Корпоративный AI-ассистент по базе знаний: как это работает

Корпоративный AI-ассистент отвечает сотрудникам на рабочие вопросы по внутренним документам компании: регламентам, инструкциям, положениям, справочникам. Человек спрашивает обычными словами — «как оформить возврат от клиента», «какой порядок согласования счёта», «что делать при рекламации» — и получает ответ со ссылкой на документ, из которого этот ответ собран. Это единая точка входа вместо поиска по чатам, дискам и папкам.

Задача у ассистента приземлённая: убрать два вида потерь. Первый — время на поиск: сотрудник знает, что регламент существует, но не помнит, в каком чате его прислали и какая редакция последняя. Второй — отвлечение коллег: одни и те же вопросы приходят к бухгалтеру, кадровику и руководителю каждый месяц, и каждый раз кто-то тратит на них рабочее время вместо своей задачи.

Ключевое отличие от публичного чат-бота — источник ответа. Ассистент не рассуждает о том, как «обычно принято» оформлять командировку: он читает ваше положение о командировках и отвечает по нему. Если у вас правило отличается от общепринятого, ассистент назовёт именно ваше правило и покажет, в каком пункте оно записано.

Работает он там, где люди уже переписываются, — в корпоративном мессенджере или во внутреннем интерфейсе, чтобы не появилась ещё одна система, в которую нужно помнить, что надо зайти. DigitalOffice24 собирает такой контур в рамках услуги «Корпоративный AI-ассистент»: подключение документов, разграничение доступа, канал общения и правила обновления базы знаний.

RAG (retrieval-augmented generation, дословно «генерация с дополнением поиском») — это способ заставить языковую модель отвечать по вашим документам, а не по памяти. Сначала система ищет в базе знаний фрагменты, относящиеся к заданному вопросу. Потом модель формулирует ответ, опираясь на найденные фрагменты, и указывает, откуда они взяты. По-русски это можно назвать «сначала поиск, потом ответ» — и это точное описание механики.

Бытовая аналогия. Есть разница между «ответь по памяти, что у нас написано про отпуск за свой счёт» и «вот тебе три нужные страницы положения, ответь по ним и покажи, какой пункт читал». Языковая модель без RAG работает по первому сценарию: она отвечает правдоподобно, но про среднюю компанию вообще, а не про вашу. RAG переводит её во второй сценарий, где ответ опирается на конкретный текст и его можно проверить.

Внутри это выглядит как несколько последовательных шагов. Ни один из них не требует переучивать модель — вся ваша специфика живёт в документах, а не в весах нейросети.

Развилка простая: RAG даёт модели доступ к вашим документам в момент ответа, а дообучение (fine-tuning) меняет саму модель. Для корпоративной базы знаний в подавляющем большинстве случаев нужен именно RAG. Причина не в моде, а в трёх свойствах, которых у дообучения нет: проверяемость ответа, быстрое обновление знаний и разграничение доступа.

Дообучение хорошо решает другую задачу — форму. Если нужно, чтобы модель отвечала в определённом стиле, придерживалась формата или терминологии, это как раз к нему. А вот факты дообучение фиксирует плохо: знания усваиваются размазанно, после этого нельзя ни показать источник конкретного утверждения, ни быстро отозвать устаревший пункт регламента. Изменился порядок согласования счетов — при RAG вы правите документ, при дообучении запускаете новый цикл обучения.

Отдельный аргумент — права. Знания, вшитые в модель, одинаковы для всех: модель не умеет «помнить» зарплатную политику для финансового директора и не помнить её для стажёра. В RAG права проверяются на этапе поиска, до того как текст дошёл до модели, — поэтому один и тот же ассистент честно отвечает разным сотрудникам по-разному.

Аудиторией и задачей. Клиентский AI-чат-бот развёрнут наружу: он отвечает вашим клиентам в WhatsApp, Telegram и VK, консультирует по услугам и ценам, принимает заявки и передаёт сложный диалог живому менеджеру. Корпоративный ассистент развёрнут внутрь: он отвечает сотрудникам по внутренним документам и процессам, и наружу его контур не выходит.

Технологически они близки — оба отвечают по базе знаний компании, а не общими фразами. Различаются наборы данных и то, что происходит вокруг ответа. У клиентского бота это интеграция с CRM, фиксация заявки и эскалация менеджеру с историей диалога. У корпоративного ассистента — права доступа по ролям, ссылки на внутренние документы и версионность регламентов.

Из-за схожести их часто путают на старте проекта, а решения получаются разные. Практический признак простой: если ответ читает клиент — это бот, услуга «AI-чат-боты и поддержка 24/7»; если сотрудник — это внутренний ассистент. Иметь оба нормально, и часть материалов у них может пересекаться, например описание услуг. Но внутренние кадровые и финансовые регламенты в клиентский контур не попадают никогда — это разные хранилища с разными правами.

Нет, если доступ разграничен по ролям, — и это первое, что мы проектируем. Права проверяются на этапе поиска: в выдачу попадают только те фрагменты, к которым у конкретного сотрудника есть доступ, и модель формулирует ответ уже по ним. Менеджер по продажам не получит из ассистента ни зарплатную ведомость, ни кадровые документы — не потому, что система «решила не отвечать», а потому что эти фрагменты до неё не дошли.

Различие здесь техническое, но принципиальное. Инструкция в промпте вида «не показывай зарплаты» защитой не является: она держится на добросовестности модели, а не на правах. Надёжный вариант — фильтрация на уровне хранилища и поиска, до того как текст попал в модель. Тот же принцип мы разбирали в статье журнала «Безопасно ли давать нейросети доступ к базе данных компании»: ограничение должно стоять в системе, а не в вежливой просьбе к нейросети.

Документы храним на серверах в РФ, а порядок обработки данных фиксируется в договоре — это требование 152-ФЗ, официальные материалы по нему публикует Роскомнадзор на pd.rkn.gov.ru. Ассистент по регламентам обычно работает не с клиентскими персональными данными, но кадровые документы, приказы и внутренние положения — тоже чувствительный контур, и относиться к нему стоит так же строго.

Отдельный вопрос — какая модель формулирует ответ и куда при этом уходит текст фрагментов. Публичные зарубежные сервисы для внутренних документов подходят не всегда: про эту границу есть отдельная статья «Можно ли использовать ChatGPT в компании: 152-ФЗ». Вариант размещения обсуждаем на аудите — где-то достаточно российского облачного сервиса, где-то компании нужен закрытый контур.

На ваших — тех, что уже есть в электронном виде: регламентах, инструкциях, положениях, приказах, справочниках, шаблонах и подборках ответов на частые вопросы. Источником может быть файловый диск, страницы корпоративного портала или база знаний в мессенджере. Состав мы разбираем на старте: что есть, что дублируется, что устарело и чего нет вовсе.

Есть условие, которое честнее назвать сразу: ассистент отвечает только по тому, что записано. Если правило живёт в голове главного бухгалтера и нигде не зафиксировано, RAG его не найдёт — искать нечего. Поэтому внедрение часто начинается не с техники, а с ревизии базы знаний, и это нормальная часть проекта, а не подготовка «для галочки».

Второе условие — версии. Если по одному вопросу в базе лежат три редакции регламента и ни одна не помечена как действующая, ассистент может процитировать не ту. Поэтому на старте мы фиксируем, где хранится актуальная версия каждого типа документов и кто отвечает за её обновление. Дальше при изменении документа ассистент отвечает уже по новой редакции.

RAG не идеален, и это стоит знать до внедрения, а не после. Ассистент может дать неточный ответ: если нужный фрагмент не нашёлся, если документ противоречит другому документу, если регламент устарел или если вопрос сформулирован так, что попадает в соседний раздел. Это не поломка, а обычный режим работы системы, к которому нужно быть готовым организационно.

Поэтому ссылка на первоисточник — не украшение интерфейса, а рабочий механизм контроля. Сотрудник видит ответ и рядом документ с разделом: в спорном случае он открывает и читает сам, а не принимает формулировку на веру. Именно возможность проверить отличает корпоративного ассистента от красивого генератора текста.

Второй механизм — честное «не знаю». Правильно настроенный ассистент отвечает, что в базе знаний ответа нет, и подсказывает, к кому обратиться, вместо правдоподобной выдумки. Почему модели вообще склонны выдумывать и какие слои защиты это лечат, разбирали в статье «Почему AI-бот выдумывает ответы и как это лечится».

Третий — граница ответственности. Ассистент остаётся справочным инструментом: он экономит время на поиске, но не принимает кадровых, юридических и денежных решений. Там, где цена ошибки высока, схема такая — ассистент показывает документ, а решение принимает человек. Мы закладываем это правило в проект сразу, а не добавляем после первого спорного случая.

Начинать стоит не с выбора модели, а с ревизии базы знаний. Пока непонятно, какие документы актуальны и кто их обновляет, любая техническая настройка будет закреплять беспорядок: ассистент начнёт уверенно отвечать по отменённому положению. Порядок работ обычно такой — разобрать документы, описать роли и доступы, выбрать канал общения, запустить узкий пилот, расширить контур.

Первый контур разумно делать узким. Один набор документов и одна группа сотрудников дают быструю обратную связь: видно, какие вопросы люди задают на самом деле и на чём ассистент спотыкается. После этого расширять базу знаний проще и дешевле, чем сразу подключать всё и потом разбираться, почему ответы противоречат друг другу.

Что посмотреть на сайте. Страница «Корпоративный AI-ассистент» — про внутренний ассистент по базе знаний: ответы по вашим регламентам, ссылки на первоисточник, разграничение доступа по ролям, работа в привычном канале. Страница «AI-чат-боты и поддержка 24/7» пригодится, если задача не про сотрудников, а про клиентов в мессенджерах. Страница «AI-стратегия и обучение» — про экспресс-аудит и платный AI-аудит с дорожной картой, если пока непонятно, с какой задачи вообще начинать внедрение AI.

Стоимость и сроки называем после бесплатного экспресс-аудита на 30 минут: пока не понятен состав базы знаний, число документов и требования к доступу, любая цифра была бы выдумкой. На аудите мы говорим и обратное, если так и есть: когда база знаний — это десяток файлов и один отдел, отдельный ассистент пока не окупится, и дешевле навести порядок в папках и общем доступе.