Squashed 'shared/' content from commit 7d2b46c

git-subtree-dir: shared
git-subtree-split: 7d2b46cee29d5c4946cef06d067332f705641999

CONCEPT.md

@@ -0,0 +1,75 @@
+# Konseptet
+
+*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.*
+
+---
+
+## Problemet
+
+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.
+
+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.
+
+## Slik virker det
+
+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.
+
+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».
+
+De tiltakene som overlever beregningen, legges fram for en **menneskelig fagekspert** som
+gir en dom: godkjent, forbedre eller forkast.
+
+## Det som gjør det verdifullt over tid
+
+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.
+
+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.
+
+## Hva det er — og ikke er
+
+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.
+
+## Hvorfor det bygges to ganger
+
+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.
+
+## Konkret
+
+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.