# 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.