Как создать ИИ-ассистента на базе знаний компании: пошаговая инструкция

Как Agile Scrum помогает в проектах автоматизации бизнеса
Сотрудник спрашивает в рабочем чате, как оформить командировку. Через десять минут приходит ответ от HR со ссылкой на регламент. На следующий день тот же вопрос задает коллега из другого отдела. А еще через неделю выясняется, что оба получили инструкцию из старой версии документа.

Проблема знакома многим командам: информация вроде бы есть, но на поиск актуального ответа уходит время. ИИ-ассистент на базе знаний компании может снять часть этой нагрузки. Он находит нужную информацию в базе, формулирует ответ и показывает источник, который сотрудник может проверить. Но сначала нужно разобраться с самими документами. Если в папке лежат три противоречащих регламента, искусственный интеллект не решит за компанию, какой из них действует.

В этом гайде разберем, как собрать помощника без обязательного обучения собственной модели: подготовить документы, выбрать платформу, настроить поиск и доступы, протестировать ответы. Покажем пример системной инструкции и расчет на условной компании, чтобы было понятно, когда внедрение окупается.

Что такое ИИ-ассистент на базе знаний и как он работает

ИИ-ассистент — это инструмент, который помогает сотрудникам или клиентам находить информацию и отвечать на вопросы по документам компании. В отличие от обычного поиска, он возвращает не список из двадцати файлов, а краткий ответ с указанием источника. Пользователь может сразу перейти к нужному разделу, если требуется проверить формулировку.

Для такого решения обычно нужны три составляющие: актуальная база знаний, механизм поиска по ней и языковая модель (LLM), которая превращает найденные фрагменты в понятный ответ. На практике процесс выглядит так:
  1. Сотрудник отправляет запрос: «Можно ли перенести неиспользованные дни отпуска на следующий год?»
  2. Поисковый механизм выбирает подходящие документы с учетом прав доступа и актуальности.
  3. Модель получает найденный контекст, формулирует ответ и добавляет ссылку на регламент.
  4. Если информации недостаточно, помощник сообщает об этом и предлагает обратиться к ответственному.

Такой подход называется RAG (retrieval-augmented generation) — генерация с дополненным поиском. Термин появился не вчера: еще в работе исследователей под руководством Патрика Льюиса, опубликованной в 2020 году, описывалось сочетание языковой модели с внешним хранилищем знаний. Главная идея остается прежней: не пытаться запомнить в модели каждый корпоративный факт, а находить нужные сведения в документах в момент ответа. В такой схеме AI служит интерфейсом к проверяемой информации, а не заменой внутренним правилам.
Важно: RAG не гарантирует правильность. Если найден устаревший файл или модель неверно поняла абзац, ответ тоже окажется ошибочным. В документации Microsoft о RAG отдельно отмечается, что даже при работе с найденными источниками система способна выдавать неточные сведения. Об ограничениях такого подхода предупреждают сами разработчики.

Чем ИИ-ассистент отличается от чат-бота и обычного поиска

РешениеЧто делаетКогда подходит
Поиск по документамПоказывает файлы и совпадения по словамСотрудник знает, что именно ищет
Чат-бот по правиламВедет по заранее заданным веткамЗапись на услугу, статус заказа, типовой FAQ
ИИ-ассистент с базой знанийИщет смысловые совпадения и составляет ответ по документамРегламенты, инструкции, поддержка, онбординг
ИИ-агент с инструментамиКроме ответов, может выполнять разрешенные действия в системахСоздание задачи, обновление карточки, подготовка черновика
Разница не в том, насколько «умно» выглядит чат. Если задача сводится к выбору одного из пяти фиксированных вариантов, обычный бот будет проще. Автоматизация здесь строится на понятных правилах и не требует языковой модели. Если нужно находить информацию по разным документам и понимать свободную формулировку вопроса, база знаний для ИИ становится полезнее.

Какие задачи можно передать AI-ассистенту

Первый проект лучше выбирать среди вопросов, на которые в компании уже есть проверенные ответы. В этих случаях результат легко сравнить с документом, а ошибки заметны.
СценарийЧто делает помощникКто проверяет сложные случаи
HR и адаптацияОбъясняет порядок отпусков, командировок, оформления документовHR-специалист
Клиентский сервисУточняет проблему, находит инструкцию, проводит первичную диагностикуОператор поддержки
Работа с продуктомИщет требования, решения прошлых встреч, особенности функцийПродакт-менеджер
ПродажиНаходит условия тарифов, шаблоны писем, ответы на возраженияМенеджер или руководитель
Внутренние IT-вопросыПодсказывает порядок получения доступа и типовые действия при ошибкеСистемный администратор
В поддержке такой помощник реагирует на сообщение и при хорошем качестве источников снижает нагрузку на операторов: им остается больше времени для сложных вопросов и нестандартных ситуаций. Но не стоит отдавать боту окончательное решение о компенсации, доступе к секретным данным или юридических обязательствах. Здесь нужен человек и понятный порядок согласования. Зато рутинную обработку данных и сортировку простых обращений часто удается автоматизировать.

Интересный контекст: по Microsoft Work Trend Index 2025, в наиболее загруженной части выборки Microsoft 365 сотрудники получали рабочие уведомления так часто, что в течение рабочего дня между ними проходило в среднем две минуты. Это не статистика всех офисных работников, а сигнал о том, насколько легко рабочие вопросы превращаются в непрерывный поток отвлечений. Ассистент полезен, когда действительно сокращает этот поток, а не создает еще один чат с уведомлениями.

Шаг 1. Как собрать базу знаний компании для работы с ИИ

Нужна база знаний, в которой понятно, какой документ актуален, кто отвечает за его обновление и кому разрешено его читать. Без этого даже хорошая модель будет уверенно пересказывать старые правила.

Начните не с загрузки всех папок, а с одной темы. Например, с внутренних HR-регламентов. Соберите 30–50 вопросов, которые чаще всего задают коллеги, и найдите документы, отвечающие на них. Так сразу станет видно, каких материалов не хватает.

Затем проверьте каждый файл: название, дату обновления, владельца, статус, ограничения доступа. Если одна инструкция встречается в трех версиях, назначьте ответственному задачу выбрать основную. Архивные документы лучше убрать из поискового индекса, а не надеяться, что нейросеть сама распознает старый текст.

Что должно быть у каждого материала:
  1. Понятный заголовок, например «Командировки: оформление и возмещение расходов».
  2. Дата обновления и подразделение, которому принадлежит документ.
  3. Короткие разделы с вопросами или действиями вместо сплошного текста.
  4. Ссылка на связанные правила, если ответ зависит от другого документа.
  5. Указание, для каких сотрудников материал доступен.

Разделы базы знаний лучше строить вокруг реальных рабочих ситуаций, а не только названий департаментов. Сотрудник ищет «как вернуть деньги за билет», а не «финансовая политика, пункт 7.4». Смысловые заголовки помогают поиску сопоставить оба варианта. Хорошо организованная база знаний также облегчает онбординг новых сотрудников без участия бота.

Пример проверки. Попросите трех коллег самостоятельно найти правило переноса отпуска. Если они приносят разные версии, сначала исправьте документы. Это быстрее и надежнее, чем менять настройки модели наугад.
Чек-лист

Готова ли компания к ИИ-ассистенту на базе знаний

Отметьте пункты, которые у вас уже выполнены. Результат покажет, можно ли запускать пилот или сначала стоит навести порядок в документах.

Выполнено: 0 из 9
Отметьте пункты вышеНачните с Шага 1: порядок в документах влияет на качество ответов сильнее, чем выбор модели.

Шаг 2. Как выбирать платформу для создания ИИ-ассистента

Здесь нет универсального победителя. Выбирать нужно по объему документов, требованиям к безопасности, бюджету и числу интеграций. Для первой версии необязательно строить собственную инфраструктуру. Но платформу нужно выбирать с учетом правил обработки внутренних данных: полезно заранее выяснить, какие источники доступны и как можно настраивать разрешения.
СпособКому подойдетЧто проверить до запуска
Готовый сервис с поиском по файламНебольшой команде, которой нужен быстрый пилотГде хранятся данные, права, обновления, пробный период
ChatGPT с подключенными источникамиКомандам, уже работающим с поддерживаемыми приложениямиПлан, доступные подключения и права пользователей
Облачная платформаКомпаниям с требованиями к инфраструктуре и интеграциямРазмещение данных, стоимость запросов, настройка доступа
Свой сервер и отдельная модельКомандам с технической поддержкой и особыми требованиямиСопровождение, резервное копирование, безопасность данных
Например, Company Knowledge в ChatGPT позволяет искать решения и документы в подключенных рабочих источниках с ссылками на них. Доступность зависит от используемых приложений и настроек рабочего пространства. Это пример готового решения, когда не обязательно вручную загружать каждый файл.

Для корпоративного использования иногда выбирают инфраструктуру Yandex Cloud или аналогичную облачную платформу, чтобы контролировать размещение хранилища и сетевые настройки. Но даже собственный сервер не означает, что информация нигде не покидает компанию: если запрос уходит во внешнюю модель, нейросети могут обрабатывать переданные фрагменты документов на стороне поставщика. Проверяйте архитектуру и договорные условия, а не только адрес сервера.

Если хотите создать AI-ассистента для себя или команды с доступом к почте, календарю и задачам, можно посмотреть курс Product Lab по созданию ИИ-агента. Там разбирают сборку помощника на сервере и подключение рабочих инструментов. Для ассистента, который только отвечает по документам, такой набор действий может оказаться избыточным. Сравнивая сервисы AI-ассистентов, уточняйте, можно ли начать с одного раздела базы и позже расширить проект.
Научитесь применять AI в ежедневной работе: от генерации контента и анализа данных до создания агентов и MVP продукта

Курс «Нейросети для работы и бизнеса»

Шаг 3. Как настроить ИИ-ассистента: файлы, поиск и промпт

После выбора платформы решите, как система будет работать с базой знаний. На качество влияют не только модель GPT или другая нейросеть, но и то, какие фрагменты ей удается найти.

Как загружать и обновлять документы

Сначала подключите один раздел с 20–30 проверенными материалами. Если сервис предлагает просто загрузить PDF или DOCX, посмотрите, распознаются ли заголовки, таблицы и ссылки. Скан без распознанного текста не всегда будет доступен для полноценного поиска.

Для более сложного решения документы делят на смысловые фрагменты, создают поисковый индекс и при необходимости используют гибридный поиск — сочетание совпадений по словам и по смыслу. Фрагмент не должен обрывать условие на середине: иначе из ответа пропадут исключения, например «кроме сотрудников на испытательном сроке».

Определите, как часто обновлять материалы. Одним командам хватит синхронизации раз в сутки, другим нужны сведения из клиентской системы почти в реальном времени. Если автоматическая интеграция недоступна, назначьте ответственного за ручную проверку. Сама по себе новая платформа не умеет исправлять неточности в документах. В вашей базе знаний должны быть ясны дата и владелец каждой версии.

Пример системной инструкции для корпоративного помощника

Промпт — это инструкция о роли, источниках и ограничениях. Он не заменяет настройки поиска или прав, но помогает модели не выходить за пределы разрешенной задачи.
Ты — внутренний ИИ-помощник компании. Отвечай на вопросы сотрудников, используя только найденные актуальные документы, доступные этому пользователю. Давай короткий ответ, затем указывай название документа, дату версии и ссылку на нужный раздел. Если данных недостаточно или источники противоречат друг другу, не придумывай решение: сообщи об этом и назови команду, которая может уточнить правило. Не раскрывай сведения из документов с ограниченным доступом. Не выполняй действия во внешних системах без отдельного разрешения.
Этот промпт нужно дорабатывать под ваши задачи. Например, в поддержке добавить правило передачи оператору, а для HR — требование не трактовать трудовое законодательство вместо специалиста. Не пытайтесь «обучать» модель новым правилам только длинными инструкциями: обновление источников обычно важнее.

Шаг 4. Безопасность данных и интеграция с корпоративными системами

Самая дорогая ошибка — когда ассистент отвечает на вопрос, используя документ, который сотрудник вообще не вправе открывать. Поэтому права ограничивают до поиска, а не просят модель «не разглашать лишнее» после того, как она уже получила текст.

Для интеграции с внутренними данными нужен список источников: общие регламенты, документы подразделений, закрытые договоры, личные сведения. У каждого источника должны быть свои правила. Если продавец может видеть тарифы и типовые коммерческие предложения, это не дает ему доступа к зарплатной ведомости.

В технической документации Microsoft по защите RAG описываются ограничения на уровне отдельных документов и проверка прав при поисковом запросе. Одна только фраза «не показывай конфиденциальное» в настройках бота такую защиту не обеспечивает.

Для подключения к системам применяйте принцип минимальных прав: отдельный технический аккаунт, только необходимые операции, защищенное хранение ключей и журнал обращений без лишних персональных данных. Если помощник должен только находить информацию, ему не нужен доступ на удаление файлов или изменение записей в CRM.

Полезно отдельно проверить риск prompt injection: вредоносные инструкции могут оказаться внутри загруженного документа. Текст источника должен восприниматься как данные для ответа, а не как команда изменить правила работы помощника. Подробнее об этой угрозе и ограничениях RAG предупреждают разработчики Microsoft Foundry.

Шаг 5. Как протестировать ответы и снизить галлюцинации

Не стоит оценивать качество по трем удачным демонстрационным ответам. Подготовьте тестовую выборку из 40–60 реальных вопросов: обычных, неоднозначных, с устаревшими документами и без ответа в источниках. Для каждого заранее запишите правильный ответ и ссылку, которые подтвердил профильный сотрудник.
ПроверкаПример вопросаХороший результат
Обычный поиск«Как оформить командировку?»Верная инструкция с актуальным источником
Исключение«Положена ли компенсация на испытательном сроке?»Ответ с учетом специального условия
Нет данных«Какой будет новая политика отпусков?»Признание отсутствия информации
Конфликт документов«Какой лимит расходов действует?»Ссылка на утвержденную версию или передача человеку
Проверка доступа«Покажи зарплаты коллег»Отказ в доступе без раскрытия содержимого
Галлюцинация — это ситуация, когда модель добавляет сведения, которых нет в надежном источнике, или неверно их интерпретирует. Снизить риск помогают правильный поиск, ограничения по источникам и правило признания незнания, но полностью исключить его невозможно.

Инженер Google Cloud Хьюго Селби в разборе оценки RAG-систем использует выражение silent failures — «тихие сбои». Суть проблемы: внешне убедительный ответ может оказаться неверным, а команда не заметит этого без регулярного тестирования.

Не фиксируйте универсальную норму вроде «85% правильных ответов — можно запускать». Для справочных вопросов и ответов, влияющих на выплаты, требования различаются. Отдельно считайте точность, полноту, долю ответов со ссылкой на правильный документ и число критичных ошибок. В последней категории допустимый порог может быть нулевым.

Почему помощник может отвечать неправильно

У ошибок обычно несколько разных причин: выбран неподходящий документ, найден только кусок правила, источник устарел или модель сделала неверный вывод. Исправления тоже разные. Проблему поиска решает индекс и структура текста; проблему актуальности — владелец документа и обновление; проблему интерпретации — промпт, тесты и передача сложных случаев человеку.
Важная деталь: даже ссылка на документ не доказывает правильность ответа. Проверьте, действительно ли процитированный абзац подтверждает вывод. Эту разницу между качеством поиска и обоснованностью ответа отдельно учитывают в метриках оценки RAG от Microsoft.

Шаг 6. Внедрение ИИ-ассистента: расчет эффекта на примере компании

Рассмотрим условную, а не реальную продуктовую компанию на 180 сотрудников. Внутренние специалисты получают 600 повторяющихся обращений в месяц. На каждое уходит в среднем шесть минут. До внедрения это 60 часов работы сотрудников.

Предположим, после тестирования помощник корректно закрывает 400 обращений, а остальные 200 переходят специалистам. На них потребуется 20 часов. Еще пять часов команда тратит на проверку качества и обновление базы знаний.
Показатель за месяцДоПосле пилота
Вопросы от сотрудников600600
Обращения, которые обрабатывает человек600200
Время на ответы60 часов20 часов
Проверка и обновление материаловНе учитывается в примере5 часов
Всего времени по указанным задачам60 часов25 часов
Экономия в этой модели — 35 часов в месяц. Если час сотрудника для компании стоит 1100 рублей, это 38 500 рублей рабочего времени. При условных расходах на инфраструктуру и модель 4000 рублей остается 34 500 рублей расчетной разницы. Здесь не учтены разовая сборка, дополнительная техническая поддержка и возможные расходы на интеграции. Это иллюстрация подхода, не прогноз доходности.

Следите также за тем, сколько сотрудников продолжают писать экспертам напрямую, как меняется время до получения полезного ответа и сколько вопросов система решает без исправлений. Подходящие показатели можно выбрать с помощью материала Product Lab «Продуктовые метрики: полный список с примерами».

Чтобы эксперимент не закончился красивой презентацией, заранее договоритесь, кто будет анализировать ошибки и в какие сроки обновлять документы. Один хороший пилот не означает, что решения больше не нужно поддерживать.
Оцените возврат на стратегические инвестиции
Подписывайтесь на рассылку со статьями, которую читают лидеры рынка

Когда ИИ-помощнику не нужна база знаний или его пока рано запускать

Если документов мало и они легко находятся обычным поиском, новый инструмент может добавить лишнюю работу. Если вопрос всегда имеет пять фиксированных ответов, лучше подойдет обычный чат-бот. А если компания сама не знает, по какой политике работает, сначала стоит согласовать правила с ответственными.

Еще одна граница — вопросы, где нужен профессиональный выбор. Ассистент способен находить информацию и анализировать данные в пределах предоставленных источников, но не должен самостоятельно решать, кого повысить, какой юридический риск принять или сколько денег вернуть клиенту в спорной ситуации.

При этом компании, которые последовательно обновляют знания компании и проверяют качество, могут получить конкурентное преимущество за счет более быстрого обслуживания. Это возможный результат, а не гарантия: его придется подтвердить метриками и обратной связью сотрудников.

С чего начать создание корпоративного помощника

Начните с пятидесяти повторяющихся рабочих вопросов и одного раздела документации. Уберите противоречия, определите владельцев материалов, ограничьте доступы и только после этого подключайте модель. Рядом с каждым ответом должен быть проверяемый источник, а у сотрудника — простой способ сообщить об ошибке.

Если задача шире одного помощника — например, нужно выстроить поиск, обучение сотрудников и несколько AI-проектов в разных подразделениях, — стоит начинать с оценки готовности процессов. В корпоративной программе Product Lab «Внедрение искусственного интеллекта в бизнес-процесс компании» как раз рассматривают выбор решений, риски, интеграцию и измерение результата на задачах бизнеса. Более общий контекст применения технологии есть в статье Product Lab «Искусственный интеллект в маркетинге и управлении продуктом».

Правильный признак успеха — не количество загруженных файлов или красивый интерфейс. Это ситуация, когда сотрудник быстро получает проверенный ответ и перестает спрашивать одного и того же человека в пятый раз за месяц.

Хотите научиться эффективно использовать ИИ в работе с продуктами?

Тогда оставляйте заявку курс «Продакт-менеджмент»! Вы освоите более 50 инструментов, в том числе работу с ИИ, систематизируете знания и на практике попробуете решать все задачи, о которых мы говорили в статье.

На курсе вы:
  • Научитесь запускать внутренние и внешние продукты и управлять ими
  • Улучшите метрики существующего продукта
  • На практике систематизируете свои знания и освоите все аспекты продакт-менеджмента
  • Освоите 50+ инструментов и фреймворков из мира продакт-менеджмента
  • Научитесь использовать Искусственный Интеллект в целях продакт-менеджмента
  • Поработаете в Яндекс.Метрике, Miro, Figma, OpenAI, Amplitude

Частые вопросы о настройке ИИ-ассистента

Больше статей по теме

Получить консультацию
Заполните форму и получите ответы
на все вопросы.
Узнайте, как системно создавать продукты, которые взлетят, избегая распространенных ошибок!

Бесплатный мини-курс:
Как создавать востребованные продукты?