ШІ-асистент за документами компанії: як навчити його відповідати працівникам і не допустити витоку даних

Працівниця ставить запитання корпоративному ШІ-асистенту на ноутбуці Бізнес

Працівники вже питають ChatGPT про робочі речі: як оформити відрядження, що сказано в договорі з постачальником, де лежить шаблон комерційної пропозиції. Часто для цього вони копіюють внутрішні документи в особистий акаунт. Корпоративний ШІ-асистент дає ту саму зручність за правилами компанії: відповідає з ваших регламентів і договорів, показує джерело, а доступи й журнал запитів контролює роботодавець. Розбираємо, як він працює, коли вистачить готового сервісу і як перевірити асистента до запуску.

Чому це питання вже не можна відкласти

Заборона рідко спрацьовує: якщо чат-бот економить півгодини на довідці, люди його відкривають у своєму телефоні. Проблема в тому, що тоді компанія не знає, які файли потрапили в чужі акаунти, а відповіді спираються на загальні знання моделі, а не на чинний регламент.

Попит на такі рішення видно й з ринку. У дослідженні 187 AI-замовлень з українських бірж фрилансу, яке провела студія Myrado Studio (травень–вересень 2026 року), RAG або векторний пошук згадано в 14 замовленнях. А 9% замовників прямо вимагали, щоб бот не вигадував і відповідав лише з бази знань.

Як асистент знаходить відповідь у ваших файлах

Технологія називається RAG — генерація з доповненням пошуком. Модель не заучує ваші документи наперед. Перед кожною відповіддю система шукає в базі кілька доречних фрагментів, і модель формулює відповідь лише з них.

  1. Документи забирають із Google Drive, Notion, сайту чи архіву PDF і ділять на невеликі фрагменти: пункт регламенту, абзац договору, рядок прайсу.
  2. Кожен фрагмент перетворюють на набір чисел, що передає його зміст (ембединг), і зберігають у векторній базі.
  3. На запитання система шукає фрагменти, близькі за змістом, і паралельно — за точними словами: номером договору, артикулом, прізвищем.
  4. Модель отримує запитання, знайдені фрагменти й інструкцію: відповідати лише з них і називати джерело.
  5. Запитання, знайдені фрагменти й відповідь потрапляють у журнал.

Знання асистента оновлюються разом із файлами: замінили регламент — і після синхронізації він відповідає вже за новою версією. Докладніше про архітектуру — у статті що таке RAG простими словами.

Важливо розуміти, що якість залежить від пошуку не менше, ніж від моделі. Anthropic у 2024 році описувала експеримент: коли до кожного фрагмента додавали короткий контекст і поєднували пошук за змістом із пошуком за словами, промахів пошуку ставало на 49% менше. З додатковим переранжуванням знайденого — на 67%. Модель, яка пише відповідь, при цьому не змінювалася.

Готовий сервіс чи власний асистент

ВаріантЯк працюєКоли підходитьОбмеження
NotebookLM, проєкти в ChatGPT чи ClaudeЗавантажили файли й питаєтеОдна людина чи невелика команда, документів небагатоФайли оновлюють вручну, доступи — на рівні акаунта, немає бота в Telegram чи Slack
Уся база в інструкції ботаТекст бази щоразу передається моделі разом із запитаннямFAQ на 30–50 запитань, база до кількох сотень сторінокЗ ростом бази кожна відповідь дорожчає й повільнішає, ролей немає
Корпоративний асистент на RAGПошук, модель, права доступу, журналСотні документів, часті зміни, різні рівні доступуПотрібні розробка, тести й власник для кожного документа

Орієнтир для другого рядка давала та сама Anthropic: базу до 200 тисяч токенів, це приблизно 500 сторінок, можна передавати моделі цілком. Але що більше тексту в кожному запиті, то дорожча й повільніша відповідь, і розмежувати доступи так не вийде.

Перший крок можна зробити самостійно за вечір. Зберіть актуальні версії документів в одну папку, завантажте їх у NotebookLM або в проєкт ChatGPT чи Claude і поставте 20–30 запитань, які працівники справді ставлять. Якщо відповіді влаштовують, можливо, більше нічого й не треба. Лише перед завантаженням договорів і персональних даних прочитайте умови свого тарифу.

Доступи й дані: що вирішити до запуску

  • Хто що бачить. Продавець — прайс і стандарти обслуговування, бухгалтер — договори, HR — кадрові документи. Права задають у пошуку, щоб модель навіть не отримувала закритих фрагментів.
  • Відкликання доступу. Вимогу одразу забирати доступ у звільнених працівників замовники пишуть у брифи окремим пунктом.
  • Журнал. Що питали, що система знайшла, що асистент відповів. Без нього помилку немає на чому показати.
  • Умови постачальника моделі. Дані, передані через бізнес-API великих провайдерів, за замовчуванням не використовуються для навчання моделей, але це варто перевірити для свого тарифу.
  • Найчутливіше. Його можна не включати в базу або розгорнути асистента на власному сервері з відкритою моделлю.

Як перевірити асистента до запуску

Демонстрація на трьох вдалих запитаннях нічого не доводить. В одному з брифів на біржі замовник порахував: із 81 відповіді його бота 6 були шкідливими — з вигаданими сумами, строками й посадами. Тому асистента приймають за тестом:

  1. Зберіть 50–100 запитань, які працівники ставлять насправді: з робочих чатів, пошти, від HR і керівників.
  2. Додайте 10–15 запитань, відповідей на які в документах свідомо немає. Правильна реакція — «у документах цього немає» і передача запитання відповідальному.
  3. Для кожного запитання перевіряйте не лише відповідь, а й знайдений фрагмент. Якщо пошук промахнувся, модель уже не допоможе.
  4. Порахуйте частку правильних відповідей, частку чесних «не знаю» і кількість вигадок. Кожну вигадку розберіть до запуску.
  5. Після запуску щотижня переглядайте журнал: запитання без відповіді підказують, яких документів бракує.

Типові помилки

  1. В базу потрапили чернетки й старі версії. Асистент не знає, яка з двох редакцій чинна, і цитує ту, що знайшов першою.
  2. Скани без текстового шару. Для пошуку такий PDF порожній, тож спершу його треба розпізнати.
  3. Таблиці порізано на шматки. Назва товару опинилася в одному фрагменті, ціна — в іншому. Прайси краще зберігати як таблиці й шукати в них точно.
  4. У документа немає власника. Регламент застарів, але ніхто цього не помітив, і асистент сумлінно цитує старі правила.
  5. Немає сценарію «не знаю». Без нього модель домислює відповідь там, де в документах порожньо.

Скільки це коштує

  • Готові сервіси. Підписка на користувача: наприклад, ChatGPT Business коштує $25 на місяць при помісячній оплаті або $20 при річній.
  • Фриланс. У тому ж дослідженні 187 замовлень медіана для асистента за базою знань — близько 21 000 грн. Вибірка мала: 10 замовлень, ціна є у восьми.
  • Корпоративне рішення. Чат-бот з базою знань з ролями доступу, журналом і відповідями в Telegram чи Slack у публічних прайсах студій коштує 25–60 тис. грн за запуск.
  • Щомісяця. Оплата моделі за фактичним використанням, сервер і супровід. Для невеликої команди витрати на модель зазвичай менші за підписки для кожного працівника, бо модель читає лише знайдені фрагменти.

Часті питання

Чи може ШІ-асистент за документами вигадати відповідь?

Може, хоча рідше, ніж звичайний чат-бот. Ризик зменшують правило «немає в документах — скажи про це», посилання на джерело в кожній відповіді, тест до запуску й журнал після нього.

Чим RAG відрізняється від донавчання моделі?

Донавчання змінює саму модель: її стиль, формат, термінологію. Для фактів, які часто змінюються, воно підходить погано: щоб оновити прайс, модель довелося б тренувати знову, і послатися на документ вона не зможе. RAG лише підкладає моделі потрібні фрагменти.

Де має працювати асистент: у браузері чи в месенджері?

Там, де команда вже спілкується. В українських компаніях це часто Telegram, у технічних команд — Slack. Окремий вебчат зручний, коли відповіді треба читати разом із документом поруч.

Висновок

Корпоративний ШІ-асистент — це не «розумна» модель, а добре зібрана база документів, точний пошук і чіткі правила доступу. Почніть із готового сервісу на невеликому наборі файлів і реальних запитань. Якщо цінність очевидна, а документів і людей багато, переходьте до власного асистента з ролями, журналом і тестом на сотні запитань.

AI