portfolio-optimiser/shared/CONCEPT.md

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.