Artykuły zebrane według problemu, branży i rodzaju systemu.
Mała lokalna wyszukiwarka katalogu pozwala handlowcowi bez dostępu do sieci znaleźć warianty produktu po opisie klienta i pokazać różnice. Działa, gdy na urządzeniu są dane produktów i materiały do sprawdzenia. Najpierw sprawdź, ile rozwiążą nazwy, filtry i aliasy w zwykłym wyszukiwaniu pełnotekstowym.
Mały lokalny model może wychwycić sprzeczność między polem formularza a uwagą klienta, na przykład wybranym odbiorem osobistym i prośbą o kuriera, i przygotować pytanie do klienta. Najpierw sprawdź, czy formularz nie zaprasza do takiej sprzeczności. Aplikacja na lokalnym modelu kosztuje w Syntalith od 12 500 zł netto plus sprzęt GPU. Przy 1 500 zamówieniach z formularza miesięcznie po 4 minut zwraca się w 2,9 miesiąca.
Prywatna aplikacja AI zbiera aktualizacje kilku zespołów w jedno podsumowanie portfela z odsyłaczem do każdego źródła. Zachowuje różnicę między czekaniem na klienta a pracą zespołu i pokazuje każdej roli tylko projekty, do których ma dostęp. Aplikacja na lokalnym modelu kosztuje w Syntalith od 12 500 zł netto plus sprzęt GPU. Przy 400 aktualizacjach projektów miesięcznie po 10 minut zwraca się w 5,2 miesiąca.
Prywatny asystent AI odnajduje w archiwum B+R wcześniejsze próby materiału i pokazuje je z wersją materiału i warunkami badania. Dzięki temu inżynier widzi, że próba w podwyższonej temperaturze dotyczyła wcześniejszej wersji, a dla zmienionej jest tylko próba w temperaturze pokojowej. Aplikacja na lokalnym modelu kosztuje w Syntalith od 12 500 zł netto plus sprzęt GPU. Przy 200 pytaniach o wcześniejsze badania miesięcznie po 30 minut zwraca się w 3,1 miesiąca.
Zespół usługowy, który pracuje z AI na dokumentach kilku klientów, potrzebuje dla każdego klienta przestrzeni z uzgodnioną drogą przetwarzania. Miejsce zapisu pliku to połowa odpowiedzi, bo treść może trafiać do modelu działającego gdzie indziej. Aplikacja kosztuje w Syntalith od 12 500 zł netto i przy 400 pytaniach konsultantów miesięcznie po 15 minut zwraca się w 2,7 miesiąca.
Prywatny asystent AI dla działu płac zbiera przy pytaniu pracownika właściwy pasek i wewnętrzny zapis decyzji i proponuje szkic odpowiedzi. Odpowiedź opisuje to, co wynika z dokumentów, a specjalistka ds. płac sprawdza ją i wysyła. Aplikacja na lokalnym modelu kosztuje w Syntalith od 12 500 zł netto plus sprzęt GPU. Przy 400 pytaniach płacowych miesięcznie po 15 minut zwraca się w 3,1 miesiąca.
Prywatny asystent AI pomaga zespołowi przeglądającemu dokumenty transakcji przygotować pytania do sprzedającego, każde z odsyłaczem do porównywanych dokumentów. Działa tylko na zbiorze, który wolno skopiować z data roomu, i w granicach dostępu recenzenta. Aplikacja na lokalnym modelu kosztuje w Syntalith od 12 500 zł netto plus sprzęt GPU. Przy 300 pytaniach do sprzedającego miesięcznie po 15 minut zwraca się w 4,5 miesiąca.
Przed zakupem lokalnego asystenta dokumentów porównaj jego odpowiedzi na własnych pytaniach: czy wskazuje właściwą wersję źródła, czy przyznaje brak informacji i ile czasu zajmuje sprawdzenie. Aplikacja kosztuje w Syntalith od 12 500 zł netto, a przy 500 pytaniach miesięcznie i serwerze GPU za 214 € zwraca się w 5,2 miesiąca.
Lokalne AI w kancelarii zbiera daty z akt sprawy do chronologii, opisuje, czego dotyczą, i zostawia odnośnik do konkretnej strony. Nieczytelną datę oznacza jako nieustaloną, a jej znaczenie prawne ocenia prawnik. Aplikacja na lokalnym modelu kosztuje w Syntalith od 12 500 zł netto plus sprzęt GPU. Przy 150 chronologiach spraw miesięcznie po 30 minut zwraca się w 4,5 miesiąca.
Lokalny model AI pasuje do poufnych ofert, gdy zasady danych wykluczają obecne narzędzie. Decyzja obejmuje jakość na Twoich dokumentach, dostęp użytkowników, wydajność i odpowiedzialność za utrzymanie, a zakup serwera to tylko jeden z tych elementów. Aplikacja na lokalnym modelu kosztuje w Syntalith od 12 500 zł netto plus sprzęt GPU. Przy 40 ofertach miesięcznie po 120 minut zwraca się w 4,5 miesiąca.
Mały model lokalny rozpoznaje typ dokumentu, na przykład fakturę albo potwierdzenie dostawy, dzieli mieszany PDF na części i kieruje każdą do właściwej kolejki. Kończy pracę przed dekretacją i oceną podatkową. Niepewne strony trafiają do człowieka. Przy 3 000 dokumentach miesięcznie po półtorej minuty aplikacja za 12 500 zł z serwerem GPU zwraca się w 3,5 miesiąca.
Stacja robocza nadaje się do lokalnego AI, gdy jedna osoba planuje pracę sama i akceptuje przerwy. Wspólny serwer rozważasz, gdy zespół potrzebuje dostępu niezależnie od komputera pracownika. Wybór wymaga testu równoczesnych zadań, jakości odpowiedzi i ustalenia, kto utrzymuje usługę.
Model Qwen na własnym serwerze nie zatrzymuje danych sam z siebie: dokument może wyjść przez odczyt tekstu, logi albo narzędzie agenta. Bezpieczne wdrożenie zaczyna się od mapy przepływu, osobnych tożsamości użytkowników i ograniczenia skutków wywołań narzędzi. Aplikacja na lokalnym modelu kosztuje w Syntalith od 12 500 zł netto plus sprzęt GPU. Przy 400 zadaniach z dokumentami miesięcznie po 12 minut zwraca się w 4,1 miesiąca.
OpenCode ma udokumentowaną ścieżkę do lokalnych modeli przez interfejs zgodny z OpenAI. Claude Code oficjalnie nie obsługuje modeli innych niż Claude, więc w naszym teście wymagał emulacji interfejsu Anthropic. Na tym samym długim zadaniu z lokalnym Qwen3.8-27B Qwen Code dostał 100 na 100 punktów w 502 sekundy, a Claude Code przez emulację 98 punktów w 1 732 sekundy.
Codex łączy się z własnym dostawcą modeli przez Responses API, więc działa także z lokalnym Qwen3.8-27B na vLLM. W naszym eksperymencie na RTX 3090 połączenie zadziałało, ale poprawka kodu od Codex dostała 87/100 punktów, a od Qwen Code na tym samym serwerze 100/100. Działające połączenie nie mówi nic o jakości zmian.
Polski asystent wiedzy z RAG znajduje właściwy dokument, sprawdza jego wersję i uprawnienia pracownika, a potem odpowiada z cytatem albo odmawia. Model wybierasz na pełnym zadaniu: w 2026 r. Bielik-11B prowadził w RAG na dokumentacji technicznej, a PLLuM-12B dorównał modelom 70B na polskiej Wikipedii przy 83% mniejszym zużyciu energii.
Lokalnego Qwena nie wdrażasz, gdy w pilotażu zadanie nie kończy się w rozsądnym czasie, małe okno zamienia pracę w wielogodzinną sesję, maksymalne okno podnosi koszt bez poprawy jakości, ukryta kontrola znajduje błąd po zielonych testach albo interfejs nie przechodzi sprawdzenia w przeglądarce.
Kwantyzacja Qwen3.8-27B do Q4, Q5 albo W4A16 pozwala zmieścić model na karcie 24 GB, ale odzyskana pamięć idzie na kontekst. Wybierasz najmniejszy format, który przechodzi test na Twoich zadaniach, bo nasze porównanie zmieniało razem format, silnik i limit kontekstu.
Naprawa tego samego błędu w Go zajęła lokalnemu Qwen3.8-27B 502,14 s na zmodyfikowanym vLLM i 1468,76 s na llama.cpp, z ocenami 100/100 i 98/100. Różnił się cały profil: silnik, format wag, pamięć KV i limit kontekstu, więc wynik wskazuje konfigurację do dalszych prób, bez wyliczania przewagi samego silnika.
Profil Qwen3.8-27B, który sprawdziliśmy na RTX 3090 z 24 GB, używa wag W4A16 AutoRound, pamięci KV FP8, MTP-3, zmodyfikowanego vLLM i kontekstu 150 000 tokenów przy jednym aktywnym żądaniu. Po starcie sprawdzasz proces, model i limit pod adresem API oraz krótką odpowiedź, zanim uruchomisz agenta.
Prywatne modele
Dobieramy sprzęt i model, uruchamiamy go i mierzymy jakość na Twoich przykładach. Możesz zacząć od komputera, który już masz.
Terminy zobaczysz w swojej strefie czasowej.
Zobacz prywatne modeleOpenAI robi ChatGPT, a Anthropic robi Claude. Należymy do programów partnerskich obu firm, więc pracujemy z ich narzędziami na co dzień i uczymy się od samych twórców.
Claude Partner NetworkUdział w programach nie oznacza, że OpenAI albo Anthropic polecają nasze usługi.