9 KI-instanser angrep denne problemstillingen parallelt, fordelt på 1 modell. Hver instans fikk en unik frequency seed — fem vektede ord som farger perspektivet. Resultatet er 1 uavhengige debriefer du kan sammenligne her.

Modell	Inst.	Tokens inn	Tokens ut	Kostnad
sonnet	9	45,000	28,000	$0.042 (kr 0,39)

Totalt: 1 kjøringer · 9 instanser · $0.042 (kr 0,39)

9 instanser sonnet 45,000 tok inn · 28,000 tok ut $0.042 12.04, 11:57

Sverm-analyse: KI i kommunal saksbehandling

Konsensus

Alle 9 instanser er enige om at en trinnvis tilnærming er nødvendig.

Nøkkelfunn

Start med klassifisering, ikke generering
Intern kompetanse er flaskehalsen, ikke teknologi
Innbyggertillit krever transparens om KI-bruk

Anbefalt tilnærming

Begynn med å automatisere sortering av innkomne saker, ikke behandling.

Fase 1: Pilot (3 mnd)

Klassifiser innkomne plan- og byggesaker automatisk
Sammenlign med manuell klassifisering
Mål: 85%+ treffsikkerhet

Fase 2: Assistert saksbehandling (6 mnd)

KI foreslår vedtaksmal basert på sakens egenskaper
Saksbehandler godkjenner eller justerer

Risiko

GDPR: Personopplysninger i byggesøknader krever DPA
Bias: Historiske vedtak kan inneholde systematisk skjevhet
Leverandørlåsing: Unngå proprietære modeller for kjernelogikk

Denne analysen ender midt i setning. Modellen nådde sannsynligvis sitt token-tak eller valgte å stoppe. Vi viser outputen slik den kom ut — labben skal vise hvordan modeller faktisk oppfører seg, også når de kutter seg selv. Det er en del av transparensen.

Hver instans i svermen får én frequency seed — fem vektede ord trukket fra ulike dimensjoner som farger perspektivet uten å stenge det. En seed kan f.eks. være «strategisk · langsiktig · tillit · sårbarhet · utforsk». To instanser med forskjellige seeds vil se samme problem gjennom genuint ulike linser.

Samme case kjøres mot flere modeller (sonnet) for å se om funnene er robuste på tvers av modell-arkitekturer — eller om en spesifikk modell har en særegen stil/styrke.

Les mer: Hva er sverm-analyse.

Hver modell i svermen genererer sine egne 5 domene-tilpassede akser — det er en del av den epistemologiske divergensen mellom modell-arkitekturer. Samme case rammes inn forskjellig av Claude, GPT, Gemma osv., og akse-valget er den første synlige divergensen. Under ser du hvilke akser og ord hver modell faktisk brukte for dette caset.

Debriefen over er sammenfattet fra flere parallelle analyser. Ønsker du å lese hver instans' rapport separat — inkludert seedene som formet dem — scroll opp i debrief-panelet og utvid «Vis alle X instans-analyser».

KI i kommunal saksbehandling