Compliance · AI-forordningen

Forordningen kræver ikke et fejlfrit system. Den kræver, at I kan vise hvad I har gjort.

Beslutninger med konsekvens skal forbi et menneske — uanset hvor sikker modellen lyder — og I skal kunne gøre rede for, hvor ofte systemet tog fejl, og hvad I har accepteret som godt nok. Det er den pakke, en revisor kan bruge. Den laver vi.

Skriv om jeres system Se hvad der er i audit-pakken

Afgrænset · fast pris

Det, der er i audit-pakken

En opgørelse over, hvor pålideligt systemet er på jeres egne opgaver, med tallet skrevet ud.
En beskrivelse af, hvilke beslutninger der ikke træffes automatisk, og hvorfor netop dem. Det er den afgrænsning, en tilsynsmyndighed spørger til.
Begrundelsen for, hvad I har accepteret som godt nok til formålet. Det er den vurdering, der skal kunne fremvises — ikke at fejlraten er nul.
Måleprotokollen, så en anden kan køre det samme igen og få samme resultat. Den ligger offentligt.
Hvad der skal laves igen, når modellen eller leverandøren skifter — så pakken ikke er forældet et halvt år efter. Sikkerhedsnettet er ikke universelt: en ny grundmodel arver ikke den gamles beskyttelse, så den kalibreres på ny.

Forordningen kræver ikke, at systemet aldrig tager fejl. Den kræver, at I ved hvor ofte, har taget stilling til, om det er acceptabelt, og kan vise begge dele. Hvad artikel 9 og 15 faktisk beder om →

Problemet

Under et tilsyn er det tallene, der tæller: hvor godt AI'en overholder jeres regler, og på hvilke sager.

Det er værd at vide af to grunde. Dels vil I gerne have, at de regler, I har sat op for systemet, faktisk bliver fulgt. Det er jo hele pointen med dem. Dels skal I kunne dokumentere det: AI-forordningen kræver, at I kan deklarere jeres models nøjagtighed og robusthed (art. 15) og vise løbende risikostyring (art. 9).

Systemer følger ofte deres egne regler dårligere, end man tror. Også dem, der er bygget til at følge dem. Man ser det ikke, før det bliver målt.

Vores opgave er at gøre det målbart: hvor godt jeres AI overholder jeres regler, og papiret der beviser det.

Gør ikke det her

Den dyreste fejl: hæld hele regelsættet ind og bed modellen overholde det.

Jo flere regler der konkurrerer om modellens opmærksomhed på én gang, jo færre bliver faktisk fulgt. At «dække sig ind» ved at hælde hele håndbogen ind får overholdelsen til at falde. Det retter vi med to greb: brug kun de regler, der er relevante for spørgsmålet, og vælg den rigtige størrelse model.

På vores egen tjeneste søgfonde.dk målte vi det: med 56 regler i spil på én gang faldt den gennemsnitlige efterlevelse til 33 %, og 32 af de 52 relevante regler svigtede, flere helt nede på 0 %. Da systemet i stedet kun slår den regel op, der er relevant for spørgsmålet, ryger efterlevelsen op mod 100 %.

Det er den samme begrænsning, et menneske har midt i en arbejdsdag — og derfor virker et lovpligtigt kursus, der gennemgår hele regelsættet én gang om året, sjældent. Mekanismen er den samme for folk og for systemer →

Uddrag fra artiklen «stor eller lille model?»

Vi viser jer præcis hvad der skal gøres, og hvordan I selv kan tjekke det.

Hvert råd kommer med en visuel forklaring, I selv kan bruge og efterprøve. Et eksempel: en for lille model kan ikke løse opgaven sikkert, og en større er hurtigt unødvendig — den kan ikke køre på jeres egne servere, og den koster mere, end I får værdi for. Det rigtige valg er den mindste model, der klarer netop jeres opgave med god margin.

Se alle artiklerne →

Målt og dokumenteret risiko.

Måling

Vi finder ud af hvor avanceret en model jeres opgave kræver, så I hverken betaler for meget eller vælger for lidt.

Kalibrering

Vi indstiller modellen til jeres risikoprofil, så den hverken bliver for løssluppen eller afviser for meget.

Sikkerhedsnet mod fejl

Det andet net: er modellen usikker på det, konsekvens-gaten lod passere, henviser den frem for at finde på et svar. Bygget ind, ikke et tillæg.

Den rigtige størrelse

Den mindste model der løser opgaven sikkert. Billigere, kan køre på jeres egne servere, og trækker mindre CO2.

Uddrag af en audit-pakke · art. 15-metrikker fra en faktisk kørsel

Deklareret metrik	Dansk	Engelsk
Afstår, hvor kilden ikke dækker (finder ikke på svar)	100 %	100 %
Korrekt afvisning på nær-miss-sager	100 %	93 %
Fejlagtig afvisning af legitime spørgsmål	42 %	0 %
Dækning på klare opslag	93 %	100 %

Vores egen demo-instans: en gatet håndbogs-assistent på Qwen2.5-7B, målt på 100 sager i dansk og engelsk. De 42 % er ikke en trykfejl. På dansk afviste den fire ud af ti legitime spørgsmål, mens den på engelsk afviste nul — samme system, samme uge. Det er derfor kalibrering skal ske pr. sprog, og det er den slags, der står i pakken.

Vi starter småt.

Vi ser på det, I har, og siger hvad der skal gøres — så beslutter I, om vi skal gøre det.

GennemgangVi ser på jeres setup En afgrænset gennemgang: hvor kompleks er opgaven, hvad er gulvet og loftet, hvor er risikoen. Fast omfang, fast pris.
KlarhedI ved hvad der skal gøres I får en konkret anbefaling: hvilken model, hvilke sikkerhedsnet, hvilken indstilling. I kan gøre det selv, eller lade os gøre det.
InstallationVi bygger og dokumenterer Kalibrering, gate-arkitektur og audit-pakke installeret i jeres model, revisérbart fra dag ét.

Hele metoden er åben — I kan efterprøve den: den fulde måle-protokol → · AI Act & GDPR, den korte version →

Om os

I kan efterprøve alt, hvad vi måler.

publiceret forskning åben metode kilder I kan tjekke

Bag rådgivningen står Tomas Lund. Vi forsker i, hvordan sprogmodeller træffer beslutninger — hvornår de forpligter sig på et svar, og hvornår de burde have afstået — og omsætter forskningen til målbar, dokumenteret AI-compliance for virksomheder. Forskningen er offentligt publiceret som Behavioral Friction Theory — metoden bag alt her på siden.

Læs artiklerne — whitepaper, måle-protokol og reglerne →

Fortæl, hvad I har sat i drift.

En afgrænset gennemgang. Bagefter ved I, hvad der skal kunne fremvises, hvad der mangler, og hvad det ville koste at lukke hullet.

Vil I hellere se noget, vi har lavet? Fem lovpligtige kurser til en hel kommune · et sikkerhedskursus på syv minutter · alle cases.