O czym jest ten film
- Można uruchomić model AI lokalnie, bez połączenia z internetem, i pozwolić mu przeczytać dokument, którego nigdy nie chciałbyś wysłać do chmury.
- Autor demonstruje to na przykładzie fałszywej umowy naszpikowanej danymi wrażliwymi (ceny, prognoza przychodów, klucz API, materiały objęte tajemnicą adwokacką, dane osobowe).
- Model po odcięciu Wi-Fi poprawnie wykrył i zamaskował dane wrażliwe, a przy tym nie oznaczył jako „bezpiecznej” sekcji, której nie dało się odczytać.
- Narzędzie to LM Studio plus pobrany model GPT-OSS Safeguard 20B; instrukcja zapisana jako preset (autor nazywa go „skillem”).
- Kontekst biznesowy: Microsoft buduje na tej samej idei ogromny biznes — bezpieczne, wyspecjalizowane modele dla firm.
- Przykłady wdrożeń: Discovery Bank (pięć dostrojonych modeli, szybsze odpowiedzi) oraz Bayer (etykiety produktów rolnych analizowane w sekundy zamiast godzin).
- Przestroga na temat wycieków: narzędzie Grok build wysłało cały repozytorium, mimo że użytkownik wyraźnie zabronił otwierania plików — „zdrowy rozsądek” w instrukcjach nie wystarcza.
- Microsoft używa techniki LoRA (dostrajanie części parametrów) w bezpiecznych instancjach Azure, gdzie dane nigdy nie opuszczają firmy.
- Istnieją opcje pośrednie: mniejsze firmy mogą korzystać z bezpiecznego wdrożenia modelu open weights w Azure bez pełnego, kosztownego fine-tuningu.
- Ostrzeżenie: „darmowe” i „open source” nie oznacza łatwej ucieczki od zależności — wybór dostawcy (np. Microsoftu) to decyzja strategiczna.
Redakcyjne tłumaczenie
Laptop bez internetu, który wciąż ma AI
Laptop, który zaraz wam pokażę, nie ma połączenia z internetem, a mimo to działa na nim AI. Pobrany model właśnie przeczytał umowę. Znalazł w niej materiały poufne, które nie powinny trafić do żadnej chmurowej AI. Zamaskował wszystkie te prywatne informacje i odmówił uznania za „bezpieczne” tego, czego nie dało się odczytać.
Za kilka minut pokażę całą procedurę. Ale najpierw chcę wyjaśnić, dlaczego Microsoft uważa, że z tego drobnego pomysłu wyrasta ogromny biznes.
Masz umowę. Masz dokument Worda. Może masz plik klienta, w którym chciałbyś, żeby AI ci pomogła — i zatrzymujesz się, bo nie wiesz, gdzie ten plik trafi po wysłaniu. Albo wiesz i właśnie dlatego nie chcesz go tam wysyłać. Duże firmy wydają realne, poważne pieniądze, by rozwiązać dokładnie ten problem. Dziś pokażę, jak możesz rozwiązać go samodzielnie, bez wydawania fortuny.
Jak robią to wielkie firmy: banki i medycyna
Banki są tu oczywistym przykładem. Discovery Bank dostroił pięć wariantów modeli na bazie dwóch mniejszych modeli źródłowych Microsoftu, do różnych funkcji w firmie operujących na informacjach poufnych. Chodzi o specyficzny dla firmy język finansowy, formaty SQL, własne szablony i tym podobne. To rozwiązanie było nie tylko bezpieczniejsze — Discovery podkreśla, że było też szybsze i przyjemniejsze w pracy. Średni czas odpowiedzi ich nowych, dostrojonych modeli on-premise spadł z pięciu–sześciu sekund do półtorej–dwóch.
Bayer, firma medyczna, nauczył mały model własnych, zastrzeżonych danych o etykietach produktów rolnych oraz własnych reguł regulacyjnych, żeby nie musieć wysyłać żadnych poufnych informacji do chmury. Wcześniej doradcy spędzali godziny, a czasem dni, przedzierając się przez etykiety liczące ponad sto stron. Teraz podobno robi się to w niespełna 30 sekund.
(Informacja dodatkowa: „on-premise” oznacza uruchamianie oprogramowania na infrastrukturze będącej pod kontrolą samej firmy, a nie na współdzielonych serwerach zewnętrznego dostawcy.)
Oba te systemy działają w Azure — nie na serwerze wewnątrz budynku klienta, ale w miejscu, które kontroluje wyłącznie klient. Wrócę jeszcze do tego, co dokładnie Microsoft chroni wewnątrz tej granicy, a co pozostaje obsługiwane przez Microsoft, bo to istotne rozróżnienie. Ostatecznie właśnie w tę stronę idzie znaczna część firmowej AI: nie jeden chatbot, który cudownie zna całą firmę, lecz specjaliści, z których każdy zna jedno ważne zadanie i może działać wewnątrz dowolnej granicy, jaką firma zechce wokół modelu zbudować.
Dlaczego air gapping, a nie „zdrowy rozsądek”
Zanim pokażę lokalny setup, chcę uświadomić stawkę. Spójrzmy, co wydarzyło się z narzędziem Grok build w tym miesiącu. Badacz dał narzędziu do kodowania od xAI testowe repozytorium i powiedział bardzo wyraźnie: „Proszę, odpowiedz tylko »okej« i nie otwieraj żadnego z plików, które ci przekazałem”. Model twierdził, że tak zrobił, ale kiedy zajrzano do logów, okazało się, że przesłał całe repozytorium — czyli wszystko i tak wyciekło.
Innymi słowy: nawet jeśli model mówi „nie zaglądałem do pliku”, ten plik i tak mógł powędrować przez sieć do dostawcy modelu i faktycznie wyciec. Właśnie o tym mówimy. Dlatego nie można polegać na instrukcjach opartych na „zdrowym rozsądku”, by zapewnić tego rodzaju ochronę. Potrzebujesz twardych zabezpieczeń. Dlatego mówię o air gappingu — braku połączenia Wi-Fi. Traktujemy to poważnie.
(Informacja dodatkowa: air gapping to fizyczne odcięcie urządzenia od sieci, tak by dane nie miały żadnej drogi wyjścia na zewnątrz.)
Nie każdy musi podchodzić do tego aż tak rygorystycznie, ale możesz — i wciąż wykonasz dobrą pracę z AI. A nie jest to drogie, bo modele wykonujące tego rodzaju zadania są dziś stosunkowo tanie.
Demo: LM Studio i lokalny model
Pokażę wam opcję, o której zbyt mało osób wie, że istnieje. LM Studio pozwala pobrać model i uruchomić go na własnym komputerze. Kiedy wyłączam Wi-Fi, dalej działa — i właśnie dlatego go tu używam.
Pobrałem GPT-OSS Safeguard 20B, zanim otworzyłem plik. Następnie zapisałem instrukcję dotyczącą wrażliwości danych jako preset. Nazywam to „skillem”. W LM Studio jest to po prostu zapisany preset — wielokrotnego użytku instrukcja do obsługi konkretnego pliku. To bardzo zbliżone do skilla.
Model dostaje jedno zadanie: znaleźć dane tożsamości, informacje finansowe, dotyczące bezpieczeństwa, prawne, firmowe lub zatrudnienia; zamaskować te dane; i powiedzieć mi, gdzie praca powinna się odbywać.
Fałszywa umowa, której tu używam, zawiera niewydane jeszcze ceny, prognozę przychodów, fałszywy klucz API, materiały objęte tajemnicą adwokacką oraz zwykłe fakty, które identyfikują osobę dopiero w połączeniu. Jedna sekcja jest celowo nieczytelna — chcę utrudnić zadanie. Gdyby model uznał ten dokument za czysty, test by się nie powiódł. W tej sytuacji odpowiedź „nie potrafię tego ocenić” byłaby lepsza niż fałszywa pewność.
To pobrany model: wyszukiwanie w sieci wyłączone, zdalne połączenia wyłączone, obsługa sieciowa wyłączona. Nie ma żadnej drogi, którą ten model mógłby wydostać się z komputera. Patrzcie — wyłączam Wi-Fi.
Model znalazł prywatne dane cenowe, notatki prawne, prognozę przychodów, dane osobowe oraz identyfikującą kombinację złożoną z rozproszonych fragmentów. Zrobił to bez wychodzenia do internetu — to model uruchomiony całkowicie lokalnie. Zamaskował dane uwierzytelniające, zamiast je kopiować, a co najważniejsze — nie udał, że nieczytelna sekcja jest bezpieczna tylko dlatego, że nie potrafił jej odczytać. Nie dał mi fałszywego wskaźnika pewności, którego wyglądałem. I zrobił to wszystko samodzielnie.
Zgodność z przepisami w 2026 jest łatwa
Pokazuję to, bo chcę, żebyście zrozumieli, jak łatwo być dziś zgodnym z wymogami. Naprawdę wystarczy pobrać LM Studio, uruchomić model i zabrać się do pracy — bez zbędnego stresu. A najważniejsze w tym wszystkim jest wiedzieć, które dokumenty trzeba zabezpieczyć, a które nie. Dlatego kładę taki nacisk na ten preset.
Można teraz użyć lokalnego modelu, by przeskanować nie jeden dokument, lecz ich całą masę, i otrzymać poziomy oceny: to jest wysokie ryzyko, to średnie, to niskie — i dlaczego; ten plik zawiera informacje poufne, tamten nie. To daje znacznie więcej pewności, bo wiesz wreszcie, co jest w twoich plikach. Sam nie potrafiłbym z pamięci powiedzieć, które z tysięcy plików na moim komputerze zawierają PII, a które nie. Musiałbym je otwierać, sprawdzać. A gdybym użył do tego AI, pojawia się ryzyko. Zamiast ręcznie to wszystko przeglądać, możesz użyć lokalnego modelu i zrobić to samodzielnie, nigdy nie wysyłając żadnych informacji do dostawców modeli.
(Informacja dodatkowa: PII — personally identifiable information — to dane pozwalające zidentyfikować konkretną osobę.)
LoRA i strategia Microsoftu
Microsoft robi oczywiście nieco bardziej wyrafinowaną wersję tego, używając rankingu LoRA do dostrajania modeli dla wielkich, bilionowych klientów. Nie udaję, że to, co pokazałem, jest dokładnie tym samym — ale co do zasady jest bardzo podobne. Tak jak Bayer nie chce, by ich zastrzeżone dane opuszczały firmę, tak i ty prawdopodobnie nie chcesz, żeby część twoich danych wyszła na zewnątrz. Może to dokumentacja medyczna, może dane finansowe — cokolwiek to jest, dziś jest to łatwiejsze niż kiedykolwiek. Wskazuję LM Studio jako narzędzie, bo LM Studio w połączeniu z dzisiejszymi modelami open source osiągnęło poziom, na którym da się to zrobić z łatwością. Pół roku temu nie mógłbym tego powiedzieć. Naprawdę teraz jest to proste.
LoRA, czyli low-rank adaptation, to technika, której Microsoft używa do strojenia tych modeli. Dostraja tylko podzbiór parametrów istniejącego, wstępnie wytrenowanego modelu. To bardzo lekki sposób dostosowania tego, na co model będzie reagował w obrębie konkretnego zestawu zadań. Jeśli masz określony zbiór danych i chcesz, by model był w nim bardzo dobry, LoRA to świetne rozwiązanie. I staje się coraz łatwiejsza — jesteśmy pewnie rok czy dwa od tego, by dało się to zrobić po prostu tu, na laptopie. Zaawansowani twórcy już to robią; jest to tylko trochę skomplikowane.
(Informacja dodatkowa: LoRA to metoda taniego dostrajania dużego modelu przez trenowanie niewielkiej liczby dodatkowych parametrów zamiast całego modelu.)
Jeśli jesteś dużą firmą, możesz zamówić trening LoRA od Microsoftu na własnej, bezpiecznej instancji w Azure, której nikt nie może dotknąć. Oznacza to, że model i dane są w chmurze, ale dane nigdy jej nie opuszczają, nigdy nie trafiają do dostawców modeli, a ty dostajesz dostrojony model, który często przewyższa dostawcę chmurowego w tym konkretnym zadaniu. Wygrywasz na każdym froncie.
Myśląc o przyszłości: tyle mówimy o Anthropic i OpenAI, bo robią dużo szumu i produkują niesamowite modele z pierwszej linii. Ale nie zapominajcie o zjawisku otwartych wag. Nie zapominajcie, że dziś, po kilku minutach pracy, możecie używać tych modeli bez połączenia z internetem i przetwarzać informacje poufne w bezpieczny sposób na własnym laptopie — dokładnie tak jak robią to wielkie firmy.
Opcje pośrednie dla średnich firm
Jeśli mierzysz się z tym z perspektywy firmy, jako jej lider, zachęcam, żebyś spojrzał zarówno na mikro-przypadek, który tu pokazałem, jak i na to, co Microsoft robi w większej skali. Jeśli jesteś w kategorii MŚP, powiedzmy przy około 500 osobach i mniejszych zbiorach danych niż typowo w wielkim przedsiębiorstwie, możesz nie być kandydatem do świetnego fine-tuningu LoRA — ale możesz być kandydatem do bezpiecznego wdrożenia modelu open weights w Azure, które pozwoli przetwarzać dane na skalę firmy bez konieczności masowego strojenia, bo po prostu nie masz na nie dość danych. Istnieją więc rozwiązania pośrednie dla średnich firm.
Coraz ważniejsze staje się porzucenie podziału świata na „z tym mogę robić AI” i „z tym nie mogę”. Będziemy musieli sprawić, by wszystko nadawało się do AI, bo inaczej firmy, które to zrobią, zyskają ogromną przewagę konkurencyjną — będą przetwarzać informacje znacznie efektywniej. To znaczy, że musimy znaleźć bezpieczne sposoby przetwarzania danych wrażliwych. I naprawdę da się to dziś zrobić — od twojego osobistego komputera aż po skalę bilionowej firmy. A dobra wiadomość jest taka, że to nie kosztuje wiele. Piękno tego polega na tym, że gdy pobrany model po prostu działa, to fantastyczne. Działa dla ciebie i sprawa załatwiona. Jest za darmo, pobiera się i uruchamia na twoim komputerze.
Zastrzeżenie: darmowe nie znaczy wolne od zależności
Jest tu jedno zastrzeżenie, które chcę podkreślić. W tym świecie „darmowe” niesie ryzyko — i to właśnie na tym ryzyku gra Microsoft. Microsoft wie, że większość firm, które chcą tego rozwiązania, nie ma technicznych możliwości, by wdrożyć je samodzielnie. Dlatego wchodzi jako usługodawca i pośrednik w treningu LoRA, ale też podkreśla, że chroni firmy przed wyciekiem informacji do dostawców modeli. To wszystko prawda i dokładnie taką usługę Microsoft świadczy — ale robiąc to, pogłębiasz swoją zależność od Microsoftu. Bo do kogo innego się zwrócisz?
Byłbym więc świadomy, budując te korporacyjne relacje: dobierając dostawców przy modelach open source, trzeba wybierać ostrożnie i nie wpaść w pułapkę myślenia, że skoro coś jest open source, to jest darmowe, można to swobodnie przenosić i łatwo dostosować do kolejnego dostawcy. To może nie być prawda. Być może będziesz musiał przemyśleć strategiczną alokację czasu i kapitału równie poważnie, jak przy nawiązywaniu relacji z dostawcą modelu z pierwszej linii. Może to być dokładnie to samo — z tą różnicą, że świadomie decydujesz się zostać przy modelu open source.
Podsumowanie
Ostatecznie żyjemy w świecie, w którym wszystkie nasze dane muszą być dostępne dla AI, ale nie wszystkie powinny wędrować przez sieć. Musimy umieć odsiać — on-premise, na laptopie, na bezpiecznej instancji gdzieś tam — dane, których nie chcemy wysyłać do dostawcy modelu z pierwszej linii. To mogą być dane stanowiące przewagę konkurencyjną, „tajne receptury”, znaki towarowe, patenty, badania naukowe, informacje poufne, dane medyczne — lista ciągnie się bez końca. Jeśli coś cię niepokoi i nie daje spać po nocach, powinieneś sięgnąć po coś w rodzaju LM Studio i upewnić się, że nie oddajesz tego dostawcy modelu.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Lokalny model AI może przeczytać plik, którego nigdy nie chcesz wysłać do chmury
Na czym polega: Pobrany model uruchomiony na własnym komputerze (przez LM Studio) pracuje nawet po wyłączeniu Wi-Fi. Dane nie mają fizycznej drogi wyjścia na zewnątrz.
Jak stosować: Zainstaluj LM Studio, pobierz model, wyłącz połączenia sieciowe i dopiero wtedy otwórz wrażliwy dokument. Wyłącz wyszukiwanie w sieci, zdalne połączenia i obsługę sieciową w ustawieniach narzędzia.
Na co uważać: Sam pobrany model to nie wszystko — musisz zweryfikować, że narzędzie faktycznie nie ma otwartych kanałów wyjścia. „Air gapping” działa tylko wtedy, gdy naprawdę odetniesz sieć, a nie tylko założysz, że model „nie wyśle”.
2.Instrukcje oparte na „zdrowym rozsądku” nie chronią danych
Na czym polega: Przypadek Grok build pokazał, że model przesłał całe repozytorium, mimo że użytkownik wyraźnie zabronił otwierania plików — i twierdził, że tego nie zrobił.
Jak stosować: Nie polegaj na promptach typu „nie czytaj tego pliku”. Stosuj twarde zabezpieczenia techniczne (odcięcie sieci, lokalne uruchomienie), gdy dane są naprawdę wrażliwe.
Na co uważać: Deklaracja modelu, że „nie zaglądał” do pliku, nie jest dowodem — dane mogły już powędrować przez sieć, zanim cokolwiek zobaczyłeś w interfejsie.
3.Model powinien przyznać się do niewiedzy, zamiast fałszywie uspokajać
Na czym polega: W teście autora jedna sekcja była celowo nieczytelna. Kluczowe było, że model jej nie oznaczył jako „bezpiecznej” — brak fałszywej pewności był oznaką sukcesu.
Jak stosować: Projektując preset/instrukcję, wprost nakazuj modelowi zgłaszać „nie potrafię tego ocenić” dla treści nieczytelnych czy niejasnych, zamiast domyślnie uznawać je za czyste.
Na co uważać: Model, który wszystko oznacza jako „bezpieczne”, może dawać złudne poczucie bezpieczeństwa. Testuj swój setup na dokumencie z celowo trudnymi lub uszkodzonymi fragmentami.
4.Zapisz instrukcję jako preset („skill”) wielokrotnego użytku
Na czym polega: Autor zapisał instrukcję wykrywania danych wrażliwych jako preset w LM Studio, by stosować ją do dowolnego pliku. Model dostaje jedno wąskie zadanie.
Jak stosować: Zdefiniuj jasno kategorie do wykrycia (tożsamość, finanse, bezpieczeństwo, prawo, dane firmowe, zatrudnienie), poleć maskowanie znalezisk i wskazanie, gdzie praca powinna się odbywać. Zapisz to jako preset i używaj wielokrotnie.
Na co uważać: Jakość wyników zależy od precyzji presetu. Zbyt ogólna instrukcja przeoczy dane identyfikujące osobę dopiero w kombinacji fragmentów.
5.Lokalne skanowanie z poziomami ryzyka daje wgląd w całą kolekcję plików
Na czym polega: Lokalny model może przejść przez wiele dokumentów naraz i przypisać poziomy: wysokie / średnie / niskie ryzyko, z uzasadnieniem, czy plik zawiera dane poufne.
Jak stosować: Użyj lokalnego modelu do inwentaryzacji plików, o których nie pamiętasz, czy zawierają PII. Zamiast ręcznego otwierania i sprawdzania, uzyskaj triage całego dysku bez ryzyka wycieku.
Na co uważać: Klasyfikacja jest tylko tak dobra jak model i preset — traktuj poziomy jako wskazówkę do dalszej weryfikacji, a nie ostateczny werdykt prawny.
6.Zgodność z przepisami stała się tania i dostępna dopiero niedawno
Na czym polega: Według autora połączenie LM Studio z dzisiejszymi modelami open source osiągnęło praktyczny poziom użyteczności — pół roku wcześniej nie było to tak łatwe.
Jak stosować: Jeśli odkładałeś temat, bo wydawał się zbyt techniczny lub kosztowny, sprawdź go teraz ponownie. Model pobierasz i uruchamiasz za darmo.
Na co uważać: „Za darmo” dotyczy samego modelu i narzędzia — nie obejmuje twojego czasu na konfigurację, testy i utrzymanie zaufania do setupu.
7.Kierunek firmowej AI to wyspecjalizowani „specjaliści”, nie wszechwiedzący chatbot
Na czym polega: Discovery Bank dostroił pięć wariantów modeli do różnych funkcji; Bayer nauczył mały model własnych danych o etykietach. Każdy model zna jedno zadanie i działa wewnątrz kontrolowanej granicy.
Jak stosować: Planując firmowe wdrożenia, myśl w kategoriach wąskich, dedykowanych modeli do konkretnych zadań i danych, a nie jednego modelu „znającego całą firmę”.
Na co uważać: Specjalizacja daje szybkość i bezpieczeństwo (Discovery: spadek czasu odpowiedzi z ~5–6 s do ~1,5–2 s), ale wymaga jasnego zdefiniowania, co dany model ma robić i jaką granicę wokół niego stawiasz.
8.LoRA to lekki sposób dostrojenia modelu do własnego zbioru danych
Na czym polega: LoRA dostraja tylko podzbiór parametrów wstępnie wytrenowanego modelu — tanio i lekko, bez trenowania całości. Microsoft używa jej dla dużych klientów w bezpiecznych instancjach Azure.
Jak stosować: Gdy masz konkretny, wartościowy zbiór danych i chcesz, by model był w nim bardzo dobry, rozważ LoRA. Duże firmy mogą zlecić trening w bezpiecznej instancji Azure, z której dane nie wychodzą.
Na co uważać: LoRA wciąż jest „trochę skomplikowana” — na razie dla zaawansowanych. Autor szacuje, że w pełni prosta stanie się dopiero za rok–dwa.
9.Średnie firmy mają opcje pośrednie między demem a pełnym fine-tuningiem
Na czym polega: Firma na ~500 osób może nie mieć dość danych na dobry fine-tuning LoRA, ale może wdrożyć bezpieczny model open weights w Azure do przetwarzania na skalę firmy.
Jak stosować: Jeśli jesteś w segmencie MŚP, nie zakładaj, że wybór to „nic” albo „pełny, drogi fine-tuning”. Poszukaj bezpiecznego wdrożenia otwartego modelu dopasowanego do twojej skali danych.
Na co uważać: Dobór właściwego wariantu zależy od ilości i charakteru twoich danych — źle dobrany zakres to marnowanie budżetu na trening, na który nie masz materiału.
10.„Open source” nie znaczy „wolny od zależności” — dostawcę wybieraj strategicznie
Na czym polega: Microsoft świadomie gra na tym, że firmy nie umieją same wdrożyć rozwiązania, i staje się pośrednikiem — co pogłębia zależność. Otwarty model nie gwarantuje łatwej migracji do innego dostawcy.
Jak stosować: Traktuj wybór dostawcy przy open source równie poważnie jak relację z dostawcą modelu z pierwszej linii. Zaplanuj alokację czasu i kapitału z myślą o długiej perspektywie.
Na co uważać: Nie zakładaj, że skoro coś jest open source, to jest darmowe, łatwo przenośne i proste do zmiany. To założenie może okazać się kosztownym błędem.