portfolio-optimiser · åpen kildekode

Pengene inne i porteføljen

Et åpent rammeverk som leter etter kostnadsbesparelser i hvert enkelt prosjekt — og som ikke får lov til å godkjenne sine egne funn.

Tolv sider. Kjøringstallene underveis er hentet fra en eksempelkjøring som følger med i repoet — du kan gjenta den selv, uten kostnad.

Problemet

Besparelsene ligger inne i prosjekter som allerede er vedtatt

kr kr kr vedtatte prosjekter — hvert med sitt budsjett og sine kostlinjer tiltak ingen har regnet på

En portefølje er mange uavhengige prosjekter, hvert med sitt budsjett og sine kostlinjer. Erfaringen er at flere av dem rommer tiltak — en utskifting, en smartere styring, en annen metode — som ville spart penger uten å true det prosjektet skal levere.

Besparelsene står ikke i noen rapport. De må letes fram, kostlinje for kostlinje — og det er letingen som er dyr, ikke tiltakene.

Problemet

Å lete koster tid, folk og fagkompetanse — per prosjekt

én fagperson dager med lesing og regning — per prosjekt

Den som skal finne et slikt tiltak, må lese prosjektgrunnlaget, kjenne tiltakstypene og regne på tallene. Det er dager med arbeid for hvert eneste prosjekt — og det krever folk som allerede er opptatt med å levere.

De fleste leter allerede. Det som mangler er ikke vilje, men en leting som skalerer — over hele porteføljen, igjen og igjen.

Problemet

En språkmodell gir deg gjerne et pent tall ingen har regnet på

«Spar 2,1 mill.» grunnlag: ikke vedlagt Hvilke kostlinjer hviler det på? Er beløpet i det hele tatt oppnåelig? et overbevisende notat er en påstand — ikke en besparelse

KI-modeller leser fort og skriver overbevisende — det er nettopp problemet. Et velskrevet notat som lover «spar 2,1 millioner», er ikke en besparelse; det er en påstand. Skal funn brukes i beslutninger, må hvert tall kunne etterprøves.

Grepet

Maskinen får foreslå — aldri godkjenne seg selv

Forslaget fra KI-debatten Regnekoden — blokkerer avstemmer kostlinjene mot prosjektets faktiske tall beregner taket for hva som er oppnåelig Utfordreren en KI-rolle med motsatt oppdrag: angripe begrunnelsen Fagpersonen ser bare det som overlevde begge

Hvert forslag må overleve to uavhengige kontroller: en deterministisk regnekode som ikke kan overtales, og en utfordrer som angriper resonnementet.

I eksempelkjøringen virker det slik: påstanden på 2 100 000 kr ble avvist fordi taket var 1 769 915 kr. Det korrigerte forslaget — 445 500 kr — slapp gjennom. Avvisningen er ikke en feil; den er systemet som virker.

Slik virker det

Systemet er et kretsløp med fem deler

Kunnskapsbasen dokumentene fagfolk eier start for hver kjøring KI-debatten Foreslår finner kandidattiltak Utfordrer angriper begrunnelsen Regnekoden avstemmer mot prosjektets tall blokkerer resten Fagpersonen ser bare det som overlevde godkjenner eller avviser Porten bare en godkjent dom skrives inn i basen avvist — nytt forsøk ingenting når fagpersonen uten å ha passert regnekoden ingenting går inn i basen uten en dom

Alt starter i kunnskapsbasen. Derfra leser KI-modellene seg fram til et kandidattiltak og angriper hverandres begrunnelse. Regnekoden avstemmer tallene mot prosjektets egne kostlinjer og slipper bare gjennom det som lar seg bekrefte — fagpersonen får aldri se noe som ikke har passert der.

De to veiene tilbake er det som lukker kretsen: et avvist forslag går tilbake til modellene for et nytt forsøk, i et begrenset antall runder, og en dom et menneske har felt går gjennom porten og inn i basen igjen. Neste kjøring starter dermed på et litt bedre grunnlag enn den forrige.

Slik virker det

Grunnlaget er flere kunnskapsbaser fagfolk kan lese og rette

Prosjektets inngang innholdsfortegnelsen som samler basene Prosjektdata kostlinjer og rammer egen for hvert prosjekt Tiltakstyper hva som pleier å virke felles fagstoff Erfaringstall tidligere dommer vokser for hver runde Fagkilder håndbøker og normtall fageier oppdaterer Metoden hvordan det regnes fastsatt én gang fem baser, hver med sine egne dokumenter — alle i klartekst, alle mulige å rette

Maskinen graver ikke i løse dokumenthauger. Den navigerer flere kunnskapsbaser — wikier av korte tekstdokumenter som lenker til hverandre. Ett prosjekt trenger flere av dem samtidig: prosjektdata er prosjektets egne, fagkildene er felles og gjenbrukes fra prosjekt til prosjekt. Hver base har sin egen innholdsfortegnelse, sin egen eier og sin egen oppdateringstakt.

Alt står i klartekst: en fagperson kan åpne en base, se hva systemet «vet», og rette det som er feil. Prosjektets inngang avgjør hvilke baser som er med — maskinen når ingenting utenfor den. Eksempelet som følger med repoet er lite: der ligger alle fem som dokumenter i én base. I et virkelig prosjekt er hver av dem en base for seg.

Slik virker det

Fire lag — og bare det godkjente går tilbake

1 · Grunnlaget kunnskapsbasen — dokumentene fagfolk eier 2 · Forslaget KI-modeller foreslår og utfordrer hverandre 3 · Kontrollen regnekoden blokkerer alt den ikke kan bekrefte 4 · Dommen fagpersonen dømmer det som står igjen godkjent kunnskap tilbake

Grunnlaget mater forslagsarbeidet. Kontrollaget feller alt som ikke tåler etterregning. Fagpersonen dømmer det som står igjen. Og returpilen er poenget: en godkjent dom skrives tilbake i kunnskapsbasen, så neste kjøring starter klokere enn den forrige.

Slik virker det

Arbeidsprosessen: åtte steg, med menneskene i begge ender

KI-modellene arbeider Regnekoden KI + regnekode Fagpersonen 1 Les grunnlaget 2 Foreslå tiltak 3 Utfordre begrunnelsen 4 Regn etter — blokkerer 5 Forbedre og prøv igjen 6 Lever utfallet 7 Døm resultatet 8 Lagre det godkjente avvisningen sendes tilbake — begrenset antall forsøk det fagpersonen godkjente blir grunnlag for neste kjøring

Grønt er der fagfolkene står. Gult er regnekoden som eier tallene. KI-modellene gjør lese- og skrivearbeidet imellom — og de to pilene tilbake er de eneste veiene noe går i retur.

Menneskene

Dommen din blir systemets hukommelse

Dommen din — godkjent med begrunnelse, sporbar Rå maskinoutput forslag ingen har dømt Kunnskapsbasen neste kjøring starter her porten er lukket som utgangspunkt — det som ikke er dømt, kommer ikke inn

Når du godkjenner eller avviser et utfall, forsvinner ikke vurderingen i et referat. En port skriver den inn i kunnskapsbasen — og porten er lukket for alt annet: rå maskinoutput slipper aldri inn.

I eksempelkjøringen: første kjøring hentet 0 tidligere dommer for kandidaten. Etter én godkjenning og ett driftsnotat i innboksen hentet neste kjøring 3 — og begge de målte realiseringsgradene (0,79 og 0,66) var på plass i dens hypotesegrunnlag.

Verdien

Hva det gir, i størrelsesorden

kostlinja tiltaket rører 4 386 150 kr først påstått — avvist 2 100 000 kr taket regnekoden fant 1 769 915 kr validert besparelse 445 500 kr — 10,2 % av linja tallene er fra eksempelkjøringen — utskriften er byte-låst fasit i repoet

Dette er ett prosjekt og én kostlinje. Verdien av rammeverket er ikke ett enkelt tall, men tre egenskaper: letingen blir nesten gratis per prosjekt, bare etterprøvbare tall når fram til beslutning, og hver dom gjør neste leting bedre.

Størrelsesorden, ikke løfte: hva din portefølje rommer, vet ingen før letingen er gjort. Det nye er at selve letingen er blitt billig.

Status

Hva som er bevist — og hva som ikke er

Bevist — målt, ikke ment
  • Rammeverket har kjørt mot en levende språkmodell — én kjøring 14. august 2026. Modellen svarte i den formen systemet bestiller, og regneporten avgjorde.
  • Hele sløyfa kjører ende til ende offline, og læringen når fram på begge tidsskalaer. Utskriften er byte-låst som fasit i repoet.
  • Regneporten feller reelt: 2 100 000-påstanden avvises og 445 500 valideres — i hver kjøring, hver gang.
  • 869 automatiske tester grønne (5 hoppes over), målt 14. august 2026.
  • Installasjonen er målt, ikke antatt: dokumentert kommando, 65 pakker, exit 0.
Ikke bevist
  • Ingen levende modell har fått et forslag gjennom regneporten. Den ene kjøringen ble avvist: claimed saving 34500 exceeds P90 feasible 11488 — utfordreren godkjente resonnementet, regneporten avviste tallene.
  • Modellen fant opp en kostnadslinje som ikke finnes i kunnskapsbasen. Porten stoppet forslaget — men på beløpet, ikke på at linja var oppdiktet.
  • Om en ekte modell foreslår godt og dømmer klokt, er fortsatt et åpent spørsmål. Ingen målt gevinst fra en virkelig portefølje ennå.

Det som mangler, er nøyaktig det en første pilot finnes for å måle. Grunnmuren er bygget for at den målingen skal kunne stoles på.

Demo-tallene ellers i presentasjonen er byte-låst fasit fra en skriptet kjøring (tests/golden/demo-transcript.stdout). Tallene fra den levende kjøringen hører bare til denne siden — målt 14. august 2026 mot gpt-4.1-mini, forbruk 15 306 tokens.

← → for å bla · F for fullskjerm