Używamy plików cookie aby zapewnić działanie platformy oraz (opcjonalnie) analizować ruch. Wybierz swoje preferencje:
Jak działa baza wiedzy z AI na firmowych dokumentach, które pliki się nadają, gdzie ją zbudować i ile kosztuje: 4 000-12 000 zł, zwrot w 4-8 miesięcy.
Firmowa baza wiedzy z AI odpowiada pracownikom na pytania na podstawie Waszych dokumentów i pokazuje, z którego dokumentu wzięła odpowiedź. Według katalogu procesów Qerify wdrożenie kosztuje 4 000-12 000 zł i zwraca się po 4-8 miesiącach. Jakość odpowiedzi zależy głównie od porządku w dokumentach, a mniej od wyboru modelu.
Model językowy sam z siebie nie zna Waszych procedur, cennika ani zasad urlopowych. Zamiast go douczać, system za każdym razem podsuwa mu właściwe fragmenty dokumentów. Ten sposób działania ma angielską nazwę RAG (retrieval-augmented generation), po polsku: odpowiedź generowana na podstawie wyszukanych źródeł.
Krok po kroku wygląda to tak:
Ostatni punkt odróżnia bazę wiedzy od zwykłego czatu z AI. Pracownik widzi, skąd pochodzi odpowiedź, i może to sprawdzić w dwie sekundy. Do instrukcji dla modelu warto dopisać zasadę: jeśli w znalezionych fragmentach nie ma odpowiedzi, powiedz, że nie wiesz, i wskaż osobę, która wie. Bez niej model będzie zgadywał.
Baza wiedzy powtarza to, co znajdzie. Jeśli obok aktualnego cennika leży cennik sprzed dwóch lat, odpowiedź może wziąć liczbę ze starego.
| Nadają się | Psują odpowiedzi |
|---|---|
| Aktualne procedury i instrukcje stanowiskowe | Stare wersje tego samego dokumentu obok nowych |
| FAQ dla klientów i odpowiedzi na typowe pytania | Notatki z wątków i maili, wyrwane z kontekstu |
| Cenniki i regulaminy z datą obowiązywania | Szkice i dokumenty „do dyskusji” |
| Opisy produktów i usług | Skany bez warstwy tekstowej, tabele wklejone jako obrazki |
| Zasady wewnętrzne: urlopy, delegacje, zakupy | Dokumenty z wyjątkami, które zna tylko jedna osoba |
Przed wdrożeniem zrób jedno porządkowanie. Każdy dokument dostaje właściciela i datę przeglądu, stare wersje trafiają do archiwum poza indeksem, a tytuł mówi, czego dokument dotyczy. To zwykle najdłuższy etap projektu i to on decyduje o tym, czy zespół zaufa odpowiedziom po pierwszym tygodniu.
Najczęstszy błąd na starcie to wrzucenie do indeksu całego dysku firmowego. Wtedy porządkowanie trwa miesiącami, a pierwsze odpowiedzi rozczarowują. Lepiej zacząć od wąskiego pilota:
Lista 30 pytań przyda się jeszcze raz: to gotowy zestaw testowy. Po każdej większej zmianie dokumentów albo modelu zadajesz te same pytania i porównujesz odpowiedzi z poprzednimi. Tak szybko wychwycisz, że aktualizacja cennika zepsuła trzy odpowiedzi o rabatach.
Masz dwie drogi. Pierwsza to funkcje AI wbudowane w narzędzia, w których już trzymasz dokumenty. Notion ma AI, które odpowiada na pytania na podstawie stron w obszarze roboczym, a ChatGPT Business i Enterprise mają aplikacje łączące się z firmowymi źródłami z poszanowaniem istniejących uprawnień. Uruchomisz to w jeden dzień, ale działa tylko w obrębie danego narzędzia i jego zasad.
Druga droga to własny workflow. W katalogu Qerify ten proces opiera się na trzech narzędziach: Notion jako miejsce na dokumenty, n8n jako silnik, który pobiera strony, aktualizuje indeks i obsługuje pytania, oraz OpenAI API jako model. n8n ma gotowe węzły do modeli językowych i do magazynów wektorowych, czyli indeksów wyszukujących po znaczeniu.
| Droga | Kiedy wybrać | Ograniczenia |
|---|---|---|
| AI wbudowane w narzędzie | Wszystkie dokumenty leżą w jednym narzędziu, zespół do kilkunastu osób | Mniej kontroli nad źródłami i formatem odpowiedzi |
| Własny workflow (Notion, n8n, OpenAI API) | Dokumenty w kilku miejscach, odpowiedzi w Slacku lub Teams, potrzebne uprawnienia per dział | Wymaga wdrożenia i opieki |
| n8n na własnym serwerze w UE | Dokumenty z danymi wrażliwymi, wymóg kontroli nad infrastrukturą | Dochodzi utrzymanie serwera |
Własny workflow daje też kontrolę nad tym, co trafia do indeksu. Możesz pominąć folder z umowami albo dokumenty oznaczone jako poufne, zanim ktokolwiek zada pytanie.
Baza wiedzy nie może być furtką do dokumentów, do których pracownik nie ma dostępu. Jeśli do indeksu trafi arkusz z wynagrodzeniami, każdy może o nie zapytać, a model chętnie odpowie.
Trzy sposoby na uprawnienia, od najprostszego:
Przy małym zespole zwykle wystarcza pierwszy sposób, przy kilku działach z różnymi dokumentami warto od razu zaplanować trzeci.
Ustal też, kto widzi historię pytań. Logi przydają się do poprawiania dokumentów, ale to także dane o pracownikach, więc zespół powinien wiedzieć, że są zapisywane. Jeśli baza ma korzystać z danych klientów, sprawdź warunki dostawcy modelu: umowę powierzenia, trenowanie na danych i region przechowywania. Opisujemy je we wpisie o danych klientów w ChatGPT i RODO.
Widełki z katalogu procesów Qerify dla bazy wiedzy z odpowiedziami AI:
Do tego dochodzą koszty stałe: opłaty za API modelu według liczby zapytań i ewentualny serwer dla n8n. Zależą od liczby pytań i długości dokumentów, więc poproś wykonawcę o ich szacunek dla Waszego wolumenu jeszcze przed startem. Szczegóły procesu i kalkulator znajdziesz na stronie bazy wiedzy AI dla zespołu.
Przy porównywaniu ofert sprawdź, co wchodzi w zakres. Dobra wycena obejmuje automatyczną aktualizację indeksu po zmianie dokumentu w Notion, instrukcję dla osoby, która dodaje nowe dokumenty, zestaw pytań testowych i okres poprawek po starcie. Jeśli oferta kończy się na „działającym czacie”, za miesiąc indeks będzie nieaktualny, a odpowiedzi zaczną się rozjeżdżać z rzeczywistością.
Najprostsza miara skuteczności to liczba pytań kierowanych do konkretnych osób. W każdej firmie są dwie, trzy osoby, do których wszyscy piszą „gdzie jest…” albo „jak się robi…”. Przez dwa tygodnie przed wdrożeniem policz takie pytania. Miesiąc po starcie policz je jeszcze raz. Do tego zbieraj pytania, na które baza odpowiedziała „nie wiem”: to gotowa lista dokumentów do napisania albo poprawienia.
Opisz Concierge'owi, jakie pytania zespół zadaje najczęściej i gdzie dziś leżą odpowiedzi: w Notion, na dysku czy w głowach kilku osób. Z tego powstanie brief dla wykonawcy, który zbuduje bazę na Waszych dokumentach.