Modelowe wdrożenie wewnętrznej bazy wiedzy AI opartej o RAG, która indeksuje dokumenty, procedury i instrukcje, a następnie odpowiada pracownikom na podstawie firmowych źródeł.
Modelowy klient to firma mająca ponad 20 pracowników, kilkaset dokumentów, dziesiątki procedur, wiele lokalizacji i materiały rozproszone między SharePoint, OneDrive, Google Drive, Teams, PDF, Word, Confluence, Wiki, e-mail i foldery sieciowe. Każdy dział posiada własne instrukcje, a nowi pracownicy często pytają o te same zasady, dokumenty i procesy.
Informacje istniały, ale były trudne do znalezienia. Pracownicy nie wiedzieli, która wersja dokumentu jest aktualna, gdzie znajduje się procedura, jak wygląda proces reklamacji, zakupów, onboardingu albo obsługi systemu. Eksperci byli stale odrywani od pracy, a klasyczna wyszukiwarka nie rozumiała pytań naturalnym językiem i nie pokazywała odpowiedzi wraz ze źródłami.
Pracownicy codziennie szukają procedur, instrukcji, szablonów, zasad reklamacji, informacji onboardingowych, polityk bezpieczeństwa i odpowiedzi o systemach. RAG nie tworzy nowej wiedzy. Pomaga odnaleźć istniejącą wiedzę, wskazać źródła i ograniczyć powtarzalne pytania do ekspertów.
Wartości orientacyjne. Każdy wskaźnik jest przykładową wartością wymagającą potwierdzenia podczas analizy przedwdrożeniowej, na realnych dokumentach, pytaniach użytkowników i zasadach dostępu.
Każdy dział ma własne materiały, foldery i skróty. Nowi pracownicy pytają o podstawy, a eksperci są stale odrywani od pracy. Wiedza istnieje, ale jest rozproszona między SharePoint, OneDrive, Google Drive, Teams, PDF, Word, Confluence, Wiki, e-mail i folderami sieciowymi.
Wewnętrzna baza wiedzy AI ma największy sens wtedy, gdy firma posiada dużo materiałów, ale pracownicy nadal pytają ludzi, ponieważ nie ufają strukturze folderów albo nie wiedzą, jak nazwać szukany dokument.
Dokumenty istnieją, ale są rozproszone w folderach, mailach, Teams, SharePoint, OneDrive i lokalnych kopiach.
Pracownicy tracą czas na szukanie zamiast na wykonanie zadania.Ta sama procedura występuje w kilku plikach, a użytkownik nie wie, która wersja jest aktualna.
Firma ryzykuje pracę na nieaktualnych zasadach i błędne decyzje operacyjne.Instrukcje po zmianach procesu nie zawsze są publikowane w jednym miejscu i szybko tracą wiarygodność.
Zespół częściej pyta ekspertów, bo nie ufa dokumentacji.Klasyczna wyszukiwarka nie rozumie pytań naturalnym językiem i wymaga znajomości nazw plików.
Nowi i mniej techniczni użytkownicy szybciej rezygnują z samodzielnego szukania.Onboarding generuje te same pytania o procedury, narzędzia, urlopy, systemy i odpowiedzialności.
Eksperci są odrywani od pracy i powtarzają te same odpowiedzi.Wiedza jest w głowach kilku osób, więc Teams i telefon stają się nieformalną wyszukiwarką.
Koszt ukryty rośnie razem z liczbą pracowników i lokalizacji.System nie znajduje odpowiedzi, gdy użytkownik zada pytanie innymi słowami niż nazwa dokumentu.
Dane są dostępne, ale praktycznie niewidoczne dla pracowników.Nowy pracownik musi poznać strukturę folderów, działy, nazwy dokumentów i nieformalne skróty.
Onboarding staje się zależny od dostępności opiekuna.Foldery były tworzone latami przez różne działy i nie odzwierciedlają już aktualnego procesu.
Wiedza firmowa jest trudna do utrzymania i porządkowania.Nie wiadomo, kto zmienił dokument, kiedy został zaindeksowany i które odpowiedzi korzystały z danej wersji.
Trudniej audytować odpowiedzi AI i utrzymać zaufanie do systemu.Pracownik najpierw pytał w Teams, potem wysyłał maila, dzwonił do eksperta albo szukał PDF-a w folderach. Odpowiedź często trafiała tylko do jednej osoby, więc ten sam problem wracał po kilku dniach.
Nie trenujemy modelu od zera i nie prosimy zespołu o przepisywanie dokumentów do nowego systemu. Tworzymy indeks dokumentów, embeddingi, wyszukiwarkę semantyczną, kontrolę źródeł, panel administratora, historię odpowiedzi i uprawnienia zgodne z organizacją.
RAG wymaga kontroli całego procesu: źródeł, OCR, chunkingu, embeddingów, indeksu, odpowiedzi, feedbacku i utrzymania przez administratora.
Plik z SharePoint, OneDrive, Google Drive, PDF, Word lub folderu sieciowego trafia do procesu indeksowania.
Rola: wejście • status: syncPlik z SharePoint, OneDrive, Google Drive, PDF, Word lub folderu sieciowego trafia do procesu indeksowania.
AI odnajduje aktualną instrukcję zakupową, opisuje etapy akceptacji i pokazuje dokument źródłowy.
Pracownik pyta o zasady bezpieczeństwa, a system wskazuje aktualny dokument i właściwy fragment.
AI znajduje instrukcję dla konkretnej funkcji systemu ERP i podaje kroki bez przeszukiwania folderów.
System odnajduje właściwy szablon umowy, wersję i zasady użycia dla danego typu klienta.
AI wskazuje aktualną procedurę, właściciela dokumentu i kontekst audytowy.
Pracownik otrzymuje proces obsługi reklamacji, terminy, role i linki do formularzy.
Baza wiedzy odpowiada na pytania o urlopy, benefity, regulaminy i onboarding.
AI pokazuje instrukcję VPN, MFA, resetu hasła albo zgłoszenia sprzętu.
Operator znajduje instrukcję stanowiskową, zasady jakości i wymagane checklisty.
System opisuje procedurę przyjęcia, reklamacji dostawy lub wydania materiału.
AI wskazuje instrukcję obiegu faktur, opis pól i osoby odpowiedzialne.
Użytkownik znajduje aktualne polityki, procedury raportowania i definicje KPI.
Kalkulator pomaga oszacować skalę problemu informacyjnego. To punkt wyjścia do rozmowy, a nie gwarancja efektu.
Przykładowa wartość wymagająca potwierdzenia podczas analizy przedwdrożeniowej. Wynik zależy od liczby pytań, jakości dokumentów, uprawnień, aktualności źródeł i sposobu pracy zespołu.
SharePoint • OneDrive • Google Drive • Confluence • PDF • Word • SQL
OCR • chunking • metadane • wersje • walidacja
embedding • pgvector • Qdrant • Pinecone • Weaviate
LLM • RAG • cytowania • guardrails • feedback
Next.js • React • Teams • API • admin panel
Redis • PostgreSQL • monitoring • backup • audit logs
Sama integracja z folderem nie wystarczy. Każde źródło powinno mieć właściciela, reguły dostępu, status aktualności i sposób aktualizacji indeksu.
RAG dla firmy wymaga kontroli uprawnień na poziomie użytkownika, działu, dokumentu i źródła. Odpowiedzi muszą być zgodne z dostępem, a logi powinny pokazywać, z jakich fragmentów korzystał system.
Inwentaryzujemy źródła wiedzy, typy dokumentów, właścicieli, wersje, poziomy dostępu i najczęściej zadawane pytania.
Na tym etapie ustalamy też, które dokumenty mogą być indeksowane, które wymagają wykluczenia i kto odpowiada za aktualność wiedzy.
Projektujemy architekturę RAG, role, uprawnienia, schemat metadanych, format odpowiedzi, reguły cytowania i zakres MVP.
Ważne jest określenie, czy system ma działać tylko jako wyszukiwarka, czy również jako asystent odpowiadający na pytania pracowników.
Przygotowujemy przetwarzanie dokumentów skanowanych, PDF-ów i plików bez warstwy tekstowej.
OCR powinien być testowany na realnych dokumentach, bo jakość skanów, tabel i pieczątek może wpływać na trafność odpowiedzi.
Dzielimy dokumenty na fragmenty i tworzymy embeddingi, które umożliwiają wyszukiwanie semantyczne.
Dobieramy strategię chunkingu, model embeddingowy, metadane i sposób aktualizacji indeksu po zmianie dokumentów.
Łączymy SharePoint, OneDrive, Google Drive, Confluence, foldery, bazy danych lub API z warstwą indeksowania.
Sprawdzamy limity API, uprawnienia, synchronizację, błędy i sposób reagowania na usunięte albo zmienione pliki.
Uruchamiamy pierwszą wersję dla wybranego działu, typu dokumentów lub procesu, na przykład HR, IT, ISO albo sprzedaży.
MVP powinno zawierać pytania testowe, cytowania źródeł, panel feedbacku i widok administracyjny.
Testujemy trafność odpowiedzi, cytowania, uprawnienia, prompt injection, brakujące dokumenty i pytania spoza zakresu.
Dopiero po testach warto rozszerzać zakres dokumentów i udostępniać bazę wiedzy większej grupie pracowników.
Po uruchomieniu monitorujemy pytania, feedback, luki wiedzy, aktualność dokumentów i jakość źródeł.
Rozwój obejmuje kolejne działy, Teams, Slack, voice search, tłumaczenia, podsumowania i workflow aktualizacji dokumentów.
Każdy wskaźnik jest przykładową wartością wymagającą potwierdzenia podczas analizy przedwdrożeniowej.
| Obszar | Przed | Po MVP | Metoda pomiaru |
|---|---|---|---|
| Czas znalezienia informacji | Szukanie w folderach i pytanie ekspertów | Pytanie naturalnym językiem i odpowiedź ze źródłem | mediana czasu do odpowiedzi |
| Pytania do ekspertów | Eksperci odpowiadają na powtarzalne pytania | AI obsługuje pytania niskiego ryzyka | liczba pytań w Teams / mailu |
| Onboarding | Nowe osoby pytają opiekuna o podstawy | Baza wiedzy prowadzi do procedur i instrukcji | czas wdrożenia do samodzielności |
| Liczba dokumentów | Brak kontroli indeksowania | Status źródła, wersji i właściciela | liczba aktywnych źródeł |
| Wyszukania | Brak danych o potrzebach użytkowników | Dashboard najczęstszych pytań | liczba wyszukań i tematów |
| Trafność odpowiedzi | Brak pomiaru | Feedback i testy odpowiedzi | ocena użytkowników / review rate |
| Aktualność wiedzy | Nie wiadomo, co jest stare | Alerty i status dokumentu | liczba dokumentów do przeglądu |
| Źródła | Odpowiedź bez śladu | Cytowane fragmenty i linki | udział odpowiedzi ze źródłami |
Dane, KPI i scenariusze są przykładowe. Wymagają analizy dokumentów, uprawnień, źródeł, jakości OCR, obecnych procesów oraz wymagań bezpieczeństwa konkretnej organizacji.
W pierwszej rozmowie sprawdzimy źródła wiedzy, typy dokumentów, uprawnienia, najczęstsze pytania i bezpieczny zakres MVP dla pierwszego działu lub procesu.
W profesjonalnym wdrożeniu trzeba jasno odróżnić korzystanie z dokumentów jako kontekstu od trenowania modelu. W architekturze RAG dokumenty są indeksowane, dzielone na fragmenty i wykorzystywane do wyszukiwania odpowiedzi, ale nie musi to oznaczać trenowania publicznego modelu na danych firmy. Model otrzymuje wybrane fragmenty jako kontekst zapytania i na tej podstawie przygotowuje odpowiedź. Decyzja o tym, gdzie dane są przetwarzane, jak są przechowywane i czy mogą być używane do trenowania, zależy od wybranego dostawcy, konfiguracji oraz wymagań bezpieczeństwa firmy.
To zależy od architektury. Można zaprojektować rozwiązanie chmurowe, hybrydowe albo prywatne. W wariancie chmurowym część zapytań może być przetwarzana przez zewnętrzne API AI, ale nadal trzeba ograniczyć zakres danych, stosować maskowanie informacji wrażliwych i kontrolować retencję. W wariancie prywatnym lub on-premise większa część przetwarzania może działać w środowisku klienta. Przed wdrożeniem należy ustalić wymagania prawne, techniczne i organizacyjne oraz sprawdzić, które dokumenty mogą być indeksowane.
Tak, ale taki wariant wymaga większej pracy infrastrukturalnej. On-premise może obejmować lokalną bazę danych, lokalny indeks wektorowy, prywatne API, własny serwer aplikacji, monitoring, backup i model AI uruchamiany lokalnie albo w prywatnej chmurze. Taki model ma sens przy wysokich wymaganiach bezpieczeństwa, danych wrażliwych lub ograniczeniach branżowych. Trzeba jednak uwzględnić koszt utrzymania, aktualizacji, skalowania, testów, zasobów GPU lub integracji z prywatnym dostawcą AI.
Indeksowanie zaczyna się od pobrania dokumentu ze źródła, na przykład SharePoint, OneDrive, Google Drive, folderu lub API. Następnie system wyciąga tekst, wykonuje OCR, jeśli dokument jest skanem, dzieli treść na fragmenty, dodaje metadane i tworzy embeddingi. Fragmenty trafiają do bazy wektorowej razem z informacją o źródle, wersji, właścicielu i uprawnieniach. Po zmianie dokumentu indeks powinien zostać zaktualizowany, aby odpowiedzi bazowały na najnowszych treściach.
W dobrze zaprojektowanym systemie odpowiedzi powinny być ograniczone do zatwierdzonych źródeł firmowych lub jasno oznaczać, że brakuje dokumentu potwierdzającego odpowiedź. Model językowy może mieć wiedzę ogólną, ale reguły systemu powinny wymuszać odpowiedzi oparte na dokumentach, procedurach i instrukcjach firmy. Jeżeli nie ma źródła, AI powinno powiedzieć, że nie znalazło informacji, i zaproponować kontakt z właścicielem procesu albo zgłoszenie luki w bazie wiedzy.
Aktualizacja może działać cyklicznie, po webhooku albo ręcznie z panelu administratora. System powinien wykrywać zmiany dokumentów, usuwać stare wersje z indeksu lub oznaczać je jako nieaktualne, tworzyć nowe embeddingi i aktualizować metadane. Ważne jest wskazanie właściciela dokumentu oraz daty przeglądu. Dzięki temu administrator widzi, które źródła są aktywne, które wymagają aktualizacji i które odpowiedzi mogły korzystać z wcześniejszej wersji dokumentu.
Tak. PDF-y są jednym z typowych źródeł wiedzy w firmach, ale trzeba rozróżnić PDF z warstwą tekstową od skanu. Jeżeli plik ma tekst, system może go pobrać i podzielić na fragmenty. Jeżeli jest skanem, potrzebny jest OCR. Jakość OCR zależy od jakości skanu, układu dokumentu, tabel, pieczątek, podpisów i języka. Dlatego przed wdrożeniem warto przetestować reprezentatywną próbkę dokumentów, aby sprawdzić, które PDF-y nadają się do automatycznego indeksowania.
Tak. SharePoint jest jednym z najczęstszych źródeł dokumentów dla firm korzystających z Microsoft 365. Integracja zwykle wymaga Microsoft Graph API, aplikacji w Entra ID, odpowiednich uprawnień i ustalenia, które biblioteki dokumentów mają być indeksowane. Kluczowe jest zachowanie uprawnień: użytkownik powinien otrzymać odpowiedź tylko z dokumentów, do których ma dostęp. Wdrożenie powinno więc obejmować synchronizację źródeł, metadane, wersje i kontrolę dostępu.
Tak. Teams może być interfejsem do zadawania pytań, ale często warto połączyć go z aplikacją webową i panelem administratora. Pracownik może pytać bota w Teams, a system odpowiada na podstawie indeksu dokumentów i pokazuje źródła. Administrator natomiast potrzebuje miejsca do zarządzania źródłami, feedbackiem, dokumentami do przeglądu i logami. Teams jest więc świetnym kanałem użycia, ale nie zastępuje całej warstwy operacyjnej RAG.
Tak i jest to jeden z najważniejszych elementów wdrożenia. System powinien uwzględniać role, grupy, działy, uprawnienia dokumentów i poziomy poufności. Odpowiedź AI nie może ujawniać fragmentów dokumentu, którego użytkownik nie powinien widzieć. W praktyce oznacza to filtrowanie wyników wyszukiwania przed przekazaniem ich do modelu oraz logowanie, które źródła zostały użyte. Document-level security powinno być projektowane od początku, a nie dodawane na końcu.
Tak, właśnie to jest jedna z największych zalet RAG. Odpowiedź powinna zawierać link do dokumentu, nazwę źródła, wersję albo fragment, z którego korzystał system. Dzięki temu użytkownik może sprawdzić, skąd pochodzi informacja, a administrator może audytować odpowiedzi. Brak źródeł powinien być traktowany jako sygnał ostrzegawczy. Wtedy system powinien przyznać, że nie znalazł potwierdzenia, zamiast generować odpowiedź bez podstawy w dokumentach firmy.
Wersjonowanie powinno przechowywać informację o aktualnej wersji dokumentu, dacie indeksowania, właścicielu, statusie przeglądu i zmianach w źródle. Jeżeli dokument zostanie zastąpiony nową wersją, indeks powinien zostać zaktualizowany, a starsze fragmenty powinny zostać usunięte albo oznaczone jako archiwalne. To ważne zwłaszcza przy procedurach ISO, politykach bezpieczeństwa, instrukcjach technicznych i dokumentach HR, gdzie nieaktualna odpowiedź może prowadzić do błędnego działania.
Najlepiej mierzyć czas znalezienia informacji, liczbę powtarzalnych pytań do ekspertów, czas onboardingu, liczbę wyszukiwań, trafność odpowiedzi, liczbę dokumentów do aktualizacji i udział odpowiedzi ze źródłami. Warto zacząć od pomiaru obecnego procesu: ile czasu pracownicy szukają informacji, jak często pytają innych i które działy są najbardziej obciążone. Dopiero potem można porównać wynik po MVP. ROI nie powinno być zakładane z góry, tylko mierzone na danych.
Czas zależy od liczby źródeł, jakości dokumentów, wymagań uprawnień, OCR, liczby działów i zakresu MVP. Prosty pilotaż dla jednego działu i wybranych dokumentów jest znacznie krótszy niż wdrożenie obejmujące wiele źródeł, Teams, SSO, document-level security, admin panel i dashboard. Najbezpieczniej zacząć od audytu dokumentów, listy pytań testowych i MVP dla jednego procesu, a dopiero po testach rozwijać kolejne źródła i działy.
Tak, ale każdy format wymaga innego sposobu ekstrakcji treści. Word zwykle jest prosty do przetworzenia, Excel wymaga rozpoznania arkuszy, tabel i kontekstu danych, a PowerPoint często zawiera skrótowe informacje, grafiki i układy slajdów. System powinien przechowywać metadane pliku i informację o źródle, aby odpowiedź była możliwa do sprawdzenia. W przypadku plików złożonych warto przygotować reguły, które fragmenty mają być indeksowane.
SmartCodeIT może pomóc zaprojektować proces, przygotować MVP i wdrożyć aplikację dopasowaną do Twojej organizacji. Zaczynamy od krótkiej rozmowy o danych, narzędziach, wyjątkach i celu biznesowym.