ms-ai-architect/skills/ms-ai-advisor/references/architecture/rag-maturity-model.md

RAG Maturity Model — Progressiv modenhetsmodell for Microsoft AI

Last updated: 2026-02 Status: Reference Architecture Category: RAG Architecture & Decision Framework

---

Introduksjon

RAG (Retrieval-Augmented Generation) er ikke én teknikk, men et spektrum av arkitekturer med økende sofistikering. Organisasjoner som starter med enkel vektorsøk kan gradvis utvide til avanserte mønstre som agentic RAG, multimodal retrieval og selvreflekterende systemer — uten å måtte bygge om fra scratch.

Denne modenhetsmodellen definerer 11 nivåer som representerer en progressiv stige fra basic RAG til enterprise-grade kunnskapssystemer. Hvert nivå bygger på foregående og kan implementeres inkrementelt med Microsoft AI-tjenester. Modellen er basert på Ottomator-rammeverkets 11 strategier, organisert som en logisk progresjon med konkrete Microsoft-implementeringer.

Nøkkelprinsipp: Start på nivå 1-3, mål kvaliteten, og avanser kun når det er beviselig behov. Over-engineering er en vanligere feil enn under-engineering.

---

Modenhetsmodellen

Nivå 1: Naive RAG (Grunnleggende)

Beskrivelse: Enkel retrieve-then-generate pipeline. Dokumenter chunkes, embeddes og søkes med vektorsøk. Ingen pre- eller post-processing.

Aspekt	Detaljer
Flyt	Embed query → Vector search → Top-K chunks → LLM prompt → Svar
Microsoft-tjenester	Azure AI Search (Basic tier), Azure OpenAI (text-embedding-3-small, GPT-4o)
Kompleksitet	Lav — kan settes opp på én dag
Kostnad	~1 000-2 000 NOK/mnd (Basic Search + PAYG OpenAI)
Typisk presisjon	50-65% recall@5

Når tilstrekkelig: MVP, proof-of-concept, intern FAQ med <1 000 dokumenter.

Begrensninger: Ingen reranking, ingen query-forståelse, chunks mister kontekst.

---

Nivå 2: Reranking (Kvalitetssikring av resultater)

Beskrivelse: Legger til et reranking-steg etter initial retrieval for å sortere resultater etter semantisk relevans, ikke bare vektorsimilaritet.

Aspekt	Detaljer
Flyt	Embed query → Vector search → Top-K → Semantic Ranker → Reranked top-N → LLM
Microsoft-tjenester	Azure AI Search Semantic Ranker (Standard tier+), Azure OpenAI
Kompleksitet	Lav-medium — én konfigurasjon i søkeindeks
Kostnad	+500-1 000 NOK/mnd (Standard tier krev)
Typisk forbedring	+10-25% precision over nivå 1

Nøkkeltjeneste: Azure AI Search Semantic Ranker — cross-encoder modell som re-evaluerer query-dokument-par.

Implementering:

{
  "search": "Hvordan integrere AI Builder med Power Automate?",
  "vectorQueries": [{"vector": [...], "k": 50, "fields": "contentVector"}],
  "queryType": "semantic",
  "semanticConfiguration": "my-semantic-config",
  "top": 5
}

Eksisterende skill: semantic-ranker-reranking.md (komplett dekning)

---

Nivå 3: Query Understanding (Spørringsoptimalisering)

Beskrivelse: Transformerer brukerens spørsmål til optimaliserte søkespørringer gjennom rewriting, expansion og intent classification.

Aspekt	Detaljer
Teknikker	Query rewriting, expansion, decomposition, HyDE, filter extraction
Microsoft-tjenester	Azure OpenAI (GPT-4o-mini for rewriting), Azure AI Search (synonym maps, fuzzy search)
Kompleksitet	Medium
Kostnad	+200-500 tokens per query (~2-6 NOK/1000 queries)
Typisk forbedring	+15-30% precision over nivå 2

Eksisterende skill: rag-query-understanding.md (komplett + multi-query RAG-utvidelse)

---

Nivå 4: Context-Aware Chunking (Intelligent oppdeling)

Beskrivelse: Erstatter fast chunk-størrelse med dokumentstruktur-bevisst chunking som bevarer semantiske enheter.

Aspekt	Detaljer
Teknikker	Document Layout chunking, semantisk chunking, struktur-basert splitting
Microsoft-tjenester	Azure AI Document Intelligence (Layout skill), Azure Content Understanding
Kompleksitet	Medium
Kostnad	+0,01-0,05 NOK/side (Document Intelligence)
Typisk forbedring	+10-20% retrieval-kvalitet for strukturerte dokumenter

Eksisterende skill: chunking-strategies.md (komplett + context-aware-utvidelse)

---

Nivå 5: Contextual Retrieval (Kontekstuell berikelse)

Beskrivelse: Beriker hver chunk med dokumentnivå-kontekst før embedding, slik at isolerte chunks beholder informasjon om hvor de hører hjemme.

Aspekt	Detaljer
Teknikk	Prepend kontekst (dokument-tittel, seksjon, sammendrag) til hver chunk før embedding
Microsoft-tjenester	Azure OpenAI (kontekstgenerering), Azure AI Search (custom skill for prepending)
Kompleksitet	Medium-høy
Kostnad	+100-500 tokens per chunk (én gang ved indeksering)
Typisk forbedring	35-49% reduksjon i retrieval failures (Anthropic research)

Ny skill: contextual-retrieval.md

---

Nivå 6: Multi-Query RAG (Parallell spørringsutvidelse)

Beskrivelse: Genererer multiple varianter av brukerens spørsmål, kjører parallelle søk, og fusjonerer resultater med deduplisering.

Aspekt	Detaljer
Teknikk	LLM genererer 3-5 query-varianter → parallelle søk → Reciprocal Rank Fusion
Microsoft-tjenester	Azure OpenAI (query-generering), Azure AI Search (parallelle queries)
Kompleksitet	Medium
Kostnad	3-5x søkekostnad per query
Typisk forbedring	+10-20% recall (bredere dekning)

Utvidelse i: rag-query-understanding.md (multi-query RAG-seksjon)

---

Nivå 7: Hierarchical RAG (Multi-nivå retrieval)

Beskrivelse: Organiserer kunnskap i hierarkiske nivåer — sammendrag → seksjoner → chunks — og søker fra grovt til fint.

Aspekt	Detaljer
Teknikk	Parent-child indekser, summary → section → chunk cascading
Microsoft-tjenester	Azure AI Search (index projections, parent-child), Azure OpenAI (summary-generering)
Kompleksitet	Høy
Kostnad	+50-100% lagring (multiple representasjoner)
Typisk forbedring	Opptil 47% høyere Hit@1, vesentlig token-reduksjon

Ny skill: hierarchical-rag-patterns.md

---

Nivå 8: Fine-tuned Embeddings (Domenespesifikk tuning)

Beskrivelse: Tilpasser embedding-modeller til domenespesifikk terminologi for bedre semantisk matching.

Aspekt	Detaljer
Teknikk	Fine-tuning av embedding-modeller med domene-spesifikke treningspar
Microsoft-tjenester	Microsoft Foundry (fine-tuning), Azure OpenAI (text-embedding-3-large med custom tuning)
Kompleksitet	Høy — krever treningsdata og evalueringsrammeverk
Kostnad	Variabel (fine-tuning compute + evaluering)
Typisk forbedring	+15-30% retrieval-kvalitet i spesialiserte domener

Utvidelse i: embedding-models-selection.md (fine-tuning-seksjon)

---

Nivå 9: Knowledge Graphs + RAG (GraphRAG)

Beskrivelse: Kombinerer vektorsøk med kunnskapsgrafer for relasjonell reasoning og multi-hop spørsmål.

Aspekt	Detaljer
Teknikk	Entity extraction → Graph construction → Graph + Vector hybrid search
Microsoft-tjenester	Microsoft GraphRAG (open-source), Azure Cosmos DB (Gremlin API), Azure AI Search
Kompleksitet	Svært høy
Kostnad	Betydelig (graph storage + LLM-basert entity extraction)
Typisk forbedring	+40-70% for relasjonelle spørsmål (hvem-hva-hvordan)

Eksisterende skill: graphrag-knowledge-graphs.md (komplett dekning)

---

Nivå 10: Agentic RAG (Agent-styrt retrieval)

Beskrivelse: Agenter som autonomt planlegger retrieval-strategi, velger verktøy og itererer basert på mellomresultater.

Aspekt	Detaljer
Teknikk	LLM-agent med retrieval-verktøy, router-mønster, multi-backend søk
Microsoft-tjenester	Microsoft Agent Framework, Semantic Kernel (VectorStore bridge), Foundry Agent Service
Kompleksitet	Svært høy
Kostnad	5-20x enkelt søk (multiple LLM-kall per query)
Typisk forbedring	+30-50% for komplekse, multi-step spørsmål

Ny skill: agentic-rag-patterns.md

---

Nivå 11: Self-Reflective RAG (Selvevaluerende systemer)

Beskrivelse: Agenter som evaluerer kvaliteten på egne retrieval-resultater og iterativt forbedrer ved behov (CRAG/Self-RAG).

Aspekt	Detaljer
Teknikk	Confidence scoring → evaluering → re-retrieval/re-generation loop
Microsoft-tjenester	Microsoft Foundry Evaluators (Groundedness, Relevance, Retrieval), Semantic Kernel
Kompleksitet	Svært høy
Kostnad	10-30x enkelt søk (evaluering + re-retrieval loops)
Typisk forbedring	+20-40% groundedness, vesentlig reduksjon i hallusinasjoner

Ny skill: self-reflective-rag.md

---

Decision Tree: Hvilket nivå trenger du?

START
│
├─ Har du < 1000 dokumenter og enkle spørsmål?
│  → Nivå 1-2 (Naive RAG + Reranking)
│
├─ Har brukerne multi-turn samtaler eller vage spørsmål?
│  → Nivå 3 (Query Understanding)
│
├─ Er dokumentene strukturerte (PDF-rapporter, regelverk)?
│  → Nivå 4 (Context-Aware Chunking)
│
├─ Mister chunks viktig kontekst (anaforer, implisitte referanser)?
│  → Nivå 5 (Contextual Retrieval)
│
├─ Har brukerne komplekse sammenligningsspørsmål?
│  → Nivå 6 (Multi-Query RAG)
│
├─ Trenger du søk på ulike granularitetsnivåer?
│  → Nivå 7 (Hierarchical RAG)
│
├─ Har du domenespesifikk terminologi som feiltolkes?
│  → Nivå 8 (Fine-tuned Embeddings)
│
├─ Trenger du relasjonell reasoning (hvem jobber med hvem)?
│  → Nivå 9 (Knowledge Graphs)
│
├─ Krever spørsmålene multiple retrieval-strategier?
│  → Nivå 10 (Agentic RAG)
│
└─ Trenger du garantert kvalitet med self-correction?
   → Nivå 11 (Self-Reflective RAG)

---

Sammendragstabell

Nivå	Strategi	Microsoft-tjenester	Kompleksitet	Ekstra kostnad	Presisjonsforbedring
1	Naive RAG	AI Search Basic, OpenAI	Lav	Baseline	Baseline
2	Reranking	AI Search Semantic Ranker	Lav	+500 NOK/mnd	+10-25%
3	Query Understanding	OpenAI (rewriting)	Medium	+2-6 NOK/1K queries	+15-30%
4	Context-Aware Chunking	Document Intelligence	Medium	+0,01-0,05/side	+10-20%
5	Contextual Retrieval	OpenAI (context gen)	Medium-høy	+100-500 tokens/chunk	+35-49%
6	Multi-Query RAG	OpenAI (multi-query)	Medium	3-5x søkekost	+10-20% recall
7	Hierarchical RAG	AI Search (projections)	Høy	+50-100% lagring	+47% Hit@1
8	Fine-tuned Embeddings	AI Foundry	Høy	Variabel	+15-30% domene
9	Knowledge Graphs	GraphRAG, Cosmos DB	Svært høy	Betydelig	+40-70% relasjon
10	Agentic RAG	Agent Framework, SK	Svært høy	5-20x per query	+30-50% kompleks
11	Self-Reflective RAG	Foundry Evaluators	Svært høy	10-30x per query	+20-40% groundedness

---

Migrasjonssti mellom nivåer

Nivå 1→2: Legg til Semantic Ranker

• Krav: Oppgrader Azure AI Search til Standard tier
• Endring: Legg til semanticConfiguration og queryType: semantic
• Risiko: Lav — bakoverkompatibel

Nivå 2→3: Legg til Query Rewriting

• Krav: GPT-4o-mini deployment for rewriting
• Endring: Legg til pre-processing steg før søk
• Risiko: Lav — original query kan beholdes som fallback

Nivå 3→4: Oppgrader chunking

• Krav: Azure AI Document Intelligence, re-indeksering
• Endring: Bytt fra Text Split til Document Layout skill
• Risiko: Medium — krever full re-indeksering

Nivå 4→5: Legg til kontekstuell berikelse

• Krav: Custom skill (Azure Functions) + re-indeksering
• Endring: Prepend kontekst til chunks i indekseringspipeline
• Risiko: Medium — øker indekseringstid og token-kostnad

Nivå 5→6: Legg til multi-query

• Krav: Minimal — kun kode-endring i query-pipeline
• Endring: Parallelle søk med fusion
• Risiko: Lav — øker latency med 2-3x

Nivå 6→7: Legg til hierarkisk indeks

• Krav: Ny indeksstruktur med index projections
• Endring: Parent-child relasjoner, summary-generering
• Risiko: Høy — ny arkitektur, kompleks indekshåndtering

Nivå 7→8: Fine-tune embeddings

• Krav: Treningsdata (query-dokument-par), Microsoft Foundry
• Endring: Custom embedding-modell, full re-indeksering
• Risiko: Høy — krever ML-kompetanse

Nivå 8→9: Legg til Knowledge Graph

• Krav: Azure Cosmos DB, GraphRAG toolkit, entity extraction
• Endring: Parallell graph-pipeline ved siden av vektor-pipeline
• Risiko: Svært høy — ny infrastruktur og datapipeline

Nivå 9→10: Agentic orchestration

• Krav: Semantic Kernel / Agent Framework, tool definitions
• Endring: Agent wrapper rundt retrieval-pipeline
• Risiko: Høy — ikke-deterministisk oppførsel, debugging-utfordringer

Nivå 10→11: Self-reflection loop

• Krav: Microsoft Foundry Evaluators, confidence thresholds
• Endring: Evaluerings- og re-retrieval loop
• Risiko: Høy — øker latency vesentlig, krever tydelige kvalitetsgrenser

---

Offentlig sektor (Norge) — Anbefalinger

Anbefalt utgangspunkt per virksomhetstype

Virksomhet	Anbefalt startnivå	Typisk mål-nivå	Begrunnelse
Kommuner (liten/mellom)	1-2	3-4	Begrenset kompetanse, moderate volumer
Statlige etater	2-3	5-7	Strukturerte dokumenter, compliance-krav
Helsesektoren	3-4	7-8	Domenespesifikk terminologi, høye krav til presisjon
Forsvarssektoren	4-5	8-11	Gradert informasjon, relasjonelle spørsmål
Justissektoren	3-4	7-9	Juridisk terminologi, relasjonell reasoning

Compliance-hensyn per nivå

Nivå	GDPR	AI Act	Forvaltningsloven	Schrems II
1-3	Standard DPA	Lav risiko	Minimal logging	EU-regioner OK
4-6	PII i chunks	Dokumentasjonskrav	Kildehenvisning påkrevd	EU-regioner OK
7-9	Utvidet DPIA	Transparenskrav	Full audit trail	Vurder Norway East
10-11	Full DPIA	Høyrisiko-kategori mulig	Forklarbarhet påkrevd	Norway East anbefalt

---

Kostnad/kompleksitet-diagram

Kostnad (NOK/mnd)
│
│                                                    ● 11 Self-Reflective
│                                               ● 10 Agentic
│                                          ● 9 GraphRAG
│                                     ● 8 Fine-tuned
│                                ● 7 Hierarchical
│                           ● 6 Multi-Query
│                      ● 5 Contextual
│                 ● 4 Context-Aware
│            ● 3 Query Understanding
│       ● 2 Reranking
│  ● 1 Naive
└─────────────────────────────────────────────────── Kompleksitet
  Lav                Medium              Høy            Svært høy

---

Tilleggsmønstre (ortogonale)

Disse mønstrene kan kombineres med ethvert nivå og er ikke del av den lineære progresjonen:

Mønster	Beskrivelse	Når bruke	Skill
Multimodal RAG	Bilder, tabeller, diagrammer i pipeline	Dokumenter med visuelt innhold	multimodal-rag.md
Late Chunking	Chunk etter embedding for kontekstbevaring	Long-context embedding-modeller tilgjengelig	late-chunking-patterns.md
Streaming RAG	Strømming av svar under generering	Lav-latency krav	streaming-rag-responses.md
RBAC RAG	Sikkerhetstrimming av resultater	Multi-tenant, klassifisert innhold	rag-security-rbac.md
Citation Tracking	Kildehenvisning i svar	Compliance, etterprøvbarhet	citation-tracking.md

---

For arkitekten

Spørsmål for å plassere kunden på riktig nivå

1. "Hva er den viktigste svakheten med dagens søk/RAG?"

   • Dårlig presisjon → Nivå 2-3
   • Mister kontekst → Nivå 4-5
   • For smalt søk → Nivå 6
   • Trenger relasjonell info → Nivå 9

2. "Hvor mange dokumenter skal indekseres?"

   • <1 000 → Nivå 1-3 tilstrekkelig
   • 1 000-100 000 → Nivå 3-7

   • 100 000 → Nivå 4-8

3. "Hva slags spørsmål stiller brukerne?"

   • Enkle lookup → Nivå 1-3
   • Sammenligninger → Nivå 6-7
   • Multi-step reasoning → Nivå 9-11

4. "Hva er budsjettrammen?"

   • Pilot (<5 000 NOK/mnd) → Nivå 1-4
   • Produksjon (5 000-20 000 NOK/mnd) → Nivå 3-7
   • Enterprise (>20 000 NOK/mnd) → Nivå 5-11

5. "Hvilken kompetanse har teamet?"

   • Citizen developers → Nivå 1-3 (Copilot Studio)
   • Utviklere → Nivå 1-8
   • ML-ingeniører → Nivå 1-11

Fallgruver

• Over-engineering: "Vi trenger agentic RAG" — nei, 80% av organisasjoner klarer seg med nivå 1-4
• Hoppe over nivåer: Nivå 9 uten nivå 2-3 gir dårligere resultater enn nivå 3 alene
• Ingen baseline: Alltid mål kvalitet på nåværende nivå før oppgradering
• Kostnadsblindhet: Nivå 10-11 koster 10-30x per query — beregn ROI først
• Compliance-ignorering: Nivå 7+ i offentlig sektor krever DPIA og arkitekturdokumentasjon

Neste steg for ulike scenarioer

Kunden sier	Anbefalt handling
"Vi har ingen RAG i dag"	Start nivå 1-2, evaluer med 50 testspørringer
"Vi har basic RAG, hva er neste steg?"	Mål baseline, legg til reranking (nivå 2) og query rewriting (nivå 3)
"Retrieval-kvaliteten er for dårlig"	Evaluer chunking (nivå 4), contextual retrieval (nivå 5), og embeddings (nivå 8)
"Vi trenger RAG over bilder og tabeller"	Multimodal RAG (ortogonalt mønster)
"Vi har compliance-krav"	Nivå 4+ med citation tracking, RBAC, og audit logging

---

Kilder og verifisering

Kilde	Konfidens	Område
Azure AI Search RAG overview	Verified	Nivå 1-4 tjenester og priser
Azure AI Search Semantic Ranker	Verified	Nivå 2 reranking
Microsoft Foundry evaluators	Verified	Nivå 11 evaluering
Foundry Agent Service	Verified	Nivå 10 agentic RAG
Microsoft GraphRAG (GitHub)	Verified	Nivå 9 knowledge graphs
Anthropic Contextual Retrieval research	Baseline	Nivå 5 forbedringsprosenter
Jina AI Late Chunking research	Baseline	Late chunking konsept
Ottomator 11 RAG Strategies	Baseline	Overordnet rammeverk
RAG Maturity Model (Ombrulla)	Baseline	Modenhetsmodell-konsept
Azure-priser	Verified	Konvertert NOK med kurs ~10.5

---

For arkitekten: Bruk denne modellen som standard rammeverk når kunder spør om "RAG-strategi" eller "hva er neste steg for vår RAG-løsning". Start alltid med å plassere kunden på riktig nivå gjennom spørsmålene over, deretter anbefal neste 1-2 nivåer. Aldri anbefal nivå 9-11 som første steg.