diff --git a/shared/CONCEPT.md b/shared/CONCEPT.md index e60212b..ef93c99 100644 --- a/shared/CONCEPT.md +++ b/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.