Ответ на большинство рабочих вопросов в компании уже где-то записан: в регламенте, инструкции, договоре, на странице wiki или в переписке годичной давности. Проблема в том, что найти его долго. Сотрудник листает папки, пишет коллеге, ждёт ответа или делает по памяти — и иногда ошибается.
Корпоративная база знаний с ИИ решает именно эту задачу: человек задаёт вопрос обычными словами и получает короткий ответ со ссылкой на документ, из которого он взят. Разберём, как это устроено, чем отличается от обычного поиска и от ChatGPT, что сделать с документами и правами доступа и как запустить пилот.
Зачем компании база знаний с ИИ
Внутренние знания обычно разбросаны по нескольким местам. Регламенты лежат в общей папке, инструкции — в wiki, условия с контрагентами — в договорах, а половина практики живёт в чатах и почте. Каждое место по отдельности понятно, но вместе они превращаются в лабиринт.
Типичные вопросы, на которые уходит время:
- Какой порядок согласования командировки и кто его подписывает?
- Какие сроки оплаты в договоре с конкретным поставщиком?
- Как оформить возврат товара, если клиент потерял чек?
- Где шаблон доверенности и какая версия актуальна?
- Как настроить доступ новому сотруднику в учётной системе?
Отвечают на такие вопросы обычно опытные коллеги, и их день постоянно прерывается. Новичкам ещё сложнее: они не знают, где искать, и стесняются спрашивать. ИИ-ассистент для сотрудников снимает с опытных людей повторяющиеся вопросы и ускоряет адаптацию новых.
Это не то же самое, что ассистент на сайте для клиентов. Клиентский ассистент отвечает по открытой информации о товарах и услугах, а внутренний работает с закрытыми документами, поэтому для него важнее права доступа и защита данных.
Как это работает простыми словами
Технически такой подход называется RAG — генерация ответа с опорой на найденные документы. Звучит сложно, но по шагам всё понятно.
- Документы режутся на фрагменты. Регламенты, инструкции, договоры и страницы wiki разбиваются на смысловые куски: раздел, пункт, абзац. У каждого фрагмента сохраняется, из какого он документа, какой версии и кому доступен.
- Фрагменты индексируются по смыслу. Система запоминает не только слова, но и смысл текста. Поэтому вопрос «сколько дней на возврат» найдёт пункт, где написано «срок обращения — 14 календарных дней».
- По вопросу находятся подходящие фрагменты. Когда сотрудник спрашивает, поиск отбирает несколько самых близких по смыслу кусков из документов, к которым у него есть доступ.
- Модель отвечает только по ним. Нейросеть получает вопрос и найденные фрагменты с инструкцией: отвечай только на основе этого текста, а если ответа в нём нет — так и скажи.
- Ответ приходит со ссылкой на источник. Сотрудник видит короткий ответ и ссылку на документ и пункт, чтобы при необходимости открыть оригинал и проверить.
Главное в этой схеме: модель не вспоминает, а читает ваши документы. Она работает как внимательный коллега, которому дали нужные страницы и попросили пересказать суть.
Чем это отличается от обычного поиска и от ChatGPT
Обычный поиск по документам компании ищет совпадение слов. Если в регламенте написано «служебная поездка», а сотрудник ищет «командировку», он может ничего не найти. А если найдёт — получит список из двадцати файлов, в которых ответ ещё надо отыскать.
Просто спросить ChatGPT тоже не выход. Публичная модель ничего не знает о ваших регламентах, ценах и договорах. При нехватке данных она может уверенно выдать правдоподобный, но выдуманный ответ. Кроме того, загружать внутренние документы в публичный сервис часто запрещено политикой безопасности.
| Поиск по ключевым словам | ИИ-ответ с источниками | |
|---|---|---|
| Как формулировать вопрос | Угадывать слова из документа | Обычными словами, как коллеге |
| Что получает сотрудник | Список файлов | Короткий ответ и ссылку на пункт |
| Синонимы и перефразы | Плохо | Понимает по смыслу |
| Ответ из нескольких документов | Собирать вручную | Сводит в один ответ |
| Риск ошибки | Не нашёл нужное | Неточный пересказ, поэтому нужна ссылка |
| Проверка | Читать файлы целиком | Открыть источник по ссылке |
Умный поиск по регламентам не отменяет обычный: многим удобно иметь и то и другое. Но для вопроса «как сделать» ответ с источником экономит больше времени, чем список файлов.
Качество источников: без порядка в документах не заработает
Нейросеть для внутренних документов не исправит хаос в самих документах. Если в папке лежат три версии регламента, ассистент может процитировать старую. Если два документа противоречат друг другу, ответ будет зависеть от того, какой фрагмент нашёлся первым.
Ассистент отвечает настолько хорошо, насколько хороши документы, которые ему дали.
Поэтому перед запуском документы нужно разобрать. Не переписать всё, а навести базовый порядок:
- Убрать устаревшее. Старые версии регламентов — в архив, который не попадает в поиск.
- Разрешить противоречия. Если два документа описывают один процесс по-разному, решить, какой действует.
- Назначить владельцев разделов. У каждого раздела базы должен быть человек, который отвечает за актуальность: кадры, закупки, продажи, ИТ.
- Договориться об обновлении. Изменился регламент — новая версия попадает в базу, старая уходит в архив. Лучше, чтобы это происходило автоматически из того места, где документы хранятся.
Права доступа: каждый видит только своё
В базе знаний окажутся документы разного уровня: общие инструкции, договоры с контрагентами, кадровые документы, финансовые регламенты. Сотрудник склада не должен получить ответ из документа о зарплатах руководства, даже если спросит напрямую.
Правило простое: ответ строится только из доступных сотруднику документов. Проверка прав происходит на этапе поиска, до того как фрагменты попадут к модели. Если проверять права уже после генерации, закрытая информация может просочиться в пересказ.
Права лучше не настраивать заново, а брать из систем, где документы уже хранятся: из корпоративного портала, файлового хранилища, CRM или учётной системы. Тогда изменение доступа в одном месте сразу отражается в ассистенте.
Как не дать ассистенту выдумывать
Полностью исключить ошибки нейросети нельзя, но их можно сделать редкими и заметными. Для этого используют несколько приёмов вместе.
- Право сказать «не знаю». Модель получает явную инструкцию: если в найденных фрагментах нет ответа, так и сказать и подсказать, к кому обратиться. Честное «не знаю» лучше уверенной выдумки.
- Цитаты и ссылки. Каждый ответ сопровождается ссылкой на документ и пункт, а иногда и точной цитатой. Сотрудник может проверить за несколько секунд.
- Ограничение тем. Ассистент по внутренним документам не обсуждает погоду и не пишет стихи. Вопросы вне базы он вежливо отклоняет.
- Обратная связь. Кнопки «помогло» и «неверно» под ответом. Отмеченные ошибки разбирает владелец раздела.
- Регулярная проверка. Набор эталонных вопросов прогоняется после каждого изменения документов или настроек.
Где разместить ассистента
Чат-бот по базе знаний полезен там, где сотрудники и так проводят рабочий день. Отдельный сайт, на который нужно специально заходить, используют реже.
- Веб-интерфейс. Отдельная страница или раздел корпоративного портала с чатом и историей вопросов. Удобно для офисных сотрудников и длинных ответов со ссылками.
- Telegram или другой мессенджер. Подходит для сотрудников в разъездах, на складе, в рознице. Вход привязывается к учётной записи сотрудника, чтобы работали права доступа.
- Внутри CRM или портала. Панель с ассистентом прямо в рабочей системе: менеджер спрашивает про условия договора, не переключаясь на другое окно.
Один и тот же ассистент может работать в нескольких каналах сразу: поиск и ответы устроены одинаково, меняется только интерфейс.
Данные и 152-ФЗ: облако или локальная модель
Внутренние документы часто содержат персональные данные: ФИО, контакты, паспортные данные в договорах, кадровую информацию. Обработка таких данных регулируется 152-ФЗ, и при передаче их во внешний сервис, особенно иностранный, возникают дополнительные требования.
Есть два основных подхода:
- Облачная модель. Быстрый старт и сильные модели, но фрагменты документов уходят на сторону провайдера. Нужно понимать, где обрабатываются данные, что написано в договоре с провайдером и можно ли отправлять туда персональные данные.
- Локальная модель. Работает на ваших серверах или в российском облаке, данные не покидают контур компании. Требует оборудования и поддержки, а качество ответов нужно проверять на ваших документах.
Возможен и смешанный вариант: персональные данные маскируются до отправки в модель, а чувствительные разделы обрабатываются только локально. Конкретную схему стоит согласовывать с юристом и службой безопасности до начала разработки, а не после.
Как оценить качество
Впечатление «вроде отвечает нормально» — плохая метрика. Качество базы знаний с ИИ нужно мерить, и делается это без сложной математики.
- Набор эталонных вопросов. Реальные вопросы сотрудников из чатов и почты, для каждого — правильный ответ и документ-источник. Сюда же входят вопросы, ответа на которые в документах нет: правильная реакция на них — «не знаю».
- Доля правильных ответов. Сколько вопросов из набора ассистент закрыл верно, сколько раз честно отказался и сколько раз дал верную ссылку на источник.
- Время поиска. Сколько минут сотрудник тратит на типичный вопрос до запуска и после.
- Использование. Сколько людей обращаются к ассистенту регулярно и сколько вопросов ушло из общих чатов.
Набор эталонных вопросов прогоняют до запуска, после каждого крупного изменения и регулярно в работе. Так видно, стало ли лучше на самом деле, а не только по ощущениям.
Пилот: с чего начать
Внедрять ассистента сразу на всю компанию рискованно и дорого. Лучше начать с одного отдела, где вопросов много, а документы в относительном порядке.
- Выбор отдела и типовых вопросов. Например, кадровые вопросы, поддержка внутренних систем или работа с договорами. Собираем вопросы, которые сотрудники задают чаще всего.
- Разбор документов. Отбираем нужные источники, убираем устаревшее, назначаем владельцев разделов.
- Эталонные вопросы и исходные замеры. Фиксируем, как сейчас ищут ответы и сколько это занимает.
- Сборка прототипа. Индексация документов, поиск с учётом прав доступа, ответы со ссылками в одном канале.
- Тест на небольшой группе. Несколько недель работы, сбор обратной связи, разбор ошибок и правка документов.
- Решение о масштабировании. Сравниваем метрики с исходными и решаем, подключать ли другие отделы и каналы.
Такой пилот мы собираем как небольшой веб-сервис с интеграциями в системы, где лежат документы. Подход тот же, что и в остальных наших проектах: сначала разбираемся в процессах, потом проектируем и разрабатываем. Примеры можно посмотреть в разделе проектов.
Чек-лист готовности
Перед стартом проекта проверьте, что у вас есть:
- Понятная группа пользователей и список их частых вопросов.
- Документы, где ответы на эти вопросы действительно записаны.
- Владельцы разделов, готовые отвечать за актуальность.
- Понимание, где хранятся документы и как там устроены права доступа.
- Решение юриста и службы безопасности по персональным данным и выбору модели.
- Канал, в котором сотрудникам удобно задавать вопросы.
- Набор эталонных вопросов и исходные замеры времени поиска.
Если по большинству пунктов ответ «да», можно начинать пилот. Если нет, первые недели стоит потратить на документы и права: порядок в источниках окупается качеством ответов.
Частые вопросы
Чем база знаний с ИИ отличается от ChatGPT?
ChatGPT ничего не знает о ваших регламентах, ценах и договорах и при недостатке данных может уверенно выдумать ответ. Корпоративная база знаний с ИИ сначала находит фрагменты в ваших документах, отвечает только по ним и показывает ссылку на источник, а если ответа в документах нет, честно говорит об этом.
Нужно ли переписывать документы перед запуском?
Переписывать всё не нужно. Достаточно убрать явно устаревшие версии, разрешить противоречия в ключевых регламентах и назначить владельцев разделов. Остальное приводится в порядок по ходу пилота: ассистент сам показывает, где документы слабые.
Увидит ли сотрудник документы, к которым у него нет доступа?
Не должен. Права доступа проверяются на этапе поиска: фрагменты из закрытых разделов не попадают к модели, если у сотрудника нет на них прав. Обычно права берутся из тех систем, где документы уже хранятся.
Можно ли обойтись без облачных нейросетей?
Да, модель можно развернуть на своих серверах. Это проще с точки зрения контроля над данными, но требует оборудования и поддержки, а качество ответов нужно проверять на ваших документах. Выбор между облаком и локальной моделью делают после оценки, какие данные попадут в базу.
Как понять, что ассистент отвечает хорошо?
Составить набор эталонных вопросов с правильными ответами и источниками, прогнать его до запуска и после каждого изменения. Смотрят долю правильных ответов, долю честных «не знаю», точность ссылок и время, которое сотрудник тратит на поиск.
