Что такое RAG и зачем это вашему бизнесу

У вас в компании наверняка есть папка (или десять папок) с документами. Регламенты, договоры, инструкции, протоколы совещаний, технические спецификации. Новый сотрудник приходит и спрашивает: «Где найти шаблон акта сверки?» Ему отвечают: «Спроси у Марины из бухгалтерии». Марина в отпуске. Сотрудник тратит полдня на поиски.

Это не выдуманная ситуация. По разным оценкам, сотрудники тратят до 20% рабочего времени на поиск информации внутри компании. Для команды из 50 человек это как если бы 10 человек целый день искали вместо того, чтобы работать.

RAG решает эту проблему.

Что такое RAG простым языком

RAG расшифровывается как Retrieval-Augmented Generation. По-русски: генерация с опорой на найденные данные.

Суть простая. Вы задаёте вопрос. Система сначала ищет релевантные фрагменты в вашей базе документов, а потом формирует ответ на основе найденного. Не выдумывает из головы, а отвечает по конкретным документам.

Представьте, что у вас есть очень умный ассистент, который прочитал все документы компании. Вы спрашиваете: «Какие условия гарантии мы предоставляем клиентам категории B?» Ассистент за три секунды находит нужный договор, вытаскивает оттуда пункт про гарантию и даёт вам ответ с указанием источника.

Вот это и есть RAG. Только вместо живого ассистента работает связка из поисковой системы и языковой модели.

Как это устроено внутри

Внутри всё работает в три этапа: индексация, поиск, генерация.

Сначала все документы компании загружаются в систему. Каждый документ разбивается на фрагменты (обычно по 300-500 слов), и для каждого фрагмента вычисляется числовой «отпечаток», эмбеддинг. Он описывает смысл текста в виде набора чисел. Все отпечатки складываются в векторное хранилище. Делается это один раз, а потом обновляется при добавлении новых документов.

Когда пользователь задаёт вопрос, система вычисляет эмбеддинг вопроса и ищет в базе фрагменты с похожими отпечатками. Поиск работает по смыслу, а не по ключевым словам. Спросите «условия возврата товара», система найдёт фрагмент, где написано «порядок обратной приёмки продукции», даже если слово «возврат» там нигде не встречается. Обычно находит 3-10 подходящих фрагментов.

Дальше найденные фрагменты передаются в языковую модель вместе с вопросом. Модель читает их и формулирует ответ на человеческом языке, с указанием источника: из какого документа и какого раздела взята информация.

С какими документами работает RAG

Практически с любыми текстовыми:

• PDF-файлы (договоры, регламенты, инструкции)
• Word-документы
• Excel-таблицы (да, из них тоже извлекается текст)
• Письма и переписки
• Базы знаний в Confluence, Notion, Google Docs
• Записи из CRM-систем
• Техническая документация, API-спецификации

Единственное ограничение: если таблица в PDF вставлена картинкой, а не текстом, нужна дополнительная обработка через OCR. Это усложняет проект, но решаемо.

Конкретные примеры применения

Юрист проверяет договор контрагента и хочет сравнить условия с внутренним шаблоном. Раньше открывал 15 файлов. Теперь спрашивает систему: «Какой срок ответа на претензию в нашем стандартном договоре поставки?» Ответ за 5 секунд со ссылкой на конкретный документ и номер пункта.

Оператор техподдержки получает звонок от клиента с проблемой. Раньше листал базу знаний, искал по ключевым словам, звал старшего. Теперь описывает проблему в RAG-систему и получает пошаговую инструкцию из документации.

В HR та же история: сотрудники постоянно спрашивают одно и то же. Как оформить командировку, какой порядок согласования отпуска, где взять справку для банка. RAG-бот в корпоративном мессенджере отвечает мгновенно, ссылаясь на актуальные документы. А менеджер по продажам перед встречей с клиентом из нефтегазовой отрасли спрашивает: «Какие проекты мы делали для нефтегаза за последние два года?» Получает список с описанием и контактами ответственных.

Когда RAG нужен, а когда нет

RAG подходит, если:

• У вас больше 100 документов, в которых сотрудники регулярно ищут информацию
• Есть типовые вопросы, ответы на которые разбросаны по разным источникам
• Новые сотрудники долго входят в курс дела из-за объёма документации
• Время на поиск информации влияет на скорость бизнес-процессов

RAG не нужен, если:

• У вас 20 документов, которые все знают наизусть
• Информация меняется каждый час (RAG работает с задержкой индексации)
• Нужна 100% точность без права на ошибку (модель иногда неточно интерпретирует найденное)
• Все данные уже хорошо структурированы в CRM или ERP, и там есть нормальный поиск

Отдельный момент: RAG не заменяет человека. Он убирает рутину поиска, но финальное решение всё равно принимает специалист. Если юрист получил ответ от системы, он всё равно проверит источник. Просто вместо 40 минут поиска он потратит 2 минуты на проверку.

Сколько стоит и сколько времени занимает

Типичный RAG-проект для компании из 50-200 сотрудников укладывается в такие рамки:

MVP обойдётся в 300-500 тысяч рублей и займёт 2-4 недели. Одна база документов, одна модель, простой интерфейс. Этого хватит, чтобы понять, работает ли подход на ваших данных.

Полноценное решение с несколькими источниками, интеграцией в мессенджер или портал, правами доступа и автообновлением базы стоит 500 тысяч - 1.2 миллиона и занимает 1-3 месяца. Плюс 10-30 тысяч в месяц на хостинг и API языковой модели.

Окупаемость обычно наступает за 2-4 месяца. Если 20 сотрудников экономят по часу в день на поиске информации — посчитайте сами, сколько это стоит в зарплатах.

Что нужно для старта

Минимальный набор:

1. Собрать документы в одном месте (папка, облачное хранилище, Confluence)
2. Определить 5-10 типовых вопросов, на которые сотрудники ищут ответы чаще всего
3. Выбрать подрядчика, который развернёт MVP

На стороне подрядчика всё остальное: выбор модели, настройка индексации, разработка интерфейса, тестирование на ваших реальных вопросах.

Если вы до сих пор не уверены, нужен ли вам RAG, попробуйте простой тест. Задайте трём сотрудникам один и тот же вопрос по внутренней документации и засеките время. Если каждый потратил больше 10 минут и дал разный ответ — вам точно нужен RAG.