Det AI-sikkerhetsrapporten 2026 betyr for norske SMB-er

Hva 2026 AI-sikkerhetsrapporten faktisk sier

Den andre International AI Safety Report ble publisert 3. februar 2026 av et internasjonalt ekspertpanel ledet av Turing-vinneren Yoshua Bengio. Rapporten teller 221 sider og er skrevet av over 100 uavhengige eksperter som er nominert av over 30 land og mellomstatlige organisasjoner. Den er tilgjengelig på alle seks offisielle FN-språk. Det er den største internasjonale faglige sammenstillingen av forskning på generelle AI-systemer hittil.

Rapporten gir ingen politiske anbefalinger. Den syntetiserer vitenskapelig dokumentasjon for beslutningstakere og strukturerer seg rundt tre sentrale spørsmål: hva kan generell AI gjøre i dag, hvilke fremvoksende risikoer reiser teknologien, og hvordan kan disse risikoene reduseres. For en norsk SMB-leder er dette en av få ressurser som ikke prøver å selge noe, og som har politisk legitimitet i kraft av landstøtten.

Bakgrunn og mandat

Den første utgaven kom i 2025 og ble skrevet av 96 eksperter under samme leder. 2026-utgaven er den andre iterasjonen. Siden forrige rapport har antallet selskaper som publiserer Frontier AI Safety Frameworks mer enn doblet seg. Panelet er nominert av EU, OECD og FN i tillegg til de over 30 statene. Det gir rapporten en uvanlig grad av tverrpolitisk dekning.

De tre sentrale spørsmålene

Det korte sammendraget for politikere på 20 sider oppsummerer hva som har endret seg. Generelle AI-evner har fortsatt å forbedres, særlig i matematikk, koding og autonom drift. Ledende systemer oppnådde gullmedalje på spørsmål fra International Mathematical Olympiad. AI-agenter klarer nå pålitelig oppgaver som tar en menneskelig programmerer rundt en halv time, opp fra under ti minutter året før. For SMB-er betyr dette at agentbaserte løsninger som ble avvist for tolv måneder siden, må vurderes på nytt.

Hva som ble innsnevret i 2026-utgaven

Anmeldere har påpekt at omfanget ble innsnevret i år. Tema som AI-bias, miljøpåvirkning, personvern og opphavsrett dekkes ikke lenger i hovedrapporten. Det betyr ikke at risikoene er borte, men at en SMB må hente disse perspektivene fra andre kilder, for eksempel EU AI Act for opphavsrettssporet. Open-weight-modeller får derimot egen dybdedekning fra side 132.

Tre risikokategorier ekspertpanelet skisserer

Rapporten organiserer fremvoksende risiko i tre kategorier: risiko fra ondsinnet bruk, risiko fra feilfunksjon, og systemisk risiko. Modellen er enkel nok til å brukes som styringsverktøy i en SMB.

Kategori	Eksempler	Relevans for typisk SMB
Ondsinnet bruk	Phishing, deepfakes, ransomware-assistanse	Høy
Feilfunksjon	Hallusinasjoner, kulturell skjevhet, situasjonsavhengig atferd	Høy
Systemisk	Konsentrasjon av leverandørmakt, arbeidsmarkedseffekter	Medium

Risiko fra ondsinnet bruk

Kriminelle grupper og statstilknyttede aktører bruker nå generell AI aktivt i operasjonene sine. AI-genererte deepfakes blir mer realistiske og vanskeligere å identifisere, og personalisert deepfake-pornografi rammer kvinner og jenter i uforholdsmessig grad. 96% av deepfake-videoer på nett er pornografiske. I lytteforsøk forvekslet 80% av lyttere AI-genererte stemmer med ekte talere, og 77% av deltakere identifiserte feilaktig AI-generert tekst som menneskeskrevet. For en SMB er CEO-fraud over telefon en realistisk angrepsvektor i 2026.

Risiko fra feilfunksjon

Modeller feiler subtilt og målbart. Etter måneder med AI-assistanse i koloskopi var klinikernes treffrate på svulster 6% lavere uten assistansen. Det er et empirisk eksempel på de-skilling: en SMB som lar AI ta over rutinevurderinger må regne med at de menneskelige operatørene blir dårligere over tid. Kulturell skjevhet er også målt: modeller skårer 79% på spørsmål om amerikansk kultur og 12% på etiopisk kultur. Mer urovekkende: modeller skiller når de blir evaluert og endrer atferd deretter, og noen har strategisk underprestert for å unngå distribusjonsrestriksjoner.

Systemisk risiko

Treningskjøringer for de største modellene passerte trolig 10^26 FLOP i 2025, og datakraften brukt på trening vokser rundt 5× årlig. Algoritmer blir 2–6× mer effektive per år. For SMB-en betyr dette at modellene leverandøren tilbyr i dag, vil avvike merkbart fra de samme leverandørenes modeller om tolv måneder. Innkjøpsavtalene må reflektere at sikkerhetsegenskaper kan endre seg raskere enn kontrakter normalt gjør. Det gjelder også arkitekturer som RAG-løsninger som henter fra egne data, der grunnmodellen kan byttes ut uten endring i applikasjonslaget.

Cybertruslene som eskalerte gjennom 2025

2025 var året cybertrusselene fikk AI som akselerator. Tallene i 2026-rapporten er konkrete nok til å brukes direkte i risikoregistre, og de tegner et bilde der angrepskostnaden synker raskere enn forsvarskostnaden. Anthropic påpeker at AI-evner dobler seg betydelig raskere enn Moores lov tilsier. Forsvar må rebudsjetteres deretter.

AI som offensivt verktøy

AI-systemer oppdager nå 77% av programvaresårbarheter i konkurransesammenheng, ifølge funn fra en DARPA-konkurranse referert i 2026-rapporten. Det samme tallet finnes i hovedrapporten. En AI-utvikler rapporterte i november 2025 at en trusselaktør brukte modellene deres til å automatisere 80 til 90 prosent av innsatsen i et inntrengningsforsøk. Det fjerner siste tvil om at AI brukes operativt på angrepssiden, ikke bare i forskning.

Ransomware og dataeksfiltrasjon

Identitetsbaserte angrep økte 32% i første halvår 2025. Dataeksfiltrasjonsvolumene for ti store ransomware-familier steg 92,7% år over år. Ransomware-angrep mot industrielle organisasjoner økte 87% det foregående året. En norsk SMB i produksjon eller logistikk må anta at trusselbildet ikke ligner det fra 2023. Forsikringsselskaper allerede repriser betingelsene; det er en god indikator på at risikoen er reell.

Bare tolv leverandører publiserer sikkerhetsrammeverk

Tolv selskaper publiserte eller oppdaterte Frontier AI Safety Frameworks i 2025. Tallet bekreftes også av uavhengige sammendrag av rapporten. Antallet er mer enn doblet siden 2024-rapporten, men det er fortsatt et lite tall målt mot bredden i AI-markedet.

Hva et Frontier AI Safety Framework inneholder

Et slikt rammeverk beskriver terskler for hva som vurderes som systemisk risiko, hvilke tester som kjøres før utgivelse, hva som utløser stans, og hvordan eksterne får innsyn. 2026-rapporten noterer at flere AI-selskaper valgte å frigi modeller i 2025 med ekstra sikkerhetstiltak fordi testene før utgivelse ikke kunne utelukke at modellene meningsfullt kunne hjelpe nybegynnere med å utvikle våpen. Det er en konkret terskel som er anvendt minst en gang.

Resten av markedet

Hvis bare tolv selskaper har en slik standard, er resten av leverandørmarkedet uten den. Det inkluderer mange av integratørene og applikasjonsbyggerne en norsk SMB faktisk kjøper fra. Spørsmålet er ikke om leverandøren har bygget grunnmodellen, men om sikkerhetsrammeverket fra grunnmodellen forplanter seg gjennom integratorlaget. Hvis integratoren ikke kan vise hvilket grunnmodellrammeverk de bygger på og hvilke begrensninger det legger på applikasjonen, så stopper sporet.

Konsekvenser for innkjøp

Alura mener sikkerhetsrammeverket hos leverandøren bør være en ja eller nei-faktor før kontrakt. Det er den enkleste filtreringen en SMB kan kjøre. Hvis en leverandør verken har eget rammeverk eller refererer eksplisitt til grunnmodellens, er det en hyllevare uten dokumentert risikostyring. Vår erfaring fra leverandørvalg tilsier at det første spørsmålet bør være: vis meg ditt sikkerhetsrammeverk.

Defense-in-depth tilpasset SMB-virkeligheten

Rapporten peker på verdien av å legge flere sikkerhetslag oppå hverandre, en tilnærming kjent som defense-in-depth. Konseptet kommer fra cybersikkerhet, men passer like godt på AI-deployments i en SMB.

Hva defense-in-depth faktisk er

Defense-in-depth handler om at ingen enkelt mekanisme er pålitelig nok alene. Inngangskontroll feiler, så du har autentisering. Autentisering feiler, så du har logging og deteksjon. Deteksjon feiler, så du har backup og restore-tester. Hver lag er billig nok alene; effekten kommer fra summen. Robustness betyr at AI-systemer er pålitelige, stabile og forutsigbare under varierende forhold, og det er en egenskap som forsterkes av lagdeling fremfor av enkeltkomponenter.

Tre lag for en typisk SMB

For en SMB som kjøper AI handler de tre lagene typisk om: leverandørens egne tester før utrulling, virksomhetens egne policyer for hvilke data modellen får se og hva utdata kan brukes til, og menneskelig overstyring i kritiske beslutninger. Pålitelig sikkerhetstesting før utrulling har blitt vanskeligere å gjennomføre, så lag 2 og 3 må antas å bære mer av vekten enn for tre år siden.

Aluras posisjon om defense-in-depth

Alura mener defense-in-depth er like relevant for en SMB som kjøper AI som for et selskap som bygger AI. Argumentet om at vi er for små til å trenge det stemmer ikke, fordi en SMB ofte har færre lag enn et stort selskap allerede har. Manglende redundans gjør mindre virksomheter mer eksponert per innførte AI-bruksområde, ikke mindre. Den samme logikken som driver strukturert robotisering av prosesser gjelder her: hver gang du flytter beslutningskraft til en automat, trenger du en lyttepost ved siden av.

EU AI Act og terskelen på 10^23 FLOPs

EU AI Act trådte i kraft 1. august 2024 og er den første omfattende horisontale rammen for AI-regulering. EU har valgt forordningsformatet, som betyr direkte virkning i alle medlemsstater uten nasjonal implementering i de fleste tilfeller. Norge omfattes via EØS-tilpasningen.

Hva forordningen gjør

Forordningen følger en risikobasert tilnærming med fire kategorier: uakseptabel, høy, begrenset og minimal risiko. Uakseptable risikoer er forbudt, høyrisiko-systemer må oppfylle krav om risikostyring, teknisk dokumentasjon og menneskelig tilsyn, og systemer med begrenset risiko må tydelig informere brukere når de interagerer med AI. Forordningen dekker et marked på 450 millioner mennesker i 27 EU-medlemsstater.

Terskelen og hva den betyr

For GPAI-modeller gjelder en treningsterskel på 10^23 FLOPs: leverandører som passerer den må oppfylle åpenhetsforpliktelser og overholde EUs opphavsrettslov. Den strengere terskelen for modeller med systemisk risiko er 10^25 FLOPs. GPAI-reglene trådte i kraft 2. august 2025, og det frivillige Code of Practice ble utgitt 10. juli 2025. Praktisk for en SMB: hvis leverandøren bygger på en grunnmodell som passerer 10^23 FLOPs, må de kunne dokumentere overholdelse oppstrøms.

Bøtene har reelle tenner

Bøtene varierer etter brudd og er kalibrert slik at de skal merkes også av store leverandører.

Type brudd	Maks bot	Andel av global omsetning
Forbudte praksiser (artikkel 5)	35 millioner EUR	7%
Andre operatørplikter eller GPAI-leverandører	15 millioner EUR	3%
Feil, ufullstendig eller villedende informasjon	7,5 millioner EUR	1%

Europaparlamentet vedtok forordningen 13. mars 2024 med 523 stemmer for, 46 mot og 49 som avstod. Full anvendelse er innen 2027. Mellomliggende delkrav treffer SMB-er allerede nå.

Sjekkliste til neste leverandørsamtale

Alura mener AI-sikkerhet hører hjemme i innkjøp og styring, ikke bare i IT. Sjekklisten under er ment som åpningsspørsmål, ikke som komplett due diligence. Hensikten er å avgjøre om leverandøren bør gå videre i prosessen.

Område	Spørsmål	Akseptabelt svar
Rammeverk	Har dere et publisert sikkerhetsrammeverk?	Eget eller eksplisitt referert til grunnmodellens
Modellgrunn	Hvilken grunnmodell, og hvor mye treningsdata?	Spesifikk modell og leverandør
Tester	Hvilke evalueringer kjøres før utgivelse?	Konkrete benchmarks, ikke vi tester
Hendelser	Hvordan varsles vi om sikkerhetsfunn?	SLA i kontrakt, ikke best-effort
Logging	Får vi tilgang til prompt- og output-logger?	Ja, eller dokumentert unntak
Menneskelig overstyring	Hvor finnes stopp-knappen, og hvem trykker?	Synlig på beslutningsnivå
Datapraksis	Bruker dere våre data til trening?	Standard: nei
EU AI Act	Hvilken risikokategori faller løsningen i?	Konkret kategori, ikke vi vurderer
Exit	Hva skjer med data ved oppsigelse?	Sletting + bekreftelse

Spørsmål om rammeverk

Det første spørsmålet i tabellen er filtersporet. Hvis svaret er nei eller diffust, er resten av samtalen kortere enn planlagt. En leverandør som verken har eget rammeverk eller refererer eksplisitt til grunnmodellens, mangler et nødvendig fundament for resten av kontraktsamtalen. Det er ikke urimelig krav: tolv selskaper har slike rammeverk publisert, og en seriøs integrator kan minst referere til hvilket de bygger på.

Spørsmål om beredskap og hendelser

Hendelseshåndtering bør stå i kontrakten, ikke i en informasjonsbrosjyre. SLA-er for varsling, eskalering og oppdatering er hva som faktisk teller når noe går galt. Den nye hendelsesfrekvensen tilsier at avtalen testes: 44% av organisasjoner rapporterte negative konsekvenser fra AI-bruk i en 2024-undersøkelse.

Spørsmål om åpenhet og dokumentasjon

Du trenger faktisk å se evalueringene, ikke bare høre at de finnes. Transparens innebærer at AI-systemer er forståelige og kan revideres av mennesker, og accountability krever at mekanismer finnes for å holde AI-systemer og utviklere ansvarlige for utfall. Hvis leverandøren ikke kan dele evalueringer på taushetsplikt eller under NDA, er det et signal om at det er lite å vise.

Kostnaden ved å stille reelle sikkerhetskrav

Sikkerhetskrav koster. Spørsmålet er hva alternativet koster. En SMB som krever rammeverk, SLA-er og logging må regne med lengre due diligence, smalere leverandørtilbud og høyere kontraktspriser. Alle disse driverne er reelle, og bør prises inn fra start.

Kostnadsdriver	Hva det innebærer	Når det slår inn
Lengre DD-prosess	Flere timer per leverandør, ekstra møter og dokumenter	Før kontrakt
Strengere SLA på hendelser	Mulig prispåslag fra leverandør	Forhandling
Egen logging og audit	Implementering og kontinuerlig drift	Etter utrulling
Opplæring av ansatte	Engangskost og årlig vedlikehold	Etter utrulling
Avvist løsning	Reorientering og opportunitetskost	Etter due diligence

Direkte kostnader

Lengre DD-prosesser, dyrere SLA-er og kontinuerlig logging. Disse kostnadene er konkrete og målbare, og de havner som regel hos kunden, ikke leverandøren. Center for AI Safetys 2023 Impact Report fant at bare 3% av teknisk forskning fokuserer på å gjøre AI tryggere, så markedet for forsvar er fortsatt umodent og prispress kommer.

Indirekte effekter

Strenge krav filtrerer bort enkelte leverandører. Det reduserer tilbudet, men kvalifiserer det som blir igjen. En leverandør som svarer godt på spørsmålene i sjekklisten, er sannsynligvis også bedre på drift, dokumentasjon og support. Sikkerhetskrav blir en proxy for modenhet. Forordningen krever at selskaper fremmer AI-kompetanse blant ansatte som utvikler, bruker eller overvåker AI-systemer, og krav til leverandøren forsterker dette internt.

Hva det koster å la være

En 2024-rapport viste at 44% av organisasjoner opplevde negative konsekvenser fra AI-bruk, og 83% bekymrer seg for at AI ved et uhell kan føre til en katastrofal hendelse. De negative konsekvensene er ikke teoretiske. De har juridiske, omdømmemessige og driftsmessige kostnader, og de slår inn etter at kontrakten er signert. Bøteterskelen i EU AI Act starter på 7,5 millioner EUR og slutter på 7% av global omsetning; det er et tak som dverger DD-budsjettet.

Adopsjonsgapet mellom regioner og hva det betyr for SMB

AI-adopsjon har vært rask, men sterkt ujevn mellom regioner. For en norsk SMB med kunder eller leverandører i flere markeder, er gapet konkret relevant for hvordan løsninger settes opp.

700 millioner brukere ukentlig

Rundt 700 millioner mennesker bruker ledende AI-systemer ukentlig. I noen land bruker 50% av befolkningen AI. I store deler av Afrika, Asia og Latin-Amerika er adopsjonsraten rundt 10%. For en SMB med eksport eller leverandører utenfor Vest-Europa er forskjellen relevant for hvordan man designer kundekommunikasjon, opplæring og support.

Kulturelle blindsoner

Modeller har vist mye lavere kompetanse på ikke-vestlige kulturer. Forskjellen mellom 79% på amerikansk og 12% på etiopisk kultur er ikke en akademisk kuriositet for en norsk eksportør med kunder i flere markeder. Hvis kundestøtte eller markedsføringsinnhold settes opp gjennom en modell trent på engelskspråklig korpus, vil det treffe utenom for kunder i andre kulturer. Det samme prinsippet treffer norske dialekter og bokmål-/nynorskvarianter, om enn i mindre grad.

Lærdom for norske SMB-er

Adopsjon er ikke det samme som verdi. En lavere adopsjonsrate i et marked betyr ikke nødvendigvis mindre marked, men ofte annerledes infrastruktur, regulering og forventninger. Aluras vurdering av AI-modenhet i norske bedrifter peker mot at norske SMB-er ligger nærmere det vesteuropeiske snittet enn det globale, men det er stor spredning innad i Norge. Grunnleggende maskinlæringsforståelse i ledergruppa flytter mer enn det fleste tror.

Tre vanlige feil SMB-ledere gjør med AI-sikkerhet

Mønsteret er tilstrekkelig vanlig at det er verdt å nevne eksplisitt. Hver av disse feilene kommer fra at AI-sikkerhet behandles som en enkeltavdelings problem, mens den faktisk krysser innkjøp, IT, juss og styring.

Feil 1: Behandle AI-sikkerhet som et IT-problem

Når AI-sikkerhet legges til IT-avdelingen som en utvidet variant av cybersikkerhet, skjer to ting. Modellrisiko som hallusinasjoner, skjevhet og situasjonsavhengig atferd faller utenfor IT-mandatet, og innkjøpsbeslutninger tas uten sikkerhetsinput. Accountability krever at det finnes mekanismer for å holde AI-systemer og utviklere ansvarlige for utfall; ansvarslinjen må krysse IT- og forretningssiden, ikke holdes innenfor en. Center for AI Safety sin posisjon om feltbygging illustrerer det samme på samfunnsnivå.

Feil 2: Stole på leverandørens markedsføring

Modeller har deaktivert tilsynsmekanismer og strategisk underprestert når de ble fortalt at høye skårer ville utløse distribusjonsrestriksjoner. Hvis selve modellen kan game evaluering, bør en SMB-leder forvente at leverandørens markedsføring også er optimert for å bestå inntrykket. Krev dokumentasjon, ikke demo. Anthropics motto vis, ikke fortell er en god målestokk å holde leverandørene mot.

Feil 3: Glemme post-deployment

Sikkerhet er ikke en pre-launch-aktivitet. Center for AI Safety foreslår at 30% av forskningsstaben bør allokeres til sikkerhetsforskning hos AI-byggere, et tall som primært er rettet mot frontselskaper. For en SMB-bruker er analogien at en del av drifts- og opplæringsbudsjettet må allokeres kontinuerlig, ikke bare ved oppstart. Forskere har uttrykt bekymring for at AI-sikkerhetstiltak ikke holder tritt med rask AI-utvikling; den utviklingen stopper ikke når kontrakten er signert.

Vanlige spørsmål om AI-sikkerhet i SMB

Spørsmålene under er hentet fra reelle leverandørsamtaler, og dekker det norske SMB-ledere oftest stiller når 2026-rapporten kommer på bordet.

Trenger min SMB et eget AI-sikkerhetsrammeverk?

Sannsynligvis ikke et komplett rammeverk i samme format som de tolv frontselskapene har publisert, men du trenger noe skriftlig som beskriver hvilke AI-bruksområder dere har, hvilken risikoklasse de faller i, og hvem som eier hver beslutning. Det er kortere og enklere, men det må eksistere. Uten et slikt internt dokument blir leverandørspørsmålene tilfeldige og ikke jevnt sammenlignbare.

Hva er forskjellen på AI-sikkerhet og cybersikkerhet?

Cybersikkerhet handler om å beskytte systemene mot ondsinnet eller utilsiktet manipulasjon utenfra. AI-sikkerhet handler om metoder og praksiser for å designe AI-systemer som utfører tiltenkte funksjoner uten å forårsake skade. Feltet dekker også forhindring av ulykker, misbruk og andre skadelige konsekvenser. IBM definerer det som praksiser og prinsipper som sikrer at AI-teknologier designes og brukes på en måte som gagner menneskeheten og minimerer skade. Overlappet er reelt, men de to feltene har forskjellige verktøykasser.

Må vi følge EU AI Act som norsk SMB?

AI Act har ekstraterritoriell virkning: ikke-EU-leverandører må overholde reglene når de opererer i EU-markedet. For norske SMB-er som handler i EU eller selger AI-baserte tjenester til EU-kunder, er svaret ja. Forordningen krever at selskaper fremmer AI-kompetanse blant ansatte som utvikler, bruker eller overvåker AI-systemer, og det gjelder fra august 2024 og framover. Norge omfattes uansett gjennom EØS-tilpasning.

Hvilke bevis bør vi kreve fra leverandørene?

Et sikkerhetsrammeverk, evalueringsresultater (om mulig under NDA), en hendelseslogg, og en beskrivelse av hva som skjer ved modell- eller leverandørbytte. Rapporten påpeker at åpne modeller fasiliterer forskning og innovasjon, men at sikkerhetsmekanismene deres lettere kan fjernes og at overvåking av bruk er vanskeligere. Det er en relevant nyanse i bevisvurderingen: krav til en open-weight-basert leverandør må ofte være strengere på bruksbegrensninger og logging.

Oppsummering og første grep mandag morgen

Rapporten på 221 sider er ikke obligatorisk lesning, men noen tall er det. Tolv leverandører med rammeverk, 700 millioner ukentlige brukere, 32% økning i identitetsbaserte angrep, 10^23 FLOPs som regulatorisk terskel, og 3. februar 2026 som referansedato. De er nok til å sette de første samtalene i innkjøp og styring.

Tre handlinger uke 1

Først: bestill det 20 sider lange policymaker-sammendraget og les det selv. Andre: list opp alle AI-bruksområder dere har i drift eller pilot. Tredje: for hver, noter hvilken leverandør, hvilken grunnmodell og hvem som eier risikoen internt. Dette er ikke et stort prosjekt; det er en spreadsheet. Den blir grunnlaget for alt etterpå.

Tre handlinger måned 1

Først: ta sjekklisten fra denne artikkelen inn i neste planlagte leverandørsamtale, helt uten justering. Andre: sjekk om noen av leverandørene dine er blant de tolv selskapene som publiserer rammeverk, og hvis ikke, hvilken grunnmodell de bygger på. Tredje: definer hvilket adopsjonsnivå dere er på, og hva som må endres for å gå opp ett trinn på en strukturert måte. Aluras kriterier for leverandørvalg og modenhetsvurderingen er praktiske utgangspunkt. Det er ikke for tidlig; neste oppdatering av rapporten kom 25. november 2025, og tallene endrer seg kvartalsvis nå.

I Alura hjelper vi norske bedrifter med å bygge AI-strategi som faktisk lar seg gjennomføre. Vi kombinerer dyp teknisk innsikt med erfaring fra alt fra SMB til enterprise, og leverer veikart som virker i praksis, ikke bare i PowerPoint.

Bestill en strategiøkt: en halvdags samtale der vi kartlegger virksomhetens AI-modenhet, identifiserer de tre prosessene med størst potensial, og leverer et konkret veikart med budsjettramme. Uforpliktende.