RAG-бот по базе знаний компании: что это и когда окупается

Запрос, который я слышу чаще всего в последний год, звучит одинаково: «Хотим бота, который отвечает по нашим документам и ничего не выдумывает». Технически это называется RAG, retrieval-augmented generation. Ниже объясняю без жаргона, что это, кому окупается, что понадобится от компании и где такие проекты ломаются.

Что такое RAG простыми словами

Языковая модель отвечает из памяти. Она читала интернет до какой-то даты и ничего не знает о вашем регламенте возвратов, прайсе на сентябрь и инструкции для склада. Если спросить её об этом напрямую, она либо честно скажет, что не знает, либо уверенно придумает.

RAG меняет порядок. Сначала система ищет в ваших документах фрагменты, которые относятся к вопросу. Потом передаёт эти фрагменты модели вместе с вопросом и просит ответить только на их основе, указав, из какого документа взят ответ. Модель по-прежнему пишет текст, но источником фактов становятся ваши файлы, а не её память.

Для пользователя это выглядит как чат. Для бизнеса это способ дать людям доступ к сотням страниц документации, не заставляя их эти страницы читать.

Ссылка на источник в каждом ответе здесь не украшение, а главный механизм доверия.

Почему RAG в 13,6% вакансий, а векторные базы только в 4,5%

В выборке из 903 вакансий AI Engineer в США (Glassdoor, апрель 2026) навык RAG требуют в 13,6% объявлений. Это чаще, чем агенты (10,6%) и prompt engineering (8,9%). А векторные базы данных, которые принято считать сердцем RAG, упоминаются только в 4,5%.

Разрыв между этими двумя цифрами показывает, где на самом деле работа. Базу для поиска по смыслу можно поднять за день, и готовых вариантов на рынке хватает. Трудное начинается до неё и после.

• Документы. Три версии одного регламента в разных папках, PDF со сканами, таблицы, которые теряют структуру при копировании.
• Нарезка. Как разбить документ на фрагменты, чтобы условие и исключение из него не оказались в разных кусках.
• Права доступа. Кто какие документы может видеть и как перенести это в поиск.
• Оценка. Как понять, что бот отвечает правильно, а не просто уверенно.

В обзоре рынка AI-профессий 2026 я приводил опрос KORE1: работодатели называют главным навыком инженера построение систем оценки, а не выбор базы данных. Для RAG это верно вдвойне.

Кому это окупается

Не каждой компании нужен бот по документам. Окупается там, где много текста и много повторяющихся вопросов к нему.

• Поддержка с большим FAQ. Сотни статей в базе знаний, операторы отвечают на одни и те же вопросы, время первого ответа измеряется часами.
• Внутренние регламенты и инструкции. Новый сотрудник неделями спрашивает коллег, где что лежит. HR и бухгалтерия отвечают на одинаковые вопросы про отпуска и командировки.
• Отделы продаж с каталогом. Тысячи позиций, спецификации, совместимость, условия по регионам. Менеджер ищет ответ в десяти файлах, пока клиент ждёт.
• Агентства с архивом предложений. Прошлые КП, кейсы, расчёты. Новое предложение собирается из старых, если их можно быстро найти.

Общий признак: ответ уже есть в документах, но найти его дороже, чем спросить человека.

Если у вас двадцать страниц документации и пять вопросов в день, бот не нужен. Хватит нормального поиска или одной страницы FAQ.

Что понадобится от компании

Об этом я говорю клиентам на первой встрече, потому что от этого зависит результат сильнее, чем от выбора модели.

1. 01Актуальные документы. Бот отвечает по тому, что ему дали. Если регламент устарел, бот будет уверенно транслировать устаревшую версию, причём с точной ссылкой на неё.
2. 02Владелец обновлений. Конкретный человек, который отвечает за то, что в базе лежит актуальная версия. Без него система деградирует за квартал.
3. 03Список вопросов с правильными ответами. Пятьдесят или сто реальных вопросов от клиентов или сотрудников и то, что считается верным ответом. Без этого набора нельзя сказать, стал ли бот лучше или хуже после очередного изменения.

Третий пункт вызывает больше всего сопротивления и приносит больше всего пользы. Собрать его можно за пару дней из логов поддержки или переписки.

Где такие проекты ломаются

Типовых сбоев четыре, и у каждого есть защита.

Устаревшие документы. Бот ссылается на прайс прошлого года. Защита: владелец обновлений и дата документа прямо в ответе, чтобы пользователь видел, насколько свежий источник.

Ответы вне зоны. Клиент спрашивает про юридические последствия расторжения, а бот, обученный на документах о доставке, пытается ответить. Защита: ограничение области поиска и жёсткое правило «если в документах нет ответа, скажи об этом и передай оператору».

Утечка документов. Бот отвечает клиенту фрагментом из внутренней инструкции, где указана себестоимость. Защита: права доступа на уровне поиска, а не на уровне промпта. Модель не должна видеть документ, который не должен видеть пользователь.

Выдуманные ссылки. Модель ставит ссылку на несуществующий раздел. Защита: ссылки формирует система из найденных фрагментов, а не пишет модель, плюс проверочный набор, где такие случаи отслеживаются.

Gartner ждёт, что больше 40% агентных проектов будут отменены к концу 2027 года. По моим наблюдениям, проекты по документам закрываются по тем же причинам, и почти всегда до старта никто не собрал проверочный набор.

Реалистичные сроки

Пилот на одном наборе документов занимает две недели. Один источник (например, база знаний поддержки), один сценарий (ответы клиентам или сотрудникам), проверочный набор из 50 вопросов, передача сложных случаев человеку. Через две недели у вас рабочая версия, которую можно показать команде и измерить.

Расширение на другие источники и права доступа для нескольких ролей идёт вторым этапом. Пытаться охватить всё сразу я не советую: каждый новый источник приносит свои проблемы с качеством документов.

Как это вписывается в мои услуги

Такого бота я делаю в рамках услуги «AI внутри вашего продукта», от 1 200 евро. Это RAG, LLM-функции и интеграции в то, что у вас уже работает: сайт, CRM, портал поддержки, внутренний инструмент. Если непонятно, есть ли в компании подходящие документы и процесс, начать можно с аудита готовности от 450 евро.

Если у вас есть база знаний, по которой сотрудники или клиенты задают одни и те же вопросы, пришлите короткий бриф: что за документы, кто спрашивает, сколько вопросов в неделю. Отвечу, стоит ли это делать и сколько это займёт.

Частые вопросы о RAG-боте по базе знаний

Чем RAG отличается от обычного чата с ChatGPT?

ChatGPT отвечает из памяти модели и ничего не знает о ваших документах. RAG-бот сначала находит нужные фрагменты в вашей базе, потом отвечает только по ним и указывает источник. Ответ проверяем, а данные остаются под вашим контролем.

Нужно ли дообучать модель на наших документах?

Для базы знаний почти всегда нет. Дообучение меняет стиль и поведение модели, но плохо запоминает факты и не даёт ссылок на источник. RAG подставляет актуальные документы в момент ответа, и обновить их можно без переобучения, просто заменив файл.

Безопасно ли давать боту внутренние документы?

Да, если права доступа реализованы на уровне поиска: бот ищет только в тех документах, которые доступны конкретному пользователю. Ограничение через инструкцию в промпте не считается защитой. Где хранятся данные и какая модель используется, обсуждается отдельно под требования компании.

Сколько документов нужно, чтобы бот имел смысл?

Дело не в количестве страниц, а в числе повторяющихся вопросов. Если сотрудники или клиенты задают десятки вопросов в день, ответы на которые уже есть в документах, бот окупится. Если вопросов пять в день, хватит страницы FAQ.

Сколько стоит и как долго делать?

Пилот на одном наборе документов занимает две недели и входит в услугу «AI внутри вашего продукта» от 1 200 евро. Если нужно сначала понять, готовы ли документы и процесс, аудит готовности начинается от 450 евро.