Не начинайте внедрять AI, пока не разберётесь с RAG. Иначе любые AI-трансформации обречены

На связи Егор Мелкозёров, основатель компании «Спокойствие и Уверенность».

За последние годы я наблюдал десятки компаний, которые хотели «внедрить AI», и почти все они начинали с чат-ботов, агентов или автоматизации процессов, но сталкивались с одинаковой проблемой — модель умная, демонстрация красивая, а реальной бизнес-ценности нет, потому что системе просто не на что опереться внутри самой компании.

Именно поэтому в проекте для крупной ресторанной группы с 10+ заведениями и 15-летней историей мы сознательно начали не с агентов, не с витринных решений и не с автоматизации, а с создания корпоративной RAG-инфраструктуры, которая стала фундаментом всей AI-архитектуры компании.

МегаФон Таргет: рекламная платформа для бизнеса

• Сервис позволяет запускать рекламные кампании в одном окне.
• Сегментируйте базу по поведению и интересам с таргетингами.
• Стабильный СМС-канал.
• На первый запуск 3000 бонусных рублей.
• Запустите первую кампанию за 10 минут с ИИ-помощником.

Узнать больше >>

Реклама. ПАО «МегаФон». ИНН 7812014560. ОГРН 1027809169585. ERID: 2W5zFHynoTX.

Почему мы начали не с AI-агентов, а с корпоративной памяти

Когда мы заходили в проект, у клиента уже существовало огромное количество данных: меню, технологические карты, стандарты, регламенты, обучение персонала, винные карты, внутренние гайды и операционные инструкции, которые копились годами в разных форматах и хранились в разрозненных системах.

Проблема заключалась не в отсутствии информации, а в отсутствии единого интеллектуального слоя, на который могла бы опираться любая AI-система, поскольку при разрозненных источниках данных модель начинает галлюцинировать, противоречить сама себе, давать разные ответы на одинаковые вопросы и не учитывать реальный контекст бизнеса.

Если у компании нет единой базы знаний, на которую опирается AI, то он неизбежно превращается в нестабильную технологию, которая производит тексты и ответы, не связанные с реальными стандартами компании.

Именно поэтому в проекте для ресторанной группы мы начали с создания корпоративной RAG-инфраструктуры — умной векторизированной базы знаний, которая объединила более 1 000 страниц документов, накопленных за 15 лет работы сети, и стала единым источником фактов для всех будущих AI-продуктов.

Мы собрали всё: меню, стандарты, регламенты, технологические карты, внутренние гайды, обучение персонала, служебные инструкции, после чего структурировали, разметили и загрузили данные в единый интеллектуальный слой, который по сути стал «мозгом» всей AI-экосистемы компании и фундаментом для её долгосрочной трансформации.

Что такое RAG и почему без него нет смысла делать AI-проекты

Чтобы объяснить, что такое RAG, я обычно привожу простой пример: представьте, что вы нанимаете человека, который знает буквально «весь интернет», но не знает ничего о специфике вашей компании, её стандартах, процессах и правилах, и вряд ли вы доверите ему управленческие решения без погружения в контекст бизнеса.

С AI происходит ровно то же самое, поскольку большая языковая модель умеет генерировать тексты и формулировать ответы, но она не знает специфику вашей компании, если вы не дали ей к ней доступ через структурированную систему знаний.

Для того чтобы AI-агент работал корректно, мы создаём векторизированную базу знаний (RAG), иногда в связке с классической базой данных, например, PostgreSQL, где документы переводятся в векторный формат для быстрого и семантически точного поиска, а сама модель в момент запроса сначала получает релевантные фрагменты корпоративных данных и уже на их основе формирует ответ.

Если упростить концепцию, то:

• AI отвечает за генерацию;
• RAG отвечает за достоверность.

RAG не позволяет модели «придумывать» информацию, поскольку каждое её действие опирается на реальные документы компании, и именно поэтому такая архитектура превращает AI из демонстрационного инструмента в управляемую бизнес-систему.

Это особенно критично для корпоративной среды, где все агенты должны работать на едином источнике знаний, а не на разрозненных кусках информации, и где компания должна иметь возможность контролировать, что именно знает AI и как обновляются эти знания.

В нашем кейсе вся система была связана с Notion таким образом, что заказчик мог редактировать документы в привычной среде, после чего информация автоматически синхронизировалась в векторный слой и становилась доступной всем AI-сервисам без участия разработчиков и без дополнительных релизов.

Единая база знаний (RAG) как центр AI-инфраструктуры компании

Что компания может построить на этом фундаменте

Когда у компании появляется единая корпоративная память, возможности масштабирования AI-решений становятся практически неограниченными, поскольку все будущие продукты опираются на один интеллектуальный слой.

В рамках проекта для ресторанной группы на основе этой базы знаний можно запускать AI-помощника управляющего, который отвечает на вопросы по стандартам и операционным процедурам, AI-метрдотеля, который знает меню и рекомендации, систему AI-онбординга сотрудников, где новичок обучается на основе корпоративных данных, а также автоматизацию создания внутренних документов, чек-листов и инструкций.

Кроме того, архитектура позволяет запускать агентов в любом интерфейсе: Telegram, Web, CRM, кассовых системах или мобильных приложениях для гостей, поскольку все они используют одну и ту же память, а не отдельные фрагменты информации.

Как мы работали: структура, которая избавляет заказчика от операционной боли

Один из принципов нашей работы заключается в том, чтобы не перегружать клиента и не превращать внедрение в операционный хаос, поэтому мы не требовали от заказчика писать технические задания на сотни страниц и не просили пересобирать документацию под наши стандарты.

Мы самостоятельно собрали, очистили и оцифровали более 1 000 страниц документов, накопленных за 15 лет существования сети ресторанов, структурировали хаотичные файлы, выделили сущности, связи, версии и теги, загрузили данные в Qdrant и PostgreSQL, настроили автоматические обновления и построили архитектуру с ролевым доступом и системой авторизации.

В результате заказчик получил структурированную корпоративную память, не тратя месяцы на подготовку к AI-трансформации и не вовлекая операционную команду в сложные технические процессы.

Как система выглядит изнутри

Автообновление из Notion

Менеджер вносит изменения в Notion, после чего информация автоматически попадает в RAG-слой и становится доступной всем AI-продуктам, что исключает необходимость ручных выгрузок и повторных интеграций.

Ролевая сегментация и безопасность

В компании существуют разные роли: шеф-повар, управляющий, менеджер, официант, гость и другие, и каждая роль имеет собственную изолированную коллекцию данных, при этом система авторизует пользователя и выдаёт только ту информацию, которая разрешена его уровню доступа и относится к конкретному ресторану.

Если информация конфиденциальна, ответ дополнительно маркируется, а все запросы логируются и доступны для аудита.

Админ-панель

Система включает панель администратора, через которую клиент управляет доступами, назначает роли, приглашает сотрудников и видит логи всех запросов к RAG-системе, что делает инфраструктуру полностью управляемой и прозрачной.

Ролевая сегментация и изоляция данных в AI-системе

Безопасность как основа архитектуры

Поскольку проект реализовывался для крупной ресторанной группы, безопасность была встроена в архитектуру с самого начала, и мы реализовали изолированные базы данных для каждой роли, отдельные ключи доступа, фильтрацию по restaurant_id, object_type и tags, запреты на межролевой доступ, аудит всех запросов и автоматическую ротацию ключей.

Таким образом, официант физически не может получить доступ к данным управляющего, поскольку его слой базы знаний просто не содержит такой информации, а любые обращения к конфиденциальным данным фиксируются в системе.

AI-проекты нуждаются в фундаменте

Большинство AI-проектов разрушаются не из-за качества модели, а из-за отсутствия единой корпоративной памяти, поскольку без неё система начинает противоречить сама себе, устаревать и требовать постоянных доработок.

В нашем кейсе для ресторанной группы мы сначала построили фундамент в виде RAG-инфраструктуры, которая стала универсальным ядром для всех будущих AI-решений, и только после этого начали масштабировать AI-агентов и автоматизацию.

Именно единая векторизированная база знаний превращает AI из модной технологии в устойчивую бизнес-систему, которая способна развиваться вместе с компанией на протяжении многих лет.

Мнение редакции может не совпадать с мнением автора. Ваши статьи присылайте нам на 42@cossa.ru. А наши требования к ним — вот тут.