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.
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).
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.
Hvordan høster vi gevinsten ved billig software uden at skabe datakaos?
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.
Datadeklaration
Følger data som en varedeklaration: hvad de betyder, hvor gode de er, hvor de kommer fra, og hvilke regler der gælder.
Kerne og moduler
En lille fælles kerne (personer, organisationer, roller, lokationer) med moduler for kunder, økonomi, medarbejdere, varer og sektorer.
Lov bygget ind
Lovmærkning sker én gang i kernen og modulerne, så alle nye apps arver den.
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.
- 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.
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.
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).
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).
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.
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
Hvordan kan virksomheder udnytte, at AI gør det billigt at bygge egne systemer til at indsamle, gemme, analysere og præsentere data, uden at data bliver fragmenterede, upålidelige og ulovlige, og uden at skulle udskifte alt på én gang?
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:
| Spørgsmål | Eksempel |
|---|---|
| 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:
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).
Compliance bliver en egenskab ved data og ikke et projekt i hver app.
4.4 En gradvis overgang
Vi foreslår ikke, at virksomheder skal udskifte deres systemer. Vi foreslår en rækkefølge:
Forankr
Ledelsen udpeger dataejere og vælger de vigtigste datasæt.
Deklarér, hvor data ligger
Lav et datakatalog uden at røre systemerne. AI kan foreslå kortlægning og persondatamærkning, men et menneske skal godkende (31).
Byg nyt mod kernen
Så nye løsninger ikke skaber ny gæld.
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).
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 mesh | I dette forslag |
|---|---|
| Domænerne ejer deres data | Dataejere for de vigtigste datasæt (trin 1) |
| Data som produkt | Datadeklarationen (4.1). Datakontraktstandarden ODCS kommer fra samme miljø (35). |
| Selvbetjeningsplatform | Oversættelseslaget, som nye apps læser igennem (trin 3–4) |
| Fødereret styring med fælles standarder | Den 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
| Risiko | Erfaring | Hvordan forslaget håndterer det |
|---|---|---|
| Den store fælles datamodel strander | Virksomhedsdækkende 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 sig | FHIR 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 forventet | Bankerne halter stadig efter BCBS 239 mere end 10 år efter (19) | Trinvis plan, hvor hvert trin giver værdi alene |
| Migrering overskrider budgettet | Over 60 % overskrider tid eller budget (14) | Deklarér og oversæt først. Udskift kun ved naturlig fornyelse. Mål kvaliteten før og efter. |
| Oversættelseslaget bliver permanent | Laget er ekstra vedligeholdelse og bør nedlægges efter migrering (32) | Udfasning er en del af planen og deklarationen |
| Små virksomheder kan ikke løfte det | Kompetencer, 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
Behandl data som et aktiv med en ejer
Udpeg en forretningsansvarlig ejer for hvert af de 5–10 vigtigste datasæt.
Kræv en datadeklaration, før en AI-app kommer i drift
Minimumsdeklarationen er 25 punkter. Uden den ingen deling og ingen AI-træning.
Byg ikke nye løsninger direkte på gamle databaser
Lad nye apps læse via et fælles lag, der taler kernesprog.
Brug indkøb som løftestang
Stil krav om kerneformat, maskinlæsbar eksport og exitplan ved hvert nyt systemkøb, og brug Data Acts skifteret fra 2027.
Lav lovmærkningen én gang og centralt
Persondata, opbevaringsfrister og sektorregler skal mærkes i kernen og modulerne, ikke i hver app.
Mål datakvaliteten og gør den synlig
Fire dimensioner er nok til at starte, og målingen er også målestokken for migreringer.
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
| Modul | Indhold | Vigtigste regler og standarder |
|---|---|---|
| K · Kerne | Part, person, organisation, rolle, lokation, kontakt, identifikatorer | GDPR, databeskyttelseslovens § 11 (CPR), EU's kerneordforråd, GS1 |
| M1 · Kunde og salg | Aftaler, ordrer, henvendelser, samtykker | GDPR, hvidvaskloven (hvis omfattet), forretningshemmeligheder |
| M2 · Økonomi | Kontoplan, posteringer, bilag, fakturaer | Bogføringsloven, EN 16931/Peppol/OIOUBL, SAF-T |
| M3 · Medarbejder | Ansættelse, løn, fravær, kompetencer | GDPR art. 9 (helbred, fagforening), CPR, AI-forordningen bilag III pkt. 4 (højrisiko fra 2. dec. 2027) |
| M4 · Vare og logistik | Varer, lagre, forsendelser | GS1 (GTIN, GLN), UBL |
| M5 · Dokumenter | Dokumenter, sager, opbevaringsregler | ISO 15489, ISO 23081 |
| S1 · Sundhed | Patient, forløb, journal | Sundhedsloven kap. 9, journalføringsbekendtgørelsen, EHDS, DK Core og MedCom |
| S2 · Finans | KYC, konti, transaktioner, risikodata | DORA, BCBS 239, lov om finansiel virksomhed § 117, MiFID II, hvidvaskloven |
| S3 · Offentlig sektor | Sager, borgere, myndigheder | Arkivloven og Rigsarkivet, FDA-regler, DCAT-AP-DK |
| S4 · Bæredygtighed | ESRS-datapunkter | CSRD/ESRS |
| T · AI-datasæt | Trænings- og testdata | AI-forordningen art. 10 |
Kilder
Kildeliste
- 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
- 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/
- Retool, The Build vs. Buy Shift (2026). https://retool.com/blog/ai-build-vs-buy-report-2026
- 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
- 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
- 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/
- Thoughtworks Technology Radar, "AI-accelerated shadow IT". https://www.thoughtworks.com/en-us/radar/techniques/ai-accelerated-shadow-it
- 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
- 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
- Lov om bogføring, lov nr. 700 af 24/05/2022, §§ 12, 14, 15, 16 og 22. https://www.retsinformation.dk/eli/lta/2022/700
- Hvidvaskloven § 30, LBK nr. 433 af 17/04/2026. https://www.retsinformation.dk/eli/lta/2026/433
- 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
- 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
- Bloor Research om datamigrering. https://www.bloorresearch.com/?p=10700
- Data Migration Pro og Experian. https://www.experian.co.uk/blogs/latest-thinking/data-quality/data-migration-pro-research-study/
- 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
- ISO/IEC 5259-1:2024. https://committee.iso.org/standard/81088.html
- Forordning (EU) 2025/327 (EHDS), art. 78: https://eur-lex.europa.eu/legal-content/DA/TXT/HTML/?uri=CELEX:32025R0327
- 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
- Silverston, The Data Model Resource Book vol. 3 (party role-mønstret). https://www.oreilly.com/library/view/the-data-model/9780470178454/chapter-35.html
- 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).
- FHIR og 80/20-reglen. https://healthintersections.com.au/2013/01/09/fhir-extensions-the-8020-rule-dicom-and-the-long-tail.html
- SEMIC Core Vocabularies. https://interoperable-europe.ec.europa.eu/collection/semic-support-centre/core-vocabularies
- OSLO, Digitaal Vlaanderen. https://www.vlaanderen.be/digitaal-vlaanderen/onze-diensten-en-platformen/oslo
- MedCom Core (bygger på HL7 Danmarks DK Core). https://build.fhir.org/ig/medcomdk/dk-medcom-core
- 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/
- Microsoft Purview, dansk CPR-nummer. https://learn.microsoft.com/vi-VN/purview/sit-defn-denmark-personal-identification-number
- Journalføringsbekendtgørelsen § 35 (BEK nr. 1361 af 24/11/2025). https://www.retsinformation.dk/eli/lta/2025/1361
- 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
- Rigsarkivet, anmeldelse og godkendelse af it-systemer. https://www.rigsarkivet.dk/wp-content/uploads/2024/02/Anmeldelse-og-godkendelse-af-it-systemer.pdf
- Skemamatch med sprogmodeller: SCHEMORA https://arxiv.org/html/2507.14376v1. arXiv 2604.08552: https://arxiv.org/abs/2604.08552v1
- 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
- MDM-stilarter: Profisee. https://profisee.com/blog/master-data-management-implementation-styles/
- Forordning (EU) 2023/2854 (Data Act), art. 29, stk. 1: https://eur-lex.europa.eu/legal-content/DA/TXT/HTML/?uri=CELEX:32023R2854
- Samlet oversigt over standarderne og deres kilder i arbejdsnotatet "Standarder for databeskrivelse".
- 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
- 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
- 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
- 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
- Analyse af 125 FHIR-implementeringsguider, medRxiv 2022. https://www.medrxiv.org/content/10.1101/2022.03.09.22272163v1.full.pdf
- Dehghani, "Data Mesh Principles and Logical Architecture", martinfowler.com (3. dec. 2020). https://martinfowler.com/articles/data-mesh-principles.html