Lokalni AI sistem za delo z dokumenti, analizo podatkov in avtomatizacijo postopkov. Podatki ostanejo pri vas, sistem pa deluje pod vašimi pravili, brez odtekanja podatkov v zunanje sisteme.
Zero-knowledge proof je kriptografski princip, ki pomeni, da lahko nekaj preveriš, ne da bi moral videti samo vsebino. Bistvo je preverljivost brez nepotrebnega razkritja.
V AI kontekstu zero knowledge pomeni da dobimo drugačen tip asistenta: ne takega, ki ve vse, ampak takega, ki ve samo to, kar mu dovolimo. Lokalni modeli, sandbox okolje, eksplicitna dovoljenja in minimalna izpostavljenost podatkov tvorijo osnovo suverenega AI sistema.
ZKAI je praktična implementacija tega principa v obliki lokalnega ali hibridnega agentskega sistema. Agent deluje nad odobrenimi datotekami, v open-source skladu, z ločenim delovnim območjem, preglednimi pravili in možnostjo, da sistem kadarkoli ustavite, preverite ali nadgradite. Cilj ni samo AI funkcionalnost, temveč operativna suverenost.
a) Delovni materiali pogosto odidejo v zunanje modele brez jasne meje.
b) Redko je jasno, kdo vidi podatke, kako dolgo ostanejo in pod kakšnimi izjemami.
c) Zunanja inteligenca hitro pomeni tudi zunanjo odvisnost.
Minimalno spredaj • konkretno zadaj
Težava ni samo v tem, da podatki odidejo, ampak da uporabnik skoraj nikoli ne dobi dovolj natančne slike, kaj se s temi podatki dogaja po oddaji.
še ni določeno, bom uredil ročno.
Whitepaper • formalno • preverljivo
a) Model teče lokalno; podatki ostanejo v vašem okolju.
b) Dostop je določen eksplicitno: po mapah, sistemih, uporabnikih, kanalih in dovoljenih orodjih, brez predpostavke splošnega vpogleda.
Sistem ostane pregleden, preverljiv in ponovljiv
Minimalno spredaj • konkretno zadaj
Rešitev temelji na treh pravilih: lokalna obdelava, najmanjše potrebne pravice dostopa in ničelno zaupanje do nepotrebnih zunanjih tokov.
Open-source sklad, sandbox pristop in ločeno delovno območje omogočajo, da agent dela z vašimi viri pod vašimi pravili — ne kot kanal za tuje učenje, ampak kot infrastruktura za vaše delo.
Whitepaper • formalno • preverljivo
Po potrebi z Ollama modelnim slojem, po potrebi brez njega. Bistvo je isto: sistem ostane lokalen, omejen na odobreno delovno območje in nastavljen tako, da je uporaben, pregleden in pod vašim nadzorom.
Ollama je motor odprtih modelov: teče lokalno, hitro se vklopi v delovni tok in postavi osnovo za AI, ki ni vezan na tuji oblak. Vašemu sistemu da lokalne možgane.
V praksi je Ollama najčistejši odgovor na vprašanje, od kod pride lokalna inteligenca. Modeli tečejo pri vas, ne v tujem ozadju, zato lahko naprej gradite bolj suveren sistem. Ni agent. Je modelni motor, ki sistemu da lokalno inteligenco in odprto osnovo za nadaljnje gradnje.
OpenClaw je del sistema, ki iz modela naredi uporabnega pomočnika: organizira pogovor, poveže orodja in poskrbi, da AI ne ostane le pri odgovoru, ampak pride do akcije. AI asistent, ki dejansko opravlja naloge.
Če je Ollama motor modela, je OpenClaw izvajalec. Prav tu AI prestopi iz 'pametnega odgovora' v nekaj bolj uporabnega: v delovni sistem, ki zna držati kontekst, uporabiti orodje in vrniti rezultat. Navodila spremeni v usmerjen delovni cikel z memory, orodji in akcijo.
To ni samo AI chat. To je VAŠ sistem za delo, raziskavo in gradnjo naprej. Zero Knowledge v tem projektu pomeni operativno suverenost: lokalni modeli, agentski runtime, omejena dovoljenja, ločeno delovno območje in pregledna pravila. Uporabnost brez nepotrebnega razkritja je srce celotnega sistema.
Zero Knowledge tu ni slogan, ampak arhitektura. V praksi to pomeni, da uporabnik ne kupi enega programa, ampak delovno infrastrukturo: Ollama kot modelni sloj, OpenClaw kot agentski runtime in Zero Knowledge kot operativni princip, ki določa meje sistema. Rezultat ni le AI chat, ampak suveren pomočnik za resno delo.
Ne dobite samo AI orodja, ampak delujoč lokalni sistem za hitrejšo obdelavo informacij, pripravo osnutkov in bolj disciplinirano delo. Prilagojen je vašim dokumentom, postopkom, ekipi in pravilom uporabe, z jasno omejenim delovnim območjem in predvidljivim vedenjem.
lokalni kontekst → agent → uporaben izhod
dovoljenja → proces → stabilen sistem
Minimalno spredaj • konkretno zadaj
Če je internet dolgo zbiral naše navade, AI zdaj počasi zbira še naš miselni material. Vprašanje ni več samo, kaj klikamo, ampak kaj razmišljamo, kaj pišemo, kaj raziskujemo in komu vse to prepuščamo.
Že leta živimo v digitalnem okolju, kjer je privzeti model preveč odprt, premalo zaseben in pogosto poslovno zgrajen prav na zbiranju podatkov. Velik del sodobnega interneta temelji na predpostavki, da je uporabnik hkrati vir informacij in produkt. Ravno zato so ideje, kot so end-to-end šifriranje, uporaba VPN-jev, zero-knowledge proofs in sorodni kriptografski preskoki, tako pomembne: pokazale so, da je mogoče prenašati zaupanje, preverjati stanje in graditi sisteme brez nepotrebnega razkritja vsebine. Problem torej ni samo v tehnologiji, ampak v privzetem modelu, kjer preveč stvari odteka ven, še preden se uporabnik tega zares zave.
Če je internet dolgo pobiral naše navade, veliki AI sistemi zdaj pobirajo še način, kako mislimo. V njihove chate ne oddajamo več samo vprašanj, ampak dele svojega notranjega dela: osnutke, strategije, občutljive informacije, raziskavo in logiko odločanja. In prav tu postane problem resen — ne zato, ker je vsak model zlonameren, ampak ker je centralizirani model zgrajen tako, da uporabnik prepogosto odpre preveč svojega sveta sistemom, ki niso njegovi.
Rešitev temelji na open-source in local-first arhitekturi. Ollama predstavlja lokalni modelni sloj za poganjanje odprtih modelov, OpenClaw pa agentski runtime, ki nad tem slojem organizira delovni kontekst, orodja in izvrševanje nalog. Skupaj omogočata sistem, v katerem se dokumenti, osnutki, raziskovalni materiali in občutljive informacije obdelujejo na uporabnikovem računalniku ali v strogo nadzorovanem okolju, z eksplicitnimi dovoljenji, ločenim delovnim območjem in brez privzetega odtekanja podatkov v centralizirane AI storitve. Za zahtevnejše scenarije se lahko arhitektura dodatno utrdi tudi z bolj strogo sandbox logiko ali hardening smermi, kot je NemoClaw.
kontrola • predvidljivost • zasebnost
Priporočena fizična osnova za lokalni AI sistem
Mac mini M4 je priporočena fizična osnova za local-first AI sistem: dovolj zmogljiv za lokalne modele, tih za neprekinjeno uporabo in primeren za stabilno delovno postavitev v pisarni ali domačem okolju.
Stabilna osnova
Pripravljeno za delo
Kalibrirano za uporabo
Mac mini M4 je pa za veliko primerov najbolj smiseln začetek. Omogoča, da sistem postavite pravilno, ga preizkusite na svojih realnih problemih in šele potem odločite, ali je že dovolj ali je čas za več.
Tak sistem je mogoče postaviti zelo praktično: Mac mini stoji kot ločen AI node, zunanji disk drži modele in delovne materiale, sistem pa iz odobrenih dokumentov pripravlja povzetke, osnutke, analize in druge uporabne izhode. Tako hitro vidite, kaj local-first sistem pomeni v realnem delu in katere naloge vam lahko začne prevzemati že na prvi postavitvi.
še ni določeno, bom uredil ročno.
Za scenarije, kjer začetna postavitev ni več dovolj in je potreben večji obseg, več zmogljivosti ali več operativne dosegljivosti
Naslednji nivo local-first postavitve: močnejši fizični računalniki, VPS ali hibridne arhitekture za scenarije, kjer je potreben večji obseg dela, več procesne zmogljivosti, večja operativna dosegljivost ali širitev osnovnega pilotnega sistema.
Močnejša postavitev
Širša uporaba
Naslednji nivo
To ni prvi korak, ampak naslednja stopnja. Ko osnovni sistem pokaže vrednost, ta pot odpre več moči, več stabilnosti in več prostora za širitev.
Ta pot je namenjena uporabnikom, ekipam ali scenarijem, kjer je osnovni pilot že pokazal vrednost, zdaj pa je potrebna močnejša, bolj stabilna ali bolj dosegljiva postavitev. Konkretna pridobitev ni samo več zmogljivosti, temveč več operativne rezerve, več prostora za širitev in bolj resen temelj za nadaljnjo uporabo ali nadaljnjo avtomatizacijo.
še ni določeno, bom uredil ročno.
Za scenarije, kjer ni dovolj samo namestiti sistema, ampak ga je treba razumeti, pravilno uporabljati in postopno vpeljati v delo
Ta kartica predstavlja adoption layer projekta: install, onboarding, practical AI enablement, team AI literacy, implementation support, delavnice in ongoing support za posameznike ali ekipe, ki želijo AI pravilno vključiti v delo.
Praktični začetek
Smiselna uporaba
Prava orodja
Po instalaciji se pravo delo šele začne. Ta kartica pokriva uvajanje, podporo in pomoč pri tem, da AI začne delati smiselno.
Najprej postavimo osnovo. Potem naredimo onboarding. Nato skupaj odpremo prve naloge, popravimo napake, izberemo prava orodja in šele potem sistem postane resnično uporaben del dela.
še ni določeno, bom uredil ročno.
Pilotna mnenja (besedila bomo dopolnili z realnimi primeri)
Hover / touch za predvajanje
Pogosta vprašanja
Tukaj bo kasneje pravi obrazec. Zdaj je samo blok, da si lažje predstavljaš flow strani.
Podjetje / panoga
Kaj imate že zdaj?
Kaj želite doseči?