Бизнес может использовать нейросети, чтобы отвечать на вопросы клиентов, создавать рекламные объявления, готовить отчеты и находить точки роста. Лучше всего модели справляются с задачами, когда понимают, как компании работают сейчас: какие товары продают, с какими клиентами сотрудничают, к каким результатам стремятся и как поддерживают процессы.
Однако сам по себе искусственный интеллект не может ответить на эти вопросы. Нейросети знают только то, что разработчики загрузили в них, когда тренировали. Модели не владеют актуальными данными и корпоративной информацией компаний.
Чтобы обойти ограничение без больших затрат, используют технологию RAG. Разбираемся, как она работает и зачем нужна.
Что такое RAG в AI
RAG (Retrieval-Augmented Generation, или «поисковая дополненная генерация») — это технология, которая позволяет нейросетям искать информацию во внешних базах знаний: документах, справочниках, корпоративных инструкциях.
Когда разработчики создают модели, они загружают в программы большой объем информации. Искусственный интеллект запоминает эти данные и потом использует, чтобы решать задачи пользователей.
Проблема в том, что специалисты дают нейросетям только те сведения, что существуют на момент учебы и которые юридически можно использовать для тренировки алгоритмов. Например, для этого берут статьи из открытых источников или книги, на которые купили лицензии. А вот непубличные документы компаний — регламенты работы с клиентами или налоговая отчетность — для этого не подходят. В результате ИИ не знает последних новостей и не понимает, как работают конкретные компании.
Пример. Разработчики Anthropic обучали модель Claude Sonnet 3.7 на данных, которые существовали до ноября 2024 года и которые юридически можно было использовать.
Нейросеть знает, что компания Apple выпускает смартфоны. При этом у Claude Sonnet 3.7 нет информации о том, какие продукты бренд представил в 2025 году. Кроме того, модель не ответит, что сотрудники организации обсуждают на планерках и какие корпоративные инструкции выдают новичкам.Собственных знаний искусственного интеллекта хватает, чтобы выполнять простые задачи. Однако ИИ лучше решает бизнес-вопросы, когда понимает специфику и текущее состояние конкретного бизнеса. Чтобы у нейросетей была эта информация, специалисты подключают технологию RAG и создают базу с нужными и актуальными корпоративными документами: регламентами, инструкциями, прайс-листами, договорами. В результате модели получают доступ к новым данным и точно отвечают пользователям.
RAG и дополнительная тренировка нейросетей решают разные задачи. Дообучение — долгий и затратный процесс, который требует больших вычислительных мощностей и подготовки специальных датасетов Наборов данных с пояснениями. Например, тысячи медицинских карт с диагнозами или коллекции фотографий с подписями . Этот путь выбирают, когда нужно изменить поведение самой модели, а не просто дать ей доступ к новым данным. Например, если важно сделать из ИИ медицинского ассистента со специализированными знаниями.
RAG дает ИИ доступ к базам знаний, которые удобно редактировать. Этот способ подходит, когда данные часто меняются. Например, если компания раз в полгода выпускает новые продукты, и модель должна об этом знать. После каждого релиза специалисты могут загружать актуальные сведения в базу для нейросети — без больших затрат средств и времени.
Как работает RAG
Рассмотрим, как именно система работает с источниками и помогает формировать ответ. Для примера возьмем ситуацию, где новый сотрудник обращается к корпоративному помощнику с RAG.
Шаг 1. Пользователь задает вопрос. Сотрудник-новичок заходит на корпоративный портал компании, открывает чат-бот и задает вопрос: «Как взять отгул?»
Шаг 2. RAG-система находит информацию. Она просматривает все материалы, которые в ее базу загрузили специалисты. Технология ищет данные не по словам, а по смыслу: она учитывает контекст, а не просто совпадение букв.
Пример. Сотрудник спрашивает: «Как взять отгул?» Система, которая ищет совпадения слов, ничего не найдет, если в документах компании будет фраза: «Чтобы получить дополнительный выходной, подайте заявку руководителю».
RAG-технология ищет по смыслу и понимает, что «отгул» — это «дополнительный выходной день». Она находит нужную инструкцию, даже если формулировка другая.В нашем примере корпоративный помощник находит нужные фрагменты в инструкции от HR-отдела и в руководстве по бизнес-процессам в Битрикс24.
Шаг 3. Модель получает контекст. После того как система нашла нужные фрагменты, модель собирает ответ. Для этого она смотрит, что спросил пользователь и какая информация из базы знаний у нее есть.
Например, по вопросу модель получила данные из двух документов: HR-отдел просит предупреждать о выходном за три дня, а в руководстве есть подробная инструкция, как сформировать заявку.
Шаг 4. Помощник генерирует ответ. В зависимости от задачи ИИ может переформулировать текст своими словами, привести цитаты из источников. Главная цель — выдать точный, понятный и актуальный ответ по вопросу, который задает пользователь. Например, наш новичок получает такой текст:
«Чтобы взять отгул, нужно запустить бизнес-процесс. Сделать это важно минимум за три дня до выходного. Следуйте инструкции:
- Откройте раздел “Автоматизация” — нажмите “Запустить”.
- Выберите нужный процесс и введите данные.
- Нажмите “Продолжить”.
Дождитесь, пока руководитель согласует отгул. Когда вернетесь после выходного, уведомлять никого не нужно. Могу еще чем-то помочь?»
Подключать RAG нужно не всегда. Иногда модели уже знают нужную информацию, например, как настроить автоматизацию в вашем корпоративном портале. Для этого в Битрикс24 работает CoPilot. Задавайте вопросы и ищите решения вместе с чат-ботом.
Где применяют RAG
Технологию применяют разные бизнес-команды: от продаж и поддержки клиентов до образовательного направления. Благодаря такой системе сотрудники могут быстро находить достоверную информацию в краткой и понятной форме, быстро отвечать клиентам и легко вливаться в работу компании. RAG применяют, чтобы:
Общаться с клиентами в чат-ботах. Технология делает ассистентов точнее — они ищут решения в документации компании и выдают более аккуратные ответы. При этом бизнесу не нужно программировать ответы на каждый сценарий разговора: бот сам определит вопрос, соберет информацию и выдаст связное сообщение.
Пример. Клиент Антон спрашивает: «Можно ли оплатить товар бонусами, если я использую промокод на бесплатную доставку?» Обычный чат-бот выдаст общую информацию: «Бонусы можно использовать для оплаты товаров согласно правилам программы лояльности».
Система с RAG найдет несколько пунктов в правилах, сопоставит их и ответит точно: «Да, можно. Бонусами оплачивается только стоимость товара. Промокод на доставку действует отдельно и не влияет на списание бонусов — это указано в разделах 3.2 и 4.5 правил программы».Автоматизировать базу знаний. У каждого отдела компании есть свои регламенты, инструкции, шаблоны документов. Когда сотруднику нужна информация, он тратит время на поиск по папкам. RAG решает эту проблему: система получает запрос, находит нужный документ в базе знаний и предлагает структурированный и точный ответ.
Пример. Бухгалтеру Валерии нужно узнать, как правильно оформить командировочные расходы для сотрудника, который совмещал рабочую поездку с отпуском. Чтобы найти информацию, она может просмотреть все протоколы базы знаний вручную — на это уйдет много времени.
Вместо этого Валерия обращается к ассистенту с RAG. Система изучает вопрос, ищет в базе знаний информацию о совмещении командировки с отпуском, раздел о суточных и правила компенсаций.
В результате собирает понятный и четкий ответ: «Командировочные оформляются только за рабочие дни. Дни отпуска вычитаются из периода командировки, суточные за них не начисляются — пункт 4.3 положения о командировках. Для оформления нужен приказ с указанием фактических рабочих дней — образец в разделе “Шаблоны документов”». Бухгалтер получает информацию за минуту и не тратит время на поиск.Готовить коммерческие предложения. Чтобы собрать предложение для клиента, менеджеры ищут информацию об актуальных ценах, условиях доставки и технических характеристиках товаров. RAG ускоряет этот процесс: система подгружает данные из прайс-листов, договоров с поставщиками и внутренних регламентов, а затем формирует разделы документа.
Пример. Менеджер Сергей готовит предложение для клиента, который хочет купить оборудование с установкой и гарантийным обслуживанием в другом регионе. Чтобы собрать документ самостоятельно, Сергею придется изучить несколько таблиц — с ценами на разные аппараты, условиями доставки, тарифами на монтаж, сроками гарантии.
Чтобы выполнить задачу быстрее, менеджер обращается к системе с RAG. За несколько секунд она находит цену конкретного оборудования, сама рассчитывает доставку по тарифам транспортной компании, добавляет стоимость установки и проверяет условия расширенной гарантии. В ответ менеджер получает готовое предложение.Частые вопросы
Обычный поиск по базе работает по совпадению слов. Если сотрудник формулирует запрос не так, как написано в документе, система может не найти нужную инструкцию.
RAG работает иначе. Технология анализирует смысл запроса и находит фрагменты, которые отвечают на вопрос, — даже если формулировки не совпадают. После этого модель собирает связный ответ, объединяет фрагменты и поясняет контекст. Вместо списка источников человек получает готовое пояснение со ссылками на материалы компании.
Да, при правильной настройке технология безопасна. RAG работает с внутренними базами компании и не отправляет информацию на внешние серверы — все запросы могут обрабатываться на оборудовании компании.
Дополнительно можно настроить уровни доступа — чтобы каждый сотрудник видел только те данные, которые нужны ему для работы. Это поможет снизить риск утечек и ошибок.
Что в итоге
- Что такое RAG в нейросетях? Это технология, которая помогает моделям находить актуальную информацию в документах компании и выдавать точные ответы на вопросы сотрудников и клиентов.
- Искусственный интеллект с RAG может работать с корпоративными базами знаний без дополнительного обучения — достаточно загрузить нужные документы в систему.
- RAG применяют для чат-ботов в поддержке клиентов, автоматизации баз знаний для сотрудников и подготовке коммерческих предложений. В результате команды тратят меньше времени на поиск информации и быстрее отвечают клиентам.
