AI-forordningen for udviklingsteams

Interagerer systemet direkte med mennesker, skal de have det at vide senest ved første interaktion, medmindre det er åbenlyst ud fra sammenhængen. En statisk deklaration ved sessionens start er nok; den skal ikke gentages ved hvert svar. Kravet gælder ikke AI, der kører i baggrunden uden brugerinteraktion, som oversættelse, stavekontrol eller netværksoptimering.

Genererer jeres system syntetisk lyd, billede, video eller tekst, skal outputtet mærkes i et maskinlæsbart format, så det kan påvises at være AI-genereret. Praksiskodeksen for gennemsigtighed, offentliggjort af Kommissionen 10. juni 2026, siger det lige ud: ingen enkelt mærkningsteknik kan alene opfylde de fire krav i artikel 50, stk. 2, og tilsluttede udbydere skal derfor lægge mindst to lag maskinlæsbar mærkning på outputtet. Én undtagelse rammer mange: fri tekst kan ikke bære metadata, så dér er ét lag nok. Kodeksen udpeger ingen bestemt standard. At C2PA, også kaldet Content Credentials, er den stærkeste kandidat til metadatalaget, er vores vurdering, ikke kodeksens. Og standardiseringen er ikke i mål: ISO 22144 er per august 2026 stadig et udvalgsudkast, så der findes endnu ingen vedtaget ISO-standard at skrive ind i en kravspecifikation. Tilslutning er frivillig, men det er den letteste vej til at vise, at I opfylder kravet, og den forpligter til en interoperabel detektionsløsning senest 2. februar 2027.^5,6,11

Genererer eller manipulerer I billed-, lyd- eller videomateriale, der ligner virkelige personer, steder eller begivenheder og vil fremstå ægte, skal det mærkes synligt ved første eksponering. Mærkningen skal leve op til tilgængelighedskrav, så den også når brugere med hjælpeteknologi.

Offentliggør I AI-genereret tekst for at informere offentligheden om emner af offentlig interesse, skal det oplyses. Undtagelsen er reel: hvis et menneske har haft væsentlig redaktionel kontrol og påtager sig ansvaret for indholdet, bortfalder kravet.

LeveranceEn trusselsmodel, der køres i CI

Kravet er et iterativt risikostyringssystem gennem hele livscyklussen. I praksis er det trusselsmodellering udvidet til maskinlæring: automatiserede testsuiter i pipelinen, der kører mod adversarial input, datadrift og edge cases, og som måler, hvordan modellen degraderer frem for kun at måle, hvornår den rammer rigtigt.

LeveranceSporbarhed for hvert træningsdatapunkt

Trænings-, validerings- og testdata skal være relevante, repræsentative og så vidt muligt fejlfrie. Det kræver reel data lineage, ikke en beskrivelse af den: versionering af datasæt, bias-scanning i datapipelinen, og et snapshot eller detaljerede metadata bevaret til revision.

LeveranceDokumentation som kode, versioneret med systemet

Arkitektur, designvalg, modelvalg, valideringslogik, testmetrikker og systemets grænser, altså hvad det ikke kan eller ikke bør bruges til. Ligger dokumentationen i repositoriet ved siden af koden, driver den ikke væk fra produktionen. Ligger den i et delt drev, gør den.

LeveranceUforanderlige, strukturerede logs i mindst seks måneder

Systemet skal automatisk registrere hændelser under driften. Konkret: et struktureret event pr. AI-beslutning med input, output, tidsstempel, modelversion, advarsler og identiteten på den, der førte tilsyn. Idriftsætteren skal opbevare dem i mindst seks måneder. Logs, der kan redigeres bagefter, beviser ingenting, så de skal skrives til lagring, der ikke kan overskrives.

LeveranceEn stopknap, der reelt stopper noget

Systemet skal kunne overvåges effektivt af den, der driver det. Det udelukker uigennemskuelige løsninger: konfidens og begrænsninger skal frem i grænsefladen. Og arkitekturen skal understøtte, at behandlingen kan sættes på pause, typisk asynkront med et statusflag, hvor processen først fortsætter, når en navngiven medarbejder frigiver den.

LeveranceFallback, når modellen svigter

Beskyttelse mod prompt injection, data poisoning og model evasion, og redundans, når modellen fejler. Returnerer den noget, der ikke kan parses, eller overskrider den latensbudgettet, skal systemet falde tilbage på et deterministisk regelsæt eller degradere kontrolleret. Et system, der bare venter på modellen, er ikke robust.

Bygger I et produkt oven på en tredjepartsmodel som GPT eller Claude og sælger det under jeres eget navn, er I udbyder. Bruger I et færdigt værktøj internt uden at sætte jeres navn på det, er I idriftsætter. Udbyderrollen bærer dokumentationen, mærkningen og ansvaret.

Fra 2. december 2027 for systemer, der står alene under bilag III, og fra 2. august 2028 for AI indlejret i produkter under bilag I. Begge datoer blev udskudt af Digital Omnibus den 27. juli 2026. Mange danske kilder oplyser stadig 2. august 2026.

Udbyderen skal mærke syntetisk output maskinlæsbart og oplyse om AI-interaktion. Idriftsætteren skal mærke deepfakes og AI-skrevet tekst af offentlig interesse. Bygger I produktet på en tredjepartsmodel, er I udbyderen og har begge dele.

Ikke i sig selv. RAG tilfører kontekst i prompten uden at ændre modellens vægte, og det taler for, at systemet er uændret. Fine-tuning eller LoRA på egne data ændrer parametrene og taler stærkt for udbyderrollen. Grænsen er ikke afprøvet i dansk praksis.

Digitaliseringsstyrelsen koordinerer nationalt. Tilsynet med forbudte former for AI-praksis deles med Datatilsynet og Domstolsstyrelsen. Tilsynet med højrisiko og med artikel 50 er endnu ikke fastlagt. AI-modeller til almen brug hører under EU-Kommissionens AI-kontor.

Op til 35 mio. euro eller 7 % af den globale årsomsætning, alt efter hvad der er højest, for overtrædelse af forbuddene i artikel 5. Der er lempeligere niveauer for små og mellemstore virksomheder, men beløbene er fortsat betydelige.