3 repos att känna till: AI på kontoret, även utan molnet

Slutet av september 2026: bland utvecklare och IT-chefer är frågan inte längre ”AI är imponerande”, utan ”vilken AI har du råd med och verkligen kan kontrollera”. Tre open source-projekt ligger fortfarande i topp på GitHub när det gäller stjärnor och aktivitet, eftersom de svarar på just den frågan för ett litet företag: modeller på egen hårdvara, sökning i företagets dokument, processer automatiserade med agenter. Här är de tre du bör känna till, med både fördelar och nackdelar.

Ollama: kör modellerna på din egen hårdvara, inte någon annans

Ollama är en open source-runtime (MIT-licens) som laddar ner och kör språkmodeller — från Llama och Qwen till Gemma och DeepSeek — direkt på en PC, en liten server eller en Mac, med en enda kommandorad eller ett OpenAI-kompatibelt API. Den 24 september 2026 hade repot över 181 000 stjärnor på GitHub och fick commits nästan varje dag.

För en italiensk SMF eller MSP innebär det att kunna erbjuda interna AI-assistenter — en chatbot för lagret, en sammanfattare av e-post — utan att data lämnar företaget och utan en månadsavgift per token. Det är också grunden för många andra open source-verktyg, inklusive nästa i den här listan.

För att testa det räcker det att installera Ollama och starta en lättviktsmodell, som går att köra även på en bärbar dator utan dedikerat grafikkort: ollama run llama3.2

Begränsningen är hårdvaran: små modeller (3-8 miljarder parametrar) fungerar bra på vilken maskin som helst, men för resultat i närheten av molnbaserade modeller krävs ett GPU med 16 GB VRAM eller mer, som det på bilden. Och i maj 2026 upptäckte forskare på Cyera en sårbarhet i Ollama med smeknamnet ”Bleeding Llama” (CVE-2026-7482, CVSS-poäng 9,1) som exponerade processminnet på över 300 000 servrar nåbara från internet utan autentisering: åtgärdad från version 0.17.1, men den är fortfarande en påminnelse om att aldrig exponera Ollamas API online utan en proxy med autentisering.

RAGFlow: låt AI svara genom att läsa dina dokument

RAGFlow är en open source-motor (Apache 2.0-licens) för retrieval-augmented generation: den indexerar avtal, fakturor, presentationer och skannade PDF-filer, tolkar dem även när de är tabeller eller har komplexa layouter, och svarar på frågor genom att citera exakt det ställe i dokumentet som svaret kommer från. Den 24 september 2026 hade repot över 91 000 stjärnor på GitHub.

Det är det användningsfall som kunder oftast efterfrågar hos en MSP: ”jag vill söka i dokumenten som på Google, men att den också svarar på frågor”. RAGFlow gör det lokalt, så avtal och data stannar på dina egna servrar, och källhänvisningarna minskar risken för att AI:n hittar på ett svar.

Det installeras med Docker på några minuter: git clone https://github.com/infiniflow/ragflow.git && cd ragflow/docker && docker compose -f docker-compose.yml up -d

Det är inte lättviktigt: det krävs minst 16 GB RAM, 50 GB diskutrymme och en uppdaterad Docker, och de färdigbyggda images fungerar bara på x86 (inte på Mac med Apple Silicon eller Raspberry Pi). Det bör skötas av någon som faktiskt kan administrera Docker och Elasticsearch: det här är ingen produkt du installerar och sedan glömmer.

n8n: automatisera processer med AI-agenter, utan (alltför mycket) kod

n8n är en visuell automationsplattform med över 400 integrationer som numera har inbyggda AI-agenter: du kopplar ihop en trigger (ett nytt e-postmeddelande, en ny order), en valfri modell — OpenAI, Anthropic eller en lokal modell via Ollama — och en åtgärd, genom att dra och släppa block. Den 24 september 2026 hade repot över 205 000 stjärnor på GitHub, det högsta antalet av de tre reposen i den här artikeln.

För en MSP är det verktyget för att bygga automationer åt kunder på timmar, inte veckor: automatisk sortering av ärenden, en agent som fyller i en offert utifrån CRM-data, en notis när en förfallen faktura fortfarande inte är betald.

Du testar det med en enda container: docker run -it --rm --name n8n -p 5678:5678 -v n8n_data:/home/node/.n8n docker.n8n.io/n8nio/n8n

Två saker värda att veta innan du säljer vidare det till en kund. För det första: licensen är inte klassisk open source utan en ”Sustainable Use License”, som tillåter användning och modifiering för den egna verksamheten men inte återförsäljning som en tjänst i konkurrens med n8n Cloud utan en enterprise-licens — bra att veta om en MSP funderar på att hosta det åt flera kunder. För det andra: i januari 2026 offentliggjordes en kritisk sårbarhet (CVE-2026-21858, CVSS-poäng 10) som upptäckts av Cyera och redan åtgärdats från version 1.121.0; enligt Shadowserver fanns det veckor senare fortfarande tiotusentals ouppdaterade instanser exponerade. Uppdatera alltid: det är inte valfritt.

Varför det spelar roll

Om du är IT-chef eller MSP i Italien täcker de här tre reposen de tre sätt som ett litet företag verkligen börjar använda AI på: köra den lokalt för att slippa betala per token och slippa att data lämnar huset, låta den läsa i de egna dokumenten istället för i ett Excel-ark, och låta den automatisera en process som i dag sköts för hand av en anställd. Ingen av de tre kräver en budget som ett stort företag: det som krävs är någon som kan installera dem, hålla dem uppdaterade och veta var datan hamnar. Altovar hjälper företag att integrera AI och genomföra lokala eller suveräna deployment; för att avgöra vilket av de här verktygen som passar din verksamhet är sidan Altovars AI-tjänster en bra utgångspunkt.

Källor: Ollamas repo på GitHub, RAGFlows repo på GitHub, n8n:s repo på GitHub (stjärnor, licens och datum för senaste push verifierade via GitHubs API den 24 september 2026); The Hacker News om Ollamas sårbarhet CVE-2026-7482; Cybersecurity Dive om n8n:s sårbarhet CVE-2026-21858.