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.
• Delovni materiali pogosto odidejo v zunanje modele brez jasne meje.
• Redko je jasno, kdo vidi podatke, kako dolgo ostanejo in pod kakšnimi izjemami.
• Zunanja inteligenca hitro pomeni tudi zunanjo odvisnost.
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.
• Model teče lokalno; podatki ostanejo v vašem okolju.
• Dostop je določen eksplicitno: po mapah, sistemih, uporabnikih, kanalih in dovoljenih orodjih, brez predpostavke splošnega vpogleda.
• Sistem ostane pregleden, preverljiv in ponovljiv.
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.
NE GRE ZA TO, DA IMAMO NEKAJ ZA SKRIVATI. GRE ZA TO, DA NIMAMO NIČESAR, KAR BI ŽELELI, DA DRUGI VIDIJO.
Nato po potrebi dodam agentski sloj z OpenClawom, Hermes Agentom ali ++, kadar želimo, da sistem ne le odgovarja, temveč tudi izvaja naloge znotraj jasno določenega delovnega okolja. Ne glede na izbrano pot ostaja cilj enak: sistem je lokalen, omejen na odobreno delovno območje ter 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 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.
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.
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.
Realni primeri iz sveta AI agentov
Hover / touch za predvajanje
Vprašanja, ki pomagajo izbrati pravi začetek.
Začnemo z mejo, ne z orodjem. Najprej določimo, kateri
dokumenti so občutljivi, katere mape so dovoljene, kaj se
sme obdelovati lokalno in kaj ne sme zapustiti
nadzorovanega okolja. Šele nato izberemo pravo postavitev:
lokalni računalnik, močnejšo arhitekturo, hibrid ali
začetni pregled delovnega procesa.
Cilj ni, da AI dobi dostop do vsega. Cilj je, da dobi samo
tisto, kar potrebuje za konkreten namen. To je osnovna
razlika med naključno uporabo AI orodij in Zero Knowledge
pristopom.
Punch line: insert punchline here
To je eden najboljših prvih primerov uporabe. Sistem lahko
pomaga pri iskanju po dokumentih, pripravi povzetkov,
izluščenju ključnih točk, primerjavi vsebin, pripravi
osnutkov in oblikovanju strukturiranih poročil.
Ne začnemo z idejo, da mora AI takoj delati vse. Začnemo z
enim jasnim workflowom: mapa PDF dokumentov, povzetek
zapisnikov, analiza pogodb ali pomoč pri osnutkih
odgovorov. Ko en primer deluje, ga lahko razširimo.
Punch line: insert punchline here
Odločimo se glede na nalogo, podatke in tveganje. Če
delate z občutljivimi dokumenti, internimi postopki ali
podatki, ki ne smejo po nepotrebnem zapuščati vašega
okolja, je local-first pristop običajno najbolj smiseln.
Za manj občutljive naloge, raziskavo, ideje ali splošno
pomoč je lahko primeren tudi GPT, Claude ali drugo AI
orodje.
Naša privzeta smer je nadzorovana uporaba AI: pravo orodje
za pravo delo, z jasnimi pravili, kaj gre kam in zakaj.
Punch line: insert punchline here
To je zelo pogost primer. Veliko ekip AI že uporablja,
vendar brez skupnih pravil, brez jasnih meja podatkov in
brez dogovorjenih primerov uporabe. Posledica je, da vsak
dela po svoje, nihče pa ne ve natančno, kaj je varno,
ponovljivo ali zares koristno.
Tukaj pomaga onboarding. Skupaj določimo prve primere
uporabe, osnovna pravila, priporočena orodja, varne navade
in tipične naloge. Cilj ni samo naučiti ljudi uporabljati
AI, ampak iz AI uporabe narediti bolj urejen delovni
proces.
Punch line: insert punchline here
Najboljši prvi primer je tisti, ki je dovolj konkreten,
dovolj pogost in dovolj boleč. Na primer: iskanje po
dokumentih, priprava povzetkov, analiza zapisnikov,
osnutki e-mailov, kontrolni seznami ali strukturiranje
raziskovalnega materiala.
Ne začnemo z velikim AI projektom. Začnemo z enim
resničnim problemom, kjer lahko hitro vidite razliko. Ko
prvi workflow pokaže vrednost, šele nato širimo sistem,
dodajamo nove naloge, agente, podporo ali močnejšo
infrastrukturo.
Punch line: insert punchline here
Začasni daljši odgovor: po namestitvi sledi uvajanje, testiranje prvih nalog, popravljanje navodil in postopno širjenje uporabe. Namen ni samo, da sistem obstaja, ampak da začne pomagati pri realnem delu.
Punch line: insert punchline here
Local-first pomeni, da je osnovna logika sistema
postavljena čim bližje uporabniku: na njegovem
računalniku, v njegovem okolju ali v nadzorovani
infrastrukturi. Podatki niso privzeto poslani v zunanje
sisteme, ampak se najprej določi, kje se smejo obdelovati
in pod kakšnimi pravili.
To ne pomeni, da mora biti vsaka rešitev vedno popolnoma
offline. Pomeni pa, da začnemo pri nadzoru, jasnih mejah
in minimalni nepotrebni izpostavljenosti podatkov.
Punch line: insert punchline here
V kriptografiji zero-knowledge pomeni preverljivost brez
nepotrebnega razkritja. V tem projektu ga uporabljamo kot
operativni princip: sistem naj vidi samo tisto, kar
potrebuje za določeno nalogo, in nič več.
V praksi to pomeni odobrene mape, omejen delovni prostor,
jasna dovoljenja, ločene podatkovne meje in premišljeno
odločitev, katero orodje sme delati s katerimi
informacijami.
Punch line: insert punchline here
Ollama je lokalni modelni sloj — način, da lahko izbrane
AI modele poganjamo lokalno. OpenClaw pa je agentski
oziroma delovni sloj, ki lahko model poveže z nalogami,
orodji, spominom in bolj usmerjenimi workflowi.
Poenostavljeno: Ollama sistemu da lokalne možgane,
OpenClaw pa pomaga, da ti možgani sodelujejo v delovnem
procesu.
Punch line: insert punchline here
Ne. Ollama in OpenClaw sta trenutno smiselna osnova za
local-first zgodbo, vendar projekt ni zaklenjen v eno
orodje. Poznamo tudi druge smeri: Hermes Agent, agentne
runtime-e, GPT, Claude, API-je, lokalne modele, VPS in
hibridne postavitve.
AI se razvija zelo hitro, zato ne gradimo na slepi
zvestobi enemu stacku. Gradimo na principih: nadzor,
podatkovne meje, uporabni workflowi in pravo orodje za
pravo delo.
Punch line: insert punchline here
Mac mini M4 je priporočena začetna postavitev, ker omogoča
čist, cenovno smiseln in dovolj močan začetek. Ni pa
mišljen kot ultimativna postaja za vse scenarije.
Če se pokaže, da potrebujete več moči, več dosegljivosti
ali širšo uporabo, se sistem lahko nadgradi v močnejši
lokalni računalnik, VPS ali hibridno arhitekturo.
Punch line: insert punchline here
Agentov ne razumemo kot magične robote, ampak kot delovne
vloge v procesu. Eden lahko zbira podatke, drugi
analizira, tretji pripravi poročilo, četrti naredi
scenarij ali preveri idejo.
Pri resnem delu človek določi cilj, meje in pravila ter po
potrebi potrdi ključne korake. Cilj ni slepa
avtomatizacija, ampak hitrejši in bolj urejen delovni tok.
Punch line: insert punchline here
Onboarding pomeni, da uporabnik ali ekipa razume, kako AI
uporabljati v praksi. To vključuje prve primere uporabe,
osnovna pravila, varne navade, pripravo nalog, izbiro
pravih orodij in dogovor, kateri podatki spadajo v katero
okolje.
Cilj onboardinga ni predavanje o AI. Cilj je prehod iz
zanimanja v ponovljiv delovni proces.
Punch line: insert punchline here
Da. Podpora je lahko del začetnega paketa ali nadaljnjega
dogovora. Vključuje pomoč pri prvih workflowih, izboljšavi
nastavitev, izbiri orodij, popravljanju navad uporabe in
širjenju sistema, ko se pokažejo nove potrebe.
Nekateri potrebujejo samo začetni zagon. Drugi potrebujejo
več uvajanja, delavnic ali spremljanja. Obseg se določi
glede na realno uporabo.
Punch line: insert punchline here
Da. Delavnice so lahko uvod v AI uporabo, praktični
onboarding za ekipo ali ciljno usmerjen program za
konkretne naloge: delo z dokumenti, raziskava, pisanje,
analiza, varna uporaba AI orodij ali priprava internih
pravil.
Najboljše delavnice niso splošne. Najboljše so tiste, ki
izhajajo iz vaših realnih nalog.
Punch line: insert punchline here
Da. Naša osnovna smer ostaja local-first, open-source in
Zero Knowledge, kadar so pomembni nadzor, zasebnost in
občutljivi podatki. Vendar uporabnika ne zapiramo v en sam
sistem.
Če je za konkretno delo bolj smiseln GPT, Claude, API ali
drugo orodje, lahko pomagamo tudi tam: pri uporabi,
pravilih, promptih, varnih navadah in izbiri, kaj je
primerno za kateri tip podatkov.
Punch line: insert punchline here
Ker se obseg zelo razlikuje. Nekdo potrebuje samo začetno
postavitev in kratek onboarding. Drugi potrebuje močnejšo
infrastrukturo, hibridno postavitev, delavnice za ekipo,
ongoing support ali pomoč pri več workflowih.
Zato je prvi korak kratek pregled potreb. Šele potem se
določi realen obseg dela in smiseln predlog nadaljevanja.
Punch line: insert punchline here
Najprej dobite kratek odgovor z nekaj vprašanji: kaj
želite doseči, s kakšnimi podatki delate, ali gre za
posameznika ali ekipo, koliko so podatki občutljivi in ali
vas bolj zanima lokalna postavitev, hibrid, onboarding ali
delavnica.
Na podlagi tega pripravimo smiseln naslednji korak. Ni
nujno, da začnemo z velikim projektom. Cilj prvega
kontakta ni prodati največji paket, ampak ugotoviti,
kateri prvi korak ima največ smisla.
Punch line: insert punchline here
KONCEPT: Ne vsemu. Nihče resen ne more pošteno trditi, da sledi vsemu. AI se razvija izjemno hitro: modeli, agenti, video, glas, lokalni runtime-i, API-ji, avtomatizacija. Zato je bolj zdravo graditi na principih kot na enem trendu: podatkovne meje, nadzor, uporabni workflowi, testiranje in sprotno učenje.
Punch line: insert punchline here
KONCEPT: Del trga je hype, del pa je resna sprememba načina dela. Mimetično gledano ljudje pogosto posnemamo signale drugih: če vsi govorijo o AI, začnejo vsi govoriti o AI. Nevarnost je, da posnemanje zamenja razumevanje. Naš odgovor: manj hype-a, več konkretnih problemov, pravil in workflowov.
Punch line: insert punchline here
KONCEPT: Ne. In to je del poštenega odgovora. Boljši stavek: vemo dovolj, da začnemo iz prave strani, hkrati pa vemo, da se moramo stalno učiti. 'Vem, da ničesar ne vem' tukaj ni poza, ampak dobra drža v svetu, kjer se orodja spreminjajo hitreje kot navade ljudi.
Punch line: insert punchline here
KONCEPT: Prav zato. Ni treba začeti z velikim AI sistemom. Začneš z enim realnim problemom, enim workflowom, eno mapo dokumentov ali eno ekipo. Orodja se bodo spreminjala, vendar sposobnost pravilne uporabe AI postaja nova delovna pismenost. Treba je začeti dovolj majhno, da se lahko učiš hitro.
Punch line: insert punchline here
KONCEPT: Znanje samo po sebi še ni modrost. Informacija postane znanje, znanje pa postane modrost šele, ko ga uporabiš v praksi. Zaključni hook: Knowledge applied becomes wisdom. Zero Knowledge, max wisdom. Manj nepotrebnega razkritja, več uporabnega razumevanja, boljše delo.
Punch line: insert punchline here
Začasni daljši odgovor: pravi naslednji korak izberemo glede na trenutno stanje, tip dela, količino dokumentov, občutljivost podatkov in pripravljenost ekipe. Zato je pred prodajo pomemben kratek diagnostični pogovor.
Punch line: insert punchline here
Tukaj bo kasneje pravi obrazec. Zdaj je samo blok, da si lažje predstavljaš flow strani.
Podjetje / panoga
Kaj imate že zdaj?
Kaj želite doseči?
ZNANJE POSTANE MODROST ŠELE, KO GA IMPLEMENTIRAMO, PREIZKUSIMO IN UPORABIMO V REALNEM DELU. MANJ NEPOTREBNEGA RAZKRITJA, VEČ UPORABNEGA RAZUMEVANJA — ZERO KNOWLEDGE, MAX WISDOM.