ИИ-ассистент для бизнеса по документам компании: RAG-система под ключ

Как работает RAG-система: от документа до ответа со ссылкой

RAG-система работает в два этапа. Сначала документы компании собираются в базу знаний и делятся на фрагменты. Потом на каждый вопрос система находит подходящие фрагменты и передаёт их модели, а модель отвечает по ним и указывает источник.

1. Сбор документов

   Подключаем источники: 1С, облачные диски, вики, чаты, расшифровки звонков. Синхронизация идёт по расписанию, новые версии документов заменяют старые.

2. Подготовка

   Распознаём сканы, убираем дубли, делим текст на фрагменты. Microsoft рекомендует начинать с фрагментов по 512 токенов с перекрытием 25%. Каждый фрагмент получает метки: документ, раздел, дата, права доступа.

3. Поиск

   На вопрос система ищет фрагменты двумя способами — по смыслу и по точным словам — и переранжирует найденное. По данным Anthropic, такая связка снижает долю неудачных поисков на 67%. Поиск идёт только по документам, которые сотруднику разрешено видеть.

4. Ответ

   Модель получает вопрос и найденные фрагменты и формулирует ответ по ним. В ответе стоит ссылка на документ и раздел. Если в базе ответа нет, ассистент так и пишет.

5. Контроль

   Вопросы и ответы записываются в журнал. По журналу видно, где ассистент ошибся и каких документов не хватает в базе.

Термины

RAG

Retrieval-Augmented Generation — ответ модели по документам компании: сначала поиск фрагментов, потом ответ по ним. Подход описан в 2020 году исследователями Facebook AI Research, UCL и NYU.

База знаний

Документы компании, подготовленные для поиска: разбитые на фрагменты, с метками и правами доступа.

Эмбеддинг

Числовое представление текста, по которому система находит фрагменты, близкие к вопросу по смыслу.

Векторная база

Хранилище эмбеддингов, в котором идёт поиск по смыслу.

Гибридный поиск

Поиск одновременно по смыслу и по точным словам: артикулам, номерам договоров, названиям.

Переранжирование

Второй проход по найденным фрагментам: отдельная модель выбирает самые подходящие.

Галлюцинация

Ответ модели, который выглядит уверенно, но не подтверждается документами.

RAG-ассистент или ChatGPT с файлами: в чём разница

ChatGPT с загруженными файлами — инструмент одного человека. RAG-ассистент — общая система компании: база обновляется сама, права доступа учитываются, а ответы встраиваются в CRM, сайт и рабочие чаты.

Когда хватит готового сервиса

Готовый инструмент подойдёт, если документы лежат в одной системе, прав доступа немного, а встраивать ответы никуда не нужно. Например, в Битрикс24 AI-агент для поиска по базе знаний отвечает по загруженным документам на тарифах «Профессиональный» и «Энтерпрайз»; «Профессиональный» стоит 13 990 ₽ в месяц (данные сайта Битрикс24 на 02.10.2026).

RAG-система под заказ нужна, когда источников несколько, в документах есть сканы и таблицы, важны права доступа на уровне документа, интеграция с 1С или закрытый контур.

Какие задачи решает ИИ-ассистент по базе знаний

ИИ-ассистент по базе знаний закрывает задачи, где сотрудники тратят время на поиск ответа в документах: поддержка клиентов, адаптация новичков, работа с регламентами и техдокументацией, подготовка ответов в продажах.

Откуда берутся данные для базы знаний

Данные для базы знаний берутся из систем, где компания уже хранит документы: 1С, облачные диски, вики, чаты, CRM, расшифровки звонков. Сбор автоматизируется и идёт внутри контура компании.

Качество распознавания напрямую влияет на ответы. В исследовании «OCR Hinders RAG» (2024) ошибки распознавания снижали качество ответов RAG-системы примерно на 14% даже у лучших инструментов, а при сильном шуме — почти вдвое. Поэтому на аудите документы проверяются до выбора модели.

Наш проект: ИИ-ассистент на авторской базе знаний

Do Digital разработала веб-сервис с ИИ-ассистентом по подписке для эксперта с большой аудиторией. Ассистент отвечает пользователям по материалам автора и в его стиле. От договора до запуска прошло 5 месяцев, сервис работает с платящими пользователями.

Один вопрос — разные области базы

База знаний в проекте разделена на области, и каждый тип запроса ищет ответ в своей.

Разделение появилось после первых тестов: на похожие по форме запросы ассистент выдавал ответы из другого раздела базы. Проблему решила архитектура — области базы под сценарии и правила маршрутизации между ними.

Что показала замена модели

Чтобы снизить себестоимость, модель заменили на вариант в пять раз дешевле. Формально ответы остались приемлемыми. Но ассистент потерял авторский голос и перестал опираться на примеры из базы знаний — пользователи заметили это за несколько дней и начали жаловаться сами. Модель вернули. Экономику сервиса свели через лимиты, квоты и кэширование.

Поиск по истории рабочих чатов мы сделали в ИИ-агенте для ООО «МП ИНТЕПРО»: агент создаёт задачи из переписки и находит прошлые договорённости. Ещё проекты — в кейсах внедрения ИИ.

Будет ли ассистент ошибаться: как контролируется качество

Да, ошибки возможны: RAG снижает число выдуманных ответов, но не убирает их. В исследовании Стэнфорда коммерческие юридические RAG-инструменты ошибались в 17–33% запросов. Поэтому ответы проверяются до запуска и контролируются после.

До запуска ассистента проверяет группа реальных пользователей. В проекте с авторской базой знаний фокус-группа нашла ошибки, которых не видели ни заказчик, ни разработчики. После запуска качество контролируется по журналу запросов: по нему видно, где ассистент ошибся и каких документов не хватает.

В проекте с авторской базой знаний часть проверок добавили уже на живых пользователях: контроль длины ввода, завершение оборванных ответов, проверку темы перед рекомендациями. Качество ИИ-продукта держится на модели, промпте и слое обычных программных проверок поверх генерации.

Безопасность: права доступа, персональные данные и закрытый контур

Безопасность RAG-системы держится на трёх решениях: права доступа проверяются на этапе поиска, базы с персональными данными размещаются на серверах в России, а место работы модели выбирается под чувствительность документов.

Права доступа. Сотрудник получает ответы только по тем документам, которые ему разрешено видеть: права переносятся из исходных систем и применяются в самом поисковом запросе. OWASP в списке рисков для приложений на языковых моделях 2026 года выделяет уязвимости векторных баз отдельным пунктом (LLM09) и рекомендует ограничивать доступ внутри запроса к индексу.

Персональные данные. При сборе персональных данных граждан России их запись и хранение с использованием баз данных за рубежом не допускаются (ч. 5 ст. 18 152-ФЗ). Передача документов с персональными данными внешнему сервису оформляется как поручение обработки (ч. 3 ст. 6 152-ФЗ). За утечку юрлицо платит от 3 до 15 млн ₽, за повторную — от 1 до 3% выручки, не менее 20 млн и не более 500 млн ₽ (ч. 12–15 ст. 13.11 КоАП).

Коммерческая тайна. Режим коммерческой тайны требует учёта лиц, получивших доступ к сведениям, и договора с условием об охране конфиденциальности при передаче контрагенту (ст. 3 и 10 98-ФЗ). Для таких документов мы рекомендуем закрытый контур: открытые модели семейств Qwen и DeepSeek разворачиваются на серверах компании.

Для значимых объектов критической информационной инфраструктуры действуют отдельные требования к программному обеспечению (ст. 9 187-ФЗ) — решение подбирается вместе со службой безопасности заказчика. Как устроен защищённый контур, разобрано на странице о безопасности ИИ и 152-ФЗ.

Раздел носит справочный характер. Правовой режим обработки данных согласуйте с юристом компании — мы строим технический контур с учётом его требований.

Сколько стоит RAG-система: этапы и цены

Аудит документов стоит от 180 000 ₽ и занимает 1–2 недели, пилот на одном наборе документов — от 350 000 ₽ за 4 недели. Стоимость полного внедрения называем после аудита. Запросы к модели оплачиваются отдельно.

Расходы на модель

Запросы к модели оплачиваются по тарифам провайдера отдельно от разработки и поддержки. По расчёту Do Digital, 1 000 запросов к RAG-ассистенту на российских моделях стоят от 300 до 5 400 ₽. При 10 000 запросов в месяц это от 3 000 до 54 000 ₽.

Расчёт: один запрос — 4 000 входных токенов (вопрос и найденные фрагменты) и 500 выходных. Тарифы Yandex AI Studio и GigaChat API для юридических лиц на 02.10.2026.

Для закрытого контура вместо оплаты запросов нужен сервер с видеокартой. Аренда выделенного сервера с видеокартой в России стоит от 56 900 ₽ в месяц (Selectel, 02.10.2026).

Сколько стоит RAG на рынке

По открытым прайсам 13 российских компаний на 02.10.2026, вход в проект RAG под ключ стоит от 50 000 до 2 500 000 ₽, медиана — 350 000 ₽ (подсчёт Do Digital). Самые дешёвые предложения рассчитаны на несколько документов без прав доступа и интеграций.

Цена проекта зависит от пяти вещей: числа источников, доли сканов и таблиц, прав доступа, интеграций и требований к закрытому контуру. Цены указаны как ориентир и не являются публичной офертой. Другие услуги — на странице услуг и цен.

Как проходит внедрение RAG-системы: 5 шагов

Внедрение RAG-системы начинается с аудита документов и идёт от пилота на одном наборе к подключению остальных источников. Первый рабочий ассистент появляется через 4 недели после аудита.

1. Аудит документов · 1–2 недели

   Выясняем, где лежат документы, какого они качества, где противоречат друг другу, какой источник считается истиной и кто обновляет базу. Выбираем набор для пилота и метрику успеха.

2. Сбор и подготовка

   Подключаем источники, распознаём сканы, убираем дубли, переносим права доступа. Сбор автоматизируется внутри контура компании.

3. Пилот · 4 недели

   Запускаем ассистента на одном наборе документов, проверяем на реальных пользователях и разбираем ошибки.

4. Интеграции

   Подключаем остальные источники и каналы: CRM, 1С, сайт, корпоративный портал, мессенджеры MAX и Telegram.

5. Поддержка

   Следим за качеством ответов по журналу, обновляем базу, дорабатываем сценарии. В первый месяц после запуска нашего проекта команда обработала 44 обращения за 19 часов работы.

Читайте также