Kjell Tore Guttormsen
dd8529e132
Operatørens private Forgejo retter seg i praksis mot det norske markedet; konseptnotatet er reader-facing for norske forretningslesere, så norsk gjør det mer tilgjengelig. README (dev-facing shared-core-kontrakt) holdes engelsk inntil videre. Co-Authored-By: Claude Opus 4.8 (1M context) <noreply@anthropic.com> Claude-Session: https://claude.ai/code/session_019any9zfGNNwWJPX5Zq2QRz
75 lines
4.2 KiB
Markdown
75 lines
4.2 KiB
Markdown
# 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.
|