Пять вопросов, на которые сотрудники ищут ответ неделями
В каждой компании есть вопросы, которые задают регулярно — и каждый раз проходят один и тот же долгий путь:
- «По какой форме мы сейчас оформляем закрывающие документы?» — ответ в регламенте, но каком из сорока?
- «Какая скидка по такому-то тарифу для корпоративного клиента?» — тариф в одном файле, условия — в другом, исключения — в письме.
- «Что делать, если клиент требует возврат после 14 дней?» — процедура разбросана по трём инструкциям.
- «Кто согласовывает командировку на сумму выше лимита?» — регламент менялся, какая версия актуальна?
- «Какие документы нужны для отгрузки на экспорт?» — ответ зависит от страны, инкотермс, договора.
Каждый такой вопрос — это 20–40 минут поиска, вопрос коллегам, иногда неделя ожидания ответа от бэк-офиса. ИИ-база знаний отвечает на все пять за 5–8 секунд — с указанием конкретного документа и пункта.
Почему это не «загрузить PDF в ChatGPT»
Корпоративная база знаний — инженерная система, а не чат с моделью. Разница критическая:
- Модель без данных галлюцинирует. На вопрос про «нашу форму документов» ChatGPT выдумывает форму, потому что её не знает. База знаний на RAG сначала находит нужный фрагмент в ваших документах, потом формулирует ответ по нему.
- Источник важен ответа. Сотрудник должен видеть, из какого документа и пункта взят ответ, иначе доверия не будет. RAG даёт ссылку на источник.
- Доступ по ролям. База знает, что сотруднику отдела X можно показывать документы отдела X, а не всё. ChatGPT так не умеет.
Из чего состоит система
Шесть блоков, и каждый влияет на качество:
- Источники. Confluence, 1С, SharePoint, файловые архивы, Helpdesk, база статей. База тянет знания из того, где они уже живут.
- Индексация и чанкинг. Документы режутся на смысловые фрагменты (чанки), каждый получает векторное представление. От качества чанкинга зависит точность поиска — это не тривиальный шаг.
- RAG-конвейер. Вопрос → векторный поиск релевантных чанков → передача их в LLM как контекста → ответ со ссылкой. Модель отвечает только по найденному.
- Модель. Open-source LLM (Llama, Qwen, Mistral, GigaChat) или дообученная под вашу терминологию. На российских серверах.
- Роли и доступ. Сотрудник видит только те документы, к которым имеет доступ по должности. База уважает права.
- Аналитика и дообучение. Логируем запросы и ответы, разбираем неудачные, дообучаем. Без этого база деградирует.
Кейс: B2B-холдинг из шести компаний
Холдинг из шести B2B-компаний накопил за 10 лет тысячи документов: регламенты, типовые договоры, политики, инструкции. Сотрудники тратили до трети рабочего времени на поиск, новички входили в курс дела месяцами.
Что сделали:
- подключили Confluence, 1С, файловые архивы, Helpdesk — 12 000+ документов;
- векторная база с чанкингом по разделам и метаданными (дата, компания, отдел);
- open-source LLM, дообученная на корпоративной лексике;
- доступ по ролям — сотрудники видят документы своей и смежных компаний.
Результат через 3 месяца:
- среднее время получения ответа — с 20 минут до 5–8 секунд;
- доля запросов с корректным ответом — 81% (растёт по мере дообучения);
- время онбординга новичка — с 6 до 3 недель;
- обращения в бэк-офис по типовым вопросам — минус 35%.
Кейс под NDA, цифры обезличены. Главный эффект — сотрудники работают по актуальным данным, а не по памяти и слухам.
Инфраструктура и закон
Всё на российских серверах, данные внутри периметра. Персональные данные — по 152-ФЗ: согласие на обработку, хранение в РФ, доступ по ролям, аудит обращений. Часть проектов — под NDA.
Цена и что входит
Корпоративная ИИ-база знаний — от 700 000 ₽. В сумму: аудит источников и прав доступа, индексация и RAG, модель под терминологию, интеграция с порталом и ролями, тестирование и пилот. Цена зависит от объёма и разнообразия документов, числа интеграций и требований к безопасности. Срок — 7–11 недель. Эксплуатация — в РФ, отдельно.
ИИ-база знаний часто становится фундаментом для корпоративного ассистента — ассистент просто «разговаривает» с базой через RAG.
По теме
- Корпоративные чат-боты и ассистенты — «лицо» базы знаний.
- База знаний для ИИ — общий обзор темы.
- Какую LLM выбрать — выбор модели под базу.
- Концепция внедрения ИИ (PoC) — проверить базу на одном источнике.
Комментарии · 0