Własny model do n8n.

Problem

Dobre modele AI potrafią budować automatyzacje, ale te naprawdę skuteczne to drogie API czołowych modeli, rozliczane za każdy token. Przy dużej skali albo przy wrażliwych danych to realne ograniczenie: koszt rośnie z każdym workflow, a dane muszą opuścić twoją infrastrukturę i trafić do zewnętrznego dostawcy. Pytanie brzmiało: czy mały model, który faktycznie masz na własność, poradzi sobie z tym samym zadaniem?

Co zbudowałem

Dostroiłem (fine-tuning) własną rodzinę kompaktowych modeli, które z opisu w języku naturalnym tworzą działający workflow n8n:

• uczone na prawdziwej pracy, nie na teorii — na zbiorze ok. 48 000 realnych workflowów n8n, sprowadzonym do wzorców, które naprawdę sprawdzają się na produkcji,
• mały model-router rozpoznaje intencję — czy chodzi o zbudowanie nowego workflow, czy o edycję istniejącego — i przekazuje zadanie wyspecjalizowanemu modelowi,
• workflow powstaje jako jedna, zweryfikowana operacja — sprawdzona przez n8n, zanim trafi dalej, a nie zgadywana.

Cała rodzina działa self-hosted, na jednej karcie GPU — bez zewnętrznego API, a dane nie opuszczają twojej infrastruktury.

Rezultat

W moim własnym teście model dorównuje jakością czołowym modelom (jak Claude Opus) w generowaniu workflowów n8n — a działa na pojedynczej karcie GPU, którą wynajmiesz za ok. 0,15 USD za godzinę, co daje około centa za wygenerowany workflow: ułamek tego, co za to samo policzyłoby API czołowego modelu. Dowód, że przy dobrze zdefiniowanym zadaniu własny, wyspecjalizowany model potrafi dorównać największym uniwersalnym API — bez płacenia od każdego tokena i bez uzależnienia od jednego dostawcy.