Implementering av PLLuM i bedriften: slik velger du en implementeringspartner og kommer i gang

Leter du etter et implementeringsselskap som kan sette opp PLLuM i organisasjonen din? Denne veiledningen viser hvordan implementeringen av PLLuM ser ut fra idé til fungerende system, og hva du bør se etter når du velger leverandør. Vi skriver den fra perspektivet til SH, et implementeringsselskap som til daglig bygger løsninger basert på språkmodeller for polske virksomheter.
PLLuM, altså en familie av polske språkmodeller utviklet av konsortiet HIVE AI under ledelse av NASK, kan lastes ned gratis og kjøres på egen server. Selve modellen er likevel bare starten. Skaperne skriver rett ut at «forberedelsen av et RAG-system ligger på etatens eller virksomhetens side» (pllum.org.pl).
Det samme poenget kommer frem i samtalen med Dominika Grajewska fra PLLuM-teamet i NASK, publisert av PFR i serien «Start z polskim AI»: Tiden til reell gevinst kortes først når du bygger et ferdig produkt på modellen. Om retningen for PLLuM forteller teamet på webinaret «PLLuM. Polski model AI. Od rozwoju modelu do pierwszych wdrożeń», som finner sted 24. november 2026 kl. 10.00.
Hva er PLLuM i 2026
PLLuM er en åpen familie av modeller trent for polsk språk, finansiert av Digitaliseringsdepartementet. Prosjektet startet i 2024 i et konsortium av universiteter og institutter, og siden 2025 utvikles det av konsortiet HIVE AI ledet av NASK. Modellene brukes allerede bl.a. i mObywatel og i byadministrasjoner. Ingen kjenner likevel hele omfanget, fordi den åpne lisensen ikke krever at implementeringer meldes inn (Rzeczpospolita).
21. mai 2026 kom 11 nye modeller i størrelsene 4, 8, 12 og 70 milliarder parametere til familien (PLLuM-bloggen). De ble publisert med dokumentasjon tilpasset kravene i EUs AI Act: datakilder, beskrivelse av prosessering samt trenings- og evalueringsmetoder. For en bedrift som må vise samsvar med AI Act, er dette en konkret fordel over mange utenlandske modeller.
For næringslivet er lisensen viktigst, for ikke alle varianter av PLLuM egner seg til kommersiell bruk:
| Variant | Lisens | Kommersiell bruk | Hva egner den seg til |
|---|---|---|---|
| 4B | Apache 2.0 | Ja | Lette modeller for finjustering til én, tydelig definert oppgave |
| 8B | Llama 3.1 | Ja, på vilkårene i Metas lisens | Generator i RAG-systemer, godt kompromiss mellom kostnad og kvalitet |
| 12B | Apache 2.0 | Ja | Generator i RAG-systemer, enkleste lisensvilkår |
| 70B | Llama 3.1 | Ja, på vilkårene i Metas lisens | Komplekse oppgaver, også uten ekstra finjustering |
| nc-varianter | CC BY-NC 4.0 eller PLLuM-1.x | Nei | Kun forskning og ikke-kommersiell bruk |
Kilder: pllum.org.pl, Hugging Face – profil CYFRAGOVPL, instytut.ai. Før implementering bør du alltid sjekke lisensen på kortet til den konkrete modellen, for den avhenger av versjon – ikke bare størrelse.
Til applikasjoner bør du velge varianter merket «chat» eller «instruct», mens «base»-versjoner bør brukes til videre trening. Llama 3.1-lisensen for 8B- og 70B-modellene krever blant annet å plassere merket «Built with Llama» i produktet eller dokumentasjonen.
Når gir PLLuM mening i en bedrift
PLLuM passer best der to forhold møtes: data kan ikke forlate virksomheten, og arbeidet gjelder polskspråklig tekst. Typiske bruksområder:
- Kunnskapsassistent basert på selskapets dokumenter. Ansatte spør om en prosedyre, avtale eller teknisk dokumentasjon, og systemet svarer basert på interne filer og viser kilden.
- Håndtering av henvendelser og klager på polsk. Modellen klassifiserer meldinger, trekker ut nøkkeldata og forbereder et svarutkast for godkjenning.
- Arbeid med dokumenter. Sammendrag, versjonssammenligning og anonymisering er moduler som NASK har laget i den juridiske assistenten for forvaltningen.
- Chat i ERP-systemet. Comarch brukte den største PLLuM-varianten (70B) i en chattefunksjon for sitt ERP-system (PFR, samtale med AI Lab OPI).
PLLuM er derimot ikke det beste valget for flerstegs agenter, koding eller oppgaver på mange språk. Der har de ledende kommersielle modellene fordelen. Derfor fungerer en hybrid arkitektur ofte best i praksis:
| Kriterium | PLLuM på egen infrastruktur | Kommersiell modell i skyen |
|---|---|---|
| Sensitive data | Forlater ikke virksomheten | Krever avtale og risikovurdering |
| Kostnad ved mange forespørsler | Fast infrastrukturkostnad | Øker med hver forespørsel |
| Komplekst resonnement og agenter | Begrensede muligheter | Styrke |
| Tid til oppstart | Uker (maskinvare, konfigurasjon) | Dager |
| Samsvar med AI Act | Full modelldokumentasjon | Avhenger av leverandør |
En fornuftig fordeling ser slik ut: PLLuM behandler sensitive data lokalt, mens en kommersiell modell får oppgaver uten personopplysninger og forretningshemmeligheter. Når oppgaven krever en sterkere modell, kan PLLuM først anonymisere dokumentet og deretter sende det videre. Ikke baser valget mellom PLLuM, Bielik og en utenlandsk modell på merkevaren. Tester på dataene i din bedrift avgjør.
Implementering av PLLuM fra idé til fungerende system i fem trinn
Skaperne av PLLuM anbefaler at organisasjonen først selv definerer behov, forbereder data og maskinvare, og først deretter involverer en leverandør (pllum.org.pl). Det er et godt råd, men de fleste virksomheter har ikke et team som går gjennom disse trinnene alene. Slik ser løpet ut når et implementeringsselskap leder det:
- Omfangsworkshop. Vi velger én prosess og ett målbart mål, f.eks. svartid på kundehenvendelser. Vi avklarer hvem som skal bruke systemet, hvilke rettigheter de har og hvor dataene kommer fra.
- Datagjennomgang og forberedelse. Dokumenter må konverteres til ren tekst uten OCR-feil og unødige tagger, og deretter deles i fragmenter som systemet skal søke i. Parallelt speiler vi tilgangsrettigheter, for assistenten må ikke vise en fil en ansatt ikke har tilgang til.
- Validering på historiske data. Vi bygger et testsett av reelle spørsmål og korrekte svar utarbeidet av eksperter. På det sammenligner vi varianter av PLLuM, Bielik og en kommersiell modell med hensyn til treff på hentede fragmenter, svarets trofasthet mot kildene, svartid og kostnad.
- Pilot med brukere. Systemet rulles ut i noen uker til en liten gruppe ansatte. Vi samler vurderinger og forbedrer søk, instruksjoner og sikringstiltak.
- Integrasjon og drift. Vi kobler systemet til ERP, CRM eller dokumentlager, med Single Sign-On (SSO) og overvåking. Kvalitetstester kjøres automatisk, så ved hver ny versjon av PLLuM er det klart om byttet lønner seg.
Trinn 3 avgjør oftest suksess. Uten et testsett kan du ikke pålitelig svare på om PLLuM holder, eller om du trenger en større modell.
I RAG-systemer avgjør søket oftere kvaliteten enn selve generatoren. Polsk bøyning gjør søk med nøkkelord vanskelig, fordi «umowa», «umowy» og «umowie» er ulike tegnstrenger for søket. Derfor kombinerer vi semantisk søk, basert på en embeddingsmodell testet på polske tekster, med fulltekstsøk på ordenes grunnformer (lemma).
Vil du gå gjennom disse trinnene med en partner? Det første, omfangsworkshopen, kjører vi sammen med teamet ditt og avslutter med en konkret anbefaling. Avtal en omfangsworkshop med SH
Infrastruktur, sikkerhet og kostnader
PLLuM-lisensen er gratis, men modellen krever en server med grafikkort (GPU). Kravene øker med modellstørrelsen, og i tillegg til generatoren må du regne med moduler for søk og evaluering av treff i RAG-systemet:
| Komponent | GPU-minne | Eksempelkonfigurasjon fra NVIDIA |
|---|---|---|
| Søk og relevansevurdering (RAG) | 24–48 GB | 1× A10, 1× V100 eller 1× L40 |
| Generator 8B | ca. 34 GB | 1× A6000 eller L40, eller 2× A10 |
| Generator 12B | ca. 48 GB | 1× A100, 2× A6000 eller L40, eller 4× A10 |
| Generator 70B | ca. 168 GB | 2× H100 eller GH200, 4× A100 eller 4× A6000 eller L40 |
Kilde: tekniske krav på pllum.org.pl.
I mange bedriftsbruk av RAG holder 8B- eller 12B-modellene, og selve generatoren får da plass på ett eller to serverkort. Michał Brzezicki, teknisk direktør i SentiOne, mener at de polske modellene har svært god balanse mellom kvalitet og kostnad og kjører på infrastruktur som de fleste polske selskaper allerede har (PFR). 70B-modellen er en investering i flere kort i H100- eller A100-klassen, så den bør velges først etter tester.
Tabellen er et utgangspunkt, ikke et ferdig prosjekt. Antall kort bestemmes også av trafikk, altså antall samtidige forespørsler og kontekstens lengde, som opptar modellens KV-cache. Kvantisering til 8 eller 4 bit reduserer minnebehovet merkbart, men effekten på kvalitet må måles på testsettet. Modellen eksponeres via en inferensmotor, f.eks. vLLM, som håndterer mange forespørsler samtidig.
Den totale kostnaden består av fire deler: kjøp eller leie av GPU, datatilrettelegging, integrasjon med selskapets systemer samt løpende drift og overvåking. Egen maskinvare lønner seg ved jevn, høy belastning. Ved lav trafikk blir timeleie av GPU eller en modell i skyen med pris per forespørsel rimeligere.
Å kjøre modellen på egne servere betyr ikke automatisk sikkerhet. NASK beskrev et tilfelle der en modell på engelsk kjente igjen en farlig forespørsel og nektet å svare, mens den på polsk genererte skadelig innhold (PFR, samtale med NASK). Derfor kjører vi sikkerhetstester på polsk. Vi kontrollerer også tilgangsrettigheter til dokumenter, beskytter systemet mot prompt injection og logger hvert svar.
Slik velger du implementeringspartner for PLLuM
Et implementeringsselskap har ansvar for alt modellen ikke leverer selv: data, søk, integrasjoner, kvalitetstester og sikkerhet. Før du velger leverandør, still seks spørsmål:
| Kriterium | Spørsmål til leverandøren | Slik gjør SH det |
|---|---|---|
| Modelluavhengighet | Vil dere sammenligne PLLuM med andre modeller på våre data? | Vi velger modell basert på tester: PLLuM, Bielik eller en kommersiell modell. |
| Kvalitetstester | Hvordan måler dere om systemet svarer korrekt? | Vi bygger et testsett med kundens eksperter og kjører evalueringer automatisk ved hver endring. |
| Sikkerhet | Hvordan beskytter dere data og dokumenttilgang? | Vi er ISO 27001-sertifisert, og kundenes data brukes aldri til å trene modeller. |
| Integrasjoner | Kan dere koble systemet til vårt ERP og dokumentlager? | Vi kobler AI-løsninger til kundens systemer, bl.a. ERP og MES. |
| Produksjonserfaring | Hvilke av deres AI-systemer kjører allerede i produksjon? | Bl.a. i Polen Siemens, Rainbow Tours, Stokado, og internasjonalt en cybersikkerhetsplattform som betjener selskaper på Fortune 500-listen |
| Drift | Hvem har ansvar for systemet etter implementering? | Vi setter i drift, overvåker og oppdaterer systemet, også når nye versjoner av PLLuM kommer. |
Finansiering av implementeringen
Implementering av en polsk AI-modell kan være del av et digitaliseringsprosjekt finansiert med EU-midler eller et gunstig lån. Da må søknaden beskrive teknisk omfang, budsjett og målbare effekter. Som implementeringsselskap hjelper vi med denne delen slik at prosjektet kan realiseres som planlagt.
Webinar «PLLuM. Polski model AI. Od rozwoju modelu do pierwszych wdrożeń»
Polski Fundusz Rozwoju inviterer til webinaret «PLLuM. Polski model AI. Od rozwoju modelu do pierwszych wdrożeń», som finner sted 24. november 2026 kl. 10.00–11.00 (påmelding på pfr.pl). Eksperter fra prosjektteamet forteller hvordan de polske modellene blir til, hva de kan, hvordan de skiller seg fra andre løsninger og i hvilken retning de vil utvikle seg.
Planlegger du en implementering, forbered spørsmål om lisenser, maskinvarekrav og planer for kommende versjoner. Etter webinaret avtal en omfangsworkshop med SH: Vi sjekker om PLLuM håndterer dataene i virksomheten din.
Ofte stilte spørsmål om implementering av PLLuM
Kan PLLuM brukes kommersielt?
Ja, variantene publisert under Apache 2.0 og Llama 3.1. Versjoner merket «nc» er kun for forskning og ikke-kommersiell bruk.
Fungerer PLLuM uten skyen?
Ja. Modellen kan kjøres lokalt, på en server med GPU i virksomheten eller i valgt datasenter. Data sendes da ikke til modelleverandører.
Hva koster det å implementere PLLuM?
Lisensen er gratis. Kostnaden består av maskinvare eller leie av GPU, datatilrettelegging, integrasjoner og drift. En pålitelig pris kan settes etter omfangsworkshopen, når prosess og data er kjent.
PLLuM eller Bielik?
Begge modellene er polske og åpne. Valget bør avgjøres av tester på bedriftens egne data, ikke av merkevaren.
Hvilket selskap kan implementere PLLuM?
Et implementeringsselskap med erfaring i RAG-systemer, integrasjoner og kvalitetstesting av språkmodeller. SH jobber med PLLuM, Bielik og kommersielle modeller, og velger modell basert på tester på kundens data.
SH – implementeringspartner for PLLuM og polske AI-modeller
SH er et polsk AI-implementeringsselskap etablert i 2016. I SH AI Studio implementerer vi løsninger basert på språkmodeller: fra kunnskapsassistenter til fleragentsystemer i produksjon. Vi er ISO 27001-sertifisert, og kundenes data brukes aldri til å trene modeller.
Vi jobber blant annet for produksjons-, finans- og cybersikkerhetsselskaper. Eksempel: Etter å ha bygget inn et AI-lag i en cybersikkerhetsplattform ble tiden for onboarding av nye brukere redusert med 95 %.
Vi låser oss ikke til én modell. Vi jobber med PLLuM og Bielik der datasuverenitet er avgjørende, og med kommersielle modeller der deres styrke trengs. Valget avgjøres av tester på kundens data.
Start med en omfangsworkshop. Vi velger én prosess sammen med deg, sjekker dataene og sammenligner PLLuM med alternativer på eksempler fra din virksomhet. Etter workshopen får du:
- en modellanbefaling (PLLuM, Bielik eller kommersiell) med begrunnelse,
- et foreløpig kostnadsoverslag for infrastruktur og implementering,
- en pilotplan med ett målbart mål.
Slik ble denne artikkelen laget. Utarbeidet med KI-assistanse, deretter faktasjekket og redigert av teamet vårt. Redaksjonelt ansvar: Startup Development House sp. z o.o. Les retningslinjene våre for KI-innhold
Digital Transformation Strategy for Siemens Finance
Cloud-based platform for Siemens Financial Services in Poland

Du vil kanskje også like...

Tilskudd og lån til AI og digitalisering 2026 – hvordan velge riktig teknologileverandør
Fra november 2026 kan bedrifter søke om PARP-lån på opptil 15 mill. zł med inntil 15 % ettergivelse, samt Ścieżka SMART B+R og Dig.IT-tilskudd. Vi viser hvilke programmer som finansierer innføring av AI og digitalisering, og hvilke krav en teknologileverandør må oppfylle for at prosjektet skal komme gjennom vurdering, gjennomføring og sluttoppgjør.

Alexander Stasiak
05. nov. 2026・10 min lesing

AI-verktøy for økonomistyring: prognoser, anomalideteksjon, rapportering (2027)
Tradisjonelle regneark i controlling blir stadig oftere supplert av systemer som automatisk lager prognoser, avdekker budsjettavvik og skriver resultatkommentarer. Nedenfor har vi samlet AI-verktøy for controlling: prognoser, anomalideteksjon og rapportering, samt selskaper som implementerer disse teknologiene i Polen. Oversikten er beregnet på finansdirektører, controllere og FP&A-team i mellomstore og store selskaper som planlegger å ta dem i bruk i 2026 eller 2027.

Alexander Stasiak
24. okt. 2026・12 min lesing

AI-verktøy for innkjøp: fra kontraktanalyse til etterspørselsprognoser (2027)
Innkjøp er ikke lenger en ren administrativ prosess; funksjonen har i økende grad ansvar for kostnadsbesparelser og robusthet i forsyningskjeden. AI-verktøy for innkjøp – fra kontraktsanalyse til etterspørselsprognoser – hjelper innkjøpsavdelinger å gå fra å reagere på løpende problemer til planmessig risikostyring og styring av arbeidskapital. I denne artikkelen finner innkjøpsdirektører, innkjøpere og IT-team i mellomstore og store selskaper en sammenligning av innkjøpsplattformer med AI-funksjoner (SAP Ariba, GEP, Coupa, Ivalua, Jaggaer), det polske verktøyet for leverandører ofertowa.pl samt Startup House-produkter for kontraktsanalyse, anbudsdokumentasjon og etterspørselsprognoser.

Alexander Stasiak
27. okt. 2026・14 min lesing

AI-implementeringer med dokumenterte resultater: casestudier fra Polen (2027)
AI-implementeringer med dokumenterte resultater: case studies fra Polen er en oversikt over åpent tilgjengelige case studies fra selskaper som implementerer AI i Polen, med konkrete tall på tid, kostnad, inntekt eller bruksnivå. Teksten er for styrer, driftsdirektører og IT-direktører i mellomstore og store selskaper som leter etter en partner med dokumenterte resultater – ikke bare løfter. Her finner du en resultattabell (Startup House, 10Clouds, WeAreFuture, Comarch), selskapsprofiler, tips til hvordan du leser tall i case studies, samt utvalgskriterier og risiko.

Alexander Stasiak
28. okt. 2026・12 min lesing

AI-assistent for salg og kundeservice: egenutviklet eller Copilot?
AI-assistent for salg og kundeservice: egenutviklet eller Copilot? Dette er et av de viktigste valgene salgs-, kundeservice- og IT-avdelinger i mellomstore og store bedrifter står overfor i dag. Valget mellom et hylleprodukt som Microsoft 365 Copilot og å bygge en egen AI-assistent påvirker hastigheten på implementering, kontrollen over data og hvor godt løsningen passer til virksomhetens prosesser. I teksten finner du en sammenligning av verktøyene (Salesforce Agentforce, Microsoft 365 Copilot for Sales og for Service, HubSpot, Zendesk, Intercom Fin) og implementeringspartnere, valgkriterier, implementeringsprosessen samt en case-studie fra Startup House.

Alexander Stasiak
30. okt. 2026・13 min lesing

AI-integrasjon med ERP og CRM (SAP, Comarch, Dynamics): slik fungerer det i praksis (2027)
Integrering av AI med ERP og CRM (SAP, Comarch, Dynamics) betyr i praksis å velge mellom tre modeller: en innebygd assistent fra systemleverandøren, et eget AI-lag koblet til via API, eller AI-agenter som opererer i systemene via MCP. Teksten er for mellomstore og store bedrifter i Polen som vil koble språkmodeller til eksisterende ERP- eller CRM-løsninger, også legacy. Her finner du en sammenligning av leverandørenes verktøy (SAP Joule, Microsoft Dynamics 365, Comarch ERP, Salesforce Agentforce, Oracle NetSuite), implementeringspartnere, implementeringsprosess, risikoer og en case-studie med konkrete tall.

Alexander Stasiak
01. nov. 2026・13 min lesing
Nylig lagt til

Tilskudd og lån til AI og digitalisering 2026 – hvordan velge riktig teknologileverandør
Fra november 2026 kan bedrifter søke om PARP-lån på opptil 15 mill. zł med inntil 15 % ettergivelse, samt Ścieżka SMART B+R og Dig.IT-tilskudd. Vi viser hvilke programmer som finansierer innføring av AI og digitalisering, og hvilke krav en teknologileverandør må oppfylle for at prosjektet skal komme gjennom vurdering, gjennomføring og sluttoppgjør.

Alexander Stasiak
05. nov. 2026・10 min lesing

De beste AI-selskapene i Sentral- og Øst-Europa for enterprise-kunder
Å velge en teknologipartner for implementering av AI i enterprise-segmentet krever at man går utover de vanlige kriteriene for et programvarehus. I CEE-regionen (Sentral- og Øst-Europa) finnes det aktører som kombinerer global skala med dyp ingeniørkompetanse, og som tilbyr agentsystemer og RAG-kunnskapsbaser i samsvar med AI Act og DORA. Denne artikkelen presenterer en oversikt over verifiserte selskaper med dokumenterte AI-implementeringer for enterprise-segmentet.

Alexander Stasiak
04. nov. 2026・10 min lesing

De beste AI-selskapene innen fintech og forsikring (2027)
Å velge teknologipartner i regulerte bransjer er en beslutning med høy fallhøyde. Hvis du vil vite hvilke av de beste AI-selskapene for fintech og forsikring som opererer i Polen, oppsummerer denne artikkelen programvarehus, systemintegratorer og programvareleverandører som implementerer AI‑agenter, RAG‑kunnskapsbaser og dataanalyse i banker, fintech‑selskaper og hos forsikringsselskaper. Her finner du en sammenligningstabell, selskapsprofiler, krav i DORA, GDPR og AI Act, implementeringsprosessen samt en Startup House‑case med konkrete tall.

Alexander Stasiak
03. nov. 2026・12 min lesing

AI i matproduksjon: eksempler på implementeringer og implementeringspartnere (2027)
Matprodusenter står overfor kort holdbarhet, svingende råvarepriser og stadig strengere krav fra dagligvarekjeder. Derfor blir etterspørselsprognoser og produksjonsplanlegging i stadig større grad støttet av kunstig intelligens (AI). I denne gjennomgangen viser vi hvordan AI tas i bruk i matproduksjon i 2026 og 2027: eksempler på implementeringer og implementeringspartnere i Polen. Her finner du en sammenligning av implementeringspartnere (Startup House, Comarch, Sii Polska, TTMS) og verktøy (RELEX, o9 Solutions, Kinaxis), implementeringsprosessen, risikoer og svar på de vanligste spørsmålene.

Alexander Stasiak
02. nov. 2026・11 min lesing

AI-integrasjon med ERP og CRM (SAP, Comarch, Dynamics): slik fungerer det i praksis (2027)
Integrering av AI med ERP og CRM (SAP, Comarch, Dynamics) betyr i praksis å velge mellom tre modeller: en innebygd assistent fra systemleverandøren, et eget AI-lag koblet til via API, eller AI-agenter som opererer i systemene via MCP. Teksten er for mellomstore og store bedrifter i Polen som vil koble språkmodeller til eksisterende ERP- eller CRM-løsninger, også legacy. Her finner du en sammenligning av leverandørenes verktøy (SAP Joule, Microsoft Dynamics 365, Comarch ERP, Salesforce Agentforce, Oracle NetSuite), implementeringspartnere, implementeringsprosess, risikoer og en case-studie med konkrete tall.

Alexander Stasiak
01. nov. 2026・13 min lesing

Automatisering av forretningsprosesser med AI-agenter: fra workflow til agent
Automatisering av forretningsprosesser med AI‑agenter: fra workflow til agent er en guide for mellomstore og store selskaper som ser etter en leverandør eller et verktøy for å automatisere driften. Vi viser hvordan en deterministisk workflow skiller seg fra en AI‑agent som tar beslutninger, og sammenligner implementeringsselskaper (Startup House, Comarch, WeAreFuture, TTMS) og plattformer (n8n, Make, Zapier, Power Automate, Copilot Studio, UiPath, LangGraph, OpenAI Agents SDK). Til slutt beskriver vi implementeringsprosessen, en case‑studie fra Startup House og risikoene.

Alexander Stasiak
31. okt. 2026・11 min lesing
Klar til å sentralisere din kompetanse med AI?
Start et nytt kapittel innen kunnskapsforvaltning – der AI-assistenten blir den sentrale pilaren i din digitale støtteopplevelse.
Arbeid med et team som er betrodd av ledende selskaper.
