Как обучить ИИ-ассистента на документах компании

Чтобы ИИ-ассистент отвечал по вашим документам, саму модель переучивать не нужно. Документы собирают в базу знаний, а ассистент перед каждым ответом находит в ней нужные фрагменты и формулирует ответ на их основе, со ссылкой на источник. Этот подход называют RAG. Основная работа — подготовить документы и проверить ответы на реальных вопросах.

Ниже объясняем, как это устроено, без технических терминов: что происходит «под капотом», какие документы подойдут, где ассистент может ошибиться и как убедиться, что он готов к работе с клиентами или сотрудниками.

Когда руководитель говорит «обучить ИИ на наших документах», он обычно представляет, что модель прочитает все регламенты и запомнит их. На практике делают по-другому, и это хорошая новость.

Представьте нового сотрудника. Можно заставить его выучить наизусть все инструкции — долго, а через месяц половина устареет. А можно дать ему хорошо организованную папку с документами и научить быстро находить нужную страницу. Второй сотрудник отвечает точнее: он каждый раз сверяется с актуальным текстом и может показать, откуда взял ответ.

ИИ-ассистент с базой знаний работает как второй сотрудник. Языковая модель — GPT, Claude, GigaChat или другая — уже умеет понимать вопросы и писать связный текст. От вас нужны знания о компании: условия, цены, регламенты, ответы на частые вопросы. Их не «вшивают» в модель, а подкладывают ей в момент вопроса.

Аббревиатура RAG расшифровывается как «генерация с опорой на найденные данные». За ней стоит простой процесс.

• Сбор документов. Регламенты, договоры-шаблоны, прайс, описания услуг, ответы поддержки, инструкции — всё, на что ассистент должен опираться, собирают в одном месте.
• Разметка по смыслу. Документы делят на небольшие фрагменты — абзацы или разделы — и индексируют так, чтобы искать можно было не по точным словам, а по смыслу. Вопрос «можно ли вернуть товар через месяц» найдёт раздел «Возврат и обмен», даже если слова «месяц» в нём нет.
• Поиск перед ответом. Когда клиент или сотрудник задаёт вопрос, система находит несколько самых подходящих фрагментов из базы.
• Ответ по найденному. Модель получает вопрос вместе с этими фрагментами и инструкцию: отвечать только на их основе. Ответ можно сопроводить ссылкой на документ, чтобы человек мог перепроверить.

Если в базе нет ответа, хорошо настроенный ассистент так и говорит и предлагает связаться с сотрудником, а не придумывает. Это поведение задают при настройке, и его обязательно проверяют перед запуском.

Иногда предлагают другой путь — дообучить модель на данных компании. Это тоже рабочий инструмент, но для задачи «отвечать по документам» он подходит хуже.

• Обновление информации. База знаний: заменили документ — ассистент сразу отвечает по-новому. Дообучение: нужно заново готовить данные и повторять обучение.
• Ссылка на источник. База знаний: видно, из какого документа ответ. Дообучение: обычно нет, модель «помнит», но не показывает откуда.
• Контроль ошибок. База знаний: легко найти, какой документ дал неверный ответ. Дообучение: сложно понять, почему модель ответила именно так.
• Права доступа. База знаний: можно разграничить — бухгалтерия видит одно, продажи другое. Дообучение: всё, что выучила модель, доступно всем пользователям.
• Когда уместно. База знаний: ответы по регламентам, условиям, инструкциям. Дообучение: особый стиль текста, узкая терминология, типовые форматы документов.

Для большинства компаний правильный старт — база знаний. Дообучение имеет смысл позже и для отдельных задач, например когда ассистент должен писать в строго определённом формате.

Качество ответов ассистента почти полностью зависит от качества базы. Модель не исправит устаревший прайс и не выберет между двумя противоречащими регламентами.

• Регламенты и инструкции — актуальная версия, понятные заголовки разделов, без дублей старых редакций.
• Прайс и условия — одна действующая версия, дата обновления, кто отвечает за изменения.
• Ответы поддержки и FAQ — реальные формулировки клиентов, они помогают поиску по смыслу.
• Шаблоны договоров — какие разделы можно цитировать клиенту, а какие только для внутреннего использования.
• Сканы и PDF — текст должен распознаваться; плохие сканы лучше заменить исходниками.
• Таблицы — понятные названия столбцов; сложные сводные таблицы лучше упростить.

Короткий чек-лист перед стартом:

• Уберите противоречия. Если в двух документах разные сроки возврата, ассистент может назвать любой из них.
• Отметьте устаревшее. Старые версии лучше удалить из базы, а не хранить «на всякий случай».
• Назначьте владельцев. У каждого раздела базы должен быть человек, который обновляет его при изменениях.
• Соберите реальные вопросы. Выгрузка из чатов, почты и CRM покажет, о чём на самом деле спрашивают клиенты и сотрудники.
• Решите, что закрыто. Персональные данные, внутренние финансовые документы и коммерческая тайна либо не попадают в базу, либо доступны только определённым ролям.

Если в документах есть персональные данные клиентов, архитектуру выбирают с учётом закона. Подробно об этом — в статье «152-ФЗ и ИИ: как внедрить ассистента и не нарушить закон».

Ошибки ассистента с базой знаний обычно предсказуемы, и большинство из них закрываются ещё до запуска.

• Устаревшие данные. Ассистент назвал старую цену, потому что старый прайс остался в базе. Решение — владелец раздела и регулярное обновление.
• Неудачный поиск. Нужный фрагмент есть, но система его не нашла: например, документ разбит на слишком крупные или слишком мелкие куски. Решение — настройка разметки на реальных вопросах.
• Ответ «из головы». Модель дополняет найденное общими знаниями. Решение — строгая инструкция отвечать только по базе и тесты на вопросы, ответа на которые в базе нет.
• Вопрос не по адресу. Клиент спрашивает о том, что ассистент решать не должен: скидки по индивидуальным условиям, претензии, юридические оценки. Решение — заранее описать темы, которые сразу передаются человеку.
• Лишний доступ. Сотрудник отдела продаж получил ответ из документа бухгалтерии. Решение — разграничение прав на уровне базы, а не только на уровне интерфейса.

Проверять ассистента нужно на тех вопросах, которые реально задают ваши клиенты и сотрудники, а не на придуманных разработчиком.

• Соберите тестовый набор. Несколько десятков реальных вопросов из переписки и обращений: частые, редкие, с подвохом и такие, ответа на которые в базе нет.
• Запишите эталонные ответы. Их готовит сотрудник, который хорошо знает тему, — руководитель поддержки, юрист, методист.
• Сравните. Для каждого вопроса оцените: ответ верный, неполный, неверный или ассистент честно передал вопрос человеку.
• Исправьте причины. Неверный ответ почти всегда указывает на конкретный документ или настройку поиска. Исправляют их, а не формулировку ответа.
• Запустите на ограниченном потоке. Например, только для внутренних сотрудников или для одного канала, с возможностью для человека проверить ответы.

Такой подход хорошо ложится на формат пилота, о котором мы писали в статье «Пилот ИИ-проекта: как проверить эффект за месяц до большого внедрения».

Стоимость такого проекта зависит не от модели, а от объёма работы с данными и интеграций. Основные факторы:

• Объём и состояние документов. Аккуратные текстовые регламенты подготовить быстрее, чем архив сканов с разными редакциями.
• Каналы. Сайт, мессенджеры, внутренний чат, CRM — каждое подключение требует своей настройки.
• Права доступа. Один уровень доступа для всех проще, чем разграничение по отделам и ролям.
• Требования к данным. Если данные не должны покидать российский контур, это влияет на выбор модели и размещение.
• Поддержка после запуска. Базу нужно обновлять, а качество ответов — регулярно проверять.

Как формируется бюджет ИИ-внедрения и почему у таких проектов нет фиксированного прайса, мы подробно разобрали в статье «Сколько стоит внедрение ИИ-ассистента в бизнес в 2026 году».

Мы создаём ИИ-чаты и ассистентов для бизнеса, которые отвечают по документам и базе знаний компании, и подключаем их к сайтам, мессенджерам, CRM и внутренним чатам. Работа идёт по этапам:

• Сценарии. Определяем, на какие вопросы и для кого отвечает ассистент и какие источники для этого нужны.
• База знаний. Помогаем отобрать и подготовить документы, настраиваем поиск по смыслу.
• Интеграция. Подключаем ассистента к нужным каналам и системам.
• Тестирование. Проверяем качество на реальных вопросах и исправляем причины ошибок.
• Запуск. Запускаем и настраиваем мониторинг качества ответов.

Модель подбираем под задачу и требования к данным: работаем с GPT, Claude, GigaChat и другими. Если вы только разбираетесь в теме, начните со статьи «Что такое ИИ-сотрудник и чем он отличается от чат-бота». Все направления ИИ-автоматизации собраны на странице «ИИ и автоматизация», а примеры наших работ — в разделе «Проекты».

Расскажите, на какие вопросы должен отвечать ассистент и какие документы у вас уже есть, — предложим, с какого сценария начать и как проверить результат на ваших данных.