Корпоративная база знаний с ИИ

Мы в БизнесМатике внедряем корпоративную базу знаний на больших языковых моделях (LLM) с поиском по смыслу. Сотрудник задает вопрос на естественном языке и получает готовый ответ со ссылкой на конкретный пункт конкретного документа, вместо списка из десятков файлов, которые надо читать самому. Технически это подход RAG (retrieval-augmented generation) - система находит в корпоративных документах релевантные фрагменты и на них строит ответ. Работаем на GigaChat, YandexGPT и открытых LLM, для чувствительных данных разворачиваем систему на серверах заказчика (on-premise), персональные данные обрабатываем в России (152-ФЗ). Пилот идет от 8 до 14 недель и измеряется по метрике, которую выбираем на бесплатной диагностике.

Мы строим RAG-систему поверх корпоративного корпуса документов, который уже есть у заказчика. Конвейер состоит из следующих шагов:

1. Индексация. Документы (регламенты, методики, инструкции, архив проектов) разбиваются на фрагменты и загружаются в поисковый индекс. Права доступа сохраняются, и сотрудник при поиске видит только те документы, к которым у него есть доступ в исходной системе.
2. Поиск по смыслу. По вопросу сотрудника система находит релевантные фрагменты по смыслу запроса, даже если в них нет тех же слов.
3. Ответ со ссылкой. Языковая модель формирует ответ на естественном языке и указывает источник - конкретный пункт документа и его дату, чтобы ответ можно было проверить.
4. Актуализация. При изменении документа индекс обновляется, и ответы начинают опираться на новую редакцию.

К распространенным хранилищам документов и корпоративным порталам подключаемся, не заменяя их. Для юридических и аудиторских фирм, где действует адвокатская (63-ФЗ) и аудиторская (307-ФЗ) тайна, систему разворачиваем в закрытом контуре на серверах фирмы.

Самый показательный публичный кейс - Московская биржа. Ее внутренний поиск на подходе RAG охватывает более 1500 нормативных документов и регламентов. Поиск, который раньше занимал в среднем 18 минут, стал занимать 15 секунд, релевантность ответов превысила 80%, а сам ответ система дает со ссылкой на источник (по данным пресс-релиза Московской биржи за 2025 год, растиражированного ComNews и CNews). Модель и вендора биржа не раскрыла.

Teboil с Yandex B2B Tech и компанией Neoflex сделала ИИ-агента по технической документации на YandexGPT и подходе RAG. По итогам тестирования точность ответов превысила 90%, а по прогнозу более 10 тысяч запросов агент закрывает без привлечения технического специалиста (по данным CNews за 2026 год). Это внешний клиентский агент для покупателей, но по устройству это тот же RAG по документации, что и внутренняя база знаний сотрудников.

КРОК построила внутреннего RAG-ассистента CAFY по регламентам, методикам и проектной документации в закрытом контуре. Публичных цифр эффекта по нему нет, но кейс важен устройством - изолированные коллекции и контроль прав доступа, когда сотрудник при поиске видит только доступные ему данные (по данным блога КРОК за 2025 год).

Отдельно стоит паттерн ответа со ссылкой на источник. ИИ-помощник КонсультантПлюс собирает ответ из проверенной базы и дает структурированный ответ с активными ссылками на конкретные нормы и судебную практику, что снижает выдумки модели (2025 год). Это продукт справочной системы, по устройству близкий к внутренней базе знаний, и он показывает, как выглядит ответ, которому можно доверять.

Отраслевую специфику базы знаний с ее тайной и регуляторикой разбираем на страницах вертикалей - профессиональные услуги, страхование, банки и пищепром.

Вот условия, при которых мы не рекомендуем начинать проект:

• Корпус документов маленький или неструктурированный. На малом корпусе поиск и так быстрый, а на неструктурированном модели нечего надежно находить.
• Документы устаревшие, и никто не отвечает за их актуальность. Тогда база знаний уверенно отвечает неправильно, что хуже, чем отсутствие ответа.
• Знание живет только в головах экспертов и не задокументировано. Тогда RAG нечего индексировать, и сначала знание надо собрать в документы.

Если вы не уверены, выполняются ли эти условия, это и есть предмет бесплатной диагностики. По ее итогам мы говорим, окупится проект или нет, в том числе когда ответ отрицательный.