-forsyningskjede-6-trusler)
+- [OWASP Top 10 for Agentic Applications 2026 — mapping til biblioteket](#owasp-top-10-for-agentic-applications-2026--mapping-til-biblioteket)
+- [Kategori 6: Agent og autonomi (7 trusler)](#kategori-6-agent-og-autonomi-7-trusler)
+- [Kategori 7: Bias og rettferdighet (5 trusler)](#kategori-7-bias-og-rettferdighet-5-trusler)
+- [Kategori 8: Tilgjengelighet (5 trusler)](#kategori-8-tilgjengelighet-5-trusler)
+- [Kategori 9: Personvern og compliance (5 trusler)](#kategori-9-personvern-og-compliance-5-trusler)
+- [Trusseloversikt — prioritert etter risikoscore](#trusseloversikt--prioritert-etter-risikoscore)
+- [For Cosmo Skyberg](#for-cosmo-skyberg)
+
 ## Oversikt
 
 Dette biblioteket inneholder **49 trusler fordelt på 9 kategorier** for systematisk AI-risikoidentifisering i norsk offentlig sektor. Biblioteket er forankret i OWASP LLM Top 10 (2025), OWASP Top 10 for Agentic Applications 2026, MITRE ATLAS, NS 5814:2021, og EU AI Act vedlegg III, med tilpasninger for Microsoft-stakken (Microsoft Foundry, Copilot Studio, Power Platform, M365 Copilot).
diff --git a/skills/ms-ai-governance/references/norwegian-public-sector-governance/ros-analyse-ai-systems.md b/skills/ms-ai-governance/references/norwegian-public-sector-governance/ros-analyse-ai-systems.md
index ce453ee..6927ebd 100644
--- a/skills/ms-ai-governance/references/norwegian-public-sector-governance/ros-analyse-ai-systems.md
+++ b/skills/ms-ai-governance/references/norwegian-public-sector-governance/ros-analyse-ai-systems.md
@@ -3,9 +3,22 @@
 **Last updated:** 2026-06-19
 **Status:** Gjeldende
 **Category:** Norwegian Public Sector AI Governance
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/well-architected/security/threat-model
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Lovgrunnlag og krav](#lovgrunnlag-og-krav)
+- [ROS-metodikk for AI](#ros-metodikk-for-ai)
+- [AI-spesifikke risikoer](#ai-spesifikke-risikoer)
+- [Microsoft-verktøy for risikostyring](#microsoft-verktøy-for-risikostyring)
+- [ROS-mal for AI-prosjekter](#ros-mal-for-ai-prosjekter)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 ROS-analyse (Risiko- og Sårbarhetsanalyse) er en systematisk tilnærming til å identifisere, vurdere og håndtere risikoer knyttet til IKT-systemer. For AI-systemer i norsk offentlig sektor innebærer dette en utvidet metodikk som tar høyde for AI-spesifikke risikoer som modellsikkerhet, dataintegritet, bias, og konsekvenser av automatiserte beslutninger.
diff --git a/skills/ms-ai-governance/references/norwegian-public-sector-governance/ros-dpia-security-integration.md b/skills/ms-ai-governance/references/norwegian-public-sector-governance/ros-dpia-security-integration.md
index b1fed7b..a082404 100644
--- a/skills/ms-ai-governance/references/norwegian-public-sector-governance/ros-dpia-security-integration.md
+++ b/skills/ms-ai-governance/references/norwegian-public-sector-governance/ros-dpia-security-integration.md
@@ -4,9 +4,23 @@
 **Kategori:** Norwegian Public Sector AI Governance
 **Status:** Established Practice
 **Formål:** Veiledning for koordinering mellom ROS-analyse, DPIA og sikkerhetsvurdering — unngå duplisering, sikre dekning, og produser et sammenhengende risikovurderingsgrunnlag
+**Type:** methodology
 
 ---
 
+## Innhold
+
+- [Oversikt](#oversikt)
+- [Beslutningstre: Hvilke vurderinger er påkrevd?](#beslutningstre-hvilke-vurderinger-er-påkrevd)
+- [Overlap-matrise: Hva dekkes av hva?](#overlap-matrise-hva-dekkes-av-hva)
+- [Sekvensieringsanbefaling](#sekvensieringsanbefaling)
+- [Cross-referencing mellom agenter: Konkrete eksempler](#cross-referencing-mellom-agenter-konkrete-eksempler)
+- [Compliance-dekningsmatrise](#compliance-dekningsmatrise)
+- [Praktisk arbeidsflyt med `/architect`-kommandoer](#praktisk-arbeidsflyt-med-architect-kommandoer)
+- [Ansvarsfordeling mellom roller](#ansvarsfordeling-mellom-roller)
+- [Dokumentasjonskrav og oppbevaring](#dokumentasjonskrav-og-oppbevaring)
+- [For Cosmo](#for-cosmo)
+
 ## Oversikt
 
 Tre vurderingstyper dekker ulike aspekter av AI-risiko i norsk offentlig sektor. Alle tre kan bestilles via separate `/architect`-kommandoer, men gir størst verdi når de gjennomføres koordinert og cross-referanser hverandre eksplisitt.
diff --git a/skills/ms-ai-governance/references/norwegian-public-sector-governance/ros-maestro-multiagent.md b/skills/ms-ai-governance/references/norwegian-public-sector-governance/ros-maestro-multiagent.md
index 9046dee..5851860 100644
--- a/skills/ms-ai-governance/references/norwegian-public-sector-governance/ros-maestro-multiagent.md
+++ b/skills/ms-ai-governance/references/norwegian-public-sector-governance/ros-maestro-multiagent.md
@@ -4,9 +4,19 @@
 **Kategori:** Norwegian Public Sector AI Governance
 **Status:** Established Practice
 **Formål:** Strukturert sikkerhetsmodell for multiagent-orkestrering — brukes av ros-analysis-agent for dybdevurdering av agent-baserte systemer
+**Type:** methodology
 
 ---
 
+## Innhold
+
+- [Oversikt](#oversikt)
+- [De 7 lagene](#de-7-lagene)
+- [Defense-in-depth for multiagent-systemer](#defense-in-depth-for-multiagent-systemer)
+- [MAESTRO-sjekkliste for ROS-analyse](#maestro-sjekkliste-for-ros-analyse)
+- [Referanser](#referanser)
+- [For Cosmo Skyberg](#for-cosmo-skyberg)
+
 ## Oversikt
 
 MAESTRO (Multi-Agent Environment Security Threat and Risk Operations) er et 7-lags sikkerhetsrammeverk utviklet av OWASP for å adressere unike sikkerhetsutfordringer i multiagent AI-systemer. Rammeverket bygger på defense-in-depth-prinsippet og gir et systematisk verktøy for å identifisere, vurdere og mitigere risiko i hvert lag av en agent-arkitektur.
diff --git a/skills/ms-ai-governance/references/norwegian-public-sector-governance/ros-methodology-ns5814-iso31000.md b/skills/ms-ai-governance/references/norwegian-public-sector-governance/ros-methodology-ns5814-iso31000.md
index fc7f4a8..3d05951 100644
--- a/skills/ms-ai-governance/references/norwegian-public-sector-governance/ros-methodology-ns5814-iso31000.md
+++ b/skills/ms-ai-governance/references/norwegian-public-sector-governance/ros-methodology-ns5814-iso31000.md
@@ -4,9 +4,26 @@
 **Kategori:** Norwegian Public Sector AI Governance
 **Status:** Established Practice
 **Formål:** Detaljert metodikkguide for ros-analysis-agent — kobler AI-ROS til etablerte standarder og sikrer revisjonssporbarhet
+**Type:** regulatory
 
 ---
 
+## Innhold
+
+- [Oversikt](#oversikt)
+- [Del 1: NS 5814:2021 — Prosessmapping](#del-1-ns-58142021--prosessmapping)
+- [Del 2: ISO 31000:2018 — Prinsipper og rammeverk](#del-2-iso-310002018--prinsipper-og-rammeverk)
+- [Del 3: ISO/IEC 23894:2023 — AI-spesifikk risikostyring](#del-3-isoiec-238942023--ai-spesifikk-risikostyring)
+- [Del 4: EU AI Act Art. 9 — Obligatorisk risikostyringssystem](#del-4-eu-ai-act-art-9--obligatorisk-risikostyringssystem)
+- [Del 5: NIST AI RMF 1.0 — Funksjonsrammeverk](#del-5-nist-ai-rmf-10--funksjonsrammeverk)
+- [Del 6: Sannsynlighetsskala (5 nivåer)](#del-6-sannsynlighetsskala-5-nivåer)
+- [Del 7: Konsekvensskala (5 nivåer)](#del-7-konsekvensskala-5-nivåer)
+- [Del 8: Risikomatrise (5×5) og klassifisering](#del-8-risikomatrise-55-og-klassifisering)
+- [Del 9: Tiltaksstrategier](#del-9-tiltaksstrategier)
+- [Del 10: De 7 risikodimensjonene — detaljert veiledning](#del-10-de-7-risikodimensjonene--detaljert-veiledning)
+- [Del 11: Terminologimapping](#del-11-terminologimapping)
+- [For Cosmo](#for-cosmo)
+
 ## Oversikt
 
 Denne guiden definerer den metodiske grunnmuren for ROS-analyser av AI-systemer i norsk offentlig sektor. Metodikken er konstruert som en syntese av etablerte risikostyringsrammeverk tilpasset AI-spesifikke utfordringer: ikke-deterministisk output, bias-risiko, forklarbarhetskrav og raskt skiftende trussellandskap.
diff --git a/skills/ms-ai-governance/references/norwegian-public-sector-governance/ros-report-templates.md b/skills/ms-ai-governance/references/norwegian-public-sector-governance/ros-report-templates.md
index f664199..b857c9a 100644
--- a/skills/ms-ai-governance/references/norwegian-public-sector-governance/ros-report-templates.md
+++ b/skills/ms-ai-governance/references/norwegian-public-sector-governance/ros-report-templates.md
@@ -4,9 +4,17 @@
 **Kategori:** Norwegian Public Sector AI Governance
 **Status:** Established Practice
 **Formål:** Standardiserte rapportmaler for ros-analysis-agent — Quick ROS og Full ROS
+**Type:** template
 
 ---
 
+## Innhold
+
+- [Oversikt](#oversikt)
+- [Mal A: Quick ROS](#mal-a-quick-ros)
+- [Mal B: Full ROS](#mal-b-full-ros)
+- [For Cosmo](#for-cosmo)
+
 ## Oversikt
 
 To maler for ulike behov og målgrupper. Agenten velger mal basert på brukerens intensjon og tilgjengelig informasjon.
diff --git a/skills/ms-ai-governance/references/norwegian-public-sector-governance/ros-scoring-rubrics-7x5.md b/skills/ms-ai-governance/references/norwegian-public-sector-governance/ros-scoring-rubrics-7x5.md
index db11d38..ec5bf53 100644
--- a/skills/ms-ai-governance/references/norwegian-public-sector-governance/ros-scoring-rubrics-7x5.md
+++ b/skills/ms-ai-governance/references/norwegian-public-sector-governance/ros-scoring-rubrics-7x5.md
@@ -4,9 +4,28 @@
 **Kategori:** Norwegian Public Sector AI Governance
 **Status:** Established Practice
 **Formål:** Deterministiske rubrikker for ros-analysis-agent — erstatter vage 1-5 beskrivelser med eksakte, verifiserbare sjekkpunkter
+**Type:** methodology
 
 ---
 
+## Innhold
+
+- [Oversikt](#oversikt)
+- [Vektingsmodell](#vektingsmodell)
+- [Dimensjon 1: Modellsikkerhet (20 %)](#dimensjon-1-modellsikkerhet-20)
+- [Dimensjon 2: Dataintegritet og konfidensialitet (20 %)](#dimensjon-2-dataintegritet-og-konfidensialitet-20)
+- [Dimensjon 3: Bias og diskriminering (15 %)](#dimensjon-3-bias-og-diskriminering-15)
+- [Dimensjon 4: Tilgjengelighet og robusthet (10 %)](#dimensjon-4-tilgjengelighet-og-robusthet-10)
+- [Dimensjon 5: Forklarbarhet og sporbarhet (10 %)](#dimensjon-5-forklarbarhet-og-sporbarhet-10)
+- [Dimensjon 6: Juridisk og regulatorisk (15 %)](#dimensjon-6-juridisk-og-regulatorisk-15)
+- [Dimensjon 7: Organisatorisk og menneskelig (10 %)](#dimensjon-7-organisatorisk-og-menneskelig-10)
+- [Totalscoreberegning](#totalscoreberegning)
+- [Referansecaser](#referansecaser)
+- [Sammenligning av casene](#sammenligning-av-casene)
+- [Evidensgrunnlag og konfidensgrad](#evidensgrunnlag-og-konfidensgrad)
+- [Kalibreringsveiledning for agenten](#kalibreringsveiledning-for-agenten)
+- [Kilder og forankring](#kilder-og-forankring)
+
 ## Oversikt
 
 Denne filen definerer **35 rubrikk-celler** (7 dimensjoner × 5 nivåer) med ja/nei-sjekkpunkter for å sikre konsistent, reproduserbar ROS-vurdering av AI-systemer i norsk offentlig sektor. Rammeverket er forankret i NS 5814:2021 (Krav til risikovurdering), ISO 31000:2018 (Risikostyring), ISO/IEC 23894:2023 (AI risk management guidance), og EU AI Act Art. 9 (Risk Management System).
diff --git a/skills/ms-ai-governance/references/norwegian-public-sector-governance/ros-sector-checklists.md b/skills/ms-ai-governance/references/norwegian-public-sector-governance/ros-sector-checklists.md
index aa3eeb5..c78dfdf 100644
--- a/skills/ms-ai-governance/references/norwegian-public-sector-governance/ros-sector-checklists.md
+++ b/skills/ms-ai-governance/references/norwegian-public-sector-governance/ros-sector-checklists.md
@@ -4,9 +4,20 @@
 **Kategori:** Norwegian Public Sector AI Governance
 **Status:** Established Practice
 **Formål:** Sektortilpassede sjekklister for ros-analysis-agent — gir sektor-spesifikk risikoidentifisering utover generell AI-risikovurdering
+**Type:** template
 
 ---
 
+## Innhold
+
+- [Oversikt](#oversikt)
+- [§1 Helse](#1-helse)
+- [§2 Transport](#2-transport)
+- [§3 Finans](#3-finans)
+- [§4 Justis](#4-justis)
+- [§5 Utdanning](#5-utdanning)
+- [For Cosmo](#for-cosmo)
+
 ## Oversikt
 
 Denne filen inneholder sektorspesifikke sjekklister som supplerer den generelle ROS-analysen for AI-systemer i norsk offentlig sektor. Agenten detekterer sektor fra systembeskrivelsen og laster relevant sjekkliste automatisk. Sjekklistene er kalibrert mot norske tilsynsmyndigheter og sektorrelevant regelverk.
diff --git a/skills/ms-ai-governance/references/norwegian-public-sector-governance/samfunnsokonomisk-analyse-nnv.md b/skills/ms-ai-governance/references/norwegian-public-sector-governance/samfunnsokonomisk-analyse-nnv.md
index d6fd4c5..4fc648e 100644
--- a/skills/ms-ai-governance/references/norwegian-public-sector-governance/samfunnsokonomisk-analyse-nnv.md
+++ b/skills/ms-ai-governance/references/norwegian-public-sector-governance/samfunnsokonomisk-analyse-nnv.md
@@ -4,9 +4,24 @@
 **Status:** Gjeldende
 **Kategori:** Norwegian Public Sector AI Governance
 **Konfidens:** Høy (basert på DFØ veileder 2023 og Finansdepartementets R-109/21)
+**Type:** methodology
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [NNV-beregning (Netto nåverdi)](#nnv-beregning-netto-nåverdi)
+- [Gjennomarbeidet eksempel: 5-årig AI-prosjekt](#gjennomarbeidet-eksempel-5-årig-ai-prosjekt)
+- [Prissatte og ikke-prissatte virkninger](#prissatte-og-ikke-prissatte-virkninger)
+- [Sensitivitetsanalyse](#sensitivitetsanalyse)
+- [Fordelingsvirkninger](#fordelingsvirkninger)
+- [Skalering etter kompleksitet](#skalering-etter-kompleksitet)
+- [DFØs 8 arbeidsfaser anvendt på AI](#dføs-8-arbeidsfaser-anvendt-på-ai)
+- [Nullalternativet for AI-prosjekter](#nullalternativet-for-ai-prosjekter)
+- [Kilder](#kilder)
+- [For Cosmo Skyberg](#for-cosmo-skyberg)
+
 ## Introduksjon
 
 Samfunnsøkonomisk analyse er en metode for å kartlegge og synliggjøre konsekvensene av offentlige tiltak, ved å presentere systematisk og sammenlignbar informasjon om fordeler og ulemper for samfunnet som helhet og for enkeltgrupper.
diff --git a/skills/ms-ai-governance/references/norwegian-public-sector-governance/statistical-ethics-ssa-methodology.md b/skills/ms-ai-governance/references/norwegian-public-sector-governance/statistical-ethics-ssa-methodology.md
index d6d5e22..29717bb 100644
--- a/skills/ms-ai-governance/references/norwegian-public-sector-governance/statistical-ethics-ssa-methodology.md
+++ b/skills/ms-ai-governance/references/norwegian-public-sector-governance/statistical-ethics-ssa-methodology.md
@@ -3,9 +3,19 @@
 **Last updated:** 2026-04
 **Status:** Gjeldende
 **Category:** Norwegian Public Sector AI Governance
+**Type:** methodology
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Lovgrunnlag](#lovgrunnlag)
+- [Etiske retningslinjer](#etiske-retningslinjer)
+- [Anvendelse på AI-systemer i offentlig sektor](#anvendelse-på-ai-systemer-i-offentlig-sektor)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Statistikkloven (Lov om offisiell statistikk og Statistisk sentralbyrå, vedtatt 21. juni 2019) etablerer det formelle rammeverket for norsk offisiell statistikk og Statistisk sentralbyrås (SSB) ansvarsområde. Loven bekrefter SSBs faglige uavhengighet og setter krav til informasjonssikkerhet og personvern i statistikkproduksjon.
diff --git a/skills/ms-ai-governance/references/norwegian-public-sector-governance/utredningsinstruksen-ai-methodology.md b/skills/ms-ai-governance/references/norwegian-public-sector-governance/utredningsinstruksen-ai-methodology.md
index 9045998..8df7430 100644
--- a/skills/ms-ai-governance/references/norwegian-public-sector-governance/utredningsinstruksen-ai-methodology.md
+++ b/skills/ms-ai-governance/references/norwegian-public-sector-governance/utredningsinstruksen-ai-methodology.md
@@ -4,9 +4,21 @@
 **Status:** Gjeldende regelverk (Effective regulation)
 **Category:** Norwegian Public Sector Governance
 **Confidence:** High (offisielle kilder fra regjeringen.no og DFØ)
+**Type:** methodology
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [De seks spørsmålene anvendt på AI](#de-seks-spørsmålene-anvendt-på-ai)
+- [Krav til utredning av AI-tiltak](#krav-til-utredning-av-ai-tiltak)
+- [Metodikk og gjennomføring](#metodikk-og-gjennomføring)
+- [Beslutningsgrunnlag og kvalitetssikring](#beslutningsgrunnlag-og-kvalitetssikring)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Utredningsinstruksen er et sentralt styringsinstrument i norsk statsforvaltning som stiller minimumskrav til utredning av alle statlige tiltak. Instruksen ble fastsatt ved kongelig resolusjon 19. februar 2016 og trådte i kraft 1. mars 2016.
diff --git a/skills/ms-ai-governance/references/responsible-ai/ai-act-annex-iii-checklist.md b/skills/ms-ai-governance/references/responsible-ai/ai-act-annex-iii-checklist.md
index a7cd6cc..df14a58 100644
--- a/skills/ms-ai-governance/references/responsible-ai/ai-act-annex-iii-checklist.md
+++ b/skills/ms-ai-governance/references/responsible-ai/ai-act-annex-iii-checklist.md
@@ -4,9 +4,24 @@
 **Status:** GA
 **Category:** Responsible AI & Governance
 **Hjemmel:** Regulation (EU) 2024/1689, Annex III, Article 6(2)-(3)
+**Type:** regulatory
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Beslutningstre for risikoklassifisering](#beslutningstre-for-risikoklassifisering)
+- [Annex III: 8 kategorier med sjekkpunkter](#annex-iii-8-kategorier-med-sjekkpunkter)
+- [Oppsummeringstabell: Alle 30 underpunkter](#oppsummeringstabell-alle-30-underpunkter)
+- [Grensevurdering: Beslutningsstøtte vs. automatisert vedtak](#grensevurdering-beslutningsstøtte-vs-automatisert-vedtak)
+- [Compliance-krav per risikonivå](#compliance-krav-per-risikonivå)
+- [Grensesaker fra norsk offentlig sektor](#grensesaker-fra-norsk-offentlig-sektor)
+- [Tidslinje for compliance](#tidslinje-for-compliance)
+- [Microsoft-verktøystøtte for klassifisering](#microsoft-verktøystøtte-for-klassifisering)
+- [For Cosmo Skyberg](#for-cosmo-skyberg)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Denne sjekklisten gir en systematisk gjennomgang av EU AI Acts Annex III for å avgjøre om et AI-system klassifiseres som høyrisiko. Den utfyller `ai-act-compliance-guide.md` med konkrete sjekkpunkter per kategori, et beslutningstre for risikoklassifisering, og veiledning om grensesnittet mellom beslutningsstøtte og automatiserte vedtak i norsk offentlig sektor.
diff --git a/skills/ms-ai-governance/references/responsible-ai/ai-act-classification-methodology.md b/skills/ms-ai-governance/references/responsible-ai/ai-act-classification-methodology.md
index 027c257..1e987e8 100644
--- a/skills/ms-ai-governance/references/responsible-ai/ai-act-classification-methodology.md
+++ b/skills/ms-ai-governance/references/responsible-ai/ai-act-classification-methodology.md
@@ -1,4 +1,5 @@
 # EU AI Act — Systematisk Klassifiseringsmetodikk
+**Type:** regulatory
 
 Last updated: 2026-06-18
 Status: GA
@@ -6,6 +7,16 @@ Category: Responsible AI & Governance
 
 ---
 
+## Innhold
+
+- [Oversikt](#oversikt)
+- [4-stegs systematisk metodikk](#4-stegs-systematisk-metodikk)
+- [Rolle-bestemmelse: Provider vs. Deployer](#rolle-bestemmelse-provider-vs-deployer)
+- [Transport-sektoreksempler](#transport-sektoreksempler)
+- [Grensevurderinger](#grensevurderinger)
+- [Beslutningsflytdiagram](#beslutningsflytdiagram)
+- [For Cosmo](#for-cosmo)
+
 ## Oversikt
 
 EU AI Act (Forordning 2024/1689) bruker en risikobasert tilnærming med fire nivåer: forbudt, høy risiko, begrenset risiko og minimal risiko. Korrekt klassifisering er avgjørende — feil klassifisering kan medføre bøter på opptil 35 millioner EUR eller 7 % av global omsetning (Art. 99).
diff --git a/skills/ms-ai-governance/references/responsible-ai/ai-act-compliance-guide.md b/skills/ms-ai-governance/references/responsible-ai/ai-act-compliance-guide.md
index 5849fea..b3c1fa4 100644
--- a/skills/ms-ai-governance/references/responsible-ai/ai-act-compliance-guide.md
+++ b/skills/ms-ai-governance/references/responsible-ai/ai-act-compliance-guide.md
@@ -2,9 +2,22 @@
 **Last updated:** 2026-06-19
 **Status:** GA
 **Category:** Responsible AI & Governance
+**Type:** regulatory
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter / Nøkkelegenskaper](#kjernekomponenter--nøkkelegenskaper)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 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).
diff --git a/skills/ms-ai-governance/references/responsible-ai/ai-act-conformity-assessment.md b/skills/ms-ai-governance/references/responsible-ai/ai-act-conformity-assessment.md
index 62bc0dd..7e223d1 100644
--- a/skills/ms-ai-governance/references/responsible-ai/ai-act-conformity-assessment.md
+++ b/skills/ms-ai-governance/references/responsible-ai/ai-act-conformity-assessment.md
@@ -3,9 +3,20 @@
 **Last updated:** 2026-06-18
 **Status:** GA
 **Category:** Responsible AI & Governance
+**Type:** regulatory
 
 ---
 
+## Innhold
+
+- [Oversikt](#oversikt)
+- [Annex IV — 9-element sjekkliste for teknisk dokumentasjon](#annex-iv--9-element-sjekkliste-for-teknisk-dokumentasjon)
+- [EU-samsvarserklæring-mal (Art. 47)](#eu-samsvarserklæring-mal-art-47)
+- [Intern vs. ekstern samsvarsvurdering](#intern-vs-ekstern-samsvarsvurdering)
+- [Prosess-tidslinje: Fra design til CE-merking](#prosess-tidslinje-fra-design-til-ce-merking)
+- [Norsk kontekst](#norsk-kontekst)
+- [For Cosmo](#for-cosmo)
+
 ## Oversikt
 
 EU AI Act kapittel 5 (Art. 43–49) stiller krav om formell samsvarsvurdering (conformity assessment) for høyrisiko-AI-systemer før de kan plasseres på markedet eller tas i bruk. For de fleste systemer i Annex III kan dette gjøres internt av tilbyderen selv. Samsvarsvurderingen dokumenteres i teknisk dokumentasjon (Annex IV) og avsluttes med en EU-samsvarserklæring (Art. 47) og CE-merking (Art. 48).
diff --git a/skills/ms-ai-governance/references/responsible-ai/ai-act-deployer-obligations.md b/skills/ms-ai-governance/references/responsible-ai/ai-act-deployer-obligations.md
index b832251..0db397c 100644
--- a/skills/ms-ai-governance/references/responsible-ai/ai-act-deployer-obligations.md
+++ b/skills/ms-ai-governance/references/responsible-ai/ai-act-deployer-obligations.md
@@ -1,4 +1,5 @@
 # EU AI Act — Forpliktelser for Brukere (Deployers)
+**Type:** regulatory
 
 Last updated: 2026-06-18
 Status: GA
diff --git a/skills/ms-ai-governance/references/responsible-ai/ai-act-fria-template.md b/skills/ms-ai-governance/references/responsible-ai/ai-act-fria-template.md
index e163737..2c25892 100644
--- a/skills/ms-ai-governance/references/responsible-ai/ai-act-fria-template.md
+++ b/skills/ms-ai-governance/references/responsible-ai/ai-act-fria-template.md
@@ -1,4 +1,5 @@
 # FRIA-mal — Fundamental Rights Impact Assessment (Art. 27)
+**Type:** template
 
 Last updated: 2026-02
 Status: GA
@@ -6,6 +7,14 @@ Category: Responsible AI & Governance
 
 ---
 
+## Innhold
+
+- [Oversikt og hjemmel](#oversikt-og-hjemmel)
+- [Når må FRIA gjennomføres?](#når-må-fria-gjennomføres)
+- [FRIA-mal — 7 seksjoner](#fria-mal--7-seksjoner)
+- [Eksempel: FRIA for AutomatiskSaksbehandler (Direktoratet for digital tjenesteutvikling)](#eksempel-fria-for-automatisksaksbehandler-direktoratet-for-digital-tjenesteutvikling)
+- [For Cosmo](#for-cosmo)
+
 ## Oversikt og hjemmel
 
 Fundamental Rights Impact Assessment (FRIA) er påkrevd etter EU AI Act Art. 27 for:
diff --git a/skills/ms-ai-governance/references/responsible-ai/ai-act-microsoft-tools-mapping.md b/skills/ms-ai-governance/references/responsible-ai/ai-act-microsoft-tools-mapping.md
index a3020a4..1028dbe 100644
--- a/skills/ms-ai-governance/references/responsible-ai/ai-act-microsoft-tools-mapping.md
+++ b/skills/ms-ai-governance/references/responsible-ai/ai-act-microsoft-tools-mapping.md
@@ -3,9 +3,19 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Responsible AI & Governance
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Oversikt](#oversikt)
+- [Hoved-matrise: AI Act-artikkel til Microsoft-verktøy](#hoved-matrise-ai-act-artikkel-til-microsoft-verktøy)
+- [Verktøy-dyppdykk](#verktøy-dyppdykk)
+- [Lisens-krav for AI Act Compliance-verktøy](#lisens-krav-for-ai-act-compliance-verktøy)
+- [Implementeringsrekkefølge](#implementeringsrekkefølge)
+- [For Cosmo](#for-cosmo)
+
 ## Oversikt
 
 Microsoft-plattformen tilbyr en bred portefølje av verktøy som støtter etterlevelse av EU AI Act. Dette dokumentet gir en systematisk mapping fra AI Act-artikler til konkrete Microsoft-produkter og -tjenester, med implementeringsdetaljer, lisensinformasjon og anbefalt prioriteringsrekkefølge.
diff --git a/skills/ms-ai-governance/references/responsible-ai/ai-act-provider-obligations.md b/skills/ms-ai-governance/references/responsible-ai/ai-act-provider-obligations.md
index 526331b..0166bc4 100644
--- a/skills/ms-ai-governance/references/responsible-ai/ai-act-provider-obligations.md
+++ b/skills/ms-ai-governance/references/responsible-ai/ai-act-provider-obligations.md
@@ -1,4 +1,5 @@
 # EU AI Act — Forpliktelser for Tilbydere (Providers)
+**Type:** regulatory
 
 Last updated: 2026-06-18
 Status: GA
@@ -6,6 +7,20 @@ Category: Responsible AI & Governance
 
 ---
 
+## Innhold
+
+- [Oversikt](#oversikt)
+- [Art. 9: Risikostyringssystem](#art-9-risikostyringssystem)
+- [Art. 10: Data Governance](#art-10-data-governance)
+- [Art. 11: Teknisk Dokumentasjon](#art-11-teknisk-dokumentasjon)
+- [Art. 12: Loggføring](#art-12-loggføring)
+- [Art. 13: Transparens og bruksinformasjon](#art-13-transparens-og-bruksinformasjon)
+- [Art. 14: Menneskelig tilsyn](#art-14-menneskelig-tilsyn)
+- [Art. 15: Nøyaktighet, Robusthet og Cybersikkerhet](#art-15-nøyaktighet-robusthet-og-cybersikkerhet)
+- [Art. 16-27: Kvalitetsstyringssystem (QMS)](#art-16-27-kvalitetsstyringssystem-qms)
+- [Samsvarsvurdering-kalender](#samsvarsvurdering-kalender)
+- [For Cosmo](#for-cosmo)
+
 ## Oversikt
 
 En provider er enhver juridisk eller fysisk person som utvikler et AI-system (eller får det utviklet) og markedsfører det under sitt navn eller varemerke, enten mot betaling eller gratis (Art. 3(3)). For høyrisiko-AI-systemer gjelder et omfattende sett med forpliktelser under Art. 9-27.
diff --git a/skills/ms-ai-governance/references/responsible-ai/ai-act-transparency-notices.md b/skills/ms-ai-governance/references/responsible-ai/ai-act-transparency-notices.md
index af178eb..b9d5e41 100644
--- a/skills/ms-ai-governance/references/responsible-ai/ai-act-transparency-notices.md
+++ b/skills/ms-ai-governance/references/responsible-ai/ai-act-transparency-notices.md
@@ -3,9 +3,21 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Responsible AI & Governance
+**Type:** regulatory
 
 ---
 
+## Innhold
+
+- [Oversikt](#oversikt)
+- [Art. 13: Bruksinstruksjoner for høyrisiko-systemer](#art-13-bruksinstruksjoner-for-høyrisiko-systemer)
+- [Art. 50(1): Informasjonsplikt ved AI-interaksjon](#art-501-informasjonsplikt-ved-ai-interaksjon)
+- [Art. 50(2): AI-generert innhold](#art-502-ai-generert-innhold)
+- [Art. 50(4): Deepfakes og syntetisk innhold](#art-504-deepfakes-og-syntetisk-innhold)
+- [Norske maler](#norske-maler)
+- [Oppdateringstriggers](#oppdateringstriggers)
+- [For Cosmo](#for-cosmo)
+
 ## Oversikt
 
 EU AI Act stiller krav om transparens på to nivåer: detaljerte bruksinstruksjoner for høyrisiko-systemer (Art. 13), og kortfattede transparensnotiser ved direkte brukerinteraksjon (Art. 50). Norske offentlige virksomheter må oppfylle begge — og i tillegg forvaltningsloven § 11 om veiledningsplikt og § 25 om begrunnelsesplikt. Dette dokumentet gir operative maler og retningslinjer tilpasset norsk kontekst.
diff --git a/skills/ms-ai-governance/references/responsible-ai/ai-center-of-excellence-setup.md b/skills/ms-ai-governance/references/responsible-ai/ai-center-of-excellence-setup.md
index 6ac3a14..ce602d7 100644
--- a/skills/ms-ai-governance/references/responsible-ai/ai-center-of-excellence-setup.md
+++ b/skills/ms-ai-governance/references/responsible-ai/ai-center-of-excellence-setup.md
@@ -1,8 +1,24 @@
 # AI Center of Excellence - Building Organizational Capability
 
 **Kategori:** Responsible AI & Governance
-**Opprettet:** 2026-04 | **Sist oppdatert:** 2026-06-19 | **Verified:** MCP 2026-06-19
+**Opprettet:** 2026-04 | **Sist oppdatert:** 2026-06-19
 **Confidence:** HIGH (basert på Microsoft Cloud Adoption Framework og offisiell dokumentasjon)
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/cloud-adoption-framework/scenarios/ai/govern
+
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Oppdatert CAF-guidance for AI CoE (2026) *(Verified MCP 2026-04)*](#oppdatert-caf-guidance-for-ai-coe-2026-verified-mcp-2026-04)
+- [Kilder og verifisering](#kilder-og-verifisering)
+- [Oppdateringer 2026-05 — AI Agent-tilpasset CoE *(Verified MCP 2026-05)*](#oppdateringer-2026-05--ai-agent-tilpasset-coe-verified-mcp-2026-05)
 
 ## Introduksjon
 
diff --git a/skills/ms-ai-governance/references/responsible-ai/ai-ethics-in-public-sector.md b/skills/ms-ai-governance/references/responsible-ai/ai-ethics-in-public-sector.md
index ab7f3e4..27a849e 100644
--- a/skills/ms-ai-governance/references/responsible-ai/ai-ethics-in-public-sector.md
+++ b/skills/ms-ai-governance/references/responsible-ai/ai-ethics-in-public-sector.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19
 **Status:** GA
 **Category:** Responsible AI & Governance
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-responsible-ai-dashboard
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 AI-etikk i offentlig sektor handler om mer enn teknisk compliance — det er grunnlaget for tilliten mellom stat og innbygger. Når norske offentlige virksomheter innfører AI-løsninger, må de balansere innovasjonspotensialet med juridiske, etiske og demokratiske prinsipper som er forankret i norsk forvaltningsrett.
diff --git a/skills/ms-ai-governance/references/responsible-ai/ai-governance-structure-framework.md b/skills/ms-ai-governance/references/responsible-ai/ai-governance-structure-framework.md
index 89521fe..1ce8be8 100644
--- a/skills/ms-ai-governance/references/responsible-ai/ai-governance-structure-framework.md
+++ b/skills/ms-ai-governance/references/responsible-ai/ai-governance-structure-framework.md
@@ -4,9 +4,22 @@
 **Kategori:** Responsible AI & Governance
 **Målgruppe:** Tekniske beslutningstakere, AI-arkitekter, governance-team
 **Oppdateringsfrekvens:** Kvartalsvis (Q1 2026)
+**Type:** methodology
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter i AI Governance Structure](#kjernekomponenter-i-ai-governance-structure)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 En solid AI-governancestruktur er ikke et byråkratisk lag oppå AI-utviklingen — det er fundamentet for skalerbar, trygg og etisk AI-implementering. Organisasjoner som prøver å rulle ut AI uten tydelige roller, policyer og prosesser ender med fragmenterte initiativer, inkonsistent sikkerhet og økt risiko for regulatoriske brudd.
diff --git a/skills/ms-ai-governance/references/responsible-ai/ai-impact-assessment-framework.md b/skills/ms-ai-governance/references/responsible-ai/ai-impact-assessment-framework.md
index 0de65b0..0ec374d 100644
--- a/skills/ms-ai-governance/references/responsible-ai/ai-impact-assessment-framework.md
+++ b/skills/ms-ai-governance/references/responsible-ai/ai-impact-assessment-framework.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-05
 **Status:** GA
 **Category:** Responsible AI & Governance
+**Type:** methodology
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Purview SDK-integrasjon for AI-applikasjonstesting *(Verified MCP 2026-04)*](#purview-sdk-integrasjon-for-ai-applikasjonstesting-verified-mcp-2026-04)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 AI Impact Assessment er en systematisk tilnærming for å evaluere potensielle konsekvenser av AI-systemer før, under og etter implementering. Microsoft har utviklet både en veiledning (AI Impact Assessment Guide) og et praktisk verktøy (AI Impact Assessment Template) som del av Responsible AI Standard v2.
diff --git a/skills/ms-ai-governance/references/responsible-ai/ai-risk-taxonomy-classification.md b/skills/ms-ai-governance/references/responsible-ai/ai-risk-taxonomy-classification.md
index 5aa3732..095581c 100644
--- a/skills/ms-ai-governance/references/responsible-ai/ai-risk-taxonomy-classification.md
+++ b/skills/ms-ai-governance/references/responsible-ai/ai-risk-taxonomy-classification.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19
 **Status:** GA
 **Category:** Responsible AI & Governance
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-responsible-ai
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 AI Risk Taxonomy er et strukturert rammeverk for å identifisere, klassifisere og prioritere risikoer i AI-systemer. Microsoft har utviklet en omfattende tilnærming som kombinerer teknisk sikkerhet, ansvarlig AI-praksis og regulatorisk compliance (spesielt EU AI Act). Taxonomien dekker hele AI-livssyklusen fra datainnsamling til produksjonsdrift.
diff --git a/skills/ms-ai-governance/references/responsible-ai/algorithmic-accountability-auditability.md b/skills/ms-ai-governance/references/responsible-ai/algorithmic-accountability-auditability.md
index 46e9a15..12d3558 100644
--- a/skills/ms-ai-governance/references/responsible-ai/algorithmic-accountability-auditability.md
+++ b/skills/ms-ai-governance/references/responsible-ai/algorithmic-accountability-auditability.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19
 **Status:** GA
 **Category:** Responsible AI & Governance
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-responsible-ai
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Algorithmic accountability handler om å sikre at AI-systemer kan redegjøre for sine beslutninger, at beslutningsprosesser er transparente, og at organisasjoner kan dokumentere og ettergå AI-aktivitet gjennom hele livssyklusen. Dette er kritisk både for regulatorisk compliance, risikostyring, og tillit mellom mennesker og AI-systemer.
diff --git a/skills/ms-ai-governance/references/responsible-ai/bias-detection-mitigation-strategies.md b/skills/ms-ai-governance/references/responsible-ai/bias-detection-mitigation-strategies.md
index bd79892..694b3d3 100644
--- a/skills/ms-ai-governance/references/responsible-ai/bias-detection-mitigation-strategies.md
+++ b/skills/ms-ai-governance/references/responsible-ai/bias-detection-mitigation-strategies.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24 | Verified: MCP 2026-06-24
 **Status:** GA
 **Category:** Responsible AI & Governance
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-responsible-ai-dashboard
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter / Nøkkelegenskaper](#kjernekomponenter--nøkkelegenskaper)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Bias detection og mitigation er kritiske komponenter i utviklingen av rettferdige AI-systemer. Microsoft tilbyr et helhetlig rammeverk for å identifisere, måle og redusere bias gjennom hele AI-livssyklusen – fra datainsamling til produksjonsovervåkning.
diff --git a/skills/ms-ai-governance/references/responsible-ai/content-safety-implementation.md b/skills/ms-ai-governance/references/responsible-ai/content-safety-implementation.md
index 9c62860..0c562b1 100644
--- a/skills/ms-ai-governance/references/responsible-ai/content-safety-implementation.md
+++ b/skills/ms-ai-governance/references/responsible-ai/content-safety-implementation.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24 | Verified: MCP 2026-06-24
 **Status:** GA
 **Category:** Responsible AI & Governance
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/ai-services/content-safety/overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Azure AI Content Safety er Microsofts omfattende løsning for å oppdage og mitigere skadelig innhold i AI-drevne applikasjoner. Tjenesten tilbyr både standalone API-er og integrerte content filters som fungerer sammen med Azure OpenAI Service for å beskytte både brukerinndata og AI-genererte utdata.
diff --git a/skills/ms-ai-governance/references/responsible-ai/continuous-improvement-feedback-loops.md b/skills/ms-ai-governance/references/responsible-ai/continuous-improvement-feedback-loops.md
index aeb681c..ed67954 100644
--- a/skills/ms-ai-governance/references/responsible-ai/continuous-improvement-feedback-loops.md
+++ b/skills/ms-ai-governance/references/responsible-ai/continuous-improvement-feedback-loops.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19
 **Status:** GA
 **Category:** Responsible AI & Governance
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-responsible-ai-dashboard
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Continuous improvement through feedback loops er et kjernekonsept i moderne AI-governance. Dette handler om systematisk innsamling, analyse og anvendelse av tilbakemeldinger fra produksjonssystemer, brukere og domeneksperter for å forbedre AI-kvalitet, sikkerhet og alignment over tid.
diff --git a/skills/ms-ai-governance/references/responsible-ai/data-quality-responsible-ai.md b/skills/ms-ai-governance/references/responsible-ai/data-quality-responsible-ai.md
index b245a48..b067af6 100644
--- a/skills/ms-ai-governance/references/responsible-ai/data-quality-responsible-ai.md
+++ b/skills/ms-ai-governance/references/responsible-ai/data-quality-responsible-ai.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19
 **Status:** GA
 **Category:** Responsible AI & Governance
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-responsible-ai
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Datakvalitet er grunnmuren for ansvarlig AI. Machine learning-modeller lærer fra historiske beslutninger og handlinger fanget i treningsdata, og deres ytelse i produksjon er direkte avhengig av kvaliteten på disse dataene. Dårlig datakvalitet fører til bias, unfairness, feilprediksjoner og tap av tillit.
diff --git a/skills/ms-ai-governance/references/responsible-ai/fairness-testing-measurement.md b/skills/ms-ai-governance/references/responsible-ai/fairness-testing-measurement.md
index d3ca573..e40ae42 100644
--- a/skills/ms-ai-governance/references/responsible-ai/fairness-testing-measurement.md
+++ b/skills/ms-ai-governance/references/responsible-ai/fairness-testing-measurement.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-04
 **Status:** GA
 **Category:** Responsible AI & Governance
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-responsible-ai-dashboard
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Fairness testing og measurement er kritiske disipliner for å kvantifisere og redusere bias i AI-systemer. Når AI-modeller tar beslutninger som påvirker mennesker — fra låneinnvilgelser til sykdomsdiagnostikk — må vi kunne måle om disse systemene behandler alle grupper rettferdig.
diff --git a/skills/ms-ai-governance/references/responsible-ai/gdpr-compliance-ai-systems.md b/skills/ms-ai-governance/references/responsible-ai/gdpr-compliance-ai-systems.md
index 40385d1..1e17493 100644
--- a/skills/ms-ai-governance/references/responsible-ai/gdpr-compliance-ai-systems.md
+++ b/skills/ms-ai-governance/references/responsible-ai/gdpr-compliance-ai-systems.md
@@ -3,9 +3,22 @@
 **Last updated:** 2026-06-18
 **Status:** GA
 **Category:** Responsible AI & Governance
+**Type:** regulatory
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter / Nøkkelegenskaper](#kjernekomponenter--nøkkelegenskaper)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 General Data Protection Regulation (GDPR) er EU-forordningen som setter globale standarder for databeskyttelse og personvern. For AI-systemer er GDPR-compliance kritisk fordi AI-applikasjoner behandler personopplysninger på måter som krever ekstra oppmerksomhet: treningsdata, inferens-input, loggføring, og lagring av modellutdata.
diff --git a/skills/ms-ai-governance/references/responsible-ai/human-in-the-loop-oversight.md b/skills/ms-ai-governance/references/responsible-ai/human-in-the-loop-oversight.md
index e237cf1..bcf904d 100644
--- a/skills/ms-ai-governance/references/responsible-ai/human-in-the-loop-oversight.md
+++ b/skills/ms-ai-governance/references/responsible-ai/human-in-the-loop-oversight.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-05
 **Status:** GA
 **Category:** Responsible AI & Governance
+**Type:** reference
+**Source:** https://learn.microsoft.com/security/benchmark/azure/mcsb-v2-artificial-intelligence-security
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Human-in-the-Loop (HITL) er et fundamentalt prinsipp for ansvarlig AI som sikrer at mennesker beholder kontroll og beslutningsmyndighet i AI-drevne systemer. Tross den økende autonomiteten til AI-agenter og generative modeller, er menneskelig oversyn kritisk for å håndtere høyrisikobeslutninger, validere outputkvalitet og beskytte mot feilaktige eller skadelige AI-handlinger.
diff --git a/skills/ms-ai-governance/references/responsible-ai/model-explainability-interpretability.md b/skills/ms-ai-governance/references/responsible-ai/model-explainability-interpretability.md
index 0062007..e87f526 100644
--- a/skills/ms-ai-governance/references/responsible-ai/model-explainability-interpretability.md
+++ b/skills/ms-ai-governance/references/responsible-ai/model-explainability-interpretability.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19
 **Status:** GA
 **Category:** Responsible AI & Governance
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-responsible-ai
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter / Nøkkelegenskaper](#kjernekomponenter--nøkkelegenskaper)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Model explainability og interpretability (XAI - Explainable AI) handler om å gjøre machine learning-modellers beslutninger forståelige og transparent for mennesker. I en tid hvor AI-systemer påvirker kritiske beslutninger i offentlig sektor, helsevesen og finansbransjen, er det avgjørende å kunne forklare hvorfor en modell gjorde en spesifikk prediksjon.
diff --git a/skills/ms-ai-governance/references/responsible-ai/model-monitoring-drift-detection.md b/skills/ms-ai-governance/references/responsible-ai/model-monitoring-drift-detection.md
index 8c38fd0..c6efe11 100644
--- a/skills/ms-ai-governance/references/responsible-ai/model-monitoring-drift-detection.md
+++ b/skills/ms-ai-governance/references/responsible-ai/model-monitoring-drift-detection.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-04
 **Status:** GA
 **Category:** Responsible AI & Governance
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-model-monitoring
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Model monitoring er siste steg i machine learning-livssyklusen og sporer modellytelse i produksjon fra både datavitenskapelige og operasjonelle perspektiver. I motsetning til tradisjonelle programvaresystemer, avhenger ML-systemers oppførsel ikke bare av regler i kode, men også av data. Endringer i datadistribusjon, training-serving skew, datakvalitetsproblemer og miljøendringer kan alle føre til at modeller blir utdaterte.
diff --git a/skills/ms-ai-governance/references/responsible-ai/red-teaming-ai-models.md b/skills/ms-ai-governance/references/responsible-ai/red-teaming-ai-models.md
index e4e1c8e..90a6f91 100644
--- a/skills/ms-ai-governance/references/responsible-ai/red-teaming-ai-models.md
+++ b/skills/ms-ai-governance/references/responsible-ai/red-teaming-ai-models.md
@@ -4,6 +4,21 @@
 **Kategori:** Responsible AI & Governance
 **Målgruppe:** Arkitekter, sikkerhetsteam, AI-utviklere
 **Konfidensgrad:** ⚠️ HIGH — Basert på offisiell Microsoft-dokumentasjon (jun 2026)
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/ai-services/content-safety/concepts/jailbreak-detection
+
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+- [For Cosmo: Quick Reference Card](#for-cosmo-quick-reference-card)
 
 ## Introduksjon
 
diff --git a/skills/ms-ai-governance/references/responsible-ai/responsible-ai-framework-overview.md b/skills/ms-ai-governance/references/responsible-ai/responsible-ai-framework-overview.md
index 4824bc8..14cebf5 100644
--- a/skills/ms-ai-governance/references/responsible-ai/responsible-ai-framework-overview.md
+++ b/skills/ms-ai-governance/references/responsible-ai/responsible-ai-framework-overview.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-04
 **Status:** GA
 **Category:** Responsible AI & Governance
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-responsible-ai
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter / Nøkkelegenskaper](#kjernekomponenter--nøkkelegenskaper)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Microsoft Responsible AI Framework er et omfattende rammeverk for å utvikle, vurdere og deploye AI-systemer på en trygg, etisk og tillitsskapende måte. Rammeverket bygger på seks kjerneprinsippers: **fairness, reliability and safety, privacy and security, inclusiveness, transparency og accountability**.
diff --git a/skills/ms-ai-governance/references/responsible-ai/responsible-ai-policy-development.md b/skills/ms-ai-governance/references/responsible-ai/responsible-ai-policy-development.md
index cc8eda1..d787309 100644
--- a/skills/ms-ai-governance/references/responsible-ai/responsible-ai-policy-development.md
+++ b/skills/ms-ai-governance/references/responsible-ai/responsible-ai-policy-development.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24 | Verified: MCP 2026-06-24
 **Status:** GA
 **Category:** Responsible AI & Governance
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-model-management-and-deployment
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Responsible AI-policyer er fundamentet for etisk, transparent og ansvarlig AI-implementering på tvers av organisasjoner. Disse policyene oversetter abstrakte prinsipper til konkrete krav som utviklingsteam kan implementere, og sikrer at AI-systemer opererer i tråd med organisasjonens verdier, regulatoriske krav og etiske standarder.
diff --git a/skills/ms-ai-governance/references/responsible-ai/responsible-ai-training-awareness.md b/skills/ms-ai-governance/references/responsible-ai/responsible-ai-training-awareness.md
index 8fa52c8..52cde15 100644
--- a/skills/ms-ai-governance/references/responsible-ai/responsible-ai-training-awareness.md
+++ b/skills/ms-ai-governance/references/responsible-ai/responsible-ai-training-awareness.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19
 **Status:** GA
 **Category:** Responsible AI & Governance
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/cloud-adoption-framework/scenarios/ai/plan
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Responsible AI training og awareness er en kritisk organisasjonskapabilitet som muliggjør trygg og etisk implementering av AI-løsninger. I en tid hvor AI-adopsjonen akselererer raskt, representerer opplæring og bevisstgjøring forskjellen mellom organisasjoner som høster gevinster av AI og de som møter etiske, regulatoriske eller omdømmemessige problemer.
diff --git a/skills/ms-ai-governance/references/responsible-ai/stakeholder-communication-ai-decisions.md b/skills/ms-ai-governance/references/responsible-ai/stakeholder-communication-ai-decisions.md
index ebe957b..bb259cb 100644
--- a/skills/ms-ai-governance/references/responsible-ai/stakeholder-communication-ai-decisions.md
+++ b/skills/ms-ai-governance/references/responsible-ai/stakeholder-communication-ai-decisions.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24 | Verified: MCP 2026-06-24
 **Status:** GA
 **Category:** Responsible AI & Governance
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-responsible-ai
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Effektiv kommunikasjon av AI-beslutninger til ikke-tekniske interessenter er kritisk for tillit, compliance og vellykket AI-adopsjon. Når AI-systemer påvirker menneskers liv — enten det gjelder kredittbeslutninger, jobbsøknader, eller offentlige tjenester — må både tekniske og ikke-tekniske interessenter forstå hvordan beslutningene tas.
diff --git a/skills/ms-ai-governance/references/responsible-ai/transparency-documentation-standards.md b/skills/ms-ai-governance/references/responsible-ai/transparency-documentation-standards.md
index c574e51..dab1c78 100644
--- a/skills/ms-ai-governance/references/responsible-ai/transparency-documentation-standards.md
+++ b/skills/ms-ai-governance/references/responsible-ai/transparency-documentation-standards.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19
 **Status:** GA
 **Category:** Responsible AI & Governance
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-responsible-ai
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Transparency and documentation er sentrale prinsipper i Microsofts Responsible AI Standard og krav i emerging regulations som EU AI Act. Dokumentasjon av AI-systemer omfatter både interne governance-verktøy og brukervendte disclosure-mekanismer. Microsoft tilbyr standardiserte rammeverk for å dokumentere AI-kapabiliteter, begrensninger og sikkerhetstiltak gjennom Transparency Notes, model cards, datasheets og Responsible AI scorecards.
diff --git a/skills/ms-ai-infrastructure/references/bcdr/ai-foundry-disaster-recovery-planning.md b/skills/ms-ai-infrastructure/references/bcdr/ai-foundry-disaster-recovery-planning.md
index 3a60a3a..328f10b 100644
--- a/skills/ms-ai-infrastructure/references/bcdr/ai-foundry-disaster-recovery-planning.md
+++ b/skills/ms-ai-infrastructure/references/bcdr/ai-foundry-disaster-recovery-planning.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Business Continuity & Disaster Recovery
+**Type:** reference
+**Source:** https://learn.microsoft.com/security/benchmark/azure/baselines/azure-ai-foundry-security-baseline
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Prosjektdata-backup og replikering](#prosjektdata-backup-og-replikering)
+- [Modellversjonskontroll og gjenoppretting](#modellversjonskontroll-og-gjenoppretting)
+- [Configuration as Code for reproduserbarhet](#configuration-as-code-for-reproduserbarhet)
+- [RTO og RPO-definisjoner for AI-prosjekter](#rto-og-rpo-definisjoner-for-ai-prosjekter)
+- [Testing og validering av DR-prosedyrer](#testing-og-validering-av-dr-prosedyrer)
+- [Gjenopprettingsprosedyre ved regionalt utfall](#gjenopprettingsprosedyre-ved-regionalt-utfall)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Microsoft Foundry (tidligere Azure AI Studio / Azure AI Foundry) er Microsofts sentrale plattform for utvikling, evaluering og deployering av AI-modeller og agenter. Plattformen tilbyr imidlertid ikke automatisk failover eller disaster recovery ut av boksen -- dette er eksplisitt dokumentert av Microsoft. Det betyr at organisasjoner i norsk offentlig sektor som bygger forretningskritiske AI-loesninger pa AI Foundry, ma planlegge og implementere sin egen DR-strategi.
diff --git a/skills/ms-ai-infrastructure/references/bcdr/backup-recovery-strategies-ai-workloads.md b/skills/ms-ai-infrastructure/references/bcdr/backup-recovery-strategies-ai-workloads.md
index 650164b..8cf66d8 100644
--- a/skills/ms-ai-infrastructure/references/bcdr/backup-recovery-strategies-ai-workloads.md
+++ b/skills/ms-ai-infrastructure/references/bcdr/backup-recovery-strategies-ai-workloads.md
@@ -3,9 +3,24 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Business Continuity & Disaster Recovery
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/backup/backup-overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Inkrementell versus full backup](#inkrementell-versus-full-backup)
+- [Point-in-time Recovery for datasett](#point-in-time-recovery-for-datasett)
+- [Snapshot-administrasjon og retensjon](#snapshot-administrasjon-og-retensjon)
+- [Off-region backup-lagring](#off-region-backup-lagring)
+- [Automatisering og planlegging av backups](#automatisering-og-planlegging-av-backups)
+- [Kostnadsstyring for backup](#kostnadsstyring-for-backup)
+- [Sjekkliste for backup-strategi](#sjekkliste-for-backup-strategi)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Backup- og gjenopprettingsstrategier for AI-arbeidsbelastninger skiller seg vesentlig fra tradisjonelle applikasjoner. En AI-loesning bestar ikke bare av applikasjonskode og databaser, men ogsaa av trenede modeller, datasett, fine-tuning-artefakter, embedding-indekser, agentdefinisjoner, samtalelogger og pipeline-konfigurasjoner. Hvert av disse elementene har ulike krav til backup-frekvens, retensjonstid og gjenopprettingsmetode. Et tap av treningsdata kan bety uker med tapt arbeid, mens et tap av embedding-indekser kan gjenopprettes ved reindeksering fra kildedata.
diff --git a/skills/ms-ai-infrastructure/references/bcdr/capacity-planning-dr-configurations.md b/skills/ms-ai-infrastructure/references/bcdr/capacity-planning-dr-configurations.md
index fb10062..325983c 100644
--- a/skills/ms-ai-infrastructure/references/bcdr/capacity-planning-dr-configurations.md
+++ b/skills/ms-ai-infrastructure/references/bcdr/capacity-planning-dr-configurations.md
@@ -3,9 +3,22 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Business Continuity & Disaster Recovery
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/well-architected/design-guides/disaster-recovery
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Dimensjonering av DR-miljø for toppbelastning](#dimensjonering-av-dr-miljø-for-toppbelastning)
+- [Surge capacity og burst-håndtering](#surge-capacity-og-burst-håndtering)
+- [Kostnadsoptimalisering for standby-ressurser](#kostnadsoptimalisering-for-standby-ressurser)
+- [Skaleringsregler og auto-scaling](#skaleringsregler-og-auto-scaling)
+- [Kapasitetsreservasjonsstrategier](#kapasitetsreservasjonsstrategier)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Kapasitetsplanlegging for Disaster Recovery-konfigurasjoner handler om å dimensjonere reserveressurser riktig slik at AI-systemer kan gjenopprettes innenfor definerte RTO- og RPO-mål. For AI-arbeidsbelastninger er dette spesielt utfordrende fordi ressurskravene er høye (GPU-compute, store indekser, høy throughput) og kostnadene eskalerer raskt ved full duplisering.
diff --git a/skills/ms-ai-infrastructure/references/bcdr/chaos-engineering-ai-systems.md b/skills/ms-ai-infrastructure/references/bcdr/chaos-engineering-ai-systems.md
index 99885d9..aa1ef71 100644
--- a/skills/ms-ai-infrastructure/references/bcdr/chaos-engineering-ai-systems.md
+++ b/skills/ms-ai-infrastructure/references/bcdr/chaos-engineering-ai-systems.md
@@ -3,9 +3,22 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Business Continuity & Disaster Recovery
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/chaos-studio/chaos-studio-overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Feilinjeksjonsstrategier for AI-tjenester](#feilinjeksjonsstrategier-for-ai-tjenester)
+- [Nettverkspartisjonssimulering](#nettverkspartisjonssimulering)
+- [Last- og stresstesting](#last--og-stresstesting)
+- [Recovery time-måling og validering](#recovery-time-måling-og-validering)
+- [Verktøy og plattformer for chaos engineering](#verktøy-og-plattformer-for-chaos-engineering)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Chaos engineering er praksisen med å bevisst injisere feil i et system for å teste dets resiliens og avdekke svakheter før de forårsaker produksjonshendelser. For AI-systemer er dette spesielt verdifullt fordi AI-workloads har komplekse avhengighetskjeder (modell-endpoints, search-indekser, embedding-pipelines, datastores) der en feil i ett komponent kan kaskadere uforutsigbart.
diff --git a/skills/ms-ai-infrastructure/references/bcdr/compliance-requirements-bcdr.md b/skills/ms-ai-infrastructure/references/bcdr/compliance-requirements-bcdr.md
index dc56039..b93d310 100644
--- a/skills/ms-ai-infrastructure/references/bcdr/compliance-requirements-bcdr.md
+++ b/skills/ms-ai-infrastructure/references/bcdr/compliance-requirements-bcdr.md
@@ -3,9 +3,22 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Business Continuity & Disaster Recovery
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/compliance
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Forvaltningslovens krav til kontinuitet](#forvaltningslovens-krav-til-kontinuitet)
+- [GDPR og data residency-krav](#gdpr-og-data-residency-krav)
+- [NSMs sikkerhetsveiledninger for kritisk infrastruktur](#nsms-sikkerhetsveiledninger-for-kritisk-infrastruktur)
+- [Sektorspesifikke reguleringer](#sektorspesifikke-reguleringer)
+- [Audit og dokumentasjonskrav](#audit-og-dokumentasjonskrav)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Norske offentlige organisasjoner som bruker AI-tjenester i Azure er underlagt et komplekst regulatorisk landskap for Business Continuity and Disaster Recovery. Kravene kommer fra nasjonale lover (Forvaltningsloven, Sikkerhetsloven), EU-forordninger (GDPR, AI Act), sektorkrav (NSM, Digdir) og internasjonale standarder (ISO 22301, ISO 27001).
diff --git a/skills/ms-ai-infrastructure/references/bcdr/cost-analysis-dr-configurations.md b/skills/ms-ai-infrastructure/references/bcdr/cost-analysis-dr-configurations.md
index 2540ece..3bc2fef 100644
--- a/skills/ms-ai-infrastructure/references/bcdr/cost-analysis-dr-configurations.md
+++ b/skills/ms-ai-infrastructure/references/bcdr/cost-analysis-dr-configurations.md
@@ -3,9 +3,22 @@
 **Last updated:** 2026-04
 **Status:** GA
 **Category:** Business Continuity & Disaster Recovery
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/cost-management-billing/cost-management-billing-overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Total Cost of Ownership-beregning](#total-cost-of-ownership-beregning)
+- [RTO/RPO vs. kostnads trade-off analyse](#rtorpo-vs-kostnads-trade-off-analyse)
+- [Reserved Capacity vs. On-Demand prising](#reserved-capacity-vs-on-demand-prising)
+- [Cross-region bandwidth-kostnader](#cross-region-bandwidth-kostnader)
+- [Kostnadsoptimalisering og Reserved Instances](#kostnadsoptimalisering-og-reserved-instances)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Kostnadsanalyse av BCDR-løsninger for AI-systemer er avgjørende for å sikre at organisasjonen investerer riktig i resiliens. DR-kostnader kan utgjøre alt fra 2% til 100% av primære driftskostnader, avhengig av valgt strategi. For AI-workloads er kostnadene spesielt høye fordi tjenester som Azure OpenAI (Provisioned Throughput), AI Search og GPU-compute er dyre.
diff --git a/skills/ms-ai-infrastructure/references/bcdr/data-replication-patterns-ai.md b/skills/ms-ai-infrastructure/references/bcdr/data-replication-patterns-ai.md
index ec46d53..34ff003 100644
--- a/skills/ms-ai-infrastructure/references/bcdr/data-replication-patterns-ai.md
+++ b/skills/ms-ai-infrastructure/references/bcdr/data-replication-patterns-ai.md
@@ -3,9 +3,22 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Business Continuity & Disaster Recovery
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/reliability/concept-redundancy-replication-backup
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Synkron vs. asynkron replikering](#synkron-vs-asynkron-replikering)
+- [Active-Active og Active-Passive mønstre](#active-active-og-active-passive-mønstre)
+- [Konsistensmodeller og eventual consistency](#konsistensmodeller-og-eventual-consistency)
+- [Konfliktløsningsstrategier](#konfliktløsningsstrategier)
+- [Monitoring av replikasjonsforsinkelse og helse](#monitoring-av-replikasjonsforsinkelse-og-helse)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Datareplikering er fundamentet for Business Continuity i AI-systemer. AI-arbeidsbelastninger har spesielle krav til datakonsistens, latens og tilgjengelighet som gjør valg av replikasjonsmekanisme særlig viktig. En RAG-løsning må for eksempel replikere både search-indekser, embedding-vektorer, kildedokumenter og konversasjonshistorikk — hver med ulike konsistens- og latensbehov.
diff --git a/skills/ms-ai-infrastructure/references/bcdr/failover-testing-ai-services.md b/skills/ms-ai-infrastructure/references/bcdr/failover-testing-ai-services.md
index 323a79b..a2474c3 100644
--- a/skills/ms-ai-infrastructure/references/bcdr/failover-testing-ai-services.md
+++ b/skills/ms-ai-infrastructure/references/bcdr/failover-testing-ai-services.md
@@ -3,9 +3,22 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Business Continuity & Disaster Recovery
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/chaos-studio/chaos-studio-overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Planlagte failover-testscenarier](#planlagte-failover-testscenarier)
+- [Validering og overvaking under failover](#validering-og-overvaking-under-failover)
+- [Suksesskriterier og akseptanseterskel](#suksesskriterier-og-akseptanseterskel)
+- [Dokumentasjon og laerdommer](#dokumentasjon-og-laerdommer)
+- [Regelmessig testplanlegging og frekvens](#regelmessig-testplanlegging-og-frekvens)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Failover-testing er en kritisk men ofte forsoemmt del av disaster recovery for AI-tjenester. En DR-plan som ikke er testet er i praksis ingen plan -- den gir en falsk trygghet som kan forsterke konsekvensene av et reelt utfall. Microsoft anbefaler eksplisitt a gjennomfoere regelmessige failover-drills for a validere at resiliens-mekanismer fungerer som forventet, og at teamet er i stand til a haandtere en krise effektivt.
diff --git a/skills/ms-ai-infrastructure/references/bcdr/geo-redundancy-azure-ai-search.md b/skills/ms-ai-infrastructure/references/bcdr/geo-redundancy-azure-ai-search.md
index c4ca928..b77c3f4 100644
--- a/skills/ms-ai-infrastructure/references/bcdr/geo-redundancy-azure-ai-search.md
+++ b/skills/ms-ai-infrastructure/references/bcdr/geo-redundancy-azure-ai-search.md
@@ -3,9 +3,22 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Business Continuity & Disaster Recovery
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/frontdoor/front-door-overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Indeksreplikering på tvers av regioner](#indeksreplikering-på-tvers-av-regioner)
+- [Replikatelling og dimensjonering for tilgjengelighet](#replikatelling-og-dimensjonering-for-tilgjengelighet)
+- [Failover- og routingstrategier](#failover--og-routingstrategier)
+- [Holde indekser synkroniserte](#holde-indekser-synkroniserte)
+- [Query-ytelse i multi-region oppsett](#query-ytelse-i-multi-region-oppsett)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Azure AI Search er en regional tjeneste uten innebygd geo-replikering eller automatisk failover. Hvis regionen blir utilgjengelig, blir også search-tjenesten utilgjengelig. For AI-løsninger med RAG-arkitektur (Retrieval-Augmented Generation) er dette en kritisk svakhet fordi search-indeksen er hjørnesteinen i hele kunnskapsgjenfinningen.
diff --git a/skills/ms-ai-infrastructure/references/bcdr/incident-response-ai-systems.md b/skills/ms-ai-infrastructure/references/bcdr/incident-response-ai-systems.md
index f14c212..d342e24 100644
--- a/skills/ms-ai-infrastructure/references/bcdr/incident-response-ai-systems.md
+++ b/skills/ms-ai-infrastructure/references/bcdr/incident-response-ai-systems.md
@@ -3,9 +3,22 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Business Continuity & Disaster Recovery
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/azure-monitor/alerts/alerts-overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [AI-spesifikke hendelsesklassifiseringer](#ai-spesifikke-hendelsesklassifiseringer)
+- [Deteksjon og alerting-strategier](#deteksjon-og-alerting-strategier)
+- [Eskalerings-prosedyrer og runbooks](#eskalerings-prosedyrer-og-runbooks)
+- [Kommunikasjonsplaner for interessenter](#kommunikasjonsplaner-for-interessenter)
+- [Post-incident review og forbedring](#post-incident-review-og-forbedring)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Incident response for AI-systemer krever spesialiserte prosedyrer som adresserer unike feilmodi som ikke finnes i tradisjonelle IT-systemer. AI-spesifikke hendelser inkluderer modell-degradering, prompt injection-angrep, hallusinasjonsspikes, embedding-drift, og utilgjengelige inference-endepunkter. Disse hendelsene kan ha subtile symptomer som er vanskelige å oppdage med tradisjonell overvåking.
diff --git a/skills/ms-ai-infrastructure/references/bcdr/monitoring-alerting-failover-detection.md b/skills/ms-ai-infrastructure/references/bcdr/monitoring-alerting-failover-detection.md
index 8c779ed..cd1b0ed 100644
--- a/skills/ms-ai-infrastructure/references/bcdr/monitoring-alerting-failover-detection.md
+++ b/skills/ms-ai-infrastructure/references/bcdr/monitoring-alerting-failover-detection.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19
 **Status:** GA
 **Category:** Business Continuity & Disaster Recovery
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/azure-monitor/alerts/alerts-overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Health check-endepunkter og heartbeats](#health-check-endepunkter-og-heartbeats)
+- [Latens og feilrate-overvåking](#latens-og-feilrate-overvåking)
+- [Custom metrics for AI-tjenestehelse](#custom-metrics-for-ai-tjenestehelse)
+- [Alert-regler og eskaleringspolicyer](#alert-regler-og-eskaleringspolicyer)
+- [Integrasjon med incident management-systemer](#integrasjon-med-incident-management-systemer)
+- [Application Insights for AI-agenter i BCDR-kontekst *(Verified MCP 2026-06-19)*](#application-insights-for-ai-agenter-i-bcdr-kontekst-verified-mcp-2026-06-19)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Rask og pålitelig deteksjon av feil er avgjørende for å minimere nedetid i AI-systemer. Failover-deteksjon handler om å oppdage at en tjeneste eller region har feilet, og å initiere gjenopprettingsprosessen så raskt som mulig. For AI-workloads er dette spesielt viktig fordi forsinkede svar eller manglende tilgjengelighet direkte påvirker brukeropplevelsen.
diff --git a/skills/ms-ai-infrastructure/references/bcdr/multi-region-azure-openai-deployment.md b/skills/ms-ai-infrastructure/references/bcdr/multi-region-azure-openai-deployment.md
index 4fbcbde..b20e285 100644
--- a/skills/ms-ai-infrastructure/references/bcdr/multi-region-azure-openai-deployment.md
+++ b/skills/ms-ai-infrastructure/references/bcdr/multi-region-azure-openai-deployment.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Business Continuity & Disaster Recovery
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/foundry-models/concepts/models-sold-directly-by-azure
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Regionvalg for Norge og EU](#regionvalg-for-norge-og-eu)
+- [Lastbalansering mellom OpenAI-endepunkter](#lastbalansering-mellom-openai-endepunkter)
+- [Latensoptimalisering og Proximity Routing](#latensoptimalisering-og-proximity-routing)
+- [Kvoteadministrasjon per region](#kvoteadministrasjon-per-region)
+- [Kostnadsmodell for multi-region](#kostnadsmodell-for-multi-region)
+- [Implementeringssjekkliste](#implementeringssjekkliste)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Azure OpenAI-tjenester er tilgjengelige i flere Azure-regioner, og når en ressurs opprettes, knyttes den permanent til den valgte regionen. For virksomhetskritiske AI-applikasjoner i norsk offentlig sektor er det avgjorende a planlegge for regional redundans. Et regionalt utfall -- selv om det er sjeldent -- kan lamme AI-drevne tjenester som chatboter, dokumentanalyse og beslutningsstotte dersom all trafikk er avhengig av et enkelt endepunkt. Multi-region-deployering loeser dette ved a spre arbeidsbelastningen over flere Azure-regioner med intelligent lastbalansering og automatisk failover.
diff --git a/skills/ms-ai-infrastructure/references/bcdr/network-resilience-patterns-ai.md b/skills/ms-ai-infrastructure/references/bcdr/network-resilience-patterns-ai.md
index e2ca790..a2d02da 100644
--- a/skills/ms-ai-infrastructure/references/bcdr/network-resilience-patterns-ai.md
+++ b/skills/ms-ai-infrastructure/references/bcdr/network-resilience-patterns-ai.md
@@ -3,9 +3,22 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Business Continuity & Disaster Recovery
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/ddos-protection/ddos-protection-overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Redundante nettverksstier og tilkoblinger](#redundante-nettverksstier-og-tilkoblinger)
+- [Circuit Breaker-mønster for API-kall](#circuit-breaker-mønster-for-api-kall)
+- [Graceful degradation av AI-tjenester](#graceful-degradation-av-ai-tjenester)
+- [Private endepunkter og nettverksisolering](#private-endepunkter-og-nettverksisolering)
+- [DDoS-beskyttelse og trafikkfiltrering](#ddos-beskyttelse-og-trafikkfiltrering)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Nettverksresiliens er en kritisk komponent i BCDR for AI-arbeidsbelastninger. AI-systemer er avhengige av pålitelig nettverkskommunikasjon mellom flere tjenester: applikasjonslaget, Azure OpenAI-endepunkter, AI Search-tjenester, embeddings-APIer og datastores. En nettverksforstyrrelse i ett punkt kan kaskadere og ta ned hele AI-løsningen.
diff --git a/skills/ms-ai-infrastructure/references/bcdr/rto-rpo-planning-ai-services.md b/skills/ms-ai-infrastructure/references/bcdr/rto-rpo-planning-ai-services.md
index 27afdc3..df2b6c3 100644
--- a/skills/ms-ai-infrastructure/references/bcdr/rto-rpo-planning-ai-services.md
+++ b/skills/ms-ai-infrastructure/references/bcdr/rto-rpo-planning-ai-services.md
@@ -3,9 +3,22 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Business Continuity & Disaster Recovery
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/reliability/concept-business-continuity-high-availability-disaster-recovery
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Business Impact Analysis for RTO-bestemmelse](#business-impact-analysis-for-rto-bestemmelse)
+- [Datatap-toleranse og RPO-beregning](#datatap-toleranse-og-rpo-beregning)
+- [Mapping av krav til Azure-kapabiliteter](#mapping-av-krav-til-azure-kapabiliteter)
+- [Norske regulatoriske krav](#norske-regulatoriske-krav)
+- [Dokumentasjons-maler og governance](#dokumentasjons-maler-og-governance)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Recovery Time Objective (RTO) og Recovery Point Objective (RPO) er de to mest kritiske metrikkene i enhver BCDR-strategi for AI-systemer. RTO definerer hvor raskt et system må gjenopprettes etter en forstyrrelse, mens RPO definerer hvor mye datatap som er akseptabelt. For AI-tjenester som Azure OpenAI, Azure AI Search og Azure Machine Learning er disse metrikkene spesielt viktige fordi nedetid direkte påvirker brukeropplevelsen og forretningsbeslutninger.
diff --git a/skills/ms-ai-infrastructure/references/bcdr/service-level-documentation-dr.md b/skills/ms-ai-infrastructure/references/bcdr/service-level-documentation-dr.md
index 9d5b122..273b17c 100644
--- a/skills/ms-ai-infrastructure/references/bcdr/service-level-documentation-dr.md
+++ b/skills/ms-ai-infrastructure/references/bcdr/service-level-documentation-dr.md
@@ -3,9 +3,22 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Business Continuity & Disaster Recovery
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/reliability/reliability-ai-search
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Service Level Agreement-maler](#service-level-agreement-maler)
+- [RTO og RPO dokumentasjonsstandarder](#rto-og-rpo-dokumentasjonsstandarder)
+- [Disaster Recovery Runbooks og Playbooks](#disaster-recovery-runbooks-og-playbooks)
+- [Trinn-for-trinn gjenopprettingsprosedyrer](#trinn-for-trinn-gjenopprettingsprosedyrer)
+- [Eierskap og eskaleringsmatrise](#eierskap-og-eskaleringsmatrise)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Service Level Agreements (SLA), runbooks og operasjonelle prosedyrer er bindeleddet mellom BCDR-strategi og faktisk gjenopprettingsevne. Uten presis dokumentasjon av SLA-mål, detaljerte trinn-for-trinn runbooks og tydelig ansvarsfordeling, vil selv den best designede DR-arkitekturen feile under en reell hendelse.
diff --git a/skills/ms-ai-infrastructure/references/bcdr/state-management-failover.md b/skills/ms-ai-infrastructure/references/bcdr/state-management-failover.md
index 4a87e2f..4b943ad 100644
--- a/skills/ms-ai-infrastructure/references/bcdr/state-management-failover.md
+++ b/skills/ms-ai-infrastructure/references/bcdr/state-management-failover.md
@@ -3,9 +3,22 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Business Continuity & Disaster Recovery
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/architecture/patterns/retry
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Distribuerte state management-mønstre](#distribuerte-state-management-mønstre)
+- [Sesjonsstilstandsreplikering og synkronisering](#sesjonsstilstandsreplikering-og-synkronisering)
+- [Håndtering av in-flight requests under failover](#håndtering-av-in-flight-requests-under-failover)
+- [Idempotens og request retry-strategier](#idempotens-og-request-retry-strategier)
+- [State validering og verifikasjonsprosedyrer](#state-validering-og-verifikasjonsprosedyrer)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Håndtering av applikasjonstilstand (state) under failover-scenarioer er en av de mest utfordrende aspektene ved BCDR for AI-systemer. AI-applikasjoner har typisk flere typer state som må ivaretas: brukersesjoner, konversasjonshistorikk, mellomresultater fra langvarige operasjoner (fine-tuning, batch-indeksering), og applikasjonskonfigurasjon.
diff --git a/skills/ms-ai-infrastructure/references/hybrid-edge/azure-arc-ai-management.md b/skills/ms-ai-infrastructure/references/hybrid-edge/azure-arc-ai-management.md
index f8865f7..26bdd09 100644
--- a/skills/ms-ai-infrastructure/references/hybrid-edge/azure-arc-ai-management.md
+++ b/skills/ms-ai-infrastructure/references/hybrid-edge/azure-arc-ai-management.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Hybrid Cloud & Edge AI
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Arkitekturoversikt](#arkitekturoversikt)
+- [Arc-enabled Kubernetes for AI](#arc-enabled-kubernetes-for-ai)
+- [Sentralisert ML-modellforvaltning](#sentralisert-ml-modellforvaltning)
+- [Policy og Compliance Enforcement](#policy-og-compliance-enforcement)
+- [Multi-cluster AI Governance](#multi-cluster-ai-governance)
+- [Sikkerhetsarkitektur for Arc AI](#sikkerhetsarkitektur-for-arc-ai)
+- [Relevans for norsk offentlig sektor](#relevans-for-norsk-offentlig-sektor)
+- [Begrensninger og hensyn](#begrensninger-og-hensyn)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Azure Arc er Microsofts svar på utfordringen med å administrere AI-arbeidsbelastninger på tvers av hybride og multicloud-miljøer. For norsk offentlig sektor, der data kan befinne seg i egne datasentre, på Azure Local-klynger eller hos tredjeparts skyleverandorer, gir Arc en sentralisert kontrollflate som gjor det mulig å behandle alle Kubernetes-klynger som forsteklasses Azure-ressurser.
diff --git a/skills/ms-ai-infrastructure/references/hybrid-edge/azure-confidential-computing-ai.md b/skills/ms-ai-infrastructure/references/hybrid-edge/azure-confidential-computing-ai.md
index 9d7e431..55ec262 100644
--- a/skills/ms-ai-infrastructure/references/hybrid-edge/azure-confidential-computing-ai.md
+++ b/skills/ms-ai-infrastructure/references/hybrid-edge/azure-confidential-computing-ai.md
@@ -3,9 +3,22 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Hybrid Cloud & Edge AI
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [TEE-Enabled Model Execution](#tee-enabled-model-execution)
+- [Encrypted Inference Pipelines](#encrypted-inference-pipelines)
+- [Attestation for Compliance](#attestation-for-compliance)
+- [Performance Trade-offs](#performance-trade-offs)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Azure Confidential Computing (ACC) beskytter data under prosessering (data-in-use) ved hjelp av hardware-baserte Trusted Execution Environments (TEE). For AI-arbeidsbelastninger betyr dette at modeller og inferensdata kan beskyttes mot uautorisert tilgang — inkludert fra skyoperatoren selv. Dette er en gamechanger for organisasjoner som prosesserer sensitive data med AI.
diff --git a/skills/ms-ai-infrastructure/references/hybrid-edge/azure-iot-hub-ai-pipeline.md b/skills/ms-ai-infrastructure/references/hybrid-edge/azure-iot-hub-ai-pipeline.md
index 1baf3bc..35bd0e3 100644
--- a/skills/ms-ai-infrastructure/references/hybrid-edge/azure-iot-hub-ai-pipeline.md
+++ b/skills/ms-ai-infrastructure/references/hybrid-edge/azure-iot-hub-ai-pipeline.md
@@ -3,9 +3,22 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Hybrid Cloud & Edge AI
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Device-to-Hub Data Flow](#device-to-hub-data-flow)
+- [Stream Processing for AI](#stream-processing-for-ai)
+- [Real-Time Model Scoring](#real-time-model-scoring)
+- [Scaling Hybrid Ingestion](#scaling-hybrid-ingestion)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Azure IoT Hub er Microsofts sentrale PaaS-tjeneste for toveiskommunikasjon mellom IoT-enheter og skyen. Kombinert med Azure Stream Analytics for sanntidsanalyse og Azure Machine Learning for modelltrening og -scoring, danner IoT Hub kjernen i en enhetlig AI-pipeline fra enhet til innsikt.
diff --git a/skills/ms-ai-infrastructure/references/hybrid-edge/azure-local-ai-workloads.md b/skills/ms-ai-infrastructure/references/hybrid-edge/azure-local-ai-workloads.md
index 56ff48c..2a33f19 100644
--- a/skills/ms-ai-infrastructure/references/hybrid-edge/azure-local-ai-workloads.md
+++ b/skills/ms-ai-infrastructure/references/hybrid-edge/azure-local-ai-workloads.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Hybrid Cloud & Edge AI
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Arkitekturoversikt](#arkitekturoversikt)
+- [GPU-stotte i Azure Local](#gpu-stotte-i-azure-local)
+- [Cluster-felles ML Stack](#cluster-felles-ml-stack)
+- [Local Azure Services](#local-azure-services)
+- [Storage-optimalisert inferens](#storage-optimalisert-inferens)
+- [Hybrid Resilience Patterns](#hybrid-resilience-patterns)
+- [Nettverksarkitektur](#nettverksarkitektur)
+- [Sizing-guide for AI-arbeidsbelastninger](#sizing-guide-for-ai-arbeidsbelastninger)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Azure Local (tidligere Azure Stack HCI) er Microsofts hyperkonvergerte infrastrukturlosning for a kjore Azure-tjenester lokalt. For AI-arbeidsbelastninger tilbyr Azure Local GPU-akselerasjon, Kubernetes-stotte via AKS enabled by Arc, og lokal tilgang til Azure-tjenester — alt administrert fra Azure Portal.
diff --git a/skills/ms-ai-infrastructure/references/hybrid-edge/data-sovereignty-norway-public-sector.md b/skills/ms-ai-infrastructure/references/hybrid-edge/data-sovereignty-norway-public-sector.md
index cd5aaf7..1f757a3 100644
--- a/skills/ms-ai-infrastructure/references/hybrid-edge/data-sovereignty-norway-public-sector.md
+++ b/skills/ms-ai-infrastructure/references/hybrid-edge/data-sovereignty-norway-public-sector.md
@@ -3,9 +3,25 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Hybrid Cloud & Edge AI
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Regulatorisk landskap](#regulatorisk-landskap)
+- [Norske krav til data residency](#norske-krav-til-data-residency)
+- [Azure Data Residency for Norge](#azure-data-residency-for-norge)
+- [EU Data Boundary (EUDB)](#eu-data-boundary-eudb)
+- [Microsoft Sovereign Cloud](#microsoft-sovereign-cloud)
+- [Azure Data Classification for AI](#azure-data-classification-for-ai)
+- [Praktiske arkitekturmoenstre](#praktiske-arkitekturmoenstre)
+- [Beslutningstre for datasuverenitet](#beslutningstre-for-datasuverenitet)
+- [Compliance-sjekkliste for AI-prosjekter](#compliance-sjekkliste-for-ai-prosjekter)
+- [Sammenligning: Sovereign Cloud-alternativer](#sammenligning-sovereign-cloud-alternativer)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Datasuverenitet er et av de viktigste temaene nar norsk offentlig sektor vurderer skybaserte AI-losninger. Etter Schrems II-dommen (2020), EUs AI Act (2024), og okt fokus pa digital autonomi i Europa, ma organisasjoner navigere et komplekst landskap av juridiske krav, tekniske kontroller og politiske forventninger.
diff --git a/skills/ms-ai-infrastructure/references/hybrid-edge/disconnected-ai-scenarios.md b/skills/ms-ai-infrastructure/references/hybrid-edge/disconnected-ai-scenarios.md
index f2d01fd..3da66b4 100644
--- a/skills/ms-ai-infrastructure/references/hybrid-edge/disconnected-ai-scenarios.md
+++ b/skills/ms-ai-infrastructure/references/hybrid-edge/disconnected-ai-scenarios.md
@@ -3,9 +3,24 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Hybrid Cloud & Edge AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/azure-sovereign-clouds/private/foundry-local/disconnected-operations/concept-overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Spekter av tilkobling](#spekter-av-tilkobling)
+- [Offline Model Deployment](#offline-model-deployment)
+- [Azure Stack Edge i disconnected modus](#azure-stack-edge-i-disconnected-modus)
+- [Data Reconciliation Strategies](#data-reconciliation-strategies)
+- [Local Cache and Sync](#local-cache-and-sync)
+- [Fallback Inference Patterns](#fallback-inference-patterns)
+- [Scenarioer for norsk offentlig sektor](#scenarioer-for-norsk-offentlig-sektor)
+- [Lisens- og kostnadshensyn](#lisens--og-kostnadshensyn)
+- [Oppsummering](#oppsummering)
+
 ## Introduksjon
 
 Frakoblede (disconnected) AI-scenarioer er situasjoner der AI-arbeidsbelastninger ma kjore uten internettilkobling — enten permanent, periodisk eller i beredskapssituasjoner. For norsk offentlig sektor er dette svart relevant: Forsvaret opererer i omrader uten nettdekning, helsesektoren trenger AI-stotte i ambulanser og utposter, og kritisk infrastruktur (energi, transport) ma fungere uavhengig av skytjenester.
diff --git a/skills/ms-ai-infrastructure/references/hybrid-edge/edge-ai-inferencing-patterns.md b/skills/ms-ai-infrastructure/references/hybrid-edge/edge-ai-inferencing-patterns.md
index c388cbc..01bc99c 100644
--- a/skills/ms-ai-infrastructure/references/hybrid-edge/edge-ai-inferencing-patterns.md
+++ b/skills/ms-ai-infrastructure/references/hybrid-edge/edge-ai-inferencing-patterns.md
@@ -3,9 +3,21 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Hybrid Cloud & Edge AI
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Model Quantization og Compression](#model-quantization-og-compression)
+- [Real-time Inference Acceleration](#real-time-inference-acceleration)
+- [Caching Patterns for Edge](#caching-patterns-for-edge)
+- [Batching vs. Streaming Inference](#batching-vs-streaming-inference)
+- [IoT Edge ML Inference Pattern](#iot-edge-ml-inference-pattern)
+- [Ytelsesreferanser](#ytelsesreferanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Edge AI-inferens handler om a kjore maskinlaeringsmodeller naermest mulig der data oppstar — pa enheter, gateways, lokale servere eller Azure Local-klynger. For norsk offentlig sektor er dette relevant i scenarioer som sanntids videoanalyse, dokumentbehandling i felt, naturspraakbehandling offline, og autonome systemer i omrader med begrenset nettverkstilkobling.
diff --git a/skills/ms-ai-infrastructure/references/hybrid-edge/edge-to-cloud-data-synchronization.md b/skills/ms-ai-infrastructure/references/hybrid-edge/edge-to-cloud-data-synchronization.md
index daadd89..55925e5 100644
--- a/skills/ms-ai-infrastructure/references/hybrid-edge/edge-to-cloud-data-synchronization.md
+++ b/skills/ms-ai-infrastructure/references/hybrid-edge/edge-to-cloud-data-synchronization.md
@@ -3,9 +3,22 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Hybrid Cloud & Edge AI
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Eventual Consistency Patterns](#eventual-consistency-patterns)
+- [Delta Sync Optimization](#delta-sync-optimization)
+- [Conflict Resolution Strategies](#conflict-resolution-strategies)
+- [Data Deduplication at Scale](#data-deduplication-at-scale)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Palitelig datasynkronisering mellom edge og sky er en av de mest komplekse utfordringene i hybrid AI-arkitekturer. Data ma flyte i begge retninger — sensordata og inferensresultater fra edge til sky for langsiktig analyse og modelltrening, og oppdaterte modeller og konfigurasjoner fra sky tilbake til edge. Alt dette ma handtere nettverksavbrudd, konflikter og dataintegritet.
diff --git a/skills/ms-ai-infrastructure/references/hybrid-edge/hybrid-rag-architecture.md b/skills/ms-ai-infrastructure/references/hybrid-edge/hybrid-rag-architecture.md
index 290ffc3..f682899 100644
--- a/skills/ms-ai-infrastructure/references/hybrid-edge/hybrid-rag-architecture.md
+++ b/skills/ms-ai-infrastructure/references/hybrid-edge/hybrid-rag-architecture.md
@@ -3,9 +3,22 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Hybrid Cloud & Edge AI
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Local Embedding og Retrieval](#local-embedding-og-retrieval)
+- [Federated Vector Search](#federated-vector-search)
+- [Chunking Strategies for Split Data](#chunking-strategies-for-split-data)
+- [Context Optimization Across Tiers](#context-optimization-across-tiers)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Hybrid RAG (Retrieval-Augmented Generation) refererer til RAG-arkitekturer der retrieval og generering fordeles mellom lokale (on-premises/edge) og sky-baserte ressurser. Dette moensteret er relevant nar organisasjoner har data som ikke kan eller bor forlate det lokale miljoet, men onsker a kombinere lokale dokumenter med sky-basert kunnskap for bedre svar.
diff --git a/skills/ms-ai-infrastructure/references/hybrid-edge/iot-operations-ai-integration.md b/skills/ms-ai-infrastructure/references/hybrid-edge/iot-operations-ai-integration.md
index 855af5c..6f1e85b 100644
--- a/skills/ms-ai-infrastructure/references/hybrid-edge/iot-operations-ai-integration.md
+++ b/skills/ms-ai-infrastructure/references/hybrid-edge/iot-operations-ai-integration.md
@@ -3,9 +3,22 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Hybrid Cloud & Edge AI
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Sensor Data Normalization](#sensor-data-normalization)
+- [Edge Gateway AI Preprocessing](#edge-gateway-ai-preprocessing)
+- [Time-Series Analytics at Edge](#time-series-analytics-at-edge)
+- [Device-to-Cloud AI Pipelines](#device-to-cloud-ai-pipelines)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Azure IoT Operations er Microsofts edge runtime-plattform for industrielle IoT-scenarier, bygget pa Azure Arc-enabled Kubernetes. Den kombinerer datainnsamling fra sensorer og utstyr med AI-inferens direkte pa edge, noe som muliggjor sanntidsanalyse uten avhengighet av skytilkobling for tidskritiske beslutninger.
diff --git a/skills/ms-ai-infrastructure/references/hybrid-edge/kubernetes-edge-aks-edge.md b/skills/ms-ai-infrastructure/references/hybrid-edge/kubernetes-edge-aks-edge.md
index 165a19b..b451c92 100644
--- a/skills/ms-ai-infrastructure/references/hybrid-edge/kubernetes-edge-aks-edge.md
+++ b/skills/ms-ai-infrastructure/references/hybrid-edge/kubernetes-edge-aks-edge.md
@@ -3,9 +3,22 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Hybrid Cloud & Edge AI
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [AKS Edge Essentials Deployment](#aks-edge-essentials-deployment)
+- [Container Orchestration at Edge](#container-orchestration-at-edge)
+- [Multi-Node Edge Clusters](#multi-node-edge-clusters)
+- [Service Mesh for Edge](#service-mesh-for-edge)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 AKS Edge Essentials er Microsofts lettvekts Kubernetes-distribusjon for edge-scenarier, designet for a kjore containeriserte arbeidsbelastninger pa PC-klasse hardware. I motsetning til AKS i skyen eller AKS pa Azure Local, er AKS Edge Essentials optimalisert for statiske, forhands-definerte konfigurasjoner pa enheter med begrenset kapasitet — fra industrielle PC-er til gateway-enheter.
diff --git a/skills/ms-ai-infrastructure/references/hybrid-edge/network-constrained-ai-deployment.md b/skills/ms-ai-infrastructure/references/hybrid-edge/network-constrained-ai-deployment.md
index 1d229d2..0a30375 100644
--- a/skills/ms-ai-infrastructure/references/hybrid-edge/network-constrained-ai-deployment.md
+++ b/skills/ms-ai-infrastructure/references/hybrid-edge/network-constrained-ai-deployment.md
@@ -3,9 +3,22 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Hybrid Cloud & Edge AI
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Model Size Reduction](#model-size-reduction)
+- [Partial Model Loading](#partial-model-loading)
+- [Bandwidth-Aware Batching](#bandwidth-aware-batching)
+- [Latency Compensation Patterns](#latency-compensation-patterns)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Nettverksbegrensede miljoer — med lav bandwidth, hoey latens, eller intermitterende tilkobling — krever spesialtilpassede AI-deployments. Standard sky-baserte AI-arkitekturer som sender data frem og tilbake til cloud endpoints feiler i slike miljoer, enten pa grunn av uakseptabel latens eller fordi tilkoblingen simpelthen ikke er palitelig nok.
diff --git a/skills/ms-ai-infrastructure/references/hybrid-edge/offline-first-ai-applications.md b/skills/ms-ai-infrastructure/references/hybrid-edge/offline-first-ai-applications.md
index 85a24d9..2fc6be6 100644
--- a/skills/ms-ai-infrastructure/references/hybrid-edge/offline-first-ai-applications.md
+++ b/skills/ms-ai-infrastructure/references/hybrid-edge/offline-first-ai-applications.md
@@ -3,9 +3,22 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Hybrid Cloud & Edge AI
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Local-First Data Models](#local-first-data-models)
+- [Conflict Resolution on Sync](#conflict-resolution-on-sync)
+- [Progressive Enhancement](#progressive-enhancement)
+- [Offline Capability Testing](#offline-capability-testing)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Offline-first AI-applikasjoner er designet for a fungere primaert lokalt og synkronisere med skyen nar tilkobling er tilgjengelig. Dette monsteret snur den tradisjonelle sky-forst-tilnaermingen pa hodet: i stedet for a feile nar nettverket er nede, er applikasjonen designet for a operere uavhengig med lokal AI-inferens og datalagring.
diff --git a/skills/ms-ai-infrastructure/references/hybrid-edge/on-premises-slm-phi-deployment.md b/skills/ms-ai-infrastructure/references/hybrid-edge/on-premises-slm-phi-deployment.md
index d64c49e..3028783 100644
--- a/skills/ms-ai-infrastructure/references/hybrid-edge/on-premises-slm-phi-deployment.md
+++ b/skills/ms-ai-infrastructure/references/hybrid-edge/on-premises-slm-phi-deployment.md
@@ -3,9 +3,22 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Hybrid Cloud & Edge AI
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Phi-3/Phi-4 Deployment](#phi-3phi-4-deployment)
+- [Resource-Constrained Sizing](#resource-constrained-sizing)
+- [Prompt Optimization for SLM](#prompt-optimization-for-slm)
+- [Fine-Tuning at Edge](#fine-tuning-at-edge)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Small Language Models (SLM) er kompakte AI-modeller med faerre enn 10 milliarder parametere som kan kjores effektivt pa lokal hardware uten skyavhengighet. Microsofts Phi-modellserie — fra Phi-2 (2.7B) til Phi-4 (14B) — representerer state-of-the-art for SLM, med ytelse som konkurrerer med modeller mange ganger storre.
diff --git a/skills/ms-ai-infrastructure/references/hybrid-edge/onnx-runtime-edge-deployment.md b/skills/ms-ai-infrastructure/references/hybrid-edge/onnx-runtime-edge-deployment.md
index bea5e3f..bda73b1 100644
--- a/skills/ms-ai-infrastructure/references/hybrid-edge/onnx-runtime-edge-deployment.md
+++ b/skills/ms-ai-infrastructure/references/hybrid-edge/onnx-runtime-edge-deployment.md
@@ -3,9 +3,22 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Hybrid Cloud & Edge AI
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [ONNX Model Conversion](#onnx-model-conversion)
+- [Hardware Acceleration (GPU/NPU)](#hardware-acceleration-gpunpu)
+- [Cross-Platform Compatibility](#cross-platform-compatibility)
+- [Performance Profiling](#performance-profiling)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 ONNX Runtime er Microsofts open-source, hoyytelses inferensmotor for kjoring av maskinlaeringsmodeller i ONNX-format (Open Neural Network Exchange). Den er optimalisert for bade sky og edge, og stotter Linux, Windows og macOS pa tvers av CPU, GPU og NPU-akseleratorer. ONNX Runtime er innebygd i Windows som del av Windows ML og driver inferens i hoyskala Microsoft-tjenester som Bing, Office og Azure AI.
diff --git a/skills/ms-ai-infrastructure/references/hybrid-edge/regulatory-compliance-edge-ai.md b/skills/ms-ai-infrastructure/references/hybrid-edge/regulatory-compliance-edge-ai.md
index 12f47a7..9ae0e0c 100644
--- a/skills/ms-ai-infrastructure/references/hybrid-edge/regulatory-compliance-edge-ai.md
+++ b/skills/ms-ai-infrastructure/references/hybrid-edge/regulatory-compliance-edge-ai.md
@@ -3,9 +3,22 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Hybrid Cloud & Edge AI
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Data Protection Impact Assessment (DPIA)](#data-protection-impact-assessment-dpia)
+- [Risk Assessment Frameworks](#risk-assessment-frameworks)
+- [Audit Logging at Edge](#audit-logging-at-edge)
+- [Transparency and Explainability](#transparency-and-explainability)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 AI-systemer deployed pa edge — pa lokale servere, gateways, enheter eller on-premises Kubernetes-klynger — ma oppfylle de samme regulatoriske kravene som skybaserte AI-systemer, men med tilleggsutfordringer knyttet til fysisk tilgangskontroll, distribuert logging, og vedlikehold av mange enheter. Norsk offentlig sektor opererer under et komplekst regulatorisk landskap: GDPR, EU AI Act, NSM Grunnprinsipper, Utredningsinstruksen, og sektorspesifikke krav.
diff --git a/skills/ms-ai-infrastructure/references/hybrid-edge/sovereign-cloud-norway.md b/skills/ms-ai-infrastructure/references/hybrid-edge/sovereign-cloud-norway.md
index 141f207..aa1226c 100644
--- a/skills/ms-ai-infrastructure/references/hybrid-edge/sovereign-cloud-norway.md
+++ b/skills/ms-ai-infrastructure/references/hybrid-edge/sovereign-cloud-norway.md
@@ -3,9 +3,22 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Hybrid Cloud & Edge AI
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Data Sovereignty Architecture](#data-sovereignty-architecture)
+- [Regional Deployment Constraints](#regional-deployment-constraints)
+- [Compliance Audit Trails](#compliance-audit-trails)
+- [Vendor Lock-in Mitigation](#vendor-lock-in-mitigation)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Microsoft Sovereign Cloud er en suite av kapabiliteter og deploymentmodeller designet for a hjelpe myndigheter og regulerte industrier med a oppfylle krav til dataresidency, compliance og operasjonell suverenitet — uten a gi avkall pa fordelene ved hyperscale sky-innovasjon. For norsk offentlig sektor er dette sarlig relevant gitt strenge krav fra NSM, Datatilsynet, og EU-regulering.
diff --git a/skills/ms-ai-infrastructure/references/hybrid-edge/windows-ai-apc-capabilities.md b/skills/ms-ai-infrastructure/references/hybrid-edge/windows-ai-apc-capabilities.md
index 1b19a29..f1d0c83 100644
--- a/skills/ms-ai-infrastructure/references/hybrid-edge/windows-ai-apc-capabilities.md
+++ b/skills/ms-ai-infrastructure/references/hybrid-edge/windows-ai-apc-capabilities.md
@@ -3,9 +3,22 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Hybrid Cloud & Edge AI
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Windows ML og ONNX Runtime](#windows-ml-og-onnx-runtime)
+- [Neural Processing Unit (NPU)](#neural-processing-unit-npu)
+- [Copilot+ PC Specifications](#copilot-pc-specifications)
+- [Local LLM Inference on Device](#local-llm-inference-on-device)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Windows AI-plattformen representerer Microsofts satsing pa lokal AI-inferens direkte pa klientenheter. Med Windows ML (Machine Learning), ONNX Runtime integrert i OS, og Neural Processing Units (NPU) i Copilot+ PC-er, kan AI-modeller kjores lokalt med full datakontroll, ingen nettverkslatens, og forutsigbar ytelse.
diff --git a/skills/ms-ai-security/references/ai-security-engineering/adversarial-input-robustness-testing.md b/skills/ms-ai-security/references/ai-security-engineering/adversarial-input-robustness-testing.md
index 3a25465..d7034ca 100644
--- a/skills/ms-ai-security/references/ai-security-engineering/adversarial-input-robustness-testing.md
+++ b/skills/ms-ai-security/references/ai-security-engineering/adversarial-input-robustness-testing.md
@@ -3,6 +3,19 @@
 **Kategori:** AI Security Engineering
 **Dato:** 2026-06-19
 **Status:** Aktiv
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/concepts/ai-red-teaming-agent
+
+## Innhold
+
+- [Oversikt](#oversikt)
+- [Adversarial Test Case Generation](#adversarial-test-case-generation)
+- [Fuzzing Frameworks for AI](#fuzzing-frameworks-for-ai)
+- [Input Perturbation Techniques](#input-perturbation-techniques)
+- [Robustness Metrics](#robustness-metrics)
+- [Continuous Security Testing](#continuous-security-testing)
+- [For Cosmo: Practical Implementation](#for-cosmo-practical-implementation)
+- [References](#references)
 
 ## Oversikt
 
diff --git a/skills/ms-ai-security/references/ai-security-engineering/ai-incident-response-procedures.md b/skills/ms-ai-security/references/ai-security-engineering/ai-incident-response-procedures.md
index 8881143..c4f8644 100644
--- a/skills/ms-ai-security/references/ai-security-engineering/ai-incident-response-procedures.md
+++ b/skills/ms-ai-security/references/ai-security-engineering/ai-incident-response-procedures.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-05 | Verified: MCP 2026-05
 **Status:** Established Practice
 **Category:** AI Security Engineering
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/backup/backup-overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Effektiv håndtering av sikkerhetsbrudd i AI-systemer krever spesialiserte prosedyrer som adresserer både tradisjonelle cybersecurity-trusler og AI-spesifikke sårbarheter som data poisoning, model inversion og prompt injection. Moderne AI-systemer opererer i komplekse økosystemer hvor angrep kan manifestere seg på tvers av datalag, treningsinfrastruktur, inferens-endepunkter og integrasjoner med forretningsapplikasjoner.
diff --git a/skills/ms-ai-security/references/ai-security-engineering/ai-prompt-shield-network.md b/skills/ms-ai-security/references/ai-security-engineering/ai-prompt-shield-network.md
index 26cbf22..1a4bcb8 100644
--- a/skills/ms-ai-security/references/ai-security-engineering/ai-prompt-shield-network.md
+++ b/skills/ms-ai-security/references/ai-security-engineering/ai-prompt-shield-network.md
@@ -4,6 +4,22 @@
 **Sist oppdatert:** 2026-06-19
 **Målgruppe:** Arkitekter som skal beskytte AI-systemer mot prompt injection og jailbreak-angrep
 **Status:** To separate produkter — Content Safety Prompt Shields (GA), AI Gateway Prompt Shield (Preview)
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/ai-services/content-safety/overview
+
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Del 1: Azure AI Content Safety Prompt Shields (GA)](#del-1-azure-ai-content-safety-prompt-shields-ga)
+- [Del 2: AI Gateway Prompt Shield via Global Secure Access (Preview)](#del-2-ai-gateway-prompt-shield-via-global-secure-access-preview)
+- [Del 3: Azure API Management — Gateway-nivå Prompt Shield](#del-3-azure-api-management--gateway-nivå-prompt-shield)
+- [Del 4: Groundedness Detection — Relatert funksjonalitet](#del-4-groundedness-detection--relatert-funksjonalitet)
+- [Relevans for norsk offentlig sektor](#relevans-for-norsk-offentlig-sektor)
+- [Forsvarsdybde-arkitektur (Defence in Depth)](#forsvarsdybde-arkitektur-defence-in-depth)
+- [Kostnadsestimater](#kostnadsestimater)
+- [Kjente begrensninger](#kjente-begrensninger)
+- [For Cosmo](#for-cosmo)
+- [Referanser](#referanser)
 
 ## Introduksjon
 
diff --git a/skills/ms-ai-security/references/ai-security-engineering/ai-red-team-operations-practical.md b/skills/ms-ai-security/references/ai-security-engineering/ai-red-team-operations-practical.md
index 3886e03..debc914 100644
--- a/skills/ms-ai-security/references/ai-security-engineering/ai-red-team-operations-practical.md
+++ b/skills/ms-ai-security/references/ai-security-engineering/ai-red-team-operations-practical.md
@@ -4,9 +4,26 @@
 **Sist oppdatert:** 2026-02-05
 **Relatert:** ai-prompt-injection-defense.md, ai-jailbreak-prevention.md
 **Source:** https://learn.microsoft.com/security/ai-red-team/training
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Oversikt](#oversikt)
+- [Red Team Metodikk for AI](#red-team-metodikk-for-ai)
+- [Verktøy for AI Red Teaming](#verktøy-for-ai-red-teaming)
+- [Attack Simulation Planning](#attack-simulation-planning)
+- [Safe Testing Boundaries](#safe-testing-boundaries)
+- [Tolking av Resultater](#tolking-av-resultater)
+- [Dokumentasjon og Logging](#dokumentasjon-og-logging)
+- [Integrasjon i CI/CD Pipelines](#integrasjon-i-cicd-pipelines)
+- [Continuous Red Teaming](#continuous-red-teaming)
+- [For Cosmo: Anvendelse i Microsoft AI-arkitektur](#for-cosmo-anvendelse-i-microsoft-ai-arkitektur)
+- [Ressurser og Training](#ressurser-og-training)
+- [Sjekkliste: Red Teaming Readiness](#sjekkliste-red-teaming-readiness)
+- [Key Takeaways for Arkitekter](#key-takeaways-for-arkitekter)
+
 ## Oversikt
 
 Praktisk veiledning for å gjennomføre red teaming-operasjoner mot AI-systemer. Dekker metodikk, verktøy, testmiljøer og dokumentasjon av funn.
diff --git a/skills/ms-ai-security/references/ai-security-engineering/ai-security-scoring-framework.md b/skills/ms-ai-security/references/ai-security-engineering/ai-security-scoring-framework.md
index 8ecc784..10a209c 100644
--- a/skills/ms-ai-security/references/ai-security-engineering/ai-security-scoring-framework.md
+++ b/skills/ms-ai-security/references/ai-security-engineering/ai-security-scoring-framework.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19
 **Status:** Established Practice
 **Category:** AI Security Engineering
+**Type:** reference
+**Source:** https://learn.microsoft.com/security/benchmark/azure/mcsb-v2-artificial-intelligence-security
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Å score og rangere AI-sikkerhetsrisiko krever et strukturert rammeverk som kombinerer kvantitativ måling med kvalitativ vurdering. Microsoft sin tilnærming, basert på AI Risk Assessment Framework v4.1.4, gir en systematisk metode for å evaluere AI-systemer gjennom hele livssyklusen — fra datainnsamling til produksjonsdrift.
diff --git a/skills/ms-ai-security/references/ai-security-engineering/ai-threat-modeling-stride.md b/skills/ms-ai-security/references/ai-security-engineering/ai-threat-modeling-stride.md
index 7bff7f1..cd3dfc9 100644
--- a/skills/ms-ai-security/references/ai-security-engineering/ai-threat-modeling-stride.md
+++ b/skills/ms-ai-security/references/ai-security-engineering/ai-threat-modeling-stride.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-05 | Verified: MCP 2026-05
 **Status:** Established Practice
 **Category:** AI Security Engineering
+**Type:** reference
+**Source:** https://learn.microsoft.com/ai/playbook/technology-guidance/generative-ai/mlops-in-openai/security/security-plan-llm-application
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Trusselmodellering for AI-systemer krever en tilpasning av etablerte sikkerhetsprinsipper til nye angrepsflater som er spesifikke for maskinlæring og generativ AI. Microsoft har utvidet det klassiske STRIDE-rammeverket (Spoofing, Tampering, Repudiation, Information Disclosure, Denial of Service, Elevation of Privilege) til å dekke AI-spesifikke trusler som datapoisoning, adversarial attacks, model inversion og prompt injection.
diff --git a/skills/ms-ai-security/references/ai-security-engineering/content-safety-filter-calibration.md b/skills/ms-ai-security/references/ai-security-engineering/content-safety-filter-calibration.md
index eac952e..d98c40e 100644
--- a/skills/ms-ai-security/references/ai-security-engineering/content-safety-filter-calibration.md
+++ b/skills/ms-ai-security/references/ai-security-engineering/content-safety-filter-calibration.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19
 **Status:** GA
 **Category:** AI Security Engineering
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry-classic/foundry-models/concepts/content-filter
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Content Safety-filtre i Microsoft AI-stakken krever nøye kalibrering for å balansere sikkerhet med brukervennlighet. Feil konfigurering fører enten til for mange false positives (legitim brukergenerert innhold blokkeres) eller false negatives (skadelig innhold slipper gjennom). For norsk offentlig sektor er dette spesielt kritisk: filterkalibrering må håndtere norsk språkkontekst, kulturelle nyanser og juridiske krav til transparens og etterprøvbarhet.
diff --git a/skills/ms-ai-security/references/ai-security-engineering/data-leakage-prevention-ai.md b/skills/ms-ai-security/references/ai-security-engineering/data-leakage-prevention-ai.md
index ef5b8d0..e007a1c 100644
--- a/skills/ms-ai-security/references/ai-security-engineering/data-leakage-prevention-ai.md
+++ b/skills/ms-ai-security/references/ai-security-engineering/data-leakage-prevention-ai.md
@@ -3,6 +3,23 @@
 **Kategori:** AI Security Engineering
 **Sist oppdatert:** 2026-06-19 | Verified: MCP 2026-06-19
 **Målgruppe:** Enterprise AI architects og security teams
+**Type:** reference
+**Source:** https://learn.microsoft.com/security/benchmark/azure/mcsb-v2-artificial-intelligence-security
+
+## Innhold
+
+- [Oversikt](#oversikt)
+- [1. Prompt Context Isolation](#1-prompt-context-isolation)
+- [2. Model Extraction Defense](#2-model-extraction-defense)
+- [3. Membership Inference Protection](#3-membership-inference-protection)
+- [4. DLP Policy Enforcement Across AI Workloads](#4-dlp-policy-enforcement-across-ai-workloads)
+- [5. Cache Security Management](#5-cache-security-management)
+- [6. Praktiske Arkitekturmønstre](#6-praktiske-arkitekturmønstre)
+- [7. Compliance & Audit](#7-compliance--audit)
+- [8. Tooling & Automation](#8-tooling--automation)
+- [9. Monitoring & Detection](#9-monitoring--detection)
+- [10. Anbefalinger for Cosmo Skyberg](#10-anbefalinger-for-cosmo-skyberg)
+- [For Cosmo Skyberg](#for-cosmo-skyberg)
 
 ## Oversikt
 
diff --git a/skills/ms-ai-security/references/ai-security-engineering/defender-threat-protection-ai-services.md b/skills/ms-ai-security/references/ai-security-engineering/defender-threat-protection-ai-services.md
index ceef000..36ef7f2 100644
--- a/skills/ms-ai-security/references/ai-security-engineering/defender-threat-protection-ai-services.md
+++ b/skills/ms-ai-security/references/ai-security-engineering/defender-threat-protection-ai-services.md
@@ -3,6 +3,8 @@
 **Last updated:** 2026-06-24 | Verified: MCP 2026-06-24
 **Status:** GA (AI applications) · Preview (AI agents, fra 2026-02-02)
 **Category:** AI Security Engineering — Threat Detection & Monitoring
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/defender-for-cloud/ai-threat-protection
 
 ---
 
diff --git a/skills/ms-ai-security/references/ai-security-engineering/entra-agent-id-zero-trust.md b/skills/ms-ai-security/references/ai-security-engineering/entra-agent-id-zero-trust.md
index 4f807c4..b8004d6 100644
--- a/skills/ms-ai-security/references/ai-security-engineering/entra-agent-id-zero-trust.md
+++ b/skills/ms-ai-security/references/ai-security-engineering/entra-agent-id-zero-trust.md
@@ -4,6 +4,8 @@
 **Sist oppdatert:** 2026-06-19 | Verified: MCP 2026-06
 **Status:** Public Preview, utvidet etter Ignite 2025 (50+ nye/oppdaterte artikler i Entra Agent ID-portføljen; opt-out er midlertidig — vil bli obligatorisk for nye agenter) *(Verified MCP 2026-06)*
 **Målgruppe:** Arkitekter som skal sikre AI-agenter med dedikerte identiteter og Zero Trust-prinsipper
+**Type:** reference
+**Source:** https://learn.microsoft.com/entra/id-governance/agent-id-governance-overview
 
 ### Ignite 2025-utvidelser (Verified MCP 2026-05)
 
@@ -17,6 +19,22 @@ Microsoft har bredt utvidet Entra Agent ID-porteføljen i forbindelse med Ignite
 
 **Copilot Studio-integrasjon (preview):** Når funksjonen aktiveres på miljønivå i Power Platform Admin Center, oppretter Copilot Studio automatisk en Entra Agent ID for hver ny agent og knytter den til *Microsoft Copilot Studio agent identity blueprint* (Blueprint ID `25664c89-cea5-4ab6-b924-a54fd8a19ae0`). Eksisterende agenter beholder sine app registrations til de migreres senere — governance fungerer for begge under overgangen.
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Hva er Microsoft Entra Agent ID?](#hva-er-microsoft-entra-agent-id)
+- [Kjernekomponenter og begreper](#kjernekomponenter-og-begreper)
+- [Zero Trust-prinsipper for agenter](#zero-trust-prinsipper-for-agenter)
+- [Agent Registry — Livsløpsadministrasjon](#agent-registry--livsløpsadministrasjon)
+- [Workload Identities vs. Agentidentiteter](#workload-identities-vs-agentidentiteter)
+- [Integrasjon med Microsoft Foundry](#integrasjon-med-microsoft-foundry)
+- [Integrasjon med Copilot Studio](#integrasjon-med-copilot-studio)
+- [Norsk offentlig sektor — Alignment](#norsk-offentlig-sektor--alignment)
+- [Sikkerhetshensyn og beste praksis](#sikkerhetshensyn-og-beste-praksis)
+- [Status og tilgjengelighet](#status-og-tilgjengelighet)
+- [Kilder](#kilder)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Etter hvert som AI-agenter blir en integrert del av virksomhetens arbeidsprosesser, oppstår et fundamentalt sikkerhetsproblem: tradisjonelle identitetsmodeller er ikke designet for autonome programvaresystemer som handler på egenhånd, opprettes og slettes dynamisk, og kan proliferere ukontrollert — kjent som «agent sprawl».
diff --git a/skills/ms-ai-security/references/ai-security-engineering/jailbreak-prevention-production.md b/skills/ms-ai-security/references/ai-security-engineering/jailbreak-prevention-production.md
index 733f567..731a51b 100644
--- a/skills/ms-ai-security/references/ai-security-engineering/jailbreak-prevention-production.md
+++ b/skills/ms-ai-security/references/ai-security-engineering/jailbreak-prevention-production.md
@@ -3,9 +3,21 @@
 **Last updated:** 2026-06-19
 **Status:** GA
 **Category:** AI Security Engineering
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/ai-services/content-safety/concepts/jailbreak-detection
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Jailbreak-kategorier](#jailbreak-kategorier)
+- [Forsvarsmønstre](#forsvarsmønstre)
+- [Azure-implementering](#azure-implementering)
+- [Produksjonsovervåking](#produksjonsovervåking)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Jailbreak-angrep er bruker-prompts designet for å provosere LLM til å opptre på måter den er trent til å unngå, eller bryte reglene satt i system-meldingen. Disse angrepene kan variere fra intrikate rollespill til subtile undergravinger av sikkerhetsmekanismene. I produksjonssammenheng er robuste forsvarsmønstre kritiske for å beskytte LLM-applikasjoner mot både direkte (user prompt) og indirekte (document-baserte) angrep.
diff --git a/skills/ms-ai-security/references/ai-security-engineering/model-fingerprinting-watermarking.md b/skills/ms-ai-security/references/ai-security-engineering/model-fingerprinting-watermarking.md
index a16f47e..b6a754a 100644
--- a/skills/ms-ai-security/references/ai-security-engineering/model-fingerprinting-watermarking.md
+++ b/skills/ms-ai-security/references/ai-security-engineering/model-fingerprinting-watermarking.md
@@ -3,9 +3,22 @@
 **Kategori:** AI Security Engineering
 **Dato:** 2026-06-19
 **Status:** Active
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-model-management-and-deployment
 
 ---
 
+## Innhold
+
+- [Hva dette handler om](#hva-dette-handler-om)
+- [Content Watermarking i Microsoft-stakken](#content-watermarking-i-microsoft-stakken)
+- [Model Fingerprinting og Provenance](#model-fingerprinting-og-provenance)
+- [Legal og Compliance Implications](#legal-og-compliance-implications)
+- [Implementering i Microsoft-stakken](#implementering-i-microsoft-stakken)
+- [Anbefalinger for norsk offentlig sektor](#anbefalinger-for-norsk-offentlig-sektor)
+- [For Cosmo Skyberg](#for-cosmo-skyberg)
+- [Kilder](#kilder)
+
 ## Hva dette handler om
 
 Model fingerprinting og watermarking er teknikker for å etablere eierskap, spore opprinnelse og beskytte AI-modeller og AI-generert innhold mot uautorisert bruk, kopiering eller manipulasjon. Dette er kritiske sikkerhetskontroller i en tid hvor AI-modeller representerer betydelig forretningsverdi, og hvor AI-generert innhold må kunne verifiseres og spores.
diff --git a/skills/ms-ai-security/references/ai-security-engineering/norwegian-content-safety.md b/skills/ms-ai-security/references/ai-security-engineering/norwegian-content-safety.md
index 424d176..2a58c35 100644
--- a/skills/ms-ai-security/references/ai-security-engineering/norwegian-content-safety.md
+++ b/skills/ms-ai-security/references/ai-security-engineering/norwegian-content-safety.md
@@ -3,9 +3,25 @@
 **Last updated:** 2026-06-19
 **Status:** GA (text moderation, Prompt Shields) / Preview (Groundedness, Custom Categories)
 **Category:** AI Security Engineering
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/ai-services/content-safety/overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Språkstøtte for norsk](#språkstøtte-for-norsk)
+- [Oppsummeringstabell — norsk støtte per feature](#oppsummeringstabell--norsk-støtte-per-feature)
+- [Workarounds for manglende norsk støtte](#workarounds-for-manglende-norsk-støtte)
+- [Implementeringsmønstre](#implementeringsmønstre)
+- [Testing av Content Safety for norsk](#testing-av-content-safety-for-norsk)
+- [Kostnader og ytelse](#kostnader-og-ytelse)
+- [Rate limits](#rate-limits)
+- [Anbefalinger for norsk offentlig sektor](#anbefalinger-for-norsk-offentlig-sektor)
+- [For Cosmo](#for-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Azure AI Content Safety er Microsofts tjeneste for automatisert innholdsmoderering i AI-applikasjoner. Tjenesten detekterer og klassifiserer potensielt skadelig innhold i tekst og bilder, med fire skadekategorier (hate, sexual, violence, self-harm) og fire alvorlighetsgrader (safe, low, medium, high). For norsk offentlig sektor er norsk språkstøtte kritisk — dette dokumentet kartlegger nøyaktig hvilke Content Safety-features som støtter norsk nativt, hvilke som kun fungerer på engelsk, og hvilke workarounds som finnes.
diff --git a/skills/ms-ai-security/references/ai-security-engineering/output-validation-grounding-verification.md b/skills/ms-ai-security/references/ai-security-engineering/output-validation-grounding-verification.md
index 4b77d99..87fb608 100644
--- a/skills/ms-ai-security/references/ai-security-engineering/output-validation-grounding-verification.md
+++ b/skills/ms-ai-security/references/ai-security-engineering/output-validation-grounding-verification.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24 | Verified: MCP 2026-06-24
 **Status:** GA
 **Category:** AI Security Engineering
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/ai-services/content-safety/overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Output validation, grounding verification og fact-checking er fundamentale sikkerhetsteknikker for å sikre at LLM-genererte svar er faktisk korrekte, basert på kildemateriale, og ikke inneholder hallusinasjoner eller fabricerte fakta. Disse teknikkene er spesielt kritiske i RAG-systemer (Retrieval Augmented Generation) der modellen skal basere sine svar på hentet dokumentasjon.
diff --git a/skills/ms-ai-security/references/ai-security-engineering/owasp-llm-top10-azure-mitigations.md b/skills/ms-ai-security/references/ai-security-engineering/owasp-llm-top10-azure-mitigations.md
index e295b47..0da3db0 100644
--- a/skills/ms-ai-security/references/ai-security-engineering/owasp-llm-top10-azure-mitigations.md
+++ b/skills/ms-ai-security/references/ai-security-engineering/owasp-llm-top10-azure-mitigations.md
@@ -3,6 +3,8 @@
 **Last updated:** 2026-06-24 | Verified: MCP 2026-06-24
 **Status:** Referanse (OWASP 2025 + Azure-tiltak)
 **Category:** AI Security Engineering — Threat Modeling & Controls
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/ai-services/content-safety/overview
 
 ---
 
diff --git a/skills/ms-ai-security/references/ai-security-engineering/pii-detection-norwegian-context.md b/skills/ms-ai-security/references/ai-security-engineering/pii-detection-norwegian-context.md
index 99e851b..137a7f8 100644
--- a/skills/ms-ai-security/references/ai-security-engineering/pii-detection-norwegian-context.md
+++ b/skills/ms-ai-security/references/ai-security-engineering/pii-detection-norwegian-context.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19
 **Status:** GA
 **Category:** AI Security Engineering
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/ai-services/language-service/personally-identifiable-information/overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Beskyttelse av personopplysninger er ikke bare en teknisk nødvendighet, men en juridisk plikt i Norge. Azure AI Language tilbyr PII-deteksjon som kan identifisere og maskere sensitive opplysninger som fødselsnummer, D-nummer, adresser og telefonnummer i norsk tekst.
diff --git a/skills/ms-ai-security/references/ai-security-engineering/prompt-injection-defense-patterns.md b/skills/ms-ai-security/references/ai-security-engineering/prompt-injection-defense-patterns.md
index abe7219..e1747f8 100644
--- a/skills/ms-ai-security/references/ai-security-engineering/prompt-injection-defense-patterns.md
+++ b/skills/ms-ai-security/references/ai-security-engineering/prompt-injection-defense-patterns.md
@@ -3,9 +3,22 @@
 **Last updated:** 2026-06-19
 **Status:** GA
 **Category:** AI Security Engineering
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/ai-services/content-safety/overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Angrepstyper](#angrepstyper)
+- [Forsvarsmønstre](#forsvarsmønstre)
+- [Azure-implementering](#azure-implementering)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Prompt injection er en av de mest kritiske sikkerhetstruslene mot generative AI-systemer. Angrep skjer når brukere eller tredjeparter manipulerer input-prompter for å omgå sikkerhetskontroller, endre modellens oppførsel, eller ekstrahere sensitiv informasjon. Microsoft har utviklet et helhetlig forsvarsmønster som kombinerer tekniske kontroller, arkitekturmønstre og kontinuerlig overvåking.
diff --git a/skills/ms-ai-security/references/ai-security-engineering/secure-model-deployment-hardening.md b/skills/ms-ai-security/references/ai-security-engineering/secure-model-deployment-hardening.md
index 24dfe6d..986b6a5 100644
--- a/skills/ms-ai-security/references/ai-security-engineering/secure-model-deployment-hardening.md
+++ b/skills/ms-ai-security/references/ai-security-engineering/secure-model-deployment-hardening.md
@@ -3,6 +3,19 @@
 **Kategori:** AI Security Engineering
 **Dato:** 2026-02-05
 **Målgruppe:** Arkitekter som skal sikre AI-modeller i produksjonsmiljøer
+**Type:** reference
+
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Container Image Scanning](#container-image-scanning)
+- [Runtime Memory Protection](#runtime-memory-protection)
+- [Resource Exhaustion Defense](#resource-exhaustion-defense)
+- [Model Integrity Verification](#model-integrity-verification)
+- [Secrets Management i Deployment](#secrets-management-i-deployment)
+- [Sikkerhetsjekkliste for Deployment](#sikkerhetsjekkliste-for-deployment)
+- [Best Practices: Deployment Hardening Workflow](#best-practices-deployment-hardening-workflow)
+- [For Cosmo](#for-cosmo)
 
 ## Introduksjon
 
diff --git a/skills/ms-ai-security/references/ai-security-engineering/security-copilot-integration.md b/skills/ms-ai-security/references/ai-security-engineering/security-copilot-integration.md
index 7f33735..84be639 100644
--- a/skills/ms-ai-security/references/ai-security-engineering/security-copilot-integration.md
+++ b/skills/ms-ai-security/references/ai-security-engineering/security-copilot-integration.md
@@ -3,6 +3,25 @@
 **Kategori:** AI Security Engineering
 **Sist oppdatert:** 2026-06-19 | Verified: MCP 2026-06
 **Målgruppe:** Sikkerhetsarkitekter og SOC-ledere som vurderer AI-assistert sikkerhetsoperasjon
+**Type:** reference
+**Source:** https://learn.microsoft.com/copilot/security/agents-overview
+
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Standalone vs Embedded](#standalone-vs-embedded)
+- [Innebygde Security Copilot-agenter](#innebygde-security-copilot-agenter)
+- [Lisensiering](#lisensiering)
+- [Integrasjon med Microsoft Defender XDR](#integrasjon-med-microsoft-defender-xdr)
+- [Integrasjon med Microsoft Sentinel](#integrasjon-med-microsoft-sentinel)
+- [Tilpassede Security Copilot-plugins](#tilpassede-security-copilot-plugins)
+- [Norsk offentlig sektor — Relevans og tilnærming](#norsk-offentlig-sektor--relevans-og-tilnærming)
+- [Kostnadsmodell](#kostnadsmodell)
+- [Sammenligning: Standalone vs M365 E5 Embedded](#sammenligning-standalone-vs-m365-e5-embedded)
+- [Referansearkitektur: Security Copilot i norsk SOC](#referansearkitektur-security-copilot-i-norsk-soc)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Spørsmål Cosmo bør stille kunden](#spørsmål-cosmo-bør-stille-kunden)
+- [Kilder](#kilder)
 
 ## Introduksjon
 
diff --git a/skills/ms-ai-security/references/ai-security-engineering/security-scoring-rubrics-6x5.md b/skills/ms-ai-security/references/ai-security-engineering/security-scoring-rubrics-6x5.md
index 8477f7d..ccf4de7 100644
--- a/skills/ms-ai-security/references/ai-security-engineering/security-scoring-rubrics-6x5.md
+++ b/skills/ms-ai-security/references/ai-security-engineering/security-scoring-rubrics-6x5.md
@@ -4,9 +4,27 @@
 **Kategori:** AI Security Engineering
 **Status:** Established Practice
 **Formål:** Deterministiske rubrikker for security-assessment-agent — erstatter vage 1-5 beskrivelser med eksakte, verifiserbare sjekkpunkter
+**Type:** reference
+**Source:** https://learn.microsoft.com/security/benchmark/azure/mcsb-v2-artificial-intelligence-security
 
 ---
 
+## Innhold
+
+- [Oversikt](#oversikt)
+- [Vektingsmodell](#vektingsmodell)
+- [Dimensjon 1: Identity & Access Control (20 %)](#dimensjon-1-identity--access-control-20)
+- [Dimensjon 2: Network Security (10 %)](#dimensjon-2-network-security-10)
+- [Dimensjon 3: Data Protection (20 %)](#dimensjon-3-data-protection-20)
+- [Dimensjon 4: Content Safety & AI Security (15 %)](#dimensjon-4-content-safety--ai-security-15)
+- [Dimensjon 5: Compliance & Governance (25 %)](#dimensjon-5-compliance--governance-25)
+- [Dimensjon 6: Monitoring & Incident Response (10 %)](#dimensjon-6-monitoring--incident-response-10)
+- [Totalscoreberegning](#totalscoreberegning)
+- [Referansecaser](#referansecaser)
+- [Sammenligning av casene](#sammenligning-av-casene)
+- [Kilder og forankring](#kilder-og-forankring)
+- [For Cosmo Skyberg](#for-cosmo-skyberg)
+
 ## Oversikt
 
 Denne filen definerer **30 rubrikk-celler** (6 dimensjoner × 5 nivåer) med ja/nei-sjekkpunkter for å sikre konsistent, reproduserbar sikkerhetsvurdering av Microsoft AI-arkitekturer. Rammeverket er forankret i Microsoft Cloud Security Benchmark (MCSB) v2, Azure AI security baselines og norske offentlig sektor-krav.
diff --git a/skills/ms-ai-security/references/ai-security-engineering/supply-chain-security-ai-models.md b/skills/ms-ai-security/references/ai-security-engineering/supply-chain-security-ai-models.md
index 8d7973e..9d7e14a 100644
--- a/skills/ms-ai-security/references/ai-security-engineering/supply-chain-security-ai-models.md
+++ b/skills/ms-ai-security/references/ai-security-engineering/supply-chain-security-ai-models.md
@@ -3,9 +3,23 @@
 **Kategori:** AI Security Engineering
 **Dato:** 2026-06-19
 **Relatert plattform:** Microsoft Foundry, Azure Machine Learning, Azure DevOps, Microsoft Defender for Cloud
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-vulnerability-management
 
 ---
 
+## Innhold
+
+- [Oversikt](#oversikt)
+- [1. Model Provenance Tracking](#1-model-provenance-tracking)
+- [2. Dependency Vulnerability Scanning](#2-dependency-vulnerability-scanning)
+- [3. Vendor Security Assessment](#3-vendor-security-assessment)
+- [4. Model Poisoning Prevention](#4-model-poisoning-prevention)
+- [5. Software Bill of Materials (SBOM) for AI](#5-software-bill-of-materials-sbom-for-ai)
+- [6. Secure ML Supply Chain: Oppsummert Implementasjon](#6-secure-ml-supply-chain-oppsummert-implementasjon)
+- [For Cosmo: Veiledning i Arkitekturdialog](#for-cosmo-veiledning-i-arkitekturdialog)
+- [Referanser og Videre Lesning](#referanser-og-videre-lesning)
+
 ## Oversikt
 
 Supply chain security for AI-modeller handler om å sikre integriteten og autentisiteten til AI-komponenter gjennom hele livssyklusen — fra treningsdata og pre-trained models til dependencies og deployment artifacts. I motsetning til tradisjonell software supply chain security, må AI-systemer også beskytte modellvekter, datasett, og ML-spesifikke komponenter mot kompromittering.
diff --git a/skills/ms-ai-security/references/ai-security-engineering/zero-trust-ai-services.md b/skills/ms-ai-security/references/ai-security-engineering/zero-trust-ai-services.md
index 873a3ea..c9c75f0 100644
--- a/skills/ms-ai-security/references/ai-security-engineering/zero-trust-ai-services.md
+++ b/skills/ms-ai-security/references/ai-security-engineering/zero-trust-ai-services.md
@@ -3,6 +3,20 @@
 **Kategori:** AI Security Engineering
 **Sist oppdatert:** 2026-06-19
 **Målgruppe:** Arkitekter som skal sikre AI-tjenester med Zero Trust-prinsipper
+**Type:** reference
+**Source:** https://learn.microsoft.com/security/zero-trust/apply-zero-trust-azure-services-overview
+
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft AI-plattformer](#integrasjon-med-microsoft-ai-plattformer)
+- [Offentlig sektor-hensyn](#offentlig-sektor-hensyn)
+- [Kostnad og ressursbruk](#kostnad-og-ressursbruk)
+- [For arkitekten](#for-arkitekten)
+- [Kilder](#kilder)
 
 ## Introduksjon
 
diff --git a/skills/ms-ai-security/references/cost-optimization/ai-builder-credits-transition.md b/skills/ms-ai-security/references/cost-optimization/ai-builder-credits-transition.md
index 6394fba..b9c2010 100644
--- a/skills/ms-ai-security/references/cost-optimization/ai-builder-credits-transition.md
+++ b/skills/ms-ai-security/references/cost-optimization/ai-builder-credits-transition.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Cost Optimization & FinOps for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/ai-builder/credit-management
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 AI Builder er Microsofts low-code AI-plattform som inngår i Power Platform. Historisk har AI Builder brukt en egen kredittmodell (AI Builder credits) for å regulere forbruk av AI-funksjoner i Power Apps og Power Automate. I oktober 2025 annonserte Microsoft en progressiv avvikling av AI Builder credits til fordel for en felles kredittmodell basert på Copilot Credits.
diff --git 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
index 85341d7..a08cd88 100644
--- 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
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19
 **Status:** GA
 **Category:** Cost Optimization & FinOps for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/concepts/manage-costs
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Cost governance i Microsoft Foundry representerer det strukturelle rammeverket som forhindrer ukontrollert AI-forbruk og sikrer at AI-investeringer forblir innenfor budsjetterte rammer. I motsetning til tradisjonell cloud-kostnadsstyring, krever AI-arbeidsbelastninger spesialiserte kontroller som håndterer både infrastrukturkostnader (compute, storage) og forbruksbaserte kostnader (tokens, API-kall, modelldeployments).
diff --git 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
index 03e8a7b..941ee40 100644
--- 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
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19
 **Status:** GA
 **Category:** Cost Optimization & FinOps for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/cost-management-billing/costs/tutorial-acm-create-budgets
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Azure Cost Management er Microsofts innebygde plattform for kostnadsovervåking, budsjettering og optimalisering på tvers av alle Azure-ressurser. For AI-workloads er økonomisk styring spesielt kritisk fordi token-baserte modeller, GPU-compute og storage-intensive RAG-løsninger kan generere uforutsigbare kostnader hvis de ikke overvåkes systematisk.
diff --git a/skills/ms-ai-security/references/cost-optimization/batch-processing-cost-reduction.md b/skills/ms-ai-security/references/cost-optimization/batch-processing-cost-reduction.md
index e623416..c475696 100644
--- a/skills/ms-ai-security/references/cost-optimization/batch-processing-cost-reduction.md
+++ b/skills/ms-ai-security/references/cost-optimization/batch-processing-cost-reduction.md
@@ -4,9 +4,22 @@
 **Status:** GA
 **Category:** Cost Optimization & FinOps for AI
 **Source:** https://learn.microsoft.com/azure/foundry/openai/how-to/batch
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter / Nøkkelegenskaper](#kjernekomponenter--nøkkelegenskaper)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Azure OpenAI Batch API er designet for å håndtere storskala- og høyvolumsbehandling av AI-oppgaver effektivt. Ved å prosessere asynkrone grupper av requests i batch-format, fremfor én og én request, oppnår organisasjoner **50% kostnadsreduksjon** sammenlignet med standard global deployment. Batch API benytter separat enqueued token-kvote, som sikrer at batch-jobber ikke forstyrrer sanntidsapplikasjoner.
diff --git 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
index f8d1037..74da0fe 100644
--- 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
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19
 **Status:** GA
 **Category:** Cost Optimization & FinOps for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/concepts/manage-costs
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Budget forecasting og finansiell planlegging er kritiske disipliner for AI-prosjekter i Microsoft-stakken. Mens tradisjonell IT-budsjettforing opererer med forutsigbare kapasitetsmodeller, introduserer AI-arbeidsbelastninger nye utfordringer: token-basert forbruk, uforutsigbare skaleringsmønstre, og kostnadsvarians knyttet til modellvalg og treningsfrekvens.
diff --git a/skills/ms-ai-security/references/cost-optimization/cost-allocation-chargeback.md b/skills/ms-ai-security/references/cost-optimization/cost-allocation-chargeback.md
index 4223871..f081c42 100644
--- a/skills/ms-ai-security/references/cost-optimization/cost-allocation-chargeback.md
+++ b/skills/ms-ai-security/references/cost-optimization/cost-allocation-chargeback.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19
 **Status:** GA
 **Category:** Cost Optimization & FinOps for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/cloud-adoption-framework/scenarios/ai/platform/governance
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Cost allocation og chargeback er fundamentale FinOps-kapabiliteter for å håndtere delte kostnader og skape kostnadsansvar i organisasjoner som bruker Microsoft AI-plattformer. Disse mekanismene lar deg omfordele kostnader fra sentrale, delte tjenester til de faktiske forbrukerne — som team, avdelinger eller prosjekter — og dermed sikre både transparens og ansvarliggjøring.
diff --git a/skills/ms-ai-security/references/cost-optimization/deterministic-cost-calculation-model.md b/skills/ms-ai-security/references/cost-optimization/deterministic-cost-calculation-model.md
index 5cad750..23c3ee7 100644
--- a/skills/ms-ai-security/references/cost-optimization/deterministic-cost-calculation-model.md
+++ b/skills/ms-ai-security/references/cost-optimization/deterministic-cost-calculation-model.md
@@ -4,9 +4,24 @@
 **Status:** GA
 **Category:** Cost Optimization & FinOps for AI
 **Rolle:** Kanonisk prissannhet — eneste autoritative enhetspris-register for pluginen
+**Type:** reference
+**Source:** https://learn.microsoft.com/copilot/microsoft-365/microsoft-365-copilot-licensing
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Seksjon 1: Enhetspris-register](#seksjon-1-enhetspris-register)
+- [Seksjon 2: Eksplisitte beregningsformler](#seksjon-2-eksplisitte-beregningsformler)
+- [Seksjon 3: P10/P50/P90 konfidensintervaller](#seksjon-3-p10p50p90-konfidensintervaller)
+- [Seksjon 4: Mellomregnings-format](#seksjon-4-mellomregnings-format)
+- [Seksjon 5: Valutakonvertering USD → NOK](#seksjon-5-valutakonvertering-usd--nok)
+- [Seksjon 6: Typiske referansearkitekturer — kostnadsprofiler](#seksjon-6-typiske-referansearkitekturer--kostnadsprofiler)
+- [Seksjon 7: Oppdatering og vedlikehold](#seksjon-7-oppdatering-og-vedlikehold)
+- [Kilder og verifisering](#kilder-og-verifisering)
+- [For Cosmo Skyberg](#for-cosmo-skyberg)
+
 ## Introduksjon
 
 Kostnadsestimater i AI-arkitekturvurderinger lider ofte av tvetydighet: runde tall uten kilde, manglende mellomregning, og uklare konfidensintervaller. Denne referansen definerer en **deterministisk beregningsmodell** som fjerner all tvetydighet fra kostnadsestimater.
diff --git a/skills/ms-ai-security/references/cost-optimization/gpt5-gpt41-pricing-models.md b/skills/ms-ai-security/references/cost-optimization/gpt5-gpt41-pricing-models.md
index b252aa9..4f6beb6 100644
--- a/skills/ms-ai-security/references/cost-optimization/gpt5-gpt41-pricing-models.md
+++ b/skills/ms-ai-security/references/cost-optimization/gpt5-gpt41-pricing-models.md
@@ -3,10 +3,23 @@
 **Last updated:** 2026-06 | Priser verifisert: WebSearch + OpenAI/Azure pricing juni 2026
 **Status:** GA (GPT-4.1-serien), GA (GPT-5-serien — `gpt-5` og `gpt-5-codex` har registreringskrav). GPT-5.2 reasoning og GPT-5.3 chat lagt til i Copilot Studio-prompt-builder
 **Category:** Cost Optimization & FinOps for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/concepts/manage-costs
 **Prissannhet:** Rå token-priser eies av `deterministic-cost-calculation-model.md` §1.1 (kanonisk register). Denne fila gir kontekst, scenarioer og rådgivning — ved tallkonflikt vinner registeret.
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 GPT-5- og GPT-4.1-seriene er de to nyeste flaggskipmodellene fra OpenAI tilgjengelig i Microsoft Foundry. De representerer to distinkte designfilosofier: GPT-5 optimalisert for dyp resonnering og komplekse oppgaver, GPT-4.1 optimalisert for hastighet, gjennomstrømming og kostnadseffektivitet.
diff --git a/skills/ms-ai-security/references/cost-optimization/inference-endpoint-cost-optimization.md b/skills/ms-ai-security/references/cost-optimization/inference-endpoint-cost-optimization.md
index f097bf0..5c18894 100644
--- a/skills/ms-ai-security/references/cost-optimization/inference-endpoint-cost-optimization.md
+++ b/skills/ms-ai-security/references/cost-optimization/inference-endpoint-cost-optimization.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06
 **Status:** GA
 **Category:** Cost Optimization & FinOps for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/concepts/manage-costs
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Managed inference endpoints i Azure Machine Learning og Microsoft Foundry representerer en betydelig kostnadsfaktor i AI-prosjekter, men de tilbyr også omfattende muligheter for kostnadsoptimalisering gjennom riktig konfigurasjon og strategisk ressursforvaltning. Denne kunnskapsreferansen dekker både managed compute endpoints (Azure ML) og serverless API endpoints (Microsoft Foundry), med fokus på praktiske optimaliseringsstrategier som kan redusere Total Cost of Ownership (TCO) uten å kompromittere på ytelse eller tilgjengelighet.
diff --git a/skills/ms-ai-security/references/cost-optimization/licensing-compliance-cost-avoidance.md b/skills/ms-ai-security/references/cost-optimization/licensing-compliance-cost-avoidance.md
index ea2a4b0..4861f80 100644
--- a/skills/ms-ai-security/references/cost-optimization/licensing-compliance-cost-avoidance.md
+++ b/skills/ms-ai-security/references/cost-optimization/licensing-compliance-cost-avoidance.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Cost Optimization & FinOps for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/cloud-adoption-framework/scenarios/ai/plan
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter / Nøkkelegenskaper](#kjernekomponenter--nøkkelegenskaper)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Lisenskostnader er ofte den største enkeltposten i organisasjoners Microsoft-budsjett, og med introduksjonen av AI-kapabiliteter gjennom Microsoft 365 Copilot, Azure AI Services, og Power Platform AI har kompleksiteten økt dramatisk. En moderne Microsoft AI-organisasjon må forholde seg til et flerlags lisensieringslandskap som inkluderer base-lisenser (M365 E3/E5, Business Premium), add-on-lisenser (Microsoft 365 Copilot, AI Builder), consumption-baserte modeller (Azure OpenAI, AI Search), og seeded credits som endrer seg over tid.
diff --git a/skills/ms-ai-security/references/cost-optimization/model-selection-price-performance.md b/skills/ms-ai-security/references/cost-optimization/model-selection-price-performance.md
index 46a0689..185f4c8 100644
--- a/skills/ms-ai-security/references/cost-optimization/model-selection-price-performance.md
+++ b/skills/ms-ai-security/references/cost-optimization/model-selection-price-performance.md
@@ -4,9 +4,22 @@
 **Status:** GA
 **Category:** Cost Optimization & FinOps for AI
 **Source:** https://learn.microsoft.com/azure/foundry/foundry-models/concepts/models-sold-directly-by-azure
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Valg av AI-modell har direkte innvirkning på både ytelse og kostnad. Microsoft Azure AI tilbyr et bredt spekter av modeller med ulike pris-/ytelsekarakteristikker — fra små, kostnadseffektive modeller som GPT-4o mini og GPT-4.1-nano, til store resonneringsmodeller som GPT-5. Riktig modellvalg kan redusere kostnader med 60-80% uten å ofre kvalitet for det aktuelle bruksområdet.
diff --git 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
index 788abf1..3ef4d43 100644
--- 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
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06
 **Status:** GA
 **Category:** Cost Optimization & FinOps for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/foundry-models/concepts/models-sold-directly-by-azure
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Moderne AI-løsninger krever ofte forskjellige modellkapabiliteter for ulike oppgaver. En multi-model strategy innebærer intelligent routing av requests til den mest kostnadseffektive modellen som tilfredsstiller kvalitetskravene. Med Azure OpenAI-modeller som varierer fra GPT-4.1-nano (59 400 tokens/PTU) til GPT-5 (4 750 tokens/PTU) kan besparelsene være betydelige — opptil 90% kostnadsdifferanse mellom modeller for enkle oppgaver.
diff --git a/skills/ms-ai-security/references/cost-optimization/observability-cost-reduction.md b/skills/ms-ai-security/references/cost-optimization/observability-cost-reduction.md
index 1778f75..991bfb4 100644
--- a/skills/ms-ai-security/references/cost-optimization/observability-cost-reduction.md
+++ b/skills/ms-ai-security/references/cost-optimization/observability-cost-reduction.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06
 **Status:** GA
 **Category:** Cost Optimization & FinOps for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/azure-monitor/app/opentelemetry-configuration
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Observability og monitoring er kritiske for produksjonsklare AI-løsninger, men kan raskt bli en betydelig kostnadsfaktor hvis de ikke konfigureres riktig. Azure Monitor, Application Insights og Log Analytics workspace representerer ofte 15-30% av den totale driftskostnaden for AI-workloads. Denne referansen fokuserer på strategier for å optimalisere kostnader knyttet til telemetri-innsamling, lagring og spørringer, samtidig som du opprettholder nødvendig innsikt i systemets helse og ytelse.
diff --git a/skills/ms-ai-security/references/cost-optimization/prompt-engineering-cost-reduction.md b/skills/ms-ai-security/references/cost-optimization/prompt-engineering-cost-reduction.md
index 86e97fb..b3008b4 100644
--- a/skills/ms-ai-security/references/cost-optimization/prompt-engineering-cost-reduction.md
+++ b/skills/ms-ai-security/references/cost-optimization/prompt-engineering-cost-reduction.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06
 **Status:** GA
 **Category:** Cost Optimization & FinOps for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/concepts/manage-costs
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Prompt engineering er en av de mest kostnadseffektive optimaliseringsstrategiene for Azure OpenAI-løsninger. Siden prismodellen er basert på antall tokens (både input og output), kan godt utformede prompts redusere kostnader med 30-70% uten å kompromittere kvaliteten på responsen. Dette handler om å maksimere verdien av hver token som sendes til modellen.
diff --git a/skills/ms-ai-security/references/cost-optimization/ptu-vs-paygo-economics.md b/skills/ms-ai-security/references/cost-optimization/ptu-vs-paygo-economics.md
index bd50ffe..f08564f 100644
--- a/skills/ms-ai-security/references/cost-optimization/ptu-vs-paygo-economics.md
+++ b/skills/ms-ai-security/references/cost-optimization/ptu-vs-paygo-economics.md
@@ -4,9 +4,22 @@
 **Status:** GA
 **Category:** Cost Optimization & FinOps for AI
 **Source:** https://learn.microsoft.com/azure/foundry/openai/concepts/provisioned-throughput
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter / Nøkkelegenskaper](#kjernekomponenter--nøkkelegenskaper)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Valget mellom Provisioned Throughput Units (PTU) og Pay-as-You-Go (PayGo) for Azure OpenAI-deployments er en kritisk arkitektur- og økonomibeslutning som påvirker både kostnader, ytelse og operasjonell kompleksitet. PTU tilbyr forutsigbar kapasitet og kostnader mot en timebasert commitment, mens PayGo gir fleksibilitet med token-basert fakturering. Begge modellene har sine optimale bruksområder, og feilvalg kan raskt føre til enten overforbruk eller underutnyttelse av ressurser.
diff --git 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
index aa2b4cb..a888d5a 100644
--- 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
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19
 **Status:** GA
 **Category:** Cost Optimization & FinOps for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry-classic/openai/concepts/use-your-data
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Retrieval Augmented Generation (RAG) representerer en av de mest kostnadsintensive delene av AI-applikasjoner i produksjon. Mens utvikling og testing av RAG-løsninger kan virke rimelig, eskalerer kostnadene raskt når systemet møter produksjonsvolumer med hundrevis eller tusenvis av queries daglig. Hver query utløser en pipeline med minimum to LLM-kall (intent generation og response generation), embedding-operasjoner, search-queries mot Azure AI Search, og potensielt semantic ranking. For organisasjoner som bygger chat-løsninger eller copilots på Microsoft-stakken, er query-kostnader ofte den største driftskostnaden.
diff --git a/skills/ms-ai-security/references/cost-optimization/request-batching-aggregation.md b/skills/ms-ai-security/references/cost-optimization/request-batching-aggregation.md
index 2cde855..c8aaffc 100644
--- a/skills/ms-ai-security/references/cost-optimization/request-batching-aggregation.md
+++ b/skills/ms-ai-security/references/cost-optimization/request-batching-aggregation.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06
 **Status:** GA
 **Category:** Cost Optimization & FinOps for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-endpoints-batch
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-Stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig Sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og Lisensiering](#kostnad-og-lisensiering)
+- [For Arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og Verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Request batching og response aggregation er kritiske kostnadsoptimaliseringsteknikker for AI-løsninger som gjør det mulig å konsolidere flere API-forespørsler i én enkelt nettverksoperasjon. I stedet for å sende hundrevis eller tusenvis av individuelle API-kall, kan applikasjoner samle disse i batches, redusere nettverkslatens, minimere API throttling-risiko og drastisk kutte kostnader.
diff --git a/skills/ms-ai-security/references/cost-optimization/reserved-capacity-planning.md b/skills/ms-ai-security/references/cost-optimization/reserved-capacity-planning.md
index 15c4d0b..40a7359 100644
--- a/skills/ms-ai-security/references/cost-optimization/reserved-capacity-planning.md
+++ b/skills/ms-ai-security/references/cost-optimization/reserved-capacity-planning.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06
 **Status:** GA
 **Category:** Cost Optimization & FinOps for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/openai/concepts/provisioned-throughput-billing
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter / Nøkkelegenskaper](#kjernekomponenter--nøkkelegenskaper)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Reserved capacity og commitment tier pricing er Azures to primære mekanismer for kostnadsoptimalisering av AI-tjenester gjennom term-baserte rabatter. Disse mekanismene lar organisasjoner oppnå betydelige kostnadsbesparelser (opptil 40-60% for reservasjoner) i bytte mot å binde seg til en bestemt kapasitet over tid.
diff --git a/skills/ms-ai-security/references/cost-optimization/semantic-caching-patterns.md b/skills/ms-ai-security/references/cost-optimization/semantic-caching-patterns.md
index 47cc231..eab1efc 100644
--- a/skills/ms-ai-security/references/cost-optimization/semantic-caching-patterns.md
+++ b/skills/ms-ai-security/references/cost-optimization/semantic-caching-patterns.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19
 **Status:** GA
 **Category:** Cost Optimization & FinOps for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/api-management/genai-gateway-capabilities
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Semantic caching er en teknikk som reduserer kostnader og latens for LLM-baserte applikasjoner ved å cache og gjenbruke svar basert på semantisk likhet mellom prompts — ikke kun eksakte tekstmatch. Dette er spesielt verdifullt i AI-workloads der samme eller lignende spørsmål stilles flere ganger.
diff --git a/skills/ms-ai-security/references/cost-optimization/small-language-models-economics.md b/skills/ms-ai-security/references/cost-optimization/small-language-models-economics.md
index b581ce1..cbad63f 100644
--- a/skills/ms-ai-security/references/cost-optimization/small-language-models-economics.md
+++ b/skills/ms-ai-security/references/cost-optimization/small-language-models-economics.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Cost Optimization & FinOps for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/foundry-models/concepts/models-sold-directly-by-azure
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter / Nøkkelegenskaper](#kjernekomponenter--nøkkelegenskaper)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Small Language Models (SLMs) representerer en fundamental endring i hvordan organisasjoner kan tilnærme seg AI-økonomisering. I motsetning til Large Language Models (LLMs) som GPT-4, som typisk har over 10 milliarder parametere, opererer SLMs med under 10 milliarder parametere — noe som gir dramatiske kostnadsbesparelser uten å ofre ytelse for veldefinerte oppgaver.
diff --git a/skills/ms-ai-security/references/cost-optimization/token-counting-optimization.md b/skills/ms-ai-security/references/cost-optimization/token-counting-optimization.md
index 5dc246a..87338e0 100644
--- a/skills/ms-ai-security/references/cost-optimization/token-counting-optimization.md
+++ b/skills/ms-ai-security/references/cost-optimization/token-counting-optimization.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06
 **Status:** GA
 **Category:** Cost Optimization & FinOps for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/concepts/manage-costs
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Token counting og optimization er fundamentale teknikker for å kontrollere kostnader i Azure OpenAI og andre LLM-baserte løsninger. Siden fakturering baserer seg på antall tokens (både input og output), er presis måling og aktiv reduksjon av token-forbruk kritisk for økonomisk bærekraft — spesielt i høyvolum-scenarier.
diff --git 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
index 86aa61d..5412316 100644
--- 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
@@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19
 **Status:** GA
 **Category:** Cost Optimization & FinOps for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/concepts/manage-costs
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon
 
 Vector storage og embeddings utgjør ofte den største kostnadsposten i moderne RAG-løsninger (Retrieval Augmented Generation). En typisk embedding-modell genererer vektorer på 1536 dimensjoner (text-embedding-ada-002) eller opptil 3072 dimensjoner (text-embedding-3-large), der hver dimensjon lagres som et 32-bit flyttall (float32). Dette gir en råstørrelse på 6-12 KB per dokument, før man tar høyde for algoritme-overhead og indekseringsstrukturer.
diff --git a/skills/ms-ai-security/references/performance-scalability/async-processing-patterns.md b/skills/ms-ai-security/references/performance-scalability/async-processing-patterns.md
index a4d44e4..87b0709 100644
--- a/skills/ms-ai-security/references/performance-scalability/async-processing-patterns.md
+++ b/skills/ms-ai-security/references/performance-scalability/async-processing-patterns.md
@@ -3,9 +3,25 @@
 **Last updated:** 2026-06-24 | Verified: MCP 2026-06
 **Status:** GA
 **Category:** Performance & Scalability
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/architecture/guide/architecture-styles/event-driven
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Queue-based Architectures](#queue-based-architectures)
+- [Event-Driven Design](#event-driven-design)
+- [Request-Response Decoupling](#request-response-decoupling)
+- [Status Polling and Webhooks](#status-polling-and-webhooks)
+- [Event-Driven Architecture Styles (oppdatert 2026-04)](#event-driven-architecture-styles-oppdatert-2026-04)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Asynkron prosessering er en arkitekturstrategi der AI-forespørsler behandles uavhengig av den opprinnelige klientforbindelsen. I stedet for at klienten venter synkront på et svar fra Azure OpenAI (som kan ta fra 500ms til flere minutter for reasoning-modeller), plasseres forespørselen i en kø, behandles i bakgrunnen, og resultatet leveres via polling, webhook eller push-notifikasjon.
diff --git a/skills/ms-ai-security/references/performance-scalability/auto-scaling-ai-infrastructure.md b/skills/ms-ai-security/references/performance-scalability/auto-scaling-ai-infrastructure.md
index 86f7cd9..4f9edad 100644
--- a/skills/ms-ai-security/references/performance-scalability/auto-scaling-ai-infrastructure.md
+++ b/skills/ms-ai-security/references/performance-scalability/auto-scaling-ai-infrastructure.md
@@ -3,9 +3,24 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Performance & Scalability
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Grunnleggende skaleringstyper](#grunnleggende-skaleringstyper)
+- [Azure Container Apps for AI-arbeidslaster](#azure-container-apps-for-ai-arbeidslaster)
+- [Skaleringsmetrikker og triggere](#skaleringsmetrikker-og-triggere)
+- [Cooldown-perioder og stabilisering](#cooldown-perioder-og-stabilisering)
+- [Kapasitetsplanlegging](#kapasitetsplanlegging)
+- [Kostnadsoptimalisering gjennom skalering](#kostnadsoptimalisering-gjennom-skalering)
+- [Azure OpenAI-spesifikk skalering](#azure-openai-spesifikk-skalering)
+- [Overvaking av skalering](#overvaking-av-skalering)
+- [Sjekkliste for auto-scaling](#sjekkliste-for-auto-scaling)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Auto-scaling er en fundamental kapabilitet for AI-infrastruktur i Azure, der arbeidslaster kan variere dramatisk basert pa brukertrafikk, batch-prosessering og hendelsesdrevne triggere. For norsk offentlig sektor er auto-scaling spesielt viktig fordi trafikkmonstre er svart forutsigbare (arbeidstid, sesongvariasjon) men ogsaa kan ha uforutsigbare topper (hoeringsfrister, mediadekning).
diff --git a/skills/ms-ai-security/references/performance-scalability/batch-api-usage-optimization.md b/skills/ms-ai-security/references/performance-scalability/batch-api-usage-optimization.md
index e628794..f05638a 100644
--- a/skills/ms-ai-security/references/performance-scalability/batch-api-usage-optimization.md
+++ b/skills/ms-ai-security/references/performance-scalability/batch-api-usage-optimization.md
@@ -4,9 +4,23 @@
 **Status:** GA
 **Category:** Performance & Scalability
 **Source:** https://learn.microsoft.com/azure/foundry/openai/how-to/batch-blob-storage
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Oversikt over Batch API](#oversikt-over-batch-api)
+- [Batch Job-sammensetning](#batch-job-sammensetning)
+- [Filopplasting og -handtering](#filopplasting-og--handtering)
+- [Batch Job-oppretting og -overvaking](#batch-job-oppretting-og--overvaking)
+- [Kostnadsberegning og besparelser](#kostnadsberegning-og-besparelser)
+- [Retry og feilhhandtering](#retry-og-feilhhandtering)
+- [Bruksomrader for norsk offentlig sektor](#bruksomrader-for-norsk-offentlig-sektor)
+- [Sjekkliste for batch-optimalisering](#sjekkliste-for-batch-optimalisering)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 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.
diff --git a/skills/ms-ai-security/references/performance-scalability/cdn-edge-caching-ai.md b/skills/ms-ai-security/references/performance-scalability/cdn-edge-caching-ai.md
index 932c4e5..4e20fdd 100644
--- a/skills/ms-ai-security/references/performance-scalability/cdn-edge-caching-ai.md
+++ b/skills/ms-ai-security/references/performance-scalability/cdn-edge-caching-ai.md
@@ -3,9 +3,22 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Performance & Scalability
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Azure Front Door for AI-endepunkter](#azure-front-door-for-ai-endepunkter)
+- [CDN Caching-regler for AI-responser](#cdn-caching-regler-for-ai-responser)
+- [Semantic Caching for AI](#semantic-caching-for-ai)
+- [Edge Compute for pre-prosessering](#edge-compute-for-pre-prosessering)
+- [Geografisk routing og optimalisering](#geografisk-routing-og-optimalisering)
+- [DDoS-beskyttelse for AI-endepunkter](#ddos-beskyttelse-for-ai-endepunkter)
+- [Ytelsesgevinster: Oppsummering](#ytelsesgevinster-oppsummering)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Content Delivery Networks (CDN) og edge computing er etablerte teknologier for a akselerere webinnhold, men bruken i AI-kontekst krever en nyansert tilnaerming. AI-responser er dynamiske og ofte personaliserte, noe som gjor tradisjonell caching mer kompleks. Likevel finnes det betydelige muligheter for a redusere latens og kostnader ved a cache AI-relatert innhold pa riktig mate.
diff --git a/skills/ms-ai-security/references/performance-scalability/concurrent-request-optimization.md b/skills/ms-ai-security/references/performance-scalability/concurrent-request-optimization.md
index df68145..1e98b6b 100644
--- a/skills/ms-ai-security/references/performance-scalability/concurrent-request-optimization.md
+++ b/skills/ms-ai-security/references/performance-scalability/concurrent-request-optimization.md
@@ -3,9 +3,24 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Performance & Scalability
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/openai/how-to/latency
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Concurrency Level Tuning](#concurrency-level-tuning)
+- [Request Queueing Strategies](#request-queueing-strategies)
+- [Deadlock Prevention](#deadlock-prevention)
+- [Resource Contention Resolution](#resource-contention-resolution)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Concurrent request optimization handler om å maksimere antall samtidige forespørsler mot Azure OpenAI uten å overbelaste tjenesten eller miste forespørsler. Den optimale graden av samtidighet avhenger av deployment-type (Standard vs. PTU), tildelt kvote (TPM/RPM), modellens responstid og klientens evne til å håndtere parallelle forbindelser.
diff --git a/skills/ms-ai-security/references/performance-scalability/connection-pooling-patterns.md b/skills/ms-ai-security/references/performance-scalability/connection-pooling-patterns.md
index ca185a4..27bfc06 100644
--- a/skills/ms-ai-security/references/performance-scalability/connection-pooling-patterns.md
+++ b/skills/ms-ai-security/references/performance-scalability/connection-pooling-patterns.md
@@ -3,9 +3,25 @@
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
 **Status:** GA
 **Category:** Performance & Scalability
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/architecture/ai-ml/guide/azure-openai-gateway-multi-backend
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Pool Sizing-strategier](#pool-sizing-strategier)
+- [Keep-alive-konfigurasjon](#keep-alive-konfigurasjon)
+- [Connection Recycling](#connection-recycling)
+- [Load Distribution](#load-distribution)
+- [Azure API Management som Connection Pooling-lag (oppdatert 2026-06-19)](#azure-api-management-som-connection-pooling-lag-oppdatert-2026-06-19)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Connection pooling er en kritisk ytelsesoptimalisering for applikasjoner som kommuniserer med Azure AI Services. Hver HTTP-forbindelse til Azure OpenAI eller andre AI-endepunkter krever TCP-håndtrykk og eventuelt TLS-forhandling, noe som legger til betydelig latens per forespørsel. Uten connection pooling opprettes og lukkes forbindelser for hver eneste forespørsel, noe som fører til port-utmattelse, økt responstid og unødvendig CPU-bruk.
diff --git a/skills/ms-ai-security/references/performance-scalability/gpu-compute-sizing.md b/skills/ms-ai-security/references/performance-scalability/gpu-compute-sizing.md
index f960ec3..3e2632b 100644
--- a/skills/ms-ai-security/references/performance-scalability/gpu-compute-sizing.md
+++ b/skills/ms-ai-security/references/performance-scalability/gpu-compute-sizing.md
@@ -3,9 +3,25 @@
 **Last updated:** 2026-06-24 | Verified: MCP 2026-06
 **Status:** GA
 **Category:** Performance & Scalability
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/openai/concepts/provisioned-throughput-billing
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [GPU Type Comparison](#gpu-type-comparison)
+- [Memory Requirements](#memory-requirements)
+- [Batch Size Influence](#batch-size-influence)
+- [Cost-Performance Analysis](#cost-performance-analysis)
+- [Azure ML Online Endpoints — oppdatert (2026-04)](#azure-ml-online-endpoints--oppdatert-2026-04)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 GPU- og compute-dimensjonering for AI-workloads på Azure handler om å velge riktig balanse mellom ytelse, kostnad og tilgjengelighet. For de fleste organisasjoner som bruker Azure OpenAI Service er GPU-valg abstrahert bak Provisioned Throughput Units (PTU) — du spesifiserer ønsket throughput, og Azure allokerer nødvendig GPU-kapasitet. Men for custom model hosting via Azure Machine Learning, Azure Kubernetes Service eller Azure Container Instances er eksplisitt GPU-valg nødvendig.
diff --git a/skills/ms-ai-security/references/performance-scalability/latency-optimization-azure-openai.md b/skills/ms-ai-security/references/performance-scalability/latency-optimization-azure-openai.md
index 4fc5836..e02054a 100644
--- a/skills/ms-ai-security/references/performance-scalability/latency-optimization-azure-openai.md
+++ b/skills/ms-ai-security/references/performance-scalability/latency-optimization-azure-openai.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Performance & Scalability
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Forstaelse av latenskomponenter](#forstaelse-av-latenskomponenter)
+- [Request Pipeline-optimalisering](#request-pipeline-optimalisering)
+- [Connection Pooling og gjenbruk](#connection-pooling-og-gjenbruk)
+- [Regional endepunktsvalg](#regional-endepunktsvalg)
+- [Time-to-First-Token-reduksjon](#time-to-first-token-reduksjon)
+- [Provisioned Throughput Units (PTU) for forutsigbar latens](#provisioned-throughput-units-ptu-for-forutsigbar-latens)
+- [Overvaking og malinger](#overvaking-og-malinger)
+- [Sjekkliste for latensoptimalisering](#sjekkliste-for-latensoptimalisering)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Latens er en av de mest kritiske ytelsesparameterne for AI-applikasjoner i produksjon. For norsk offentlig sektor, der innbyggertjenester krever rask respons og interne saksbehandlingssystemer må operere effektivt, er optimalisering av Azure OpenAI-latens avgjorende. Høy latens kan direkte påvirke brukeropplevelsen og redusere adopsjonen av AI-drevne tjenester.
diff --git a/skills/ms-ai-security/references/performance-scalability/load-testing-ai-services.md b/skills/ms-ai-security/references/performance-scalability/load-testing-ai-services.md
index 69326d6..4489348 100644
--- a/skills/ms-ai-security/references/performance-scalability/load-testing-ai-services.md
+++ b/skills/ms-ai-security/references/performance-scalability/load-testing-ai-services.md
@@ -3,9 +3,24 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Performance & Scalability
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/load-testing/overview-what-is-azure-load-testing
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Load Test Design](#load-test-design)
+- [Realistic Traffic Patterns](#realistic-traffic-patterns)
+- [Bottleneck Analysis](#bottleneck-analysis)
+- [Capacity Forecasting](#capacity-forecasting)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Load testing av Azure AI Services er fundamentalt annerledes enn tradisjonell web-applikasjons lasttesting. AI-tjenester har variabel responstid basert på input-størrelse og output-kompleksitet, token-baserte rate limits (TPM/RPM) som ikke korrelerer lineært med antall forespørsler, og kostnader som skalerer med bruk. En enkelt Azure OpenAI-forespørsel kan ta fra 200ms til 120 sekunder avhengig av modell, prompt-størrelse og generert output.
diff --git a/skills/ms-ai-security/references/performance-scalability/model-distillation-performance.md b/skills/ms-ai-security/references/performance-scalability/model-distillation-performance.md
index 4e2a7c2..f185bd6 100644
--- a/skills/ms-ai-security/references/performance-scalability/model-distillation-performance.md
+++ b/skills/ms-ai-security/references/performance-scalability/model-distillation-performance.md
@@ -3,9 +3,25 @@
 **Last updated:** 2026-04 | Verified: MCP 2026-04
 **Status:** GA
 **Category:** Performance & Scalability
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/openai/concepts/fine-tuning-considerations
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Distillation Training Process](#distillation-training-process)
+- [Model Size vs. Quality Tradeoffs](#model-size-vs-quality-tradeoffs)
+- [Token Reduction Benefits](#token-reduction-benefits)
+- [Use Case Suitability](#use-case-suitability)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [Modellvalg og routing-strategi (oppdatert 2026-04)](#modellvalg-og-routing-strategi-oppdatert-2026-04)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Model distillation er prosessen der en stor, kraftig modell (teacher) brukes til å trene en mindre, raskere modell (student) som oppnår akseptabel kvalitet for en spesifikk oppgave. I Azure OpenAI-konteksten betyr dette typisk å samle produksjonsdata fra en premium-modell som GPT-4o eller o3, og bruke disse som treningsdata for å fine-tune en mindre modell som GPT-4o-mini eller GPT-4.1-nano.
diff --git a/skills/ms-ai-security/references/performance-scalability/performance-benchmarking-frameworks.md b/skills/ms-ai-security/references/performance-scalability/performance-benchmarking-frameworks.md
index b7b914b..0f13f22 100644
--- a/skills/ms-ai-security/references/performance-scalability/performance-benchmarking-frameworks.md
+++ b/skills/ms-ai-security/references/performance-scalability/performance-benchmarking-frameworks.md
@@ -3,9 +3,24 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Performance & Scalability
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/load-testing/overview-what-is-azure-load-testing
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Metric Definition Standards](#metric-definition-standards)
+- [Baseline Establishment](#baseline-establishment)
+- [Regression Detection](#regression-detection)
+- [Comparative Analysis Methods](#comparative-analysis-methods)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Et performance benchmarking framework for Azure AI Services gir en strukturert tilnærming til å måle, sammenligne og spore ytelse over tid. Uten et rammeverk blir ytelsesmålinger ad hoc, ikke-reproduserbare og vanskelige å sammenligne mellom modellversjoner, deployment-konfigurasjoner eller arkitekturendringer.
diff --git a/skills/ms-ai-security/references/performance-scalability/prompt-caching-performance.md b/skills/ms-ai-security/references/performance-scalability/prompt-caching-performance.md
index eea2d09..5ae646a 100644
--- a/skills/ms-ai-security/references/performance-scalability/prompt-caching-performance.md
+++ b/skills/ms-ai-security/references/performance-scalability/prompt-caching-performance.md
@@ -3,9 +3,24 @@
 **Last updated:** 2026-06-19
 **Status:** GA
 **Category:** Performance & Scalability
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/openai/concepts/provisioned-throughput
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Cache Eligibility Requirements](#cache-eligibility-requirements)
+- [Prefix Strategy Design](#prefix-strategy-design)
+- [Cost Reduction Calculation](#cost-reduction-calculation)
+- [Cache Invalidation](#cache-invalidation)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Azure OpenAI prompt caching er en innebygd mekanisme som reduserer latens og kostnad for forespørsler med identiske prefixer. Når de første 1024+ tokens i en prompt er identiske med en tidligere forespørsel, gjenbruker tjenesten de allerede beregnede token-representasjonene i stedet for å prosessere dem på nytt. Dette gir raskere time-to-first-token (TTFT) og lavere kostnad — cached tokens faktureres med rabatt for Standard deployments og opptil 100% rabatt for Provisioned (PTU) deployments.
diff --git a/skills/ms-ai-security/references/performance-scalability/rate-limit-management.md b/skills/ms-ai-security/references/performance-scalability/rate-limit-management.md
index 6714b74..2448fbe 100644
--- a/skills/ms-ai-security/references/performance-scalability/rate-limit-management.md
+++ b/skills/ms-ai-security/references/performance-scalability/rate-limit-management.md
@@ -3,9 +3,25 @@
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
 **Status:** GA
 **Category:** Performance & Scalability
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/openai/quotas-limits
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Exponential Backoff Implementation](#exponential-backoff-implementation)
+- [Quota Request Process](#quota-request-process)
+- [Multi-Region Failover](#multi-region-failover)
+- [Usage Monitoring](#usage-monitoring)
+- [Gateway Multi-Backend som Rate Limit-strategi (oppdatert 2026-06-19)](#gateway-multi-backend-som-rate-limit-strategi-oppdatert-2026-06-19)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Azure OpenAI bruker to rate limit-mekanismer: Tokens-per-Minute (TPM) og Requests-per-Minute (RPM). Når en av disse grensene overskrides, returnerer tjenesten HTTP 429 (Too Many Requests) med en `Retry-After` header som angir hvor mange sekunder klienten bør vente. For Standard deployments er rate limits direkte koblet til den tildelte kvoten, mens Provisioned Throughput (PTU) deployments returnerer 429 når utilization overstiger 100%.
diff --git a/skills/ms-ai-security/references/performance-scalability/regional-deployment-latency.md b/skills/ms-ai-security/references/performance-scalability/regional-deployment-latency.md
index 0add22f..eb05ba4 100644
--- a/skills/ms-ai-security/references/performance-scalability/regional-deployment-latency.md
+++ b/skills/ms-ai-security/references/performance-scalability/regional-deployment-latency.md
@@ -3,9 +3,26 @@
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
 **Status:** GA
 **Category:** Performance & Scalability
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/foundry-models/concepts/deployment-types
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Region Selection Criteria](#region-selection-criteria)
+- [Traffic Routing Strategies](#traffic-routing-strategies)
+- [Cross-Region Redundancy](#cross-region-redundancy)
+- [Data Residency Requirements](#data-residency-requirements)
+- [Azure Front Door — oppdatert (2026-06-19)](#azure-front-door--oppdatert-2026-06-19)
+- [Gateway Multi-Backend — 4 topologier (oppdatert 2026-06-19)](#gateway-multi-backend--4-topologier-oppdatert-2026-06-19)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Multi-region deployment av Azure OpenAI-tjenester er en strategi for å minimere latens, øke tilgjengelighet og oppfylle krav til dataresidency. Azure OpenAI tilbyr flere deployment-typer som adresserer ulike regionale behov: Global Standard (automatisk routing til region med tilgjengelig kapasitet), Data Zone (data holdes innenfor en geografisk sone som EU), Regional Standard (fast region) og tilsvarende Provisioned-varianter.
diff --git a/skills/ms-ai-security/references/performance-scalability/response-chunking-strategies.md b/skills/ms-ai-security/references/performance-scalability/response-chunking-strategies.md
index 7a98aa2..d8986a3 100644
--- a/skills/ms-ai-security/references/performance-scalability/response-chunking-strategies.md
+++ b/skills/ms-ai-security/references/performance-scalability/response-chunking-strategies.md
@@ -3,9 +3,24 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Performance & Scalability
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/application-gateway/use-server-sent-events
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Streaming med Server-Sent Events](#streaming-med-server-sent-events)
+- [Semantic Chunking Approaches](#semantic-chunking-approaches)
+- [Client-Side Reassembly](#client-side-reassembly)
+- [Error Handling in Chunks](#error-handling-in-chunks)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Response chunking handler om hvordan store AI-modellresponser fra Azure OpenAI brytes opp og leveres til klienter. Det finnes to hovedtilnærminger: streaming via Server-Sent Events (SSE) der modellens output leveres token-for-token i sanntid, og chunking av store responser der output deles opp i semantisk meningsfulle blokker for videre prosessering.
diff --git a/skills/ms-ai-security/references/performance-scalability/streaming-response-patterns.md b/skills/ms-ai-security/references/performance-scalability/streaming-response-patterns.md
index a1519a6..f0f857e 100644
--- a/skills/ms-ai-security/references/performance-scalability/streaming-response-patterns.md
+++ b/skills/ms-ai-security/references/performance-scalability/streaming-response-patterns.md
@@ -3,9 +3,23 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Performance & Scalability
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Server-Sent Events (SSE) Grunnleggende](#server-sent-events-sse-grunnleggende)
+- [Grunnleggende Streaming-implementasjon](#grunnleggende-streaming-implementasjon)
+- [Chunked Transfer Encoding](#chunked-transfer-encoding)
+- [Client-Side Stream Handling](#client-side-stream-handling)
+- [Error Recovery in Streams](#error-recovery-in-streams)
+- [Nar bruke streaming vs. non-streaming](#nar-bruke-streaming-vs-non-streaming)
+- [Avanserte monstre](#avanserte-monstre)
+- [Ytelsesmal for streaming](#ytelsesmal-for-streaming)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Streaming av AI-responser er en kritisk teknikk for a forbedre brukeropplevelsen i interaktive AI-applikasjoner. Istedenfor a vente pa at hele responsen genereres for den vises, lar streaming brukeren se svaret bygges opp token for token. For norsk offentlig sektor, der innbyggerportaler og saksbehandlingssystemer i okende grad integrerer AI, er streaming avgjorende for akseptabel responstid.
diff --git a/skills/ms-ai-security/references/performance-scalability/throughput-optimization-strategies.md b/skills/ms-ai-security/references/performance-scalability/throughput-optimization-strategies.md
index 6e91797..17c1589 100644
--- a/skills/ms-ai-security/references/performance-scalability/throughput-optimization-strategies.md
+++ b/skills/ms-ai-security/references/performance-scalability/throughput-optimization-strategies.md
@@ -3,9 +3,25 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Performance & Scalability
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/openai/concepts/provisioned-throughput-billing
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Parallel Request Execution](#parallel-request-execution)
+- [Request Buffering Strategies](#request-buffering-strategies)
+- [Queue Depth Tuning](#queue-depth-tuning)
+- [System Bottleneck Identification](#system-bottleneck-identification)
+- [Implementeringsmønstre](#implementeringsmønstre)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Throughput-optimalisering for Azure OpenAI og Azure AI Services handler om å maksimere antall fullførte forespørsler per sekund innenfor de tildelte kvotene. Azure OpenAI måler throughput i tokens per minutt (TPM) og forespørsler per minutt (RPM), og den reelle throughputen avhenger av en kompleks kombinasjon av input-størrelse, output-størrelse, modelltype og samtidige forespørsler.
diff --git a/skills/ms-ai-security/references/performance-scalability/token-per-second-optimization.md b/skills/ms-ai-security/references/performance-scalability/token-per-second-optimization.md
index 3162a1a..9f419c8 100644
--- a/skills/ms-ai-security/references/performance-scalability/token-per-second-optimization.md
+++ b/skills/ms-ai-security/references/performance-scalability/token-per-second-optimization.md
@@ -3,9 +3,24 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Performance & Scalability
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/openai/concepts/provisioned-throughput-billing
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Batch Sizing Impact](#batch-sizing-impact)
+- [Prompt Length Optimization](#prompt-length-optimization)
+- [GPU Utilization og throughput-monitorering](#gpu-utilization-og-throughput-monitorering)
+- [Throughput per PTU per modell](#throughput-per-ptu-per-modell)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Token-per-second (TPS) er en kritisk ytelsesmetrikk for Azure OpenAI-deployments som måler hvor raskt modellen genererer output-tokens. Denne metrikken påvirker direkte brukeropplevelsen ved streaming og den totale gjennomstrømmingen for batch-workloads. Azure OpenAI tilbyr latens-mål per PTU som varierer fra 25 TPS (o1) til 100 TPS (gpt-4.1-nano), og optimalisering av TPS er nøkkelen til å utnytte tildelt kapasitet effektivt.
diff --git a/tests/kb-eval/test-transform-criterion.test.mjs b/tests/kb-eval/test-transform-criterion.test.mjs
index 1e63d77..a8f10d7 100644
--- a/tests/kb-eval/test-transform-criterion.test.mjs
+++ b/tests/kb-eval/test-transform-criterion.test.mjs
@@ -62,9 +62,11 @@ test('regenerate 1 real file → valid, dated, source-anchored, body preserved,
   const original = readFileSync(join(PLUGIN_ROOT, refRel), 'utf8');
   const body = splitBody(original);
 
-  // The pre-lag-4 file has no **Source:** header — the 0%-coverage failure mode.
-  assert.ok(validateKbFile(original).missing.includes('source'),
-    'expected the pre-lag-4 file to lack a header Source');
+  // Post-migration (Spor 1 lag 4) this real file now carries a **Source:** header — the
+  // 0%-coverage failure mode is closed. Regeneration below re-stamps the full Port-1
+  // contract (source + verified) and preserves the body verbatim.
+  assert.ok(!validateKbFile(original).missing.includes('source'),
+    'post-migration the real file should already carry a header Source');
 
   // category key + filename from the real path: skills/<skill>/references/<category>/<file>
   const parts = refRel.split('/');
diff --git a/tests/kb-update/test-transform.test.mjs b/tests/kb-update/test-transform.test.mjs
index 86687e5..c8ad2a0 100644
--- a/tests/kb-update/test-transform.test.mjs
+++ b/tests/kb-update/test-transform.test.mjs
@@ -574,6 +574,33 @@ test('insertHeaderFields works on the pipe-delimited dialect without a `---` rul
   assert.equal(tail(out), tail(HDR_PIPE));
 });
 
+// Dialect A' — a meta line (Status) whose single line is itself >500 bytes (real corpus:
+// agentic-rag-patterns.md, gpt5-gpt41-pricing-models.md pack a paragraph into **Status:**).
+// The anchor must back off to the last meta line that still leaves room in the 500-byte
+// window, so the inserted Type/Source stay parseable — never anchor PAST the giant line.
+const HDR_GIANT_META =
+  '# Agentic RAG Patterns — Agent-styrt retrieval\n\n' +
+  '**Last updated:** 2026-06-19\n' +
+  '**Status:** ' + 'GA; '.repeat(140) + 'slutt\n' + // single meta line ~560 bytes
+  '**Category:** RAG Architecture\n\n' +
+  '---\n\n' +
+  '## Introduksjon\n\nBrødtekst.\n';
+
+test('insertHeaderFields keeps Type+Source inside the 500-byte window when a meta line is itself >500B (anchor backs off, does not overshoot)', () => {
+  // Guard: the fixture really does have a Status line that alone crosses the window.
+  assert.ok(HDR_GIANT_META.indexOf('**Category:**') > 500, 'fixture must push Category past 500B');
+  const out = insertHeaderFields(HDR_GIANT_META, { type: 'reference', source: MS_URL });
+  // The whole point: both fields must survive the top-500-byte scan.
+  assert.equal(parseTypeHeader(out), 'reference', 'Type fell outside the 500-byte window');
+  assert.equal(parseSourceHeader(out), MS_URL, 'Source fell outside the 500-byte window');
+  // They landed BEFORE the giant Status line (after Last updated), not after it.
+  assert.ok(out.indexOf('**Last updated:**') < out.indexOf('**Type:**'));
+  assert.ok(out.indexOf('**Type:**') < out.indexOf('**Status:**'));
+  // body (from the first ## section) is byte-identical
+  const tail = (s) => s.slice(s.indexOf('## Introduksjon'));
+  assert.equal(tail(out), tail(HDR_GIANT_META));
+});
+
 test('insertHeaderFields for a non-reference type emits Type only, never Source', () => {
   const out = insertHeaderFields(HDR_KATEGORI, { type: 'methodology', source: MS_URL });
   assert.equal(parseTypeHeader(out), 'methodology');
@@ -626,10 +653,13 @@ test('insertToc(insertHeaderFields(large)) → Type+Source+TOC, passes real chec
 });
 
 // --- normalizeStaleVerified: surgical carve-out for the 14 `**Verified:** MCP` files ---
-// Acts ONLY on the first header-region **Verified:** (the one parseVerifiedHeader reads),
-// ONLY when its value is not a clean YYYY-MM(-DD) date. Never touches at/below the first
-// `---` (body-duplicate preserved). Pipe-safe: on a pipe row it removes only the Verified
-// token + one adjacent ` | `, keeping siblings. Idempotent.
+// Acts on EVERY stale (non-date) **Verified:** that falls inside the 500-byte scan window —
+// exactly what parseVerifiedHeader reads as the file's verified value, whether it sits in
+// the header block OR as a stray duplicate just below the first `---` (a corpus artifact
+// that still poisons the read). A clean YYYY-MM(-DD) date at the first position is left
+// untouched, and anything past the 500-byte window is genuine body content and never
+// touched. Pipe-safe: on a pipe row it removes only the Verified token + one adjacent ` | `,
+// keeping siblings. Idempotent.
 
 const VERIFIED_STALE =
   '# T\n\n**Last updated:** 2026-06-19\n**Verified:** MCP 2026-06-19\n' +
@@ -639,7 +669,8 @@ const VERIFIED_CLEAN =
   '# T\n\n**Last updated:** 2026-06\n**Verified:** 2026-06\n**Status:** GA\n\n---\n\n## A\n\ntekst\n';
 
 // The mlops-fundamentals-overview.md shape: a stale header Verified AND a duplicate
-// below the `---` rule (line-10 shape). The normalizer removes the header one only.
+// below the `---` rule (line-10 shape). Both sit inside the 500-byte scan window, so both
+// poison parseVerifiedHeader — the normalizer removes BOTH (the blessed body-dup carve-out).
 const VERIFIED_BODY_DUP =
   '# MLOps Fundamentals\n\n**Last updated:** 2026-06-19\n**Verified:** MCP 2026-06-19\n' +
   '**Status:** GA\n**Category:** MLOps\n\n---\n\n**Verified:** MCP 2026-06-19\n\n' +
@@ -669,16 +700,15 @@ test('normalizeStaleVerified leaves a clean YYYY-MM(-DD) Verified date untouched
   assert.equal(parseVerifiedHeader(VERIFIED_CLEAN), '2026-06');
 });
 
-test('normalizeStaleVerified removes the header **Verified:** but never the body-duplicate below ---', () => {
+test('normalizeStaleVerified removes BOTH the header **Verified:** and the stray duplicate below --- within the 500B window', () => {
   const out = normalizeStaleVerified(VERIFIED_BODY_DUP);
-  // exactly one **Verified:** remains …
-  assert.equal((out.match(/\*\*Verified:\*\*/g) || []).length, 1);
-  // … and it is the body one, below the `---` rule
-  const ruleIdx = out.indexOf('\n---');
-  assert.ok(ruleIdx !== -1 && out.indexOf('**Verified:**') > ruleIdx, 'surviving Verified must be below ---');
-  // header meta above the rule is intact
-  assert.match(out.slice(0, ruleIdx), /\*\*Last updated:\*\* 2026-06-19/);
-  // body from ## Introduksjon byte-identical
+  // both the header AND the body-dup are stale MCP within 500B → both gone
+  assert.equal((out.match(/\*\*Verified:\*\*/g) || []).length, 0);
+  assert.equal(parseVerifiedHeader(out), null, 'no stale Verified may survive in the scan window');
+  // header meta is intact
+  assert.match(out, /\*\*Last updated:\*\* 2026-06-19/);
+  assert.match(out, /\*\*Status:\*\* GA/);
+  // prose from ## Introduksjon is byte-identical — only the stray metadata line was removed
   const tail = (s) => s.slice(s.indexOf('## Introduksjon'));
   assert.equal(tail(out), tail(VERIFIED_BODY_DUP));
 });