Når software bliver billig, bliver data dyrebart

Et forslag til en fælles datadeklaration, en fælles kerne og moduler, så virksomheder kan bygge egne AI-systemer uden at miste kontrollen over deres data.

Situation

Kunstig intelligens gør det billigt og hurtigt at bygge egne systemer. 59 % af danske virksomheder med mindst 10 ansatte brugte AI i 2026, mod 15 % i 2023 (1).

Komplikation

Hvis hver afdeling bygger sine egne løsninger på hver sine data, bliver tallene uforenelige, kvaliteten ukendt og lovgivningen umulig at overholde. Der findes ikke en fælles opfattelse af data, og de gamle systemer forsvinder ikke.

Spørgsmål

Hvordan høster vi gevinsten ved billig software uden at skabe datakaos?

Svar

Gør data, ikke applikationerne, til virksomhedens fælles infrastruktur: en datadeklaration, en lille fælles kerne med moduler, lovmærkning bygget ind én gang og en gradvis overgang.

Resumé

Gør data til infrastrukturen

Når en brugerflade kan bygges på en eftermiddag, er det ikke længere applikationen, der er virksomhedens varige aktiv. Det er dataene, og de aftaler, der gør dem forståelige og pålidelige.

01

Datadeklaration

Følger data som en varedeklaration: hvad de betyder, hvor gode de er, hvor de kommer fra, og hvilke regler der gælder.

02

Kerne og moduler

En lille fælles kerne (personer, organisationer, roller, lokationer) med moduler for kunder, økonomi, medarbejdere, varer og sektorer.

03

Lov bygget ind

Lovmærkning sker én gang i kernen og modulerne, så alle nye apps arver den.

04

Gradvis overgang

Deklarér data, hvor de ligger, oversæt dem, og udskift systemerne, når de alligevel skal fornyes.

Byggestenene findes allerede. Den danske e-faktura, den offentlige sektors fælles regler og EU's nye kvalitetsmærke for sundhedsdata viser, at modellen virker. Det, der mangler, er at sætte dem sammen til noget, almindelige virksomheder kan bruge.

01 · Situation

Applikationen er ikke længere det, der koster

I årtier har virksomheder tilpasset deres arbejde til den software, de kunne købe. Tallene lå i regneark, budskaberne i præsentationer og forretningen i standardsystemer. Det var værktøjerne, der bestemte, hvordan data blev samlet ind, gemt og vist. Det billede ændrer sig hurtigt.

15→59 %
danske virksomheder (10+ ansatte), der bruger AI, 2023→2026 (1)
70 %
af Dansk Erhvervs medlemmer bruger AI-værktøjer (2)
35 %
har erstattet mindst ét købt værktøj med noget selvbygget (3)
80 %
af low-code-brugerne forventes at sidde uden for IT i 2026 (4)
  • AI-brugen er næsten firedoblet på tre år. Blandt de mindste virksomheder (10–49 ansatte) steg andelen fra 12 % til 55 % (1).
  • Virksomheder er begyndt at bygge selv. Blandt 817 kunder hos en leverandør af udviklingsværktøjer forventer 78 % at bygge mere selv. Det er især workflows og interne administrationsværktøjer, der bliver erstattet (3).
  • Udviklerne er ikke længere kun i IT-afdelingen (4).

Det er en reel mulighed. For første gang kan en virksomhed få systemer, der passer til dens egne opgaver, i stedet for at tilpasse opgaverne til systemerne.

02 · Komplikation

Billig software skaber dyre problemer

Gevinsten kommer ikke af sig selv. Fem forhold gør, at billig software kan ende med at blive dyr.

1

AI forstærker det, der allerede er

Den største internationale undersøgelse af softwareudvikling, DORA 2025 med knap 5.000 respondenter, beskriver AI som en forstærker. Den gør stærke organisationer stærkere og svage svagere, og leverancerne er blevet mere ustabile (5). Et kontrolleret forsøg fra 2025 viste, at erfarne udviklere var 19 % langsommere med AI, selv om de troede, de var hurtigere. Et opfølgende forsøg med nyere værktøjer i 2026 kunne ikke give et pålideligt nyt tal, men forskerne vurderer, at gevinsten nu sandsynligvis er større (6). Det er altså billigt at bygge noget, men ikke at eje og drive det.

2

Hver app får sin egen sandhed

Når mange bygger hver sin løsning, får begreber som "kunde", "ordre" og "omsætning" lige så mange definitioner, som der er systemer. Thoughtworks advarer om "AI-accelereret skygge-IT" med mange konkurrerende løsninger på det samme problem og uklart ejerskab (7).

3

Data er ikke klar til AI

Gartner forudser, at organisationer frem til og med 2026 vil opgive 60 % af de AI-projekter, der ikke har AI-klar data, og 63 % af datalederne mangler de rette praksisser eller ved ikke, om de har dem (8).

4

Lovgivningen bliver mere detaljeret

Data er ikke bare data. De kan være omfattet af:

  • GDPR og den danske særregel for CPR-numre (9)
  • bogføringsloven (10)
  • hvidvasklovens krav om opbevaring i 5 år og sletning derefter (11)
  • tavshedspligt i sundhedsloven og lov om finansiel virksomhed (12)
  • AI-forordningens krav til dokumentation af data i højrisikosystemer, fx AI til rekruttering og personaleledelse, fra 2. december 2027 (13)

Nogle love kræver opbevaring, andre kræver sletning. En selvbygget app, der ikke ved, hvilke regler dens data er underlagt, er en risiko.

5

De gamle systemer forsvinder ikke

Økonomisystemet skal opfylde bogføringsloven, og et selvudviklet bogføringssystem skal leve op til særlige krav (10). Udskiftning er risikabel: Over 60 % af datamigreringer overskrider tid eller budget (14), og kun 36 % holder budgettet (15). Samtidig mangler mange virksomheder, især de mindste, kompetencer, viden og tid (2).

03 · Spørgsmål

04 · Svar

Gør data til infrastrukturen

Vi foreslår fire elementer, der tilsammen gør det muligt at høste gevinsten ved billig software uden at miste kontrollen over data.

4.1 En datadeklaration, der følger data

Ligesom en fødevare har en varedeklaration, skal et datasæt have en beskrivelse, der følger det fra indsamling til præsentation. Deklarationen svarer på 12 spørgsmål:

SpørgsmålEksempel
Hvem ejer data?Salgsdirektøren
Hvad betyder data?"Kunde = part med aktiv eller tidligere handelsrelation"
Hvordan ser data ud?Felter, typer, nøgler
Hvor gode er data?Korrekthed, komplethed, aktualitet, genbrugelighed, kendte mangler
Hvor kommer data fra?Kunden selv, CVR, AI-genereret?
Hvor fortrolige er data?Offentlig, intern, fortrolig, strengt fortrolig
Er det persondata?Type, formål, behandlingsgrundlag
Hvilke love gælder?Bogføringsloven, hvidvaskloven, sundhedsloven …
Hvor længe skal/må data gemmes?Minimumsfrist og slettefrist
Hvad må data bruges til?Herunder om de må bruges til AI
Hvordan drives de?Opdatering og tilgængelighed
Hvor bor data, og hvor langt er de i overgangen?ERP i dag, kerne i morgen

Kravene er delt i fire niveauer: obligatorisk (25 krav, som en lille virksomhed kan udfylde), betinget obligatorisk (fx ved persondata eller lovbestemt opbevaring), anbefalet og avanceret.

Kvalitetsvurderingen bygger på de fire dimensioner i den offentlige sektors Fælles sprog for datakvalitet: korrekthed, komplethed, aktualitet og genbrugelighed (16). Det er enkelt nok til at blive forstået af en ledelse, og det kan underbygges teknisk med ISO/IEC 5259 om datakvalitet til analyse og maskinlæring (17).

Ideen er ikke ny for lovgiverne

  • Data Act (art. 33) kræver allerede, at virksomheder, der deler data i europæiske dataområder, beskriver datasættets indhold, brugsbegrænsninger, licenser, indsamlingsmetode, datakvalitet og usikkerhed i et maskinlæsbart format. En europæisk standard er under udarbejdelse (37).
  • EU's forordning om sundhedsdata (EHDS) indfører et datakvalitets- og dataudnyttelsesmærke, der beskriver dokumentation, teknisk kvalitet, kvalitetsstyring, dækning og adgang. Det er obligatorisk for sundhedsdatasæt finansieret med offentlige midler eller EU-midler, og Kommissionen fastlægger udseendet senest 26. marts 2027 (18).
  • Baselkomitéen har siden 2013 stillet krav om nøjagtige, fuldstændige og rettidige risikodata, især til de systemisk vigtige banker (BCBS 239) (19).

Vi foreslår at gøre det samme for alle virksomhedens vigtige data, blot frivilligt og enkelt.

4.2 En lille fælles kerne og moduler

En standard, der skal fungere for både en håndværksmester og en koncern, kan ikke være én stor datamodel. Den skal bestå af en lille fælles kerne og moduler, der kan kombineres.

  • Kernen indeholder det, alle virksomheder har: parter (personer og organisationer), deres roller (kunde, leverandør, medarbejder), lokationer, kontaktpunkter og fælles identifikatorer (CVR, adresse, GLN, GTIN). Rollemønstret gør det muligt, at den samme virksomhed er både kunde og leverandør uden at blive registreret to gange (20).
  • Funktionsmoduler for kunder og salg, økonomi, medarbejdere, varer og logistik samt dokumenter.
  • Sektormoduler for sundhed, finans, offentlig sektor og bæredygtighed, der genbruger sektorens eksisterende standarder.

Mønstret er velafprøvet:

  • EU's standard for e-fakturaer (EN 16931) har en fælles kerne, som lande og brancher må stramme, men ikke bryde. Det er den model, danske virksomheder bruger hver dag via Peppol og OIOUBL (21).
  • Sundhedsstandarden FHIR, EU's kerneordforråd fra 2012 og Flanderns OSLO-standarder er bygget på samme måde (22, 23, 24).
  • Den danske sundhedssektor har en fælles FHIR-kerne (DK Core), som MedCom bygger videre på (25).

4.3 Lovgivningen bygges ind én gang

Den vigtigste gevinst ved en fælles kerne er, at lovmærkningen kun skal laves én gang. Når kernen har defineret, at feltet "CPR-nummer" er særligt reguleret efter databeskyttelseslovens § 11 og er fortroligt (private må kun bruge det, når det følger af lov, ved samtykke, til forskning og statistik, eller når betingelserne i lovens § 7 er opfyldt), og at en fakturalinje er omfattet af bogføringsloven, så arver alle nye apps mærkningen automatisk. Mærkningen sker på seks dimensioner:

1 · FortrolighedISO 27001
2 · PersondatatypeGDPR, databeskyttelsesloven
3 · IdentifikationsgradISO/IEC 19944
4 · Andre regelsætBogføring, hvidvask, sektorregler
5 · OpbevaringsfristerMinimum og slettefrist
6 · BrugsreglerFormål, deling, AI

Der findes allerede maskinlæsbare ordforråd til mærkningen, bl.a. W3C's Data Privacy Vocabulary med udvidelser for GDPR og AI-forordningen (26). Værktøjer kan automatisk genkende fx danske CPR-numre (27). Sektorerne har deres egne regler, som kommer som moduler:

  • Sundhed: sundhedslovens tavshedspligt og mindst 10 års opbevaring af patientjournaler hos bl.a. læger og tandlæger (12, 28).
  • Finans: DORA's krav om at klassificere og dokumentere informationsaktiver og beskytte datas tilgængelighed, autenticitet, integritet og fortrolighed (29).
  • Offentlig sektor: Rigsarkivets krav om, at systemer kan aflevere deres data i et beskrevet format (30).

4.4 En gradvis overgang

Vi foreslår ikke, at virksomheder skal udskifte deres systemer. Vi foreslår en rækkefølge:

1

Forankr

Ledelsen udpeger dataejere og vælger de vigtigste datasæt.

2

Deklarér, hvor data ligger

Lav et datakatalog uden at røre systemerne. AI kan foreslå kortlægning og persondatamærkning, men et menneske skal godkende (31).

3

Oversæt

Et oversættelseslag får eksisterende systemer til at "tale kernesprog". Nye AI-apps må kun læse via laget (32). Kunder og leverandører samles i én fælles post (33).

4

Byg nyt mod kernen

Så nye løsninger ikke skaber ny gæld.

5

Udskift gradvist

Når systemerne alligevel skal fornys. Stil krav i udbud om kerneformat og eksport. EU's Data Act forbyder gebyrer for at skifte cloududbyder fra 12. januar 2027 (34).

6

Udfas og arkivér

Så historiske data forbliver tilgængelige som loven kræver. Bogføringsloven kræver opbevaring i 5 år fra udgangen af regnskabsåret og udlevering i et anerkendt filformat på anmodning (10, 30).

En lille virksomhed med standardsystemer kan nøjes med trin 1–3 og vælge leverandører, der kan eksportere i kerneformatet. En stor eller reguleret virksomhed skal igennem alle trin.

4.5 Forholdet til data mesh

Læsere med IT-baggrund vil genkende idéerne fra data mesh. Det er Zhamak Dehghanis model for at organisere data i store virksomheder. Her ejer forretningsdomænerne selv deres data, data behandles som produkter, der skal være troværdige og selvbeskrivende, og fælles regler for interoperabilitet, identifikatorer, kvalitetsmål, følsomhed og lovkrav fastlægges i fællesskab og håndhæves automatisk af en platform (41). Forslaget bygger på de samme principper:

Data meshI dette forslag
Domænerne ejer deres dataDataejere for de vigtigste datasæt (trin 1)
Data som produktDatadeklarationen (4.1). Datakontraktstandarden ODCS kommer fra samme miljø (35).
SelvbetjeningsplatformOversættelseslaget, som nye apps læser igennem (trin 3–4)
Fødereret styring med fælles standarderDen fælles kerne og modulerne (4.2) med lovmærkning, der arves (4.3)

Forslaget går et andet sted hen end data mesh på tre punkter:

  • Rækkevidde. Data mesh organiserer data inde i én stor virksomhed. Forslaget er en fælles kerne på tværs af virksomheder og brancher, også små. Det ligner mere e-fakturaens EN 16931 og EU's kerneordforråd (21, 23).
  • Mere fælles semantik. I data mesh ejer domænerne selv deres semantik, og kun identifikatorer for fælles begreber er globale. Forslaget lægger de grundlæggende begreber fast i kernen, så "kunde" ikke får mange definitioner.
  • Konkret lovmærkning og driftsdata. Data mesh siger, at følsomhed og lovkrav skal håndhæves globalt, men ikke hvordan. Forslaget giver et konkret bud med seks dimensioner, der arves fra kernen. Data mesh handler desuden om analytiske data og holder driftsdata adskilt. Forslaget dækker også driftsdata og overgangen fra eksisterende systemer.

Forslaget kan altså ses som en lettere udgave af data mesh, der rækker ud over den enkelte virksomhed. Data mesh forudsætter nye roller, incitamenter og en platform (41). Vi har ikke undersøgt erfaringerne med at indføre det i praksis.

05 · Belæg

Hvorfor vi tror, det kan lykkes

Standarderne findes

Der findes modne standarder for begreber (ISO/IEC 11179), datakataloger (DCAT-AP og den danske DCAT-AP-DK), kvalitet (ISO/IEC 5259 og W3C DQV), oprindelse (W3C PROV-O og OpenLineage) og datakontrakter (Open Data Contract Standard) (35). Det, der mangler, er sammenhængen.

Danmark har et forspring

Den offentlige sektor har fælles regler for begrebs- og datamodellering og et fælles sprog for datakvalitet (16). Grunddata giver fælles identifikatorer. E-fakturaen og SAF-T viser, at virksomheder allerede lever med standardiserede databeskrivelser, når formålet er klart (36).

Reguleringen peger samme vej

Data Act kræver en maskinlæsbar beskrivelse af data, herunder deres kvalitet, i dataområder (37). AI-forordningen kræver dokumentation af data i højrisikosystemer fra 2. december 2027, bl.a. for AI til rekruttering og personaleledelse (13). EHDS indfører et kvalitetsmærke (18).

AI gør det billigere end før

Det dyreste trin, kortlægningen af gamle data, kan i stigende grad foreslås af AI (31).

06 · Risici

Hvad der kan gå galt, og hvordan vi undgår det

RisikoErfaringHvordan forslaget håndterer det
Den store fælles datamodel stranderVirksomhedsdækkende datamodeller er gentagne gange fejlet, fordi de var for store og for stive (38)Lille kerne. Standardisér begreber og kontrakter, ikke databaser.
Udvidelser ødelægger sammenligneligheden~18–20 % af amerikanske regnskaber bruger egne XBRL-mærkninger, og det mindsker sammenligneligheden (39)Moduler må stramme, men ikke bryde kernen. Udvidelser skal forankres i kernebegreber.
Varianterne formerer sigFHIR fik 2.931 profiler på tværs af 125 implementeringsguider, og 80/20-reglen blev til 65/35 (40)Fælles register over moduler med modenhedsstatus, som EU's register for e-fakturavarianter
Det tager længere tid end forventetBankerne halter stadig efter BCBS 239 mere end 10 år efter (19)Trinvis plan, hvor hvert trin giver værdi alene
Migrering overskrider budgettetOver 60 % overskrider tid eller budget (14)Deklarér og oversæt først. Udskift kun ved naturlig fornyelse. Mål kvaliteten før og efter.
Oversættelseslaget bliver permanentLaget er ekstra vedligeholdelse og bør nedlægges efter migrering (32)Udfasning er en del af planen og deklarationen
Små virksomheder kan ikke løfte detKompetencer, viden og tid er de største barrierer (2)25 obligatoriske krav, AI-assisteret udfyldning og leverandørkrav i stedet for egenudvikling

07 · Anbefalinger

Syv anbefalinger til ledelsen

01

Behandl data som et aktiv med en ejer

Udpeg en forretningsansvarlig ejer for hvert af de 5–10 vigtigste datasæt.

02

Kræv en datadeklaration, før en AI-app kommer i drift

Minimumsdeklarationen er 25 punkter. Uden den ingen deling og ingen AI-træning.

03

Byg ikke nye løsninger direkte på gamle databaser

Lad nye apps læse via et fælles lag, der taler kernesprog.

04

Brug indkøb som løftestang

Stil krav om kerneformat, maskinlæsbar eksport og exitplan ved hvert nyt systemkøb, og brug Data Acts skifteret fra 2027.

05

Lav lovmærkningen én gang og centralt

Persondata, opbevaringsfrister og sektorregler skal mærkes i kernen og modulerne, ikke i hver app.

06

Mål datakvaliteten og gør den synlig

Fire dimensioner er nok til at starte, og målingen er også målestokken for migreringer.

07

Gå sammen med andre

Kernen og modulerne har kun værdi, hvis de deles. Brancheorganisationer, Digitaliseringsstyrelsen og leverandører bør tage initiativ til et fælles, åbent register.

08 · Åbne spørgsmål

Det skal afklares

  • Ejerskab: Hvem skal eje og vedligeholde kernen og modulerne? En brancheorganisation, Digitaliseringsstyrelsen eller et nyt fællesskab?
  • Kvalitetsmåling: Skal kvalitetsskalaen være fælles (1–5) eller bygge på målte værdier? EHDS-mærket kan give inspiration.
  • Håndhævelse: Hvordan sikres det teknisk, at apps respekterer deklarationen?
  • Oversættelseslaget: Hvem betaler for det, og hvordan undgår man, at det bliver permanent?
  • Udbud: Kan offentlige udbud bruges til at få leverandører til at understøtte kerneformatet, sådan som Flandern gør med OSLO (24)?

Bilag A

Minimumsdeklarationen

25 obligatoriske punkter, som alle datasæt skal kunne svare på.

1Identifikation

  • ID
  • Navn og beskrivelse
  • Dataejer
  • Teknisk kontakt
  • Version og status
  • Datoer
  • Hvilke kerne- og modulversioner datasættet følger

2Begreber

  • Kernebegreb
  • Feltdefinitioner
  • Enheder

3Struktur

  • Skema
  • Påkrævede felter og nøgler

4Kvalitet

  • Vurdering på fire dimensioner
  • Vurderingsmetode
  • Kendte mangler
  • Opdateringsfrekvens

5Oprindelse

  • Kilde
  • Indsamlingsmetode, herunder om data er AI-genereret

6Fortrolighed

  • Fortrolighedsniveau

7Persondata

  • Indeholder datasættet persondata?

8Lovgrundlag

  • Gældende regelsæt

9Brug

  • Tilladte formål
  • Deling
  • Må data bruges til AI?

10Integration

  • Hvor data registreres (system of record)

Den fulde kravliste med betingede, anbefalede og avancerede krav findes i arbejdsnotatet "Krav til datadeklaration og moduler".

Bilag B

Moduloversigt

ModulIndholdVigtigste regler og standarder
K · KernePart, person, organisation, rolle, lokation, kontakt, identifikatorerGDPR, databeskyttelseslovens § 11 (CPR), EU's kerneordforråd, GS1
M1 · Kunde og salgAftaler, ordrer, henvendelser, samtykkerGDPR, hvidvaskloven (hvis omfattet), forretningshemmeligheder
M2 · ØkonomiKontoplan, posteringer, bilag, fakturaerBogføringsloven, EN 16931/Peppol/OIOUBL, SAF-T
M3 · MedarbejderAnsættelse, løn, fravær, kompetencerGDPR art. 9 (helbred, fagforening), CPR, AI-forordningen bilag III pkt. 4 (højrisiko fra 2. dec. 2027)
M4 · Vare og logistikVarer, lagre, forsendelserGS1 (GTIN, GLN), UBL
M5 · DokumenterDokumenter, sager, opbevaringsreglerISO 15489, ISO 23081
S1 · SundhedPatient, forløb, journalSundhedsloven kap. 9, journalføringsbekendtgørelsen, EHDS, DK Core og MedCom
S2 · FinansKYC, konti, transaktioner, risikodataDORA, BCBS 239, lov om finansiel virksomhed § 117, MiFID II, hvidvaskloven
S3 · Offentlig sektorSager, borgere, myndighederArkivloven og Rigsarkivet, FDA-regler, DCAT-AP-DK
S4 · BæredygtighedESRS-datapunkterCSRD/ESRS
T · AI-datasætTrænings- og testdataAI-forordningen art. 10

Kilder

Kildeliste

  1. Danmarks Statistik, Statistikbanken, tabel ITAV28 "Virksomhedernes brug af kunstig intelligens (10+ ansatte)", private byerhverv, opdateret 15. sep. 2026. Referencetidspunktet er januar det pågældende år. https://www.statistikbanken.dk/ITAV28
  2. Dansk Erhverv, Danske virksomheders brug af kunstig intelligens (AI) i 2025 (feb. 2026). https://www.danskerhverv.dk/politik-og-analyser/analyser/2026/februar/danske-virksomheders-brug--af-kunstig-intelligens-ai-i-2025/
  3. Retool, The Build vs. Buy Shift (2026). https://retool.com/blog/ai-build-vs-buy-report-2026
  4. Gartner, "Gartner Forecasts Worldwide Low-Code Development Technologies Market to Grow 20% in 2023" (pressemeddelelse, 13. dec. 2022). https://www.gartner.com/en/newsroom/press-releases/2022-12-13-gartner-forecasts-worldwide-low-code-development-technologies-market-to-grow-20-percent-in-2023
  5. DORA, State of AI-assisted Software Development 2025: https://services.google.com/fh/files/misc/2025_state_of_ai_assisted_software_development.pdf. InfoQ: https://www.infoq.com/news/2025/09/dora-state-of-ai-in-dev-2025
  6. METR, "Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity" (10. juli 2025): https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/. Opfølgning (24. feb. 2026): https://metr.org/blog/2026-02-24-uplift-update/
  7. Thoughtworks Technology Radar, "AI-accelerated shadow IT". https://www.thoughtworks.com/en-us/radar/techniques/ai-accelerated-shadow-it
  8. Gartner, "Lack of AI-Ready Data Puts AI Projects at Risk" (26. feb. 2025). https://www.gartner.com/en/newsroom/press-releases/2025-02-26-lack-of-ai-ready-data-puts-ai-projects-at-risk
  9. Lovguiden, kategorier af personoplysninger: https://www.lovguiden.dk/loven/rigsadvokatmeddelelsen-afsnittet-databeskyttelse-straffesager/4-1-2-kategorier-af-personoplysninger. Databeskyttelsesloven § 11 (lov nr. 502 af 23/05/2018): https://www.retsinformation.dk/eli/lta/2018/502
  10. Lov om bogføring, lov nr. 700 af 24/05/2022, §§ 12, 14, 15, 16 og 22. https://www.retsinformation.dk/eli/lta/2022/700
  11. Hvidvaskloven § 30, LBK nr. 433 af 17/04/2026. https://www.retsinformation.dk/eli/lta/2026/433
  12. Sundhedsloven kap. 9 (§ 40), LBK nr. 275 af 12/03/2025: https://www.retsinformation.dk/eli/lta/2025/275. Lov om finansiel virksomhed § 117, LBK nr. 432 af 16/04/2026: https://www.retsinformation.dk/eli/lta/2026/432
  13. Forordning (EU) 2024/1689 (AI-forordningen), art. 10 og bilag III, pkt. 4: https://eur-lex.europa.eu/legal-content/DA/TXT/HTML/?uri=CELEX:32024R1689. Udskydelse til 2. december 2027 ved forordning (EU) 2026/1744 (digital omnibus om AI), art. 1: https://eur-lex.europa.eu/legal-content/DA/TXT/HTML/?uri=OJ:L_202601744
  14. Bloor Research om datamigrering. https://www.bloorresearch.com/?p=10700
  15. Data Migration Pro og Experian. https://www.experian.co.uk/blogs/latest-thinking/data-quality/data-migration-pro-research-study/
  16. Digitaliseringsstyrelsen, Fælles sprog for datakvalitet og fællesoffentlige regler for begrebs- og datamodellering: https://arkitektur.digst.dk/metoder/begrebs-og-datametoder/introduktion-til-faellessprog-datakvalitet, https://arkitektur.digst.dk/taxonomy/term/39
  17. ISO/IEC 5259-1:2024. https://committee.iso.org/standard/81088.html
  18. Forordning (EU) 2025/327 (EHDS), art. 78: https://eur-lex.europa.eu/legal-content/DA/TXT/HTML/?uri=CELEX:32025R0327
  19. Baselkomitéen, Principles for effective risk data aggregation and risk reporting (BCBS 239, jan. 2013): https://www.bis.org/publ/bcbs239.htm. ECB, Guide on effective risk data aggregation and risk reporting (maj 2024): https://www.bankingsupervision.europa.eu/ecb/pub/pdf/ssm.supervisory_guides240503_riskreporting.en.pdf
  20. Silverston, The Data Model Resource Book vol. 3 (party role-mønstret). https://www.oreilly.com/library/view/the-data-model/9780470178454/chapter-35.html
  21. EN 16931 og CIUS: European Multi-Stakeholder Forum on e-Invoicing, Recommendation on the use of CIUS (2018): https://ec.europa.eu/digital-building-blocks/sites/download/attachments/62890256/EMSFEI_Recommendations%20on%20the%20use%20of%20CIUS%20_FINAL.pdf. EU's register over CIUS og udvidelser (EINVCOMMUNITY).
  22. FHIR og 80/20-reglen. https://healthintersections.com.au/2013/01/09/fhir-extensions-the-8020-rule-dicom-and-the-long-tail.html
  23. SEMIC Core Vocabularies. https://interoperable-europe.ec.europa.eu/collection/semic-support-centre/core-vocabularies
  24. OSLO, Digitaal Vlaanderen. https://www.vlaanderen.be/digitaal-vlaanderen/onze-diensten-en-platformen/oslo
  25. MedCom Core (bygger på HL7 Danmarks DK Core). https://build.fhir.org/ig/medcomdk/dk-medcom-core
  26. W3C Data Privacy Vocabulary 2.3 og udvidelsen for AI-forordningen. https://w3c.github.io/dpv/2.3/dpv/, https://w3c.github.io/dpv/2.3/legal/eu/aiact/
  27. Microsoft Purview, dansk CPR-nummer. https://learn.microsoft.com/vi-VN/purview/sit-defn-denmark-personal-identification-number
  28. Journalføringsbekendtgørelsen § 35 (BEK nr. 1361 af 24/11/2025). https://www.retsinformation.dk/eli/lta/2025/1361
  29. Forordning (EU) 2022/2554 (DORA), art. 8, stk. 1, og art. 9, stk. 2: https://eur-lex.europa.eu/legal-content/DA/TXT/HTML/?uri=CELEX:32022R2554
  30. Rigsarkivet, anmeldelse og godkendelse af it-systemer. https://www.rigsarkivet.dk/wp-content/uploads/2024/02/Anmeldelse-og-godkendelse-af-it-systemer.pdf
  31. Skemamatch med sprogmodeller: SCHEMORA https://arxiv.org/html/2507.14376v1. arXiv 2604.08552: https://arxiv.org/abs/2604.08552v1
  32. Anti-corruption layer: Microsoft https://learn.microsoft.com/azure/architecture/patterns/anti-corruption-layer. AWS: https://docs.aws.eu/prescriptive-guidance/latest/cloud-design-patterns/acl.html
  33. MDM-stilarter: Profisee. https://profisee.com/blog/master-data-management-implementation-styles/
  34. Forordning (EU) 2023/2854 (Data Act), art. 29, stk. 1: https://eur-lex.europa.eu/legal-content/DA/TXT/HTML/?uri=CELEX:32023R2854
  35. Samlet oversigt over standarderne og deres kilder i arbejdsnotatet "Standarder for databeskrivelse".
  36. SAF-T og e-faktura i Danmark: KPMG. https://kpmg.com/us/en/taxnewsflash/news/2026/03/denmark-latest-work-2026-agenda-digital-bookkeeping-and-e-invoicing.html
  37. Forordning (EU) 2023/2854 (dataforordningen, Data Act), art. 33, stk. 1, litra a og b: https://eur-lex.europa.eu/legal-content/DA/TXT/HTML/?uri=CELEX:32023R2854. Udkast til standard prEN 18235-3: https://genorma.com/en/standards/pren-18235-3-1
  38. Johnston, TDWI (2011): https://tdwi.org/articles/2011/11/01/Integrating-Message-Models.aspx. Information-Driven Business, kap. 7: https://www.oreilly.com/library/view/information-driven-business-how/9780470625774/ch07.html
  39. XBRL og egne mærkninger: XBRL International om SEC/DERA https://www.xbrl.org/news/dera-found-continued-reduction-in-custom-tags/. Ma (afhandling): https://shareok.org/handle/11244/340246
  40. Analyse af 125 FHIR-implementeringsguider, medRxiv 2022. https://www.medrxiv.org/content/10.1101/2022.03.09.22272163v1.full.pdf
  41. Dehghani, "Data Mesh Principles and Logical Architecture", martinfowler.com (3. dec. 2020). https://martinfowler.com/articles/data-mesh-principles.html

Ich möchte Cookies von Google Ads und LinkedIn verwenden, um zu messen, ob meine Anzeigen zu Anmeldungen führen, und um meine Anzeigen auf LinkedIn Personen zu zeigen, die diese Website besucht haben. Das geschieht nur, wenn Sie zustimmen. Mehr dazu in der Datenschutzerklärung.