Hva betyr ansvarlighet for AI-modeller for juridiske team?
Kort fortalt:
- Ansvarlighet for AI-modeller krever delt ansvar mellom utviklere, implementører og brukere, støttet av konkret dokumentasjon. Det innebærer åpenhet, sporbarhet, forklarbarhet og løpende overvåking for å forhindre skader som skjevhet, hallusinasjoner og personvernbrudd. Juridiske team må kreve verifiserbare bevis, som modellkort og revisjonslogger, for å sikre ansvar og tilbørlig aktsomhet.
Ansvarlighet for AI-modeller betyr at noen kan identifiseres, stilles spørsmål til og holdes ansvarlig for hvordan et AI-system oppfører seg i alle faser av livssyklusen, fra utforming til implementering og videre. Tre ting følger umiddelbart av denne definisjonen:
- Hvem som er ansvarlig: Ansvaret er delt mellom utviklere, implementører og brukere, og er ikke tildelt én enkelt part. NISTs rammeverk for AI-risikostyring og NTIAs veiledning behandler begge dette som en distribuert forpliktelse.
- Hva som viser ansvarlighet: Konkrete bevis, særlig modellkort, Datasheets for Datasets, revisjonslogger og konsekvensutredninger, er dokumentasjonen på at ansvarlighet finnes. Markedsføringspåstander er ikke det.
- Hva du bør gjøre først: Be enhver AI-leverandør eller internt team om dokumentasjon før implementering. Hvis de ikke kan fremlegge et modellkort eller en testrapport, har du fått svaret ditt.
Innholdsfortegnelse
- Hva ansvarlighet faktisk omfatter i et AI-system
- Hvorfor ansvarlighet for AI-modeller er viktig: skadene når det svikter
- Hvem som kan holdes ansvarlig: interessenter og delt ansvar
- Konkrete mekanismer og praksiser som viser ansvarlighet
- Amerikansk juridisk og politisk landskap relevant for AI-ansvarlighet
- Hvordan evaluere en modell, leverandør eller et internt team med hensyn til ansvarlighet
- Hva ansvarlighet for AI-modeller konkret betyr for juridiske team
- Viktigste punkter
- Ansvarlighet er en operasjonell disiplin, ikke en avkrysningsboks for etterlevelse
- Jarel gir juridiske team et praktisk grunnlag for ansvarlighet
- Autoritative kilder og forslag til videre lesning
- Vanlige spørsmål
Hva ansvarlighet faktisk omfatter i et AI-system
Begrepet «ansvarlighet for AI-modeller» brukes løst, så det er nyttig å dele det opp i komponentene som styringsrammeverk faktisk måler. Hver av dem tilsvarer en særskilt styringsforpliktelse.
Åpenhet betyr at systemets formål, treningsdata og kjente begrensninger opplyses om i et klart språk. For en modell for kontraktsgjennomgang betyr det å vite hvilke kontraktstyper den er trent på, og hvilke den ikke er trent på.
Sporbarhet er muligheten til å følge en beslutning eller et resultat tilbake til kilden. I en juridisk arbeidsflyt bør hver markert klausul lenke til den konkrete bestemmelsen eller presedensen som utløste markeringen. Verktøy med fokus på modellopprinnelse og sporbarhet dekker nettopp dette behovet.
Forklarbarhet går ett skritt videre: ikke bare hvor et resultat kom fra, men hvorfor modellen produserte det. En modell for kontraktsgjennomgang som markerer en ansvarsbegrensningsklausul, bør kunne angi begrunnelsen, ikke bare markeringen.
Reviderbarhet betyr at en uavhengig part kan undersøke systemets atferd i etterkant. Revisjonslogger, versjonshistorikk og tilgangsregistre er råmaterialet. Uten dem blir gjennomgang etter en hendelse gjetning.
Overvåking er den løpende praksisen med å følge med på en implementert modell for avvik, forringelse eller uventet atferd. En modell som fungerte godt på fjorårets kontrakter, kan fungere annerledes på nytt regulatorisk språk.
Utbedring omfatter hva som skjer når noe går galt: en dokumentert prosess for å korrigere feil, varsle berørte parter og oppdatere modellen eller sikkerhetsmekanismene.
Menneskelig tilsyn er styringslaget som ligger over alt dette. Noen med myndighet må kunne gripe inn, overstyre eller stenge ned en modell. Automatiserte prosesser uten et menneskelig kontrollpunkt er et ansvarlighetsgap, ikke en effektivitetsgevinst.
Det er verdt å holde ett skille klart: Ansvarlighet på modellnivå omfatter hva grunnmodellen gjør, mens ansvarlighet på applikasjonsnivå omfatter hva en implementør gjør med den. En grunnmodell kan være godt dokumentert og testet, men implementørens promptutforming, forankringsdata eller integrasjonsvalg kan introdusere helt nye risikoer som det opprinnelige modellkortet aldri tok for seg. Begge nivåene trenger styring.
Hvorfor ansvarlighet for AI-modeller er viktig: skadene når det svikter
Ansvarlighetssvikt er ikke teoretisk. Det dukker opp i rettssaler, regulatoriske tiltak og førstesideoppslag.
- Diskriminerende resultater: Modeller som er trent på skjeve historiske data, kan gjenskape og forsterke denne skjevheten innen ansettelser, utlån og juridisk risikoskåring. Uten dokumentasjon av treningsdata og skjevhetstesting finnes det ingen måte å oppdage eller korrigere dette på.
- Hallusinasjoner i juridisk rådgivning: Generative modeller kan produsere selvsikre, plausible og fullstendig oppdiktede sitater. AI-hallusinasjoner i juridiske sammenhenger har allerede ført til sanksjoner mot advokater som leverte prosesskriv generert av AI uten verifisering.
- Personverneksponering: Modeller som er trent på eller behandler sensitive klientdata, kan lekke disse dataene gjennom resultater, finjusteringsartefakter eller utilstrekkelig tilgangskontroll. Mer enn 90 % av organisasjonskommentatorene i NTIAs prosess om AI-ansvarlighet fremhevet databeskyttelse som en sentral bekymring.
- Sikkerhetssvikt: I regulerte bransjer kan et AI-system som gir feil veiledning om en etterlevelsesfrist eller feiltolker en kontraktsklausul, utløse reelle juridiske og økonomiske konsekvenser.
- Konsekvenser for forretningskontinuitet: Når en modell oppdateres uten varsel og resultatene endres, står juridiske team som er avhengige av den, overfor plutselige arbeidsflytsvikt uten en dokumentert mulighet for tilbakeføring.
Federal Trade Commission har tydelig signalisert at villedende eller urimelig AI-praksis faller innenfor etatens eksisterende myndighet. Søksmålsrisiko følger av ansvarlighetsgap: Hvis du ikke kan vise hva en modell gjorde, hvorfor den gjorde det, og hvem som godkjente det, er eksponeringen din under bevisfremleggelse betydelig. AI-risikoprofilen for juridisk praksis er ikke abstrakt; den fører allerede til reelle saker.
Hvem som kan holdes ansvarlig: interessenter og delt ansvar
Ansvarlighet innen AI er ikke én persons oppgave. Microsofts veiledning om delt ansvar fordeler forpliktelser på plattform-, applikasjons- og bruksnivå, og fordelingen endres avhengig av om du bruker et SaaS-produkt, et PaaS-miljø eller bygger på rå infrastruktur.
Slik fordeler ansvaret seg vanligvis gjennom livssyklusen:
- Modellutviklere er ansvarlige for kvaliteten på treningsdataene, arkitekturvalg, skjevhetstesting og nøyaktigheten i modellkortet. Forpliktelsene deres er størst i design- og treningsfasene.
- Implementører (produkteiere, juridiske driftsteam, leverandører) får ansvar for hvordan modellen integreres, hvilke instrukser eller forankringsdata som legges til, hvilke sikkerhetsmekanismer som finnes, og hvordan systemet overvåkes etter lansering. Risiko på applikasjonsnivå er deres ansvar å styre.
- Brukere har ansvar for hvordan de anvender resultatene. En advokat som leverer et prosesskriv generert av AI uten gjennomgang, har ikke overført ansvaret til modellen; reglene om profesjonelt ansvar gjelder fortsatt.
- Tredjepartsrevisorer gir uavhengig verifisering av at systemet oppfører seg slik det er dokumentert. Rollen deres er å lukke gapet mellom leverandørens egenrapportering og faktisk ytelse.
- Regulatorer og styringsorganer fastsetter konsekvensene som gir ansvarlighet reell kraft: håndhevingstiltak, bøter og erstatningsansvar.
En fordeling etter RACI-modellen bidrar til å klargjøre dette i praksis. På designstadiet er utviklerne ansvarlige for gjennomføringen og har det overordnede ansvaret; implementørene konsulteres. Ved implementering blir implementørene ansvarlige for gjennomføringen og får det overordnede ansvaret; brukerne informeres. Ved overvåking og utbedring deler implementører og brukere gjennomføringsansvaret, mens styringsorganene har det overordnede ansvaret for håndheving.
Ansvarsspredning er en anerkjent feilmodus: Når ansvaret spres over for mange verktøy, team og leverandører, føler ingen enkeltaktør seg fullt ut ansvarlig. Løsningen er eksplisitt dokumentasjon av hvem som eier hva i hvert trinn, ikke en generell forpliktelse til «ansvarlig AI».
Konkrete mekanismer og praksiser som viser ansvarlighet
Dokumentasjon er forskjellen mellom påstått ansvarlighet og dokumentert ansvarlighet. NTIA anbefaler åpenhet om modellarkitektur, treningsdata, ytelsesbegrensninger og testresultater i former som passer for den tiltenkte målgruppen. Slik ser det ut i praksis:
- Evalueringsrapporter: — Strukturerte resultater fra referansetesting, inkludert ytelse på grenseverdier og underrepresenterte befolkningsgrupper.
- Red-team-funn: Rapporter fra motstandstesting, der testere aktivt forsøker å bryte modellen eller fremkalle skadelige resultater. Googles livssyklus for AI-ansvar behandler red-teaming som en kjernepraksis både før og etter lansering.
Skillet mellom proaktiv og reaktiv ansvarlighet bør tydeliggjøres:
| Dimensjon | Proaktiv (ex ante) | Reaktiv (ex post) |
|---|---|---|
| Formål | Forhindre skade før implementering | Reagere på skade etter at den har oppstått |
| Typiske bevis | Modellkort, konsekvensutredninger, red-team-rapporter | Hendelseslogger, utbedringsregistre, revisjonsspor |
| Hvem eier det | Utviklere og implementører på design-/teststadiet | Implementører, juridiske team og styringsorganer etter hendelsen |
| Styringsverdi | Reduserer søksmåls- og regulatorisk eksponering | Muliggjør troverdig utbedring og kontinuerlig forbedring |
Profftips: Tredjepartsrevisjoner og reproduserbare testregistre veier betydelig tyngre enn leverandørenes egenvurderinger. Når du evaluerer en leverandør, bør du spesifikt be om funn fra uavhengige evalueringer, ikke sammendrag av intern testing. Tillit som er gjort seg fortjent til, slik NTIA formulerer det, kommer fra verifiserbare bevis, ikke påstander.
Amerikansk juridisk og politisk landskap relevant for AI-ansvarlighet
USA har ennå ikke én enkelt føderal lov om AI-ansvarlighet, men det politiske rammeverket er omfattende og i vekst.
NISTs rammeverk for AI-risikostyring (AI RMF): NIST AI RMF er den grunnleggende tekniske referansen for pålitelig AI i USA. Det organiserer risikostyring i fire funksjoner (styr, kartlegg, mål, håndter) og definerer ansvarlighet som en sentral egenskap ved pålitelig AI. Organisasjoner som følger AI RMF, kan vise en strukturert tilnærming til risiko, noe som er viktig ved innkjøp, rettstvister og regulatorisk gjennomgang.
NTIAs rapport om AI-ansvarlighet: NTIAs rapport fremstiller ansvarlighet som et økosystem bygget på tre innsatsfaktorer: dokumentasjon og opplysninger, uavhengig evaluering (revisjoner, red-teaming) og konsekvenser (erstatningsansvar, regulering). Rapporten oppfordrer uttrykkelig til åpenhet om modellarkitektur, treningsdata, ytelsesbegrensninger og testresultater. Den er den tydeligste uttalelsen fra amerikanske myndigheter om hvordan ansvarlighetsdokumentasjon bør se ut.
President Bidens presidentordre om AI: AI-presidentordren, som ble utstedt i oktober 2023, påla føderale etater å utvikle standarder for AI-sikkerhet og ansvarlighet, fremskyndet NISTs arbeid og krevde at føderale leverandører oppfylte bestemte terskler for dokumentasjon og testing. Den videre effekten på standarder for innkjøp i privat sektor pågår fortsatt.
FTCs håndhevingslinje: FTC har uttalt at eksisterende myndighet innen forbrukerbeskyttelse omfatter villedende AI-praksis. Urimelige eller villedende påstander om AIs egenskaper, uforklarte negative beslutninger som påvirker forbrukere, og personvernbrudd gjennom AI-systemer faller alle innenfor etatens rekkevidde. Dette er ikke hypotetisk; FTC har allerede iverksatt tiltak på nærliggende områder.
Aktivitet på delstatsnivå: Colorado, Illinois og California har hver for seg fremmet AI-spesifikk lovgivning rettet mot høyrisikoautomatiserte beslutninger, med krav til åpenhet og konsekvensutredninger som gjenspeiler NTIAs dokumentasjonsanbefalinger. Åpenhetsforpliktelser under amerikanske rammeverk utvikler seg raskt på delstatsnivå.
For høyrisikoanvendelser, inkludert juridisk rådgivning, helsetjenester og finansielle tjenester, er etterlevelsesbildet jurisdiksjonsspesifikt. Rådfør deg med kvalifisert juridisk rådgiver før du implementerer AI i slike sammenhenger.
Hvordan evaluere en modell, leverandør eller et internt team med hensyn til ansvarlighet
Bruk denne sjekklisten i forespørsler om tilbud, innkjøpsgjennomganger eller interne godkjenninger av implementering. Tilpass hvor omfattende dokumentasjonen må være, basert på risikonivået for bruksområdet.
- Be om modellkortet — Be om gjeldende versjon, inkludert beskrivelse av treningsdata, kjente begrensninger og tiltenkte bruksområder. En leverandør som ikke kan fremlegge dette, er et varselsignal.
For lavrisikobruk (intern skrivehjelp med menneskelig gjennomgang) er et modellkort og en grunnleggende hendelseslogg et rimelig minimum. For middels risikofylt bruk (kontraktsgjennomgang med noe autonom markering) bør du legge til red-team-rapporter og en tredjepartsrevisjon. For høyrisikobruk (regulatoriske innleveringer, juridisk rådgivning, beslutninger som påvirker rettigheter) bør du kreve hele settet: uavhengig evaluering, reproduserbare tester, konsekvensutredning og kontraktsfestede SLA-er for utbedring.
Hva ansvarlighet for AI-modeller konkret betyr for juridiske team
Juridiske fagpersoner møter en versjon av dette spørsmålet som er mer krevende enn for de fleste andre. Reglene om profesjonelt ansvar, særlig kompetanseplikten etter ABA Model Rule 1.1 og tilsynspliktene etter reglene 5.1 og 5.3, krever allerede at advokater forstår verktøyene de bruker og fører tilsyn med arbeidsproduktet disse verktøyene produserer. Bevis på AI-ansvarlighet er ikke bare styringsdokumenter; de er dokumentasjon på profesjonell tilbørlig aktsomhet.
Slik knytter ansvarlighet seg til konkrete juridiske arbeidsflyter:
- Kontraktsgjennomgang: — En kildekoblet modell som viser til den konkrete klausulen eller presedensen bak hver markering, gir den gjennomgående advokaten et verifiserbart grunnlag for vurderingen. En modell som markerer uten kildehenvisning, krever at advokaten verifiserer hvert resultat uavhengig, noe som undergraver effektivitetsargumentet.
- Juridisk research: Dokumentasjon av opprinnelse for en researchmodell bør vise hvilke databaser den er trent på, hvor nylig de ble oppdatert, og hvilke jurisdiksjoner som er godt representert versus tynt dekket. Hallusinerte sitater er en kjent risiko; juridiske sammendrag generert av AI krever samme verifiseringsdisiplin som enhver annen sekundærkilde.
Profesjonelt ansvar ved juridisk research med AI er et aktivt område innen advokatforeningenes veiledning. Flere delstatsadvokatforeninger har utstedt formelle uttalelser som krever at klienter informeres når AI brukes i substansielt arbeid. Bevis på ansvarlighet, særlig modellkort, endringslogger og kildehenvisninger, er de praktiske verktøyene som støtter disse opplysningspliktene.
Dokumentasjonen juridiske team bør prioritere: kildekoblede resultater (ikke bare svar), tilgangskontroller som registrerer hvem som gjennomgikk hva, kontrollpunkter som dokumenterer menneskelig godkjenning, og en leverandørs vilje til å fremlegge uavhengige revisjonsfunn på forespørsel.
Viktigste punkter
Ansvarlighet for AI-modeller er en evidensbasert praksis som gjelder hele livssyklusen: Organisasjonene som kan fremlegge modellkort, revisjonslogger og uavhengige evalueringsrapporter, er de som faktisk har bygget inn ansvarlighet.
| Punkt | Detaljer |
|---|---|
| Grunndefinisjon | Ansvarlighet betyr at noen kan identifiseres og stilles spørsmål til om AI-atferd i alle faser av livssyklusen. |
| Delt ansvar | Utviklere, implementører og brukere har hver sine forpliktelser; ingen enkeltpart eier hele ansvaret. |
| Viktige bevis å kreve | Modellkort, Datasheets for Datasets, red-team-rapporter, revisjonslogger og konsekvensutredninger er minimumssettet av dokumentasjon. |
| Amerikanske politiske forankringer | NIST AI RMF og NTIAs rapport om AI-ansvarlighet definerer dokumentasjons- og evalueringsstandardene som betyr mest. |
| Jarel for juridiske team | Jarel tilbyr kildekoblede resultater, revisjonslogger, tilgangskontroller og kontrollpunkter for gjennomgang som direkte samsvarer med dokumentasjonen for ansvarlighet juridiske team bør kreve fra ethvert AI-verktøy. |
Ansvarlighet er en operasjonell disiplin, ikke en avkrysningsboks for etterlevelse
Det som frustrerer meg mest ved denne tematikken, er å behandle ansvarlighet som noe man oppnår én gang og arkiverer. Et modellkort som ble skrevet ved lansering og aldri oppdatert, er ikke ansvarlighet; det er et utdatert dokument. Organisasjonene som faktisk håndterer AI-risiko godt, behandler ansvarlighet slik et godt advokatfirma behandler saksdokumenthåndtering: kontinuerlig, dokumentert og reviderbar på forespørsel.
Den praktiske konsekvensen er at ansvarlighet krever at noen eier den operasjonelt, ikke bare godkjenner den ved innkjøp. Det betyr en navngitt person som er ansvarlig for overvåking, en fastsatt gjennomgangsplan og en prosess for å oppdatere dokumentasjonen når modellen eller konteksten den brukes i, endres.
Én ting du kan gjøre i dag: Legg inn en forespørsel om modellkort i standardspørreskjemaet eller malen for forespørsler om tilbud til leverandører. Det tar fem minutter å legge til linjen, og svaret forteller deg mer om en leverandørs ansvarlighetsprofil enn alt markedsføringsmateriell til sammen. Hvis leverandøren sender deg et polert én-sides dokument uten en seksjon om begrensninger, bør du be om red-team-funnene. Viljen til å dele lite flatterende dokumentasjon er det egentlige signalet.
Proaktiv ansvarlighet, den typen som bygges inn i design og testing i stedet for å legges til etter en hendelse, reduserer faktisk søksmåls- og regulatorisk eksponering. Det er ikke en teoretisk fordel; det er den direkte konsekvensen av NTIAs modell for ansvarlighetsøkosystemet, der dokumentasjon og uavhengig evaluering fører frem til konsekvenser. Bygg dokumentasjonen først, så blir konsekvensene håndterbare.
Jarel gir juridiske team et praktisk grunnlag for ansvarlighet
Juridiske team som har gått gjennom sjekklisten for ansvarlighet ovenfor, oppdager ofte det samme gapet: AI-verktøyet de evaluerer, produserer resultater, men ikke det verifiserbare sporet som profesjonelt ansvar krever.
Jarel er bygget rundt dette gapet. Alle resultater i Jarel er kildekoblet, noe som betyr at kontraktsklausulen, lovbestemmelsen eller rettspraksisen bak hvert funn er sitert og tilgjengelig for gjennomgang. Revisjonslogger registrerer hvem som gjennomgikk hva og når. Tilgangskontroller oppretter en dokumentert beviskjede for sensitive saker. Kontrollpunkter for gjennomgang krever menneskelig godkjenning før resultater går videre i en arbeidsflyt. For interne juridiske team som gjennomgår kontrakter er disse funksjonene ikke tillegg; de er selve arkitekturen. Hvis du vil se hvordan Jarels funksjoner for arbeidsflyt og kontrollpunkter for gjennomgang samsvarer med teamets krav til ansvarlighet, går produktsidene gjennom hver av dem i detalj.
Autoritative kilder og forslag til videre lesning
- NISTs rammeverk for AI-risikostyring: USAs grunnlag for styring av pålitelig AI. Obligatorisk lesning for produkteiere og etterlevelsesansvarlige som bygger programmer for ansvarlighet.
- NTIAs rapport om AI-ansvarlighet: Den tydeligste uttalelsen fra amerikanske myndigheter om hva ansvarlighetsdokumentasjon bør inneholde. Start her for politisk kontekst.
- NTIAs oversikt over AI-ansvarlighet: Et kortere utgangspunkt til NTIA-rapporten, som dekker forventninger til dokumentasjon og opplysninger. Nyttig for juridiske team som orienterer ledelsen.
- Delt ansvar for AI (Microsoft): Forklarer hvordan ansvar fordeles på SaaS-, PaaS- og IaaS-implementeringer. Obligatorisk lesning for innkjøpsteam som evaluerer leverandørkontrakter.
- Googles oppdatering om AI-ansvar: Beskriver red-teaming, motstandstesting og den helhetlige ansvarslivssyklusen. Nyttig for revisorer og produkteiere.
- Ansvarlighet innen AI: Hva det er og hvordan det fungerer (Springer/AI & Society): Fagfellevurdert konseptuelt rammeverk som skiller mellom proaktiv og reaktiv ansvarlighet. Best for etterlevelsesansvarlige og forskere som ønsker et teoretisk grunnlag.
- OECDs AI-prinsipper: Ansvarlighet: Internasjonale beste praksis-prinsipper for ansvarlighet, åpenhet og tilsyn. Nyttig kontekst for team som opererer på tvers av jurisdiksjoner.
- Ansvarsspredning innen AI (The Decision Lab): Forklarer hvorfor distribuerte AI-systemer skaper ansvarlighetsgap, og hvordan de kan håndteres organisatorisk.
- Kritiske spørsmål om AI-ansvarlighet besvart (Berkeley CMR): Tilgjengelig oversikt over de viktigste ansvarlighetsspørsmålene organisasjoner står overfor i dag. Et godt utgangspunkt for ledere og juridiske direktører.
Vanlige spørsmål
Hva betyr modellansvarlighet innen AI?
Modellansvarlighet betyr at en bestemt person eller organisasjon kan identifiseres, stilles spørsmål til og holdes ansvarlig for en AI-modells atferd og resultater i alle faser av livssyklusen. Det krever dokumenterte bevis, som modellkort, revisjonslogger og testrapporter, ikke bare en generell forpliktelse til ansvarlig AI.
Hvorfor er ansvarlighet et problem i AI-systemer?
Ansvarlighet innen AI er vanskelig fordi ansvaret ofte er fordelt mellom utviklere, implementører og brukere, og ingen enkeltaktør kontrollerer hele systemet. Denne spredningen betyr at det når noe går galt, kan være genuint uklart hvem som kan holdes ansvarlig, og derfor er eksplisitt dokumentasjon og rollefordeling etter RACI-modellen nødvendig.
Hva er prinsippet for AI-ansvarlighet?
Kjerneprinsippet, slik det er formulert av NTIA og OECD, er at AI-systemer skal kunne styres: noen må kunne forklare hva systemet gjør, hvorfor det gjør det, og hva som skjer når det svikter. Dette prinsippet krever proaktiv dokumentasjon og uavhengig evaluering, ikke bare reaktiv hendelseshåndtering.
Hvordan gjelder AI-ansvarlighet for juridiske fagpersoner?
For advokater er AI-ansvarlighet direkte knyttet til pliktene innen profesjonelt ansvar: Kompetanse krever forståelse av verktøyene du bruker, og tilsynsplikter krever verifisering av arbeidsprodukt generert av AI. Kildekoblede resultater, revisjonsspor og modelldokumentasjon er de praktiske bevisene som støtter disse forpliktelsene.