«Где написано, что командировочные платят авансом?»
Эта сцена повторялась в компании десятки раз в день. 400 сотрудников, 2000 страниц регламентов, приказов и инструкций — и ни одного способа быстро получить ответ. Классический поиск по ключевым словам бессилен: он ищет «командировочные», а сотрудник спрашивает «как оформить поездку в другой город». Совпадений нет. Ответа нет.
Эльвира считала: в среднем рядовой сотрудник тратил 10–15 минут на поиск одного ответа. Юридический отдел и кадры 40% времени отвечали на вопросы, ответы на которые уже были записаны — просто их никто не мог найти. Масштаб потерь: около 80 человеко-часов в неделю уходило на перекладывание информации из документа в письмо.
Она обратилась к нам с запросом: «Сделайте так, чтобы сотрудник мог спросить своими словами и сразу получить ответ. С ссылкой на документ, чтобы можно было проверить».
Почему «просто добавить поиск» не сработало бы
На первый взгляд задача выглядела просто: загрузить документы, поставить поиск, готово. Реальность внесла коррективы.
Поиск по словам не понимает вопросов
Стандартный полнотекстовый поиск ищет точные совпадения. Сотрудник спрашивает «сколько дней дают на больничный по уходу за ребёнком», а в регламенте написано «период временной нетрудоспособности в связи с необходимостью ухода за несовершеннолетним». Ключевые слова разные, смысл один. Обычный поиск возвращает пустой результат или, хуже того, нерелевантный мусор.
Разные форматы и дублирующиеся версии
Документы лежали в Word, PDF, отсканированных приказах и даже в таблицах Excel. Часть файлов дублировалась — три версии одного регламента в разных папках. Без предобработки система съедала дубли и выдавала устаревшие формулировки как актуальные.
Галлюцинации и доверие
Первая версия чат-бота иногда придумывала пункты, которых не было в документах. Для HR-директора это красный флаг: если сотрудник получит неверный ответ по кадровому вопросу, последствия могут быть серьёзными. Нужно было гарантировать, что ответ строится строго на найденных фрагментах — и каждый ответ сопровождается ссылкой на документ.
Безопасность данных
Кадровые регламенты и внутренние приказы — чувствительная информация. Отправлять их в публичные облачные API было нельзя. Решение должно было работать внутри контура компании, на локальных моделях.
Люди не ищут документы. Люди ищут ответы. А ответ может быть размазан по трём разным регламентам.
Мы поняли: нужно не просто индексировать текст, а научить систему понимать смысл вопроса и собирать ответ из разных фрагментов. Так родилась архитектура RAG-поиска.
RAG-поиск: как документы научились отвечать
Аббревиатура RAG расшифровывается как Retrieval-Augmented Generation — «генерация, усиленная поиском». На практике это три слоя:
- Векторная база знаний. Каждый фрагмент документа — абзац, параграф, раздел — превращается в числовой вектор (эмбеддинг), который хранит не слова, а их смысл. Два предложения с разными формулировками, но одинаковым смыслом, окажутся в векторном пространстве рядом. Все 2000 страниц уместились в базу за несколько минут.
- Семантический поиск. Когда сотрудник задаёт вопрос, он тоже превращается в вектор. Система ищет в базе фрагменты с максимально близким смыслом — а не с максимальным совпадением слов. Находит даже те разделы, где терминология отличается от формулировки вопроса.
- Генерация ответа. Найденные фрагменты передаются языковой модели с инструкцией: «Ответь на вопрос, используя только эти фрагменты. Если в них нет ответа — скажи, что не знаешь. Укажи название документа и номер раздела». Модель не импровизирует — она компилирует ответ из того, что реально есть в документах.
Первый запуск и реакция
Мы развернули прототип за 5 дней. Загрузили массив из 2000 страниц, настроили разбивку на фрагменты и подключили чат-интерфейс — простую строку поиска, как в мессенджере.
Эльвира протестировала первой. Открыла чат, написала: «Можно ли взять отпуск за свой счёт на один день». Через три секунды — ответ: «Да, согласно пункту 4.2 Положения об отпусках (ред. от 15.03.2024), сотрудник может оформить отпуск без сохранения заработной платы на срок от одного дня по согласованию с руководителем». Снизу — кликабельная ссылка на PDF и номер страницы.
Она проверила источник. Всё сошлось. Потом задала ещё пять вопросов. На все — корректные ответы.
Что изменилось через месяц
До внедрения
- Поиск ответа — 10–15 минут на один вопрос
- HR и юристы тратили ~40% времени на повторяющиеся запросы
- ~80 человеко-часов в неделю уходило на поиск по документам
- Сотрудники избегали самостоятельного поиска — проще спросить коллегу
- Устаревшие версии документов вводили в заблуждение
После внедрения
- Поиск ответа — 3–5 секунд, из любой точки компании
- Юридический отдел освободил ~15 часов в неделю
- Каждый ответ сопровождается ссылкой на источник — можно проверить
- Сотрудники находят ответы сами, не дёргая смежные отделы
- Система работает внутри контура компании — документы не покидают периметр
Самое неожиданное — изменилась культура. Раньше люди спрашивали друг друга. Теперь спрашивают систему. Юристы наконец занимаются юридической работой, а не пересказывают регламенты, которые сами же и написали.Эльвира, HR-директор
Почему это сработало
- Решили реальную проблему, а не внедрили технологию. Мы не продавали «RAG на базе LLM с векторным поиском». Мы ответили на вопрос: «Как перестать тратить 80 часов в неделю на поиск информации, которая уже написана». RAG — инструмент, а не цель.
- Ответ всегда с доказательством. Каждый результат содержит ссылку на документ и страницу. Это критично для доверия: сотрудник не обязан верить боту на слово, он может открыть первоисточник и убедиться. Для регламентной документации это не фича, а требование.
- Локальное развёртывание. Все данные остаются внутри инфраструктуры компании. Ни один документ не уходит во внешние сервисы. Для организаций с повышенными требованиями к безопасности это часто — единственный приемлемый вариант.
Кому это нужно
RAG-поиск по документам — не нишевая история. Он закрывает универсальную боль любой организации, где объём внутренней документации превысил способность сотрудников в ней ориентироваться:
- Производственные компании — технологические регламенты, инструкции по охране труда, внутренние стандарты;
- Юридические и консалтинговые фирмы — базы нормативных актов, шаблоны договоров, прецеденты;
- Образовательные учреждения — учебные программы, методические материалы, приказы;
- Сетевой бизнес и франчайзинг — стандарты работы точек, операционные процедуры, чек-листы.
Прототип обычно готов за 3–7 дней после передачи примеров документов. Дальше — пилот на отделе, сбор обратной связи и масштабирование на всю компанию.
Если архив документов растёт быстрее, чем способность людей в нём искать — давайте разбираться.