Saksbehandlingen i plan- og bygningsetaten i norske kommuner er preget av å være treg og manuell.

Slik løser du det

Vi anbefaler bruk av LLM-er (Large Language Models) og RAG (Retrieval-Augmented Generation) for å generere utkast til vedtakstekst i løpet av få minutter etter at en sak er mottatt. Dette kan kutte behandlingstiden dramatisk, samtidig som saksbehandleren beholder full kontroll over det endelige vedtaket. La oss forklare teknologien på en enkel måte. En LLM (Large Language Model) er en språkmodell trent på store mengder tekst, som kan forstå og skrive naturlig språk - som ChatGPT. Problemet er at en ren LLM ikke kjenner til akkurat din kommunes regelverk, og den kan finne på å «dikte» (det vi kaller hallusinering). Her kommer RAG (Retrieval-Augmented Generation) inn: metoden henter først frem de relevante kildene - plan- og bygningsloven, kommuneplanen, reguleringsbestemmelser og tidligere vedtak - og lar deretter modellen skrive utkastet basert på nettopp disse dokumentene. Resultatet blir et utkast forankret i faktisk lovverk, med henvisninger man kan etterprøve. Konkret bygger du dette ved å samle kommunens dokumenter i en database, gjøre dem søkbare gjennom såkalte embeddings (en måte å representere tekst som tall slik at maskinen finner det som ligner mest på spørsmålet), og koble en LLM på toppen. Når en ny byggesak kommer inn, henter systemet relevante regler og produserer et førsteutkast som saksbehandleren leser, retter og godkjenner. Den viktigste fallgruven å unngå er å la KI-en fatte vedtak alene - forvaltningsloven krever forsvarlig og etterprøvbar saksbehandling, så mennesket må alltid ha siste ord. Tenk også på personvern (GDPR) når saker inneholder personopplysninger. Et godt råd er å starte med én sakstype hos én pilotkommune for å vise effekten før dere ruller det bredt ut. Spark* hjelper deg gjerne med å finne en kommune å teste hos.