ИИ-ассистент по базе знаний: ответы сотрудникам и клиентам из документов компании

Какие задачи решает ассистент

Регламенты, инструкции, договоры, техкарты, ответы клиентам и материалы прошлых проектов лежат в десятках папок, чатов и систем. Сотрудник тратит час, чтобы найти нужный абзац, или отвлекает коллегу, который знает ответ. Новичок месяцами разбирается, где что лежит. Клиент ждет ответа на простой вопрос до утра.

ИИ-ассистент по базе знаний закрывает это двумя способами.

Для сотрудников. Спрашивают обычными словами: «какой срок согласования договора свыше миллиона», «где техкарта на эту линию», «что мы делали для похожего заказчика». Ассистент отвечает и дает ссылку на документ, откуда взят ответ.

Для клиентов. Ассистент на сайте или в мессенджере отвечает по базе знаний компании круглосуточно: условия, цены, подготовка к услуге, частые вопросы. Сложные случаи передает специалисту.

Типовые задачи, с которых начинают:

• адаптация новичков: вопросы по регламентам и внутренним правилам;
• поддержка продаж: условия, характеристики, ответы на возражения;
• производство и сервис: поиск по инструкциям к оборудованию и техкартам;
• юристы и закупки: поиск по договорам и типовым условиям;
• клиентская поддержка: первая линия в чате.

Как устроена RAG-система изнутри и на чем спотыкаются такие проекты, разобрано в статье RAG-система для бизнеса. Здесь о том, как мы ее внедряем.

Как устроено решение

Ассистент работает по схеме RAG: сначала система находит в ваших документах фрагменты, относящиеся к вопросу, потом языковая модель пишет ответ только по ним. Дообучать модель не нужно: обновили документ в базе, и ответы изменились в тот же день.

Мы собираем четыре части:

1. Загрузка и подготовка документов. Разбиваем тексты на смысловые фрагменты, вытаскиваем таблицы, убираем дубли и устаревшие версии. Здесь решается большая часть качества.
2. Поиск. Находит нужные фрагменты по смыслу, а не только по словам, и учитывает права доступа: бухгалтерия не видит документы HR, если так задумано.
3. Модель. Пишет ответ по найденному, ставит ссылку на источник, а если ответа нет, так и говорит.
4. Канал. Telegram-бот, чат на сайте, корпоративный портал или мессенджер команды.

Модели в вашем контуре

Внутренние документы содержат коммерческую тайну и персональные данные. С 30 мая 2025 года за повторную утечку персональных данных компании грозит оборотный штраф от 1 до 3% выручки, поэтому отправлять такие документы во внешний чат-бот нельзя.

Для работы в контуре есть российские модели с открытыми весами: Яндекс выложил YandexGPT 5 Lite, Сбер публикует GigaChat под лицензией MIT, подходят и открытые модели вроде Qwen. Их можно развернуть на ваших серверах или на российском облаке. Для несекретных задач облачная модель через API дешевле в запуске. Какие документы куда, решаем на разборе.

Работаем под NDA, персональные данные обезличиваем до отправки в модель.

С какими системами интегрируем

На пилоте подключаем один-два источника и один канал.

Наш опыт

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, экономия времени сотрудников составила 30%. Подробнее на странице цифровой помощник по базе знаний.

ИИ-косметолог для LR Clinic. Telegram-бот на базе знаний клиники для клиентов: анализирует фото, разбирает проблемы кожи, дает рекомендации и расшифровывает анализы. Отвечает круглосуточно и передает клиента специалисту, когда нужен врач. 98% ответов точные. Подробнее на странице ИИ-косметолог для LR Clinic.

Первый проект показывает внутренний сценарий, второй клиентский. Технически это одна схема: документы, поиск, модель, канал. Разница в правилах: внутреннему ассистенту важнее права доступа и ссылки на регламенты, клиентскому важнее тон, границы ответа и момент, когда пора передать человека. В клинике, например, ассистент не ставит диагноз, а передает клиента специалисту. Эти правила мы прописываем вместе с вами до запуска.

Как мы проверяем качество ответов

Главный риск такого ассистента не в том, что он молчит, а в том, что он уверенно отвечает неправильно. Поэтому качество проверяем до запуска и после.

• Контрольные вопросы. Вместе с вами собираем 30-50 реальных вопросов с правильными ответами и прогоняем их перед каждым обновлением. Так видно, стал ассистент лучше или хуже.
• Ссылка на источник в каждом ответе. Сотрудник одним нажатием открывает документ и проверяет. Это быстро учит людей доверять ассистенту там, где он прав, и замечать, где ошибся.
• Честное «не знаю». Если ответа в документах нет, ассистент так и говорит и предлагает, к кому обратиться, а не сочиняет.
• Журнал вопросов. Видно, о чем спрашивают чаще всего и на что ассистент не нашел ответа. Это готовый список документов, которые пора написать или обновить.
• Ответственный за базу. Документы устаревают, и кто-то должен заменять старую версию на новую. Без этого через полгода ассистент начнет отвечать по отмененным правилам.

Как проходит проект

1. Бесплатный разбор на 30-40 минут. Какие вопросы задают чаще всего, сколько времени уходит на поиск, где лежат документы и какие из них чувствительные.
2. Подготовка базы. Собираем документы для одного отдела или одной темы, убираем устаревшие версии, размечаем доступы.
3. Выбор модели и размещения под требования безопасности.
4. Проверка до запуска. Прогоняем 30-50 реальных вопросов, меряем точность, правим поиск и документы.
5. Пилот. Один отдел или одна тема, сравниваем с показателями до старта.
6. Расширение на другие отделы и источники.

Срок фиксируем после разбора: он зависит в первую очередь от состояния документов.

Сколько стоит

Разбор процесса бесплатный. Пилот от 300 000 ₽. Точная цена фиксируется после разбора и зависит от объема документов, числа источников, требований к размещению модели и канала, в котором будет работать ассистент. Если на модели в контуре нужен свой сервер, его стоимость считаем отдельно на разборе, вместе с эффектом.