ms-ai-architect/skills/ms-ai-governance/references/norwegian-public-sector-governance/nsm-grunnprinsipper-ai-mapping.md

# NSM Grunnprinsipper for IKT-sikkerhet anvendt på AI

**Last updated:** 2026-02
**Status:** Gjeldende (NSM Grunnprinsipper v2.1, juni 2024)
**Category:** Norwegian Public Sector AI Governance

---

## 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.

Dette dokumentet mapper NSMs grunnprinsipper til AI-systemer, med spesielt fokus på Microsoft AI-stakken (Azure AI Foundry, Copilot Studio, M365 Copilot, Power Platform AI).

**Hvorfor dette er relevant for AI-arkitekter:**
- AI-systemer introduserer nye sårbarheter (prompt injection, datainnsamling, modell-drift)
- Offentlig sektor har strengere krav til trygghet, etterprøvbarhet og personvern
- NSMs prinsipper gir et norsk-tilpasset rammeverk som kompletterer internasjonale standarder (NIST AI RMF, EU AI Act)

**Relaterte dokumenter:**
- `digdir-ai-governance.md` — Digdirs AI-prinsipper og veiledere
- `eu-ai-act-norway.md` — EU AI-forordningen i norsk kontekst
- `dpia-for-ai.md` — Personvernkonsekvensvurdering for AI

---

## De fire kategoriene

NSMs grunnprinsipper for IKT-sikkerhet er strukturert i fire hovedkategorier:

### 1. Identifisere og kartlegge
**Formål:** Å forstå systemene, infrastrukturen og dataene du har.

**Prinsipper:**
- 1.1 Kartlegg styringsstrukturer, leveranser og understøttende systemer
- 1.2 Kartlegg enheter og programvare
- 1.3 Kartlegg brukere og behov for tilgang

### 2. Beskytte og opprettholde
**Formål:** Å etablere en sikker IKT-arkitektur og opprettholde beskyttelsestiltak.

**Prinsipper:**
- 2.1 Ivareta sikkerhet i anskaffelses- og utviklingsprosesser
- 2.2 Etabler en sikker IKT-arkitektur
- 2.3 Ivareta en sikker konfigurasjon
- 2.4 Beskytt virksomhetens nettverk
- 2.5 Kontroller dataflyt
- 2.6 Ha kontroll på identiteter og tilganger
- 2.7 Beskytt data i ro og i transitt
- 2.8 Beskytt e-post og nettleser
- 2.9 Etabler evne til gjenoppretting av data
- 2.10 Integrer sikkerhet i prosess for endringshåndtering

### 3. Oppdage
**Formål:** Å overvåke og identifisere sårbarheter og trusler.

**Prinsipper:**
- 3.1 Oppdag og fjern kjente sårbarheter og trusler
- 3.2 Etabler sikkerhetsovervåkning
- 3.3 Analyser data fra sikkerhetsovervåkning
- 3.4 Gjennomfør inntrengningstester

### 4. Håndtere og gjenopprette
**Formål:** Å respondere på og lære av sikkerhetshendelser.

**Prinsipper:**
- 4.1 Forbered virksomheten på håndtering av hendelser
- 4.2 Vurder og klassifiser hendelser
- 4.3 Kontroller og håndter hendelser
- 4.4 Evaluer og lær av hendelser

---

## Mapping til AI-systemer

Hver kategori fra NSMs rammeverk krever AI-spesifikk tilpasning:

### Kategori 1: Identifisere og kartlegge (AI-kontekst)

#### 1.1 Kartlegg AI-styringsstrukturer og leveranser
**AI-spesifikke tiltak:**
- **AI-systemregister:** Oppretthold en oversikt over alle AI-systemer, modeller og datakilder
- **Leverandørkartlegging:** Identifiser hvem som eier AI-modellene (OpenAI, Microsoft, egenutviklet)
- **Risikokategorisering:** Klassifiser AI-systemer etter EU AI Act (forbudt, høyrisiko, begrenset risiko, minimal)
- **Dataflyt-mapping:** Dokumenter hvor treningsdata, inference-data og modellutsagn flyter

**Microsoft-implementering:**
```
- Azure AI Content Safety: Klassifisering av AI-innhold
- Purview AI Hub: AI-datakartlegging
- Azure Resource Graph: Oversikt over AI-ressurser
- AI Bill of Materials (AI-BOM): Sporbarhet av modellkomponenter
```

#### 1.2 Kartlegg AI-enheter og programvare
**AI-spesifikke tiltak:**
- **Modellregister:** Versjonshåndtering av AI-modeller (Azure Machine Learning Model Registry, Copilot Studio versions)
- **API-endepunkter:** Kartlegg alle AI-tjenester (OpenAI API, Azure OpenAI, Copilot Studio endpoints)
- **Tredjeparts-integrasjoner:** Plugins, connectors, custom agents (Copilot Studio, M365 Copilot)
- **Embeddings-komponenter:** Hvilke vektormodeller brukes (text-embedding-ada-002, Cohere, custom)

**Microsoft-implementering:**
```
- Azure Machine Learning Workspace: Modellregister med versjonering
- Azure AI Foundry Model Catalog: Oversikt over tilgjengelige modeller
- Copilot Studio: Agent- og plugin-oversikt
- Power Platform: AI Builder model inventory
```

#### 1.3 Kartlegg brukere og AI-tilgang
**AI-spesifikke tiltak:**
- **Brukerroller for AI:** Hvem kan trene modeller, publisere agenter, endre prompts?
- **Prompt-tilgangskontroll:** Hvem kan endre system messages og grounding data?
- **Datakilde-tilgang:** Hvilke brukere får AI-systemet tilgang til data på vegne av?
- **Audit logging:** Spor alle AI-interaksjoner for etterprøvbarhet

**Microsoft-implementering:**
```
- Azure RBAC: Granulære roller (AI Developer, AI User, Model Deployer)
- Entra ID: Identitetsstyring for AI-tjenester
- Copilot Studio Security Roles: Publisher, Author, Viewer
- Power Platform DLP Policies: Begrens AI-tilgang til datakilder
- Azure Monitor Logs: AI-interaksjonslogging
```

---

### Kategori 2: Beskytte og opprettholde (AI-kontekst)

#### 2.1 Ivareta sikkerhet i AI-anskaffelse og utvikling
**AI-spesifikke tiltak:**
- **AI-leverandørvurdering:** Evaluer modelleverandørers sikkerhetspraksis (OpenAI, Microsoft, Anthropic)
- **Secure AI Development Lifecycle:** Inkluder trusselmodellering, red teaming, bias-testing
- **Kontraktskrav:** Klausulering rundt databehandling, modelleiersskap, tilbaketrekking
- **AI-risikovurdering:** Gjennomfør ROS-analyse før AI-systemet settes i produksjon

**Microsoft-implementering:**
```
- Azure AI Foundry Safety Evaluations: Pre-deployment testing
- Microsoft Security Development Lifecycle (SDL) for AI
- Responsible AI Impact Assessment (RAIA): Built-in template
- Azure AI Content Safety: Pre-deployment red teaming
```

#### 2.2 Etabler en sikker AI-arkitektur
**AI-spesifikke tiltak:**
- **Zero Trust for AI:** Ingen AI-komponent har implisitt tillit
- **Prompt injection-forsvar:** Input validation, output filtering, grounding enforcement
- **Datagrensesnitt-sikring:** Private endpoints for AI-tjenester, ingen offentlig tilgang
- **Modell-isolasjon:** Separate miljøer for utvikling, staging og produksjon

**Microsoft-implementering:**
```
- Azure OpenAI: Managed identity + private endpoints
- Azure AI Foundry Playgrounds: Sandboxed testing
- Copilot Studio: Data loss prevention (DLP) policies
- Azure Virtual Network Integration: AI-tjenester i VNET
- Azure Private Link for AI Services
```

#### 2.3 Ivareta en sikker AI-konfigurasjon
**AI-spesifikke tiltak:**
- **System message hardening:** Unngå prompt injeksjon via "jailbreak"-teknikker
- **Temperature/top-p tuning:** Kontroller AI-kreativitet for å redusere hallusinasjoner
- **Content filtering policies:** Aktiver Azure AI Content Safety for input/output
- **Grounding enforcement:** Bruk `data_sources` i Azure OpenAI for faktatroskhet

**Microsoft-implementering:**
```
- Azure OpenAI Content Filters: Konfigurer terskelverdier for hate/violence/sexual/self-harm
- Copilot Studio: Topic-level security settings
- Prompt Shields (Azure AI Foundry): Forsvar mot jailbreak og indirect attacks
- Azure Policy for AI: Enforce security baselines
```

#### 2.4 Beskytt AI-nettverkskommunikasjon
**AI-spesifikke tiltak:**
- **Private endpoints:** All AI-trafikk går via Azure backbone, aldri public internet
- **API Management:** Rate limiting, IP whitelisting, OAuth enforcement
- **Trafikkanalyse:** Overvåk unormal API-bruk (token-spiking, rask repetering)

**Microsoft-implementering:**
```
- Azure Private Link for Azure OpenAI
- Azure API Management: AI gateway med rate limiting
- Azure Firewall: Blokkering av ukjente AI-endepunkter
- Network Security Groups (NSG): Granulær trafikkkontroll
```

#### 2.5 Kontroller AI-dataflyt
**AI-spesifikke tiltak:**
- **Input sanitization:** Fjern persondata før prompts sendes til modellen
- **Output validation:** Filtrer sensitive opplysninger fra AI-responser
- **Data residency:** Bekreft at data forblir i Norge/EU (Azure OpenAI geo-pinning)
- **Treningsdata-isolasjon:** Microsoft har commitment til ikke å bruke kundedata for treningsformål

**Microsoft-implementering:**
```
- Azure OpenAI Data Residency: EU-region for data processing
- Azure AI Content Safety: PII-detection og redaksjon
- Purview Data Loss Prevention: Blokkering av sensitiv data i AI-prompts
- Microsoft Privacy Commitments: No customer data training
```

#### 2.6 Ha kontroll på AI-identiteter og tilganger
**AI-spesifikke tiltak:**
- **Managed Identity for AI:** All AI-tilgang via Azure Managed Identities (ingen API-nøkler)
- **Least privilege for AI agents:** Copilot Studio-agenter får kun tilgang til nødvendige datakilder
- **MFA for AI-administratorer:** Krev multifaktorautentisering for prompt-redigering
- **Conditional Access:** Blokkér AI-tilgang fra ukjente lokasjoner

**Microsoft-implementering:**
```
- Azure Managed Identity: AI-tjenester autentiserer uten secrets
- Entra ID Conditional Access: Geografiske og enhetsbaserte begrensninger
- Privileged Identity Management (PIM): Just-in-time tilgang til AI-ressurser
- Copilot Studio Authentication: Entra ID, OAuth, manual configuration
```

#### 2.7 Beskytt AI-data i ro og i transitt
**AI-spesifikke tiltak:**
- **Kryptering av prompts:** TLS 1.2+ for all AI-kommunikasjon
- **Kryptering av vektordatabaser:** Azure AI Search med customer-managed keys (CMK)
- **Modellkryptering:** Azure Machine Learning models lagret kryptert
- **Backup-sikring:** Krypterte backups av Copilot Studio-konfigurasjon og konversasjonshistorikk

**Microsoft-implementering:**
```
- Azure OpenAI: TLS 1.2 enforced, encryption at rest with Microsoft/customer-managed keys
- Azure AI Search: CMK for vector stores
- Azure Blob Storage (for training data): Encryption at rest + soft delete
- Azure Key Vault: Sentralisert nøkkelhåndtering
```

#### 2.8 Beskytt AI i e-post og nettleser
**AI-spesifikke tiltak:**
- **M365 Copilot sikring:** Aktiver Defender for Office 365 for å blokkere phishing-baserte prompt attacks
- **Browser-basert AI-tilgang:** Edge Enterprise Mode for Copilot-tilgang
- **Content Security Policy:** Blokkér tredjepartsscripts som kan lekke AI-prompts

**Microsoft-implementering:**
```
- Microsoft Defender for Office 365: AI-basert phishing-deteksjon
- Microsoft Edge Enterprise: Managed Copilot access
- Conditional Access: Blokkér AI-tilgang fra usikre nettlesere
```

#### 2.9 Etabler gjenopprettingsevne for AI-data
**AI-spesifikke tiltak:**
- **Modellversjonering:** Mulighet til å rulle tilbake til tidligere AI-modeller
- **Prompt-versjonering:** Git-basert versjonsstyring av system messages
- **Backup av vektordata:** Azure AI Search har geo-redundante backups
- **Konversasjonshistorikk:** Mulighet til å gjenopprette Copilot-dialoger etter incident

**Microsoft-implementering:**
```
- Azure Machine Learning: Model versioning + rollback
- Git integration i Azure AI Foundry: Versjonskontroll for prompts
- Azure AI Search: Geo-redundant backup
- Copilot Studio: Export/import av bot-konfigurasjon
- Azure Backup for AI workloads
```

#### 2.10 Integrer sikkerhet i AI-endringsrutiner
**AI-spesifikke tiltak:**
- **Prompt change management:** Alle prompt-endringer krever review og testing
- **Model deployment gating:** CI/CD-pipelines med security gates før produksjonssetting
- **Rollback-plan:** Automatisk tilbakerulling ved detektert modell-drift eller bias

**Microsoft-implementering:**
```
- Azure DevOps Pipelines: AI model deployment med security approvals
- Azure Machine Learning Endpoints: Blue-green deployment for modeller
- Azure AI Foundry Evaluations: Pre-deployment testing av prompts
- Copilot Studio Version Control: Rollback til tidligere agentversjoner
```

---

### Kategori 3: Oppdage (AI-kontekst)

#### 3.1 Oppdag og fjern AI-sårbarheter og trusler
**AI-spesifikke tiltak:**
- **Prompt injection-deteksjon:** Overvåk innkommende prompts for jailbreak-forsøk
- **Modell-drift-deteksjon:** Identifiser når AI-ytelse forverres over tid
- **Hallucination monitoring:** Track fact-grounding accuracy
- **Dependency scanning:** Overvåk sårbarheter i AI-biblioteker (LangChain, Semantic Kernel)

**Microsoft-implementering:**
```
- Azure AI Content Safety: Real-time jailbreak detection
- Azure Monitor Application Insights: Modell-ytelsesovervåkning
- Prompt Shields (Azure AI Foundry): Indirect attack detection
- Microsoft Defender for Cloud: Sårbarhetsscanning av AI-miljøer
```

#### 3.2 Etabler AI-sikkerhetsovervåkning
**AI-spesifikke tiltak:**
- **Token-forbruksovervåkning:** Identifiser unormal API-bruk (DDoS-angrep mot AI)
- **Sensitive data leakage monitoring:** Overvåk om AI eksponerer persondata
- **User behavior analytics:** Oppdagelse av innsidertrusler via AI-brukerlogger
- **Model drift alerting:** Varsling når modellens confidence scores faller

**Microsoft-implementering:**
```
- Azure Monitor for AI: Logging av alle AI-requests/responses
- Azure Sentinel: SIEM for AI-sikkerhetshendelser
- Purview Audit Logs: Sporing av AI-dataaksess
- Copilot Studio Analytics: Konversasjonsovervåkning
- Power BI dashboards: Real-time AI-sikkerhetsmetrikker
```

#### 3.3 Analyser data fra AI-sikkerhetsovervåkning
**AI-spesifikke tiltak:**
- **Anomaly detection:** Bruk Azure Machine Learning til å oppdage uvanlige AI-mønstre
- **Threat intelligence integration:** Korrelasjoner mellom AI-angrep og kjente trusselaktører
- **Bias drift analysis:** Periodisk analyse av om AI-modellen viser diskriminerende atferd

**Microsoft-implementering:**
```
- Azure Sentinel AI-powered threat detection
- Azure Machine Learning Anomaly Detector: AI-basert overvåkning av AI-systemer
- Responsible AI Dashboard: Bias/fairness metrics over tid
- Azure Log Analytics: KQL-queries for AI-sikkerhetsanalyse
```

#### 3.4 Gjennomfør AI-penetrasjonstester
**AI-spesifikke tiltak:**
- **Red teaming for AI:** Simuler prompt injection, jailbreak, data exfiltration
- **Adversarial testing:** Test modellens robusthet mot adversarial inputs
- **Plugin security testing:** Sikkerhetsgranskning av Copilot Studio plugins
- **OWASP LLM Top 10 testing:** Systematisk testing mot kjente AI-sårbarheter

**Microsoft-implementering:**
```
- Azure AI Red Team (Microsoft Research): Professional red teaming services
- Azure AI Foundry Safety Evaluations: Adversarial testing toolkit
- PyRIT (Python Risk Identification Toolkit): Open-source AI red teaming
- Microsoft Security Response Center (MSRC): Rapportering av AI-sårbarheter
```

---

### Kategori 4: Håndtere og gjenopprette (AI-kontekst)

#### 4.1 Forbered virksomheten på AI-hendelser
**AI-spesifikke tiltak:**
- **AI incident response plan:** Dokumentert prosess for håndtering av AI-sikkerhetshendelser
- **Roller og ansvar:** Hvem har myndighet til å deaktivere AI-systemer?
- **Kommunikasjonsplan:** Hvordan varsles brukere ved AI-datalekkasje?
- **Juridisk beredskap:** Konsekvenser av AI Act-brudd, GDPR-krav

**Microsoft-implementering:**
```
- Azure Security Incident Response playbooks
- Microsoft Incident Response: Professional incident handling for AI breaches
- Azure Service Health: Status notifications for AI service disruptions
- Compliance Manager: AI Act readiness assessment
```

#### 4.2 Vurder og klassifiser AI-hendelser
**AI-spesifikke tiltak:**
- **Hendelseskategorier:** Prompt injection, data leakage, bias incident, hallucination harm
- **Alvorlighetsgradering:** Lav (engangs hallusinasjon), Medium (bias-drift), Høy (PII-lekkasje), Kritisk (jailbreak-kompromittering)
- **GDPR-varsling:** Krav til melding til Datatilsynet innen 72 timer ved databrudd

**Microsoft-implementering:**
```
- Azure Sentinel Incident Severity Classification
- Microsoft Purview Data Breach Notification workflows
- Azure AI Content Safety Incident Logs: Structured severity tagging
```

#### 4.3 Kontroller og håndter AI-hendelser
**AI-spesifikke tiltak:**
- **Immediate containment:** Deaktiver kompromittert AI-modell eller agent
- **Forensics:** Analyser AI-logger for å identifisere omfanget av dataeksponering
- **Remediation:** Oppdater system messages, aktiver strengere content filters
- **User notification:** Informer berørte brukere hvis persondata er lekket

**Microsoft-implementering:**
```
- Azure OpenAI Deployment deactivation: Umiddelbar shutdown
- Azure Monitor Logs: Forensisk analyse av AI-hendelser
- Copilot Studio: Emergency agent disable
- Microsoft Incident Response Retainer: Professional incident handling
```

#### 4.4 Evaluer og lær av AI-hendelser
**AI-spesifikke tiltak:**
- **Post-incident review:** Hva var root cause? (Prompt design, architecture flaw, user error?)
- **Lessons learned documentation:** Oppdater AI-sikkerhetsprosedyrer
- **Model retraining:** Hvis bias ble oppdaget, revurder treningsdata
- **Policy updates:** Oppdater DLP-policies, content filters, eller access controls

**Microsoft-implementering:**
```
- Azure AI Foundry Evaluation Reports: Post-incident model analysis
- Azure DevOps Retrospectives: Incident review tracking
- Responsible AI Impact Assessment updates: Incorporate learnings
- Azure Policy revisions: Codify security improvements
```

---

## Microsoft Azure-tjenester som dekker NSMs prinsipper

Følgende tabell mapper hver av NSMs 21 prinsipper til konkrete Microsoft Azure AI-tjenester:

| NSM-prinsipp | Microsoft Azure-tjeneste | Hvordan det dekker prinsippet |
|--------------|---------------------------|-------------------------------|
| **1.1 Kartlegg styringsstrukturer** | Azure Purview AI Hub, Azure Resource Graph | AI-systemregister og datakatalogleveranse |
| **1.2 Kartlegg enheter og programvare** | Azure Machine Learning Model Registry, Azure AI Foundry | Modellversjonering, API-inventar |
| **1.3 Kartlegg brukere og tilgang** | Entra ID, Azure RBAC, Azure Monitor Logs | Identitetsstyring og audit logging |
| **2.1 Sikkerhet i anskaffelse** | Responsible AI Impact Assessment, SDL for AI | AI-leverandørvurdering og secure development |
| **2.2 Sikker arkitektur** | Azure OpenAI Private Endpoints, VNET integration | Zero Trust for AI |
| **2.3 Sikker konfigurasjon** | Azure AI Content Safety, Prompt Shields | Content filtering og jailbreak-forsvar |
| **2.4 Beskytt nettverk** | Azure Private Link, Azure API Management | Private AI-endepunkter og API gateway |
| **2.5 Kontroller dataflyt** | Azure AI Content Safety PII detection, Purview DLP | Data residency og PII-filtrering |
| **2.6 Identiteter og tilganger** | Azure Managed Identity, Entra ID Conditional Access | Managed Identity for AI, MFA enforcement |
| **2.7 Beskytt data** | Azure OpenAI encryption at rest/transit, Azure Key Vault | TLS 1.2+, customer-managed keys |
| **2.8 E-post og nettleser** | Microsoft Defender for Office 365, Edge Enterprise | AI-basert phishing-forsvar |
| **2.9 Gjenoppretting** | Azure Backup, Azure Machine Learning versioning | Modellversjonering og geo-redundant backup |
| **2.10 Endringshåndtering** | Azure DevOps Pipelines, Azure AI Foundry Evaluations | CI/CD med security gates |
| **3.1 Oppdag sårbarheter** | Azure AI Content Safety, Prompt Shields | Jailbreak og prompt injection-deteksjon |
| **3.2 Sikkerhetsovervåkning** | Azure Monitor, Azure Sentinel, Application Insights | Real-time AI-logging og SIEM |
| **3.3 Analyser overvåkningsdata** | Azure Sentinel, Azure Machine Learning Anomaly Detector | AI-basert anomali-deteksjon |
| **3.4 Penetrasjonstester** | Azure AI Red Team, PyRIT, Safety Evaluations | Red teaming og adversarial testing |
| **4.1 Forbered hendelseshåndtering** | Azure Security Incident Response, Service Health | AI incident response playbooks |
| **4.2 Klassifiser hendelser** | Azure Sentinel Incident Severity, Purview Breach Workflows | GDPR-varsling og alvorlighetsgradering |
| **4.3 Håndter hendelser** | Azure OpenAI deployment shutdown, Incident Response Retainer | Immediate containment og forensics |
| **4.4 Lær av hendelser** | Azure AI Foundry Evaluation Reports, Azure DevOps Retrospectives | Post-incident review og policy updates |

---

## Sjekkliste for AI-prosjekter

Bruk denne sjekklisten for å verifisere at AI-systemet oppfyller NSMs grunnprinsipper:

### Identifisere og kartlegge
- [ ] Alle AI-systemer er registrert i et sentralt AI-register
- [ ] Risikoklassifisering etter EU AI Act er gjennomført (forbudt/høyrisiko/begrenset/minimal)
- [ ] Leverandørkjeden for AI-modeller er dokumentert (OpenAI, Microsoft, custom)
- [ ] Alle datakilder for AI (treningsdata, grounding data) er kartlagt
- [ ] Brukere og roller med tilgang til AI-systemer er identifisert
- [ ] Audit logging er aktivert for alle AI-interaksjoner

### Beskytte og opprettholde
- [ ] ROS-analyse for AI-systemet er gjennomført og godkjent
- [ ] Trusselmodellering inkluderer AI-spesifikke trusler (prompt injection, jailbreak, bias)
- [ ] Private endpoints er konfigurert for Azure OpenAI (ingen public internet access)
- [ ] Azure AI Content Safety er aktivert (input/output filtering)
- [ ] Prompt Shields er aktivert (jailbreak og indirect attack forsvar)
- [ ] Managed Identity brukes for AI-autentisering (ingen API-nøkler i kode)
- [ ] Customer-managed keys (CMK) brukes for kryptering av vektordata (Azure AI Search)
- [ ] Data residency er verifisert (Norge/EU-region for Azure OpenAI)
- [ ] Microsoft har bekreftet at kundedata ikke brukes til treningsformål
- [ ] Backup og gjenopprettingsprosedyrer for AI-modeller og prompts er på plass

### Oppdage
- [ ] Azure Monitor logging er konfigurert for alle AI-tjenester
- [ ] Azure Sentinel har AI-spesifikke deteksjonsregler (unormal token-bruk, PII-lekkasje)
- [ ] Modell-drift-overvåkning er etablert (accuracy, confidence scores)
- [ ] Bias-overvåkning er implementert (Responsible AI Dashboard)
- [ ] Red teaming for AI er gjennomført (PyRIT eller Azure AI Red Team)
- [ ] OWASP LLM Top 10 testing er utført

### Håndtere og gjenopprette
- [ ] AI incident response plan er dokumentert og kjent i organisasjonen
- [ ] Roller og ansvar for AI-hendelser er tildelt (hvem kan deaktivere AI-systemer?)
- [ ] GDPR-varslingsprosedyre er på plass (72-timers krav)
- [ ] Post-incident review-rutiner er etablert
- [ ] Kommunikasjonsplan for AI-datalekkasje er godkjent

---

## For arkitekten (Cosmo)

Bruk disse spørsmålene i konsultasjonsfasen:

1. **Har virksomheten et AI-systemregister, og er det oppdatert?**
   - Hvis nei: Start med å kartlegge alle AI-systemer (prinsipp 1.1)
   - Hvis ja: Verifiser at Azure AI Foundry-prosjekter er inkludert

2. **Er AI-systemet klassifisert etter EU AI Act, og hvilke NSM-tiltak følger av den klassifiseringen?**
   - Høyrisiko-AI (f.eks. rekruttering, kredittvurdering) krever ekstra dokumentasjon og menneskeovervåkning
   - Minimal risiko kan ha enklere sikkerhetskrav

3. **Har virksomheten gjennomført ROS-analyse for AI-systemet, inkludert prompt injection og bias-risiko?**
   - Hvis nei: Bruk `security-assessment-agent` fra AI Architect-pluginen
   - Hvis ja: Verifiser at NSMs prinsipper 2.1 og 3.1 er dekket

4. **Er private endpoints konfigurert for Azure OpenAI, og er public access deaktivert?**
   - Dette dekker NSM-prinsipp 2.4 (Beskytt nettverk)
   - Verifiser med: `az cognitiveservices account show --name <name> --resource-group <rg> --query "publicNetworkAccess"`

5. **Brukes Azure AI Content Safety og Prompt Shields for input/output-filtrering?**
   - Dette dekker NSM-prinsipp 2.3 (Sikker konfigurasjon) og 3.1 (Oppdag sårbarheter)
   - Sjekk at content filters er satt til minst Medium-nivå

6. **Er data residency verifisert til Norge/EU, og har virksomheten bekreftelse fra Microsoft om at kundedata ikke brukes til treningsformål?**
   - Dette dekker NSM-prinsipp 2.5 (Kontroller dataflyt)
   - Azure OpenAI kan geo-pinnes til Sverige, Norge (via Sweden) eller andre EU-regioner

7. **Er audit logging aktivert for alle AI-interaksjoner, og sendes logger til Azure Sentinel for SIEM-analyse?**
   - Dette dekker NSM-prinsipp 3.2 (Sikkerhetsovervåkning)
   - Verifiser at Azure Monitor diagnostic settings er aktivert

8. **Har virksomheten en AI incident response plan, og er det klart hvem som har myndighet til å deaktivere AI-systemer ved sikkerhetshendelser?**
   - Dette dekker NSM-prinsipp 4.1 (Forbered hendelseshåndtering)
   - Foreslå Azure Security Incident Response playbooks hvis manglende

---

## Kilder og verifisering

**Primærkilder:**
- [NSM Grunnprinsipper for IKT-sikkerhet v2.1](https://nsm.no/regelverk-og-hjelp/rad-og-anbefalinger/grunnprinsipper-for-ikt-sikkerhet/introduksjon/) (juni 2024)
- [Ta i bruk NSMs grunnprinsipper](https://nsm.no/regelverk-og-hjelp/rad-og-anbefalinger/grunnprinsipper-for-ikt-sikkerhet/ta-i-bruk-grunnprinsippene/)
- [Hva er NSMs grunnprinsipper for IKT-sikkerhet?](https://nsm.no/regelverk-og-hjelp/rad-og-anbefalinger/grunnprinsipper-for-ikt-sikkerhet/introduksjon/hva-er-nsms-grunnprinsipper-for-ikt-sikkerhet/)
- [NSM Risikostyring](https://nsm.no/regelverk-og-hjelp/veiledere-og-handboker-til-sikkerhetsloven/veileder-i-sikkerhetsstyring/risikostyring/)
- [Skytjenester og tjenesteutsetting – muligheter og utfordringer](https://nsm.no/regelverk-og-hjelp/rapporter/helhetlig-digitalt-risikobilde-2020/skytjenester-og-tjenesteutsetting-muligheter-og-utfordringer/)

**Microsoft-dokumentasjon:**
- [Microsoft cloud security benchmark (MCSB)](https://learn.microsoft.com/en-us/security/benchmark/azure/introduction)
- [Security baselines for Azure](https://learn.microsoft.com/en-us/security/benchmark/azure/security-baselines-overview)
- [Architecture strategies for establishing a security baseline](https://learn.microsoft.com/en-us/azure/well-architected/security/establish-baseline)
- [Azure security baseline for Azure Monitor](https://learn.microsoft.com/en-us/security/benchmark/azure/baselines/azure-monitor-security-baseline)
- [Azure security baseline for Cloud Shell](https://learn.microsoft.com/en-us/security/benchmark/azure/baselines/cloud-shell-security-baseline)

**Verifisering:**
- NSMs grunnprinsipper v2.1 er den nyeste versjonen (per februar 2026)
- Microsoft cloud security benchmark v1.0 er gjeldende standard (v3.0 er også tilgjengelig for nyere baselines)
- Azure AI Content Safety og Prompt Shields er produksjonsklare tjenester (GA-status)
- Private Link for Azure OpenAI er generelt tilgjengelig i alle Azure-regioner

**Relaterte norske rammeverk:**
- Digdirs AI-prinsipper for offentlig sektor (`digdir-ai-governance.md`)
- Personopplysningsloven og DPIA-krav (`dpia-for-ai.md`)
- Utredningsinstruksen for AI-beslutningsstøtte (`utredningsinstruksen-ai.md`)
- EU AI-forordningen (AI Act) i norsk kontekst (`eu-ai-act-norway.md`)

---

**Sist gjennomgått:** 2026-02
**Neste revisjon:** 2026-08 (eller ved nye versjoner av NSMs grunnprinsipper)