RAG-система для бизнеса: как сотрудники получают ответы из документов компании
Регламенты, договоры, инструкции и ответы клиентам лежат в десятках папок, и сотрудники тратят часы, чтобы найти нужный абзац или спросить коллегу. RAG-система отвечает на вопрос обычными словами по документам компании и показывает, откуда взят ответ. Разбираем, как она устроена, где окупается, на чем спотыкается и как запустить ее без утечки данных.
- RAG-система сначала находит нужные фрагменты в документах компании, а потом языковая модель пишет ответ только по ним и ставит ссылку на источник.
- Для RAG не нужно дообучать модель: документы обновляются в базе, и ответы меняются в тот же день.
- Чаще всего проекты спотыкаются не о модель, а о поиск: плохое разбиение документов, устаревшие версии и отсутствие прав доступа.
- Чувствительные документы можно держать в контуре компании на открытых моделях, например YandexGPT 5 Lite или GigaChat с открытыми весами.
- В наших проектах RAG-ассистенты дали поиск в 7 раз быстрее, 30% экономии времени сотрудников и 98% точных ответов на вопросы клиентов.
Где компания теряет деньги без базы знаний
У любой компании через несколько лет работы накапливаются тысячи документов: регламенты, приказы, инструкции к оборудованию, договоры, шаблоны писем, ответы на типовые вопросы клиентов. Формально знания есть. На деле новый менеджер спрашивает у старшего коллеги, кадровик в десятый раз объясняет порядок оформления отпуска, инженер ищет нужную редакцию техкарты в трех папках с похожими названиями.
Потери складываются из трех частей:
- Время на поиск. Сотрудник ищет документ, открывает пять похожих, читает, чтобы найти один абзац.
- Время опытных сотрудников. Вопросы новичков падают на тех, кто стоит дороже всего: руководителей отделов, юристов, главных инженеров.
- Ошибки по устаревшим документам. Работа по старой версии регламента или договора стоит дороже, чем любой поиск.
Пример расчета до старта. В отделе 40 человек со средней стоимостью часа 800 ₽ с учетом налогов. Если каждый тратит на поиск информации и вопросы коллегам 1 час в день, это 40 × 800 × 21 = 672 000 ₽ в месяц. Сокращение этого времени на 30%, как в нашем проекте цифрового помощника, возвращает около 200 000 ₽ в месяц на одном отделе. Это ориентир для расчета, а не обещание: у каждой компании своя доля поиска в рабочем дне, и ее нужно замерить.
Что такое RAG простыми словами
RAG (Retrieval-Augmented Generation, генерация с опорой на поиск) это способ заставить языковую модель отвечать по вашим документам, а не по общим знаниям из интернета. Подход описали исследователи Facebook AI в статье 2020 года, и с тех пор он стал основным для корпоративных ассистентов.
Работает в два шага. Сначала система ищет в базе документов фрагменты, которые относятся к вопросу. Затем языковая модель пишет ответ только по найденным фрагментам и ставит ссылку на документ, откуда взят ответ. Сотрудник видит и короткий ответ, и источник, который может открыть и проверить.
Чем RAG отличается от «просто спросить ChatGPT» и от дообучения
| Спросить общий чат-бот | Дообучить модель | RAG-система | |
|---|---|---|---|
| Знает ваши документы | Нет, только то, что вставили в чат | Частично, то, на чем обучили | Да, всю подключенную базу |
| Ссылка на источник | Нет | Нет | Да, на конкретный документ и раздел |
| Обновление знаний | Каждый раз вручную | Повторное обучение | Добавили файл, и он доступен в поиске |
| Права доступа | Нет | Нет | Да, сотрудник видит только свои документы |
| Риск выдуманных ответов | Высокий | Средний | Низкий, если ответ ограничен найденным текстом |
| Где лежат данные | У внешнего сервиса | Внутри модели | В базе компании, модель можно держать в контуре |
Дообучение полезно, когда модели нужно освоить стиль, формат или узкую терминологию. Для задачи «ответь по регламенту, который вчера обновили» оно не подходит: знания зашиты в модель, и после каждой правки документа ее пришлось бы обучать заново. RAG держит знания отдельно от модели, поэтому база знаний живет так же, как живут документы компании.
Как устроена RAG-система
Источники. Файловые хранилища, корпоративная вики, 1С, CRM, база ответов поддержки. На старте не нужно подключать все: лучше один источник, но актуальный.
Очистка и права доступа. Убираем дубли и старые редакции, помечаем, какая версия действует. Для каждого документа фиксируем, кто имеет право его видеть. Этот слой незаметен, но от него зависит половина качества.
Разбиение на фрагменты. Документ режется на куски по смыслу: раздел регламента, пункт договора, шаг инструкции. Если резать механически по количеству символов, ответ на вопрос окажется разорван между двумя кусками, и модель увидит только половину.
Векторизация. Каждый фрагмент превращается в набор чисел, который отражает его смысл. Поэтому система находит пункт «порядок предоставления ежегодного оплачиваемого отпуска» по вопросу «как уйти в отпуск».
Поиск и переранжирование. По вопросу находятся похожие по смыслу фрагменты. Хорошая практика: совмещать смысловой поиск с поиском по точным словам (артикулы, номера договоров, коды ошибок) и затем отдельной моделью пересортировать найденное по релевантности.
Генерация ответа. Модель получает вопрос и 5-10 лучших фрагментов с инструкцией отвечать только по ним. Если ответа в документах нет, система так и пишет и предлагает, к кому обратиться.
Интерфейс. Сотруднику удобнее всего там, где он уже работает: Telegram-бот, окно на портале, чат внутри CRM или 1С.
Где применять корпоративную базу знаний с ИИ
- Регламенты и инструкции. Самый быстрый старт: документы уже есть, вопросы типовые. Хорошо разгружает руководителей отделов.
- Техническая документация. Инструкции к оборудованию, техкарты, рецептуры. В альманахе МФТИ разобран кейс промышленной компании, где RAG ускорил поиск по документации в 5 раз с эффектом 43 млн ₽ в год, подробнее в нашем разборе ИИ в промышленности.
- Договоры. Поиск условий по всем договорам с контрагентом, сроков, штрафных санкций. Требует аккуратных прав доступа и проверки ответов юристом.
- HR и кадры. Корпоративная база знаний для кадровика закрывает вопросы про отпуска, больничные, командировки, справки. Сотрудник получает ответ сразу, кадровик занимается тем, что требует решения человека.
- Поддержка клиентов. Ассистент отвечает клиентам по базе знаний компании круглосуточно и передает сложные вопросы человеку.
- Продажи. Характеристики товаров, условия поставки, ответы на возражения. Новый менеджер быстрее выходит на план.
RAG и данные из 1С
Запрос «нейросеть для 1С» обычно означает одно из двух. Первое: ответы по документации и регламентам работы в 1С, это обычная RAG-база. Второе: вопросы к самим данным («какие остатки по артикулу», «сколько отгрузили клиенту за квартал», «в каком статусе заказ»). Векторный поиск здесь не нужен: ассистент формирует запрос к 1С через ее интерфейсы, получает точные цифры и объясняет их обычными словами. В хорошей системе оба режима работают в одном окне, а права пользователя в 1С сохраняются.
Примеры корпоративной базы знаний
Как выглядит рабочая база знаний с ИИ на практике:
- кадровик загружает положение об отпусках и коллективный договор, сотрудники спрашивают в боте и получают ответ с номером пункта;
- служба поддержки подключает базу ответов и инструкции к продуктам, ассистент закрывает типовые обращения, оператор берет сложные;
- инженерная служба подключает паспорта оборудования, механик спрашивает про код ошибки и получает страницу из инструкции;
- отдел продаж подключает прайс, спецификации и условия поставки, менеджер готовит ответ клиенту за минуты.
Если ассистент должен не только отвечать, но и выполнять действия (создать заявку, проверить статус в 1С, отправить документ), RAG становится частью ИИ-агента. Об этом подробно в статье про ИИ-агентов для бизнеса.
Главные проблемы RAG и как их решать
Плохой поиск
Модель отвечает плохо не потому, что она слабая, а потому, что ей передали не те фрагменты. Признаки: ответы общие, ссылки ведут не на тот документ, на вопросы с номерами и артикулами система «не находит ничего».
Что делать: резать документы по структуре, а не по длине; совмещать смысловой и точный поиск; добавлять к фрагментам заголовок документа и раздела; переранжировать результаты. И главное, проверять поиск отдельно от генерации: если нужного фрагмента нет среди найденных, менять модель бесполезно.
Устаревшие документы
Если в базе лежат три редакции регламента, система может процитировать самую старую. Решение организационное: у каждого документа есть владелец и статус «действует», старые редакции уходят в архив и в поиск не попадают. Загрузка новых версий автоматическая из того же хранилища, где документы и так живут.
Права доступа
Ассистент не должен рассказать менеджеру по продажам зарплаты из приказов или условия договора, к которому у него нет доступа. Права проверяются на этапе поиска: в выдачу попадают только фрагменты, которые этот сотрудник может открыть в исходной системе. Фильтровать уже готовый ответ поздно.
Галлюцинации
Языковая модель может уверенно написать то, чего нет в документах. В RAG риск снижают три приема: инструкция отвечать только по найденным фрагментам, обязательная ссылка на источник у каждого утверждения и честный ответ «в документах этого нет», когда поиск ничего не нашел. Для договоров, медицины и финансов добавляется проверка ответа второй моделью или человеком.
Безопасность, 152-ФЗ и модели в контуре компании
Внутренние документы содержат коммерческую тайну и персональные данные: приказы, анкеты, договоры с физлицами. С 30 мая 2025 года за повторную утечку персональных данных компании грозит оборотный штраф от 1 до 3% выручки, до 500 млн ₽. Отправлять такие документы во внешний чат-бот нельзя.
Как мы строим защиту:
- NDA до доступа к документам. Работаем под соглашением о конфиденциальности с первого дня.
- Обезличивание. Персональные данные заменяются метками до отправки в модель, а в ответе сотруднику восстанавливаются, если у него есть на это права.
- Модель в контуре компании. Чувствительные базы работают на модели, развернутой на серверах заказчика, данные не покидают периметр.
- Журнал запросов. Видно, кто и что спрашивал, какие документы попали в ответ.
Для работы в контуре есть российские модели с открытыми весами. Яндекс выложил YandexGPT 5 Lite на Hugging Face, а Сбер публикует модели GigaChat 3.1 Ultra и Lightning под лицензией MIT. Кроме того, подходят открытые модели вроде Qwen. Для несекретных задач можно использовать облачные модели через API, это дешевле в запуске. Выбор делаем на разборе: какие документы чувствительные, а какие нет.
Качество RAG-системы: как мерить и что получается на практике
Как оценить качество
Ощущение «вроде отвечает нормально» не годится для решения о масштабировании. До запуска собираем набор из 50-100 реальных вопросов сотрудников с правильными ответами и документами-источниками. По нему меряем:
| Что меряем | Как проверить | Ориентир для пилота |
|---|---|---|
| Поиск находит нужный документ | Есть ли правильный источник среди найденных фрагментов | Нужный документ в выдаче почти всегда |
| Точность ответа | Совпадает ли ответ с эталоном, проверяет эксперт | Порог задаем вместе с владельцем процесса |
| Опора на источник | Каждое утверждение подтверждается ссылкой | Без утверждений, которых нет в документах |
| Честный отказ | На вопрос без ответа в базе система говорит «не знаю» | Не выдумывает |
| Время сотрудника | Сколько уходит на поиск до и после | Сравниваем с замером до старта |
Ориентиры в таблице это наша рабочая практика, а не отраслевой стандарт. После запуска набор вопросов пополняется теми, на которых система ошиблась, и проверка повторяется после каждого обновления.
Наши кейсы
Цифровой помощник по базе знаний (компания под NDA). Корпоративный Telegram-бот: сотрудник спрашивает обычными словами и сразу получает нужный документ или проект вместо поиска по папкам и чатам. Поиск стал в 7 раз быстрее, сотрудники экономят 30% времени. Срок проекта 2 месяца.
Извлечение данных из научных статей для международной фармкомпании (NDA). Система находит в публикациях нужные данные по модели PICOS-T, разбирая текст, таблицы и изображения, и складывает их в структуру для исследователей. Точность извлечения выше 90%, экономия больше 10 часов на одном исследовании. Срок 2,5 месяца.
ИИ-косметолог для LR Clinic. Telegram-бот на базе знаний клиники отвечает клиентам круглосуточно: анализирует фото, дает рекомендации, расшифровывает анализы и передает клиента специалисту, когда нужен врач. 98% точных ответов. Срок 1,5 месяца.
Общее у трех проектов: ассистент отвечает только по проверенной базе знаний заказчика, а вопрос, на который в базе нет ответа, уходит человеку.
Как сделать RAG-систему: порядок действий
- Выбрать один процесс, где поиск стоит денег. Отдел, который чаще всего отвлекает коллег вопросами, или поддержка с повторяющимися обращениями.
- Замерить время и посчитать эффект в рублях до старта, как в расчете в начале статьи.
- Собрать 50-100 реальных вопросов и актуальные документы к ним. Навести порядок в версиях.
- Решить, где работает модель: в облаке или в контуре компании, в зависимости от чувствительности документов.
- Запустить пилот на одном отделе и проверить качество на наборе вопросов.
- Масштабировать на другие отделы и источники, когда цифры подтвердились.
Общий порядок внедрения, сроки и бюджеты ИИ-проектов разобраны в статье про внедрение ИИ в бизнес. Если база знаний нужна не для ответов, а для прогнозов по накопленным данным, это другая задача, о ней в материале про предиктивную аналитику.
Частые вопросы
Что такое RAG-система простыми словами?
Это связка поиска и языковой модели. Система ищет в документах компании фрагменты, которые относятся к вопросу, передает их модели, и модель формулирует ответ только по найденному тексту со ссылкой на документ. Без поиска модель отвечала бы из общих знаний и не знала бы ваших регламентов.
Чем RAG отличается от дообучения модели?
Дообучение меняет саму модель и требует размеченных примеров, вычислений и повторения при каждом обновлении документов. RAG модель не трогает: документы лежат в отдельной базе, их можно добавить или удалить за минуты, а ответ всегда можно проверить по источнику. Для базы знаний компании RAG почти всегда дешевле и быстрее.
Как сделать RAG-систему для своей компании?
Выбрать один процесс, где сотрудники теряют время на поиск, собрать 50-100 реальных вопросов и актуальные документы к ним, настроить разбиение, поиск и права доступа, затем проверить качество на этих вопросах до запуска. Пилот начинают с одного отдела.
Можно ли использовать RAG с персональными данными и соблюдать 152-ФЗ?
Да. Персональные данные обезличиваются до отправки в модель, а документы с чувствительной информацией обрабатываются на модели, развернутой на серверах компании. Тогда данные не уходят во внешний сервис.
Сколько стоит RAG-система?
Мы начинаем с бесплатного разбора процесса на 30-40 минут. Пилот стоит от 300 000 ₽, точная цена фиксируется после разбора и зависит от числа источников (1С, CRM, файловые хранилища, телефония) и отделов, которые подключаем.
Можно ли подключить RAG к 1С?
Да, если вопросы касаются данных из 1С: остатков, договоров, статусов заказов. Тогда к поиску по документам добавляется запрос к 1С через ее интерфейсы, а модель объединяет ответ. Права сотрудника в 1С при этом сохраняются.
Разберем ваш процесс на встрече и посчитаем эффект в рублях до старта пилота.
В искусственном интеллекте с 2015 года, обучение в ведущих университетах Великобритании. Спикер Ак Барс Банка, Альфа-Банка, «Ресторанных ведомостей».