refactor(examples): replace sector-specific example material with generic, fictitious examples

Reference files, test fixtures, the playground demo project and one design
document now use generic, fictitious examples (buildings, energy, water,
grants, municipal services). The playground demo (17 fixtures plus the
embedded demo state) tells one consistent story: a municipal customer
chatbot that pre-screens housing-benefit applications, classified under
Annex III point 5(a). The embedded demo copies were edited in place rather
than regenerated, because they already carry newer AI Act dates than the
fixture files.

Legal text is unchanged. Test semantics are unchanged. Four dark-theme
onboarding screenshots with outdated placeholder text are removed.

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>

2026-09-23 14:03:53 +02:00

2 KiB

Raw Blame History

DPIA / PVK — Acme Kunde-chatbot

System: Acme Kunde-chatbot (Acme Kommune) Metodikk: Datatilsynets veileder + ISO/IEC 29134

Risikomatrise (5×5)

Trussel	Sannsynlighet	Konsekvens	Score	Nivå
Feilaktig vedleggstolkning fører til urettmessig avslag	3	4	12	medium
Massiv lekkasje av økonomiopplysninger fra fagsystemet	2	5	10	medium
AI-forklaring viser sensitiv kontekst om søker	3	3	9	medium
Stratifisert bias mot henvendelser på andre språk	4	3	12	medium
Manipulerte vedlegg skaper vurderingshull	2	2	4	low
Insider-misbruk for oppslag på enkeltpersoner	2	5	10	medium
Auto-flagging utløser kjedereaksjon ved system-feil	1	5	5	low
Subject Access Request (GDPR Art. 15) ignoreres	3	3	9	medium

Trusler

ID	Beskrivelse	Severity	Tiltak
T-001	Feilaktig OCR av vedlegg	high	Konfidensgrad-cutoff på 0.95; saksbehandler-review under cutoff
T-002	Lekkasje av økonomiopplysninger	critical	Pseudonymisering ved lagring; HSM-backed nøkler i Azure Key Vault
T-003	Kontekst-eksponering i AI-forklaring	high	Filter på sensitive felt; kontekst kun til autorisert saksbehandler
T-004	Bias mot henvendelser på andre språk	high	Kvartalsvis stratifisert testing; juster modell ved >5% avvik
T-005	Insider-misbruk	critical	Audit-logging på alle oppslag; SIEM-deteksjon av unormale mønstre

Tiltak

ID	Tiltak	Status	Eier
M-001	Cutoff-konfidensgrad implementert	done	Tech Lead
M-002	Pseudonymisering pilotert	in-progress	Sikkerhetsarkitekt
M-003	Bias-test-pipeline etablert	planned	Data Scientist
M-004	Audit-logging utrullet	done	Drift
M-005	SIEM-regler kalibrert	in-progress	SOC

Konklusjon

Restrisiko: 4×3 → 2×2

Restrisiko etter tiltak: medium-lav. DPIA godkjent av Datatilsynet 2026-04-22.

2 KiB Raw Blame History Unescape Escape