Как запустить ИИ-ассистента по базе знаний компании: план пилота на 6 недель

ИИ-ассистент по базе знаний окупается, когда сотрудники перестают тратить время на поиск ответа в регламентах, а не когда у компании появляется «свой ChatGPT». Ниже — план пилота, который за шесть недель показывает, работает ли подход на ваших документах.

Что такое RAG и почему он подходит для базы знаний

RAG (retrieval-augmented generation) — схема, в которой модель сначала находит подходящие фрагменты в ваших документах, а потом формулирует ответ на их основе. Модель не нужно обучать на корпоративных данных: достаточно подключить источники и настроить поиск.

Для базы знаний это важно по двум причинам. Документы меняются каждую неделю, и RAG подхватывает новую версию без переобучения. А каждый ответ можно снабдить ссылкой на исходный документ — сотрудник видит, откуда взялась информация, и может её проверить.

Неделя 1: выбрать один поток вопросов

Пилот начинается не с технологии, а с вопросов. Возьмите одно подразделение и соберите 50–100 реальных обращений за последний месяц: что спрашивали, где искали ответ, сколько времени ушло. Из этих обращений получится контрольная выборка — по ней вы оцените качество ответов в конце пилота.

Хорошие кандидаты для первого сценария:

• внутренняя поддержка по регламентам и инструкциям;
• ответы клиентам по условиям договоров и тарифам;
• техподдержка по документации к оборудованию или продукту;
• онбординг новых сотрудников.

Недели 2–3: подключить документы и настроить доступы

Подключайте только те документы, на которые опираются ответы из выборки. Сотни неактуальных файлов ухудшают поиск: ассистент начинает цитировать устаревшие версии.

На этом этапе решаются три практических вопроса. Первый — формат: PDF, сканы, Word, страницы вики и выгрузки из систем обрабатываются по-разному, сканы требуют распознавания текста. Второй — разбиение на фрагменты: слишком крупные куски дают размытые ответы, слишком мелкие теряют контекст. Третий — права доступа: сотрудник должен получать ответы только из документов, которые он может открыть и без ассистента.

Если в документах есть персональные данные или коммерческая тайна, заранее решите, где будет работать модель: в облаке или на серверах компании. От этого зависит архитектура всего решения.

Недели 4–5: проверить качество на реальных вопросах

Прогоните контрольную выборку через ассистента и попросите сотрудников оценить каждый ответ: верный, частично верный, неверный или «в документах этого нет». Последний вариант — нормальный результат: ассистент, который честно признаёт, что ответа нет, полезнее того, который уверенно выдумывает.

Ошибки на этом этапе почти всегда делятся на две группы: нужного документа нет в базе или поиск нашёл не тот фрагмент. Обе проблемы исправляются настройкой, а не сменой модели. Смотрите на три метрики:

• долю ответов, принятых без правок;
• долю ответов со ссылкой на правильный документ;
• время от вопроса до ответа по сравнению с ручным поиском.

Неделя 6: решить, масштабировать ли

К концу пилота у вас есть цифры по одному сценарию. Если ассистент закрывает заметную долю вопросов без правок и сотрудники им пользуются, следующий шаг — подключить ещё один поток обращений или встроить ассистента туда, где люди уже работают: в корпоративный мессенджер, CRM или портал поддержки.

Если результат слабый, пилот всё равно полезен: он показывает, каких документов не хватает и где база знаний противоречит сама себе.

Когда нужен не ассистент, а агент

Ассистент отвечает на вопросы. ИИ-агент ещё и выполняет действия: создаёт заявку, проверяет статус в учётной системе, готовит черновик документа. Агенту нужны интеграции и чёткие правила — какие действия он делает сам, а какие только после подтверждения сотрудника.

Начинать с агента имеет смысл, когда ответы уже работают и понятно, какое действие человек совершает после ответа. В остальных случаях сначала отладьте ответы по документам — это фундамент, на котором строится агент.