Pracownik pyta o sposób obsługi zwrotu, a odpowiedź znajduje się w jednym z kilkunastu dokumentów. Część instrukcji jest na dysku, część w wiadomościach, a najnowszą zasadę pamięta tylko kierownik. W takim otoczeniu asystent AI może przyspieszyć wyszukiwanie informacji, ale najpierw trzeba ustalić, które źródło jest poprawne.
Baza wiedzy dla AI to wybrany zbiór materiałów, z których system może korzystać przy odpowiadaniu na pytania. Jej jakość zależy od aktualności, czytelności i zasad dostępu. Samo przesłanie wszystkich firmowych plików nie rozwiązuje problemu sprzecznych instrukcji.
Czym jest RAG i do czego służy?
RAG, czyli retrieval-augmented generation, łączy wyszukiwanie informacji z generowaniem odpowiedzi. System odnajduje fragmenty dokumentów pasujące do pytania, a następnie przekazuje je modelowi jako kontekst. To inny mechanizm niż trenowanie modelu na całym firmowym archiwum.
Dokumentacja RAG w n8n opisuje m.in. dzielenie dokumentów na fragmenty, ich reprezentacje wektorowe i późniejsze wyszukiwanie. W praktyce biznesowej najważniejsze jest jednak to, czy system odnajdzie właściwą instrukcję i pokaże użytkownikowi jej źródło. RAG nie gwarantuje poprawności każdej odpowiedzi.
Dobry pierwszy zakres to wewnętrzny asystent odpowiadający na pytania o jeden produkt albo jeden proces. Pozwala sprawdzić użyteczność rozwiązania na ograniczonym zbiorze materiałów, za który odpowiada konkretny zespół.
Zacznij od pytań, które rzeczywiście wracają
Zbierz pytania pojawiające się na spotkaniach, w zgłoszeniach i podczas wdrażania nowych pracowników. Do każdego dopisz oczekiwaną odpowiedź oraz dokument, który ją potwierdza. Taki zestaw stanie się jednocześnie mapą potrzeb i podstawą testów.
Przykładowy zakres dla firmy usługowej może obejmować przygotowanie materiałów od klienta, kolejne etapy realizacji, zasady przekazania projektu i ścieżkę zgłaszania problemów. Pytania o indywidualne ustalenia z konkretnym klientem wymagają osobnego dostępu do jego danych.
Jeżeli zespół nie potrafi wskazać jednej obowiązującej odpowiedzi, najpierw potrzebna jest decyzja właściciela procesu. AI nie powinno rozstrzygać, która z dwóch sprzecznych wersji procedury jest ważniejsza.
Jak przygotować dokumenty do bazy wiedzy?
Każdy materiał powinien mieć jasno określony temat i kontekst. Instrukcja zatytułowana „Obsługa reklamacji produktu A” jest łatwiejsza do utrzymania niż plik „Notatki nowe final 3”. Warto rozdzielić procedury od luźnych pomysłów i zapisów dyskusji.
Przed importem sprawdź:
- czy dokument jest zatwierdzony i nadal obowiązuje,
- kto odpowiada za jego treść i kiedy odbędzie się kolejny przegląd,
- jakiego produktu, zespołu oraz wersji usługi dotyczy,
- czy skróty i pojęcia są wyjaśnione,
- czy tabele mają opisane kolumny i jednostki,
- czy skan zawiera poprawnie rozpoznany tekst,
- czy usunięto kopie i wycofane instrukcje.
Zachowaj przy fragmentach tytuł dokumentu, nagłówek sekcji, wersję oraz odnośnik do oryginału. Sam akapit „termin wynosi 14 dni” może być bezużyteczny bez informacji, czego ten termin dotyczy i od jakiego zdarzenia jest liczony.
Uprawnienia muszą działać przed wygenerowaniem odpowiedzi
Użytkownik powinien otrzymywać informacje wyłącznie z materiałów, do których ma dostęp. Ograniczenie musi obejmować etap wyszukiwania, a nie tylko ukrywanie linku w gotowej odpowiedzi. W przeciwnym razie model może ujawnić treść dokumentu, którego użytkownik nie powinien widzieć.
Rozdziel wiedzę publiczną, materiały wewnętrzne i dane poszczególnych klientów. Na pilotaż wybierz instrukcje, które nie wymagają szerokiego dostępu do poufnych informacji. Ustal też zakres historii rozmów, czas jej przechowywania i osoby mogące ją przeglądać.
Treść pobranego dokumentu powinna być traktowana jako źródło informacji. Polecenie znalezione w załączniku nie może zmienić zasad dostępu ani uruchomić wysyłki danych. Asystent wyszukujący wiedzę nie potrzebuje od razu uprawnień do zmiany rekordów w CRM.
Aktualizacja jest częścią procesu
Po zmianie instrukcji system musi odświeżyć odpowiednie fragmenty i wycofać poprzednią wersję. Usunięcie pliku źródłowego powinno prowadzić również do usunięcia jego treści z indeksu wyszukiwania. Inaczej odpowiedzi nadal mogą korzystać z materiałów, których zespół już nie uznaje za aktualne.
Ustal dopuszczalne opóźnienie aktualizacji. Dla rzadko zmienianej instrukcji dzienny import może wystarczyć. Dla dostępności produktu lub statusu zamówienia lepsze może być odczytanie bieżącej informacji z systemu źródłowego. Archiwum dokumentów nie powinno zastępować aktualnej bazy transakcyjnej.
Jak przetestować odpowiedzi przed uruchomieniem?
Przygotuj zestaw pytań prostych, niejednoznacznych oraz takich, na które nie ma odpowiedzi w materiałach. Uwzględnij pytania o wycofaną usługę i próby uzyskania danych innego zespołu. Osoba znająca proces powinna ocenić zarówno odpowiedź, jak i wskazane źródła.
Mierz osobno poprawność wyszukania dokumentu i poprawność końcowej odpowiedzi. Jeśli system znalazł niewłaściwą instrukcję, samo poprawianie polecenia dla modelu może nie wystarczyć. Potrzebne może być lepsze opisanie dokumentów lub zmiana sposobu ich dzielenia.
Za błąd uznaj także odpowiedź brzmiącą rozsądnie, ale pozbawioną potwierdzenia w źródle. Gdy informacji brakuje, użyteczna reakcja to jasny komunikat i wskazanie osoby, która może pomóc. Więcej o zasadach kontroli znajdziesz w poradniku AI w automatyzacji procesów.
Od pilotażu do codziennej pracy
Zacznij od jednej grupy użytkowników i ograniczonego zakresu pytań. Zbieraj poprawki, czas potrzebny na znalezienie odpowiedzi oraz pytania pozostające bez rozwiązania. Dopiero po ocenie wyników rozszerzaj bazę o następne obszary.
Dla obsługi klienta naturalnym kolejnym krokiem jest przygotowywanie szkiców odpowiedzi do akceptacji konsultanta. Taki proces opisujemy w artykule o automatyzacji obsługi zgłoszeń. Jeśli chcesz przygotować podobny pilotaż, porozmawiajmy o Twoim procesie — zacznijmy od listy powtarzalnych pytań i źródeł, którym zespół rzeczywiście ufa.