docs(shared): konsept-notat til norsk (Forgejo-publikum = norsk marked)

Operatørens private Forgejo retter seg i praksis mot det norske markedet;
konseptnotatet er reader-facing for norske forretningslesere, så norsk gjør det
mer tilgjengelig. README (dev-facing shared-core-kontrakt) holdes engelsk inntil
videre.

Co-Authored-By: Claude Opus 4.8 (1M context) <noreply@anthropic.com>
Claude-Session: https://claude.ai/code/session_019any9zfGNNwWJPX5Zq2QRz

shared/CONCEPT.md

@@ -1,79 +1,75 @@
-# The Concept
+# Konseptet
 
-*A plain-language description of what this project is and why it matters — written for a
-non-specialist, e.g. a business developer at another company. Framework-neutral: it
-describes the method, not any particular implementation.*
+*En beskrivelse i klartekst av hva dette prosjektet er og hvorfor det betyr noe — skrevet
+for en ikke-spesialist, f.eks. en forretningsutvikler i et annet selskap. Framework-nøytral:
+den beskriver metoden, ikke en bestemt implementasjon.*
 
 ---
 
-## The problem
+## Problemet
 
-Many organizations run a **portfolio of independent projects** at the same time —
-construction projects, IT services, infrastructure works, production lines. Inside *each
-individual* project sit hidden cost savings: a material that could be substituted, a
-specification that is needlessly conservative, a procurement contract that could be
-renegotiated. Finding them requires an experienced specialist to study that specific
-project in depth — and that expertise is expensive and scales poorly across a whole
-portfolio. So the savings are left on the table.
+Mange virksomheter driver en **portefølje av uavhengige prosjekter** samtidig —
+byggeprosjekter, IT-tjenester, anlegg, produksjonslinjer. Inne i *hvert enkelt* prosjekt
+ligger det skjulte kostnadsbesparelser: et materiale som kan byttes, en dimensjonering som
+er unødig konservativ, en innkjøpsavtale som kan reforhandles. Å finne dem krever at en
+erfaren fagperson setter seg grundig inn i nettopp dét prosjektet — og den kompetansen er
+dyr og skalerer dårlig over en hel portefølje. Så besparelsene blir liggende igjen.
 
-Generative AI can suggest ideas, but a business developer immediately sees two obstacles:
-you cannot trust numbers a language model *guesses*, and the model does not know your
-industry's actual rules and experience. The concept is built precisely to remove these
-two obstacles.
+Generativ AI kan foreslå ideer, men en forretningsutvikler ser umiddelbart to hindre: du
+kan ikke stole på tall en språkmodell *gjetter*, og modellen kjenner ikke din bransjes
+faktiske regler og erfaring. Konseptet er bygget nettopp for å fjerne disse to hindrene.
 
-## How it works
+## Slik virker det
 
-For each project, everything known about it is gathered — project documents, the
-discipline's assessment methodology, relevant professional literature, and the hard
-constraints (budget, what cannot change, regulatory requirements) — into a **curated,
-per-project knowledge base**. It is built on an open, vendor-neutral standard (Google's
-Open Knowledge Format), so it is portable and not locked to a single vendor.
+For hvert prosjekt samles alt som er kjent om det — prosjektdokumenter, fagets
+vurderingsmetodikk, relevant faglitteratur, og de harde rammene (budsjett, hva som ikke kan
+endres, regulatoriske krav) — i en **kuratert kunnskapsbase per prosjekt**. Den er bygget på
+en åpen, leverandørnøytral standard (Googles Open Knowledge Format), så den er portabel og
+ikke innelåst i én leverandør.
 
-A team of AI agents reads this context, proposes concrete measures, and debates them
-against each other — one proposes, another critiques. But — and this is the heart of it —
-**the agents are never allowed to decide the value themselves.** Every number is sent to a
-separate, **deterministic calculation engine** (mathematical optimization plus risk
-simulation) that computes the actual saving. The AI proposes; the math decides. That is
-the trust anchor that separates this from "ask a chatbot."
+Et lag med AI-agenter leser denne konteksten, foreslår konkrete tiltak og diskuterer dem mot
+hverandre — én foreslår, en annen kritiserer. Men — og dette er kjernen — **agentene får
+aldri avgjøre verdien selv.** Hvert tall sendes til en separat, **deterministisk
+beregningsmotor** (matematisk optimering pluss risikosimulering) som regner ut den faktiske
+besparelsen. AI-en foreslår; matematikken avgjør. Det er tillitsankeret som skiller dette
+fra «spør en chatbot».
 
-The measures that survive the calculation are presented to a **human domain expert** who
-issues a verdict: approve, improve, or reject.
+De tiltakene som overlever beregningen, legges fram for en **menneskelig fagekspert** som
+gir en dom: godkjent, forbedre eller forkast.
 
-## What makes it valuable over time
+## Det som gjør det verdifullt over tid
 
-This is where the differentiation lies. The system **learns from the experts' verdicts.**
-There is almost always a gap between what a model *computes* and what an experienced
-specialist actually *approves* — because the expert knows how measures behave in practice,
-not just in theory. The system captures that gap and feeds it back, so the proposals get
-sharper on *your* organization's reality, not generic averages. The more verdicts, the
-better.
+Her ligger differensieringen. Systemet **lærer av ekspertenes dommer.** Det er nesten alltid
+et gap mellom hva en modell *beregner* og hva en erfaren fagperson faktisk *godkjenner* —
+fordi eksperten vet hvordan tiltak oppfører seg i praksis, ikke bare i teorien. Systemet
+fanger det gapet og mater det tilbake, så forslagene blir skarpere på *din* virksomhets
+virkelighet, ikke generiske gjennomsnitt. Jo flere dommer, desto bedre.
 
-And it respects how experts actually work: sometimes they respond on the spot, other times
-it takes days or weeks. The expert simply places their assessment into a **folder**, and
-the system picks it up whenever it arrives. No requirement for real-time, and no one has to
-be standing by.
+Og det respekterer hvordan eksperter faktisk jobber: noen ganger svarer de der og da, andre
+ganger går det dager eller uker. Eksperten legger rett og slett vurderingen sin i en
+**mappe**, og systemet plukker den opp når den enn kommer. Ingen krav om sanntid, og ingen
+trenger å sitte klar.
 
-## What it is — and isn't
+## Hva det er — og ikke er
 
-It is a **purely technical framework**, not a finished compliance product. The
-organization that adopts it owns its own purpose, privacy, and governance; the framework
-only provides the technical preconditions (run locally, traceability on every proposal, no
-data leaving silently). It can run locally or in the cloud, and is published openly so
-others can adopt it.
+Det er et **rent teknisk rammeverk**, ikke et ferdig compliance-produkt. Virksomheten som
+tar det i bruk eier selv formål, personvern og styring; rammeverket leverer bare de tekniske
+forutsetningene (kjøre lokalt, sporbarhet på hvert forslag, ingen data som lekker ut i det
+stille). Det kan kjøre lokalt eller i skyen, og publiseres åpent så andre kan ta det i bruk.
 
-## Why it is built twice
+## Hvorfor det bygges to ganger
 
-The same concept is built on **two different AI agent platforms** — Microsoft's Agent
-Framework and Claude's Agent SDK — on exactly the same example, so they can be compared
-fairly. This gives both an open reference others can copy, and an honest basis for judging
-which platform fits the task best.
+Det samme konseptet bygges på **to ulike AI-agent-plattformer** — Microsofts Agent Framework
+og Claudes Agent SDK — på nøyaktig samme eksempel, slik at de kan sammenlignes rettferdig.
+Det gir både en åpen referanse andre kan kopiere, og et ærlig grunnlag for å vurdere hvilken
+plattform som passer best til oppgaven.
 
-## Concretely
+## Konkret
 
-Consider energy efficiency across a portfolio of buildings. Each building is a project with
-its own measure options (ventilation, lighting, insulation). The calculation engine
-computes the *modeled* saving for a package of measures under a budget. But an energy
-advisor knows that modeled and realized savings are rarely the same — behavior, measurement
-uncertainty, and interactions between measures create a gap. The expert's verdicts teach the
-system to close that gap over time. It is exactly in a field like this — where genuine
-expert judgment exists *beyond* pure calculation — that the concept comes into its own.
+Tenk energieffektivisering av en bygningsportefølje. Hvert bygg er et prosjekt med sine egne
+tiltaksmuligheter (ventilasjon, belysning, isolasjon). Beregningsmotoren regner ut
+*modellert* besparelse for en tiltakspakke under et budsjett. Men en energirådgiver vet at
+modellert og faktisk besparelse sjelden er like — atferd, måleusikkerhet og samspill mellom
+tiltak skaper et gap. Ekspertens dommer lærer systemet å lukke det gapet over tid. Det er
+nettopp i et slikt fagfelt — der det finnes ekte ekspertskjønn *utover* ren beregning —
+konseptet kommer til sin rett.