Firma nie potrzebuje kolejnego chatbota, tylko sposobu, by pracownik szybko znalazł aktualną procedurę, warunki umowy albo instrukcję — bez przekopywania kilku repozytoriów. Na tym polega sens wewnętrznej bazy wiedzy z wyszukiwarką i AI: łączy uporządkowaną dokumentację, kontrolę dostępu, wyszukiwanie pełnotekstowe i semantyczne oraz model językowy odpowiadający na podstawie źródeł. Najtrudniejsze nie jest samo AI. Najwięcej problemów powodują stare wersje plików, duplikaty i niejasne prawa dostępu.
Najpierw porządek w dokumentach, dopiero potem AI
Dobry projekt zaczyna się od jednego procesu, nie od hasła „podłączmy całą firmę”. Pilotaż może objąć reklamacje, onboarding albo wsparcie handlowców. Wystarczy 100–300 dokumentów i 50–100 prawdziwych pytań zebranych od użytkowników. To pozwala ocenić jakość bez wielomiesięcznej migracji.
Przed indeksowaniem każdy plik powinien dostać minimum metadanych: właściciela, dział, datę aktualizacji, wersję, kategorię i poziom dostępu. Dokument bez właściciela szybko staje się problemem, bo nikt nie potwierdzi jego aktualności. Trzeba też ustalić pierwszeństwo źródeł: zatwierdzona procedura powinna wygrywać z notatką ze spotkania, nawet jeśli ta druga jest nowsza.
Najpierw trzeba:
- usunąć duplikaty i wersje robocze;
- oznaczyć materiały wygasłe;
- przenieść uprawnienia ze źródła do indeksu.
Ten ostatni punkt jest krytyczny. Model nie może zobaczyć treści, do której użytkownik nie ma dostępu. Filtrowanie odpowiedzi dopiero po jej wygenerowaniu jest za późne. Uprawnienia muszą działać już przy wyszukiwaniu fragmentów. W polskich firmach dochodzą RODO, retencja i lokalizacja przetwarzania. Przy danych osobowych trzeba ograniczyć ich zakres i sprawdzić, czy potrzebna jest ocena skutków.
Jak powinna działać wyszukiwarka z RAG
Najbardziej przewidywalny model to RAG: dokument jest dzielony na fragmenty i indeksowany, pytanie uruchamia wyszukiwanie, a dopiero znalezione treści trafiają do modelu językowego. To nie eliminuje halucynacji, ale pozwala je kontrolować i wskazać źródło odpowiedzi.
Samo wyszukiwanie wektorowe nie wystarcza. Dobre wdrożenia łączą semantykę z klasycznym wyszukiwaniem pełnotekstowym, np. BM25. Numery faktur, symbole produktów i dokładne nazwy często lepiej znajdują się po słowach. Rozsądny punkt startowy to fragmenty po 400–900 tokenów, pobranie 15–30 kandydatów i reranking do 5–8 najlepszych. Parametry koryguje się na testach, nie na intuicji.
Odpowiedź powinna pokazywać tytuł dokumentu i fragment źródła. Jeżeli system nie znalazł podstaw, ma powiedzieć „brak danych”, zamiast dopowiadać. Do integracji zwykle trafiają SharePoint, OneDrive, Google Drive, Confluence, Notion, system plików albo CRM. Indeks powinien aktualizować się po zmianie dokumentu lub przynajmniej kilka razy na dobę.
Skanowane PDF-y wymagają OCR, a tabele i wielokolumnowe instrukcje osobnych testów. Parser potrafi pomieszać kolejność treści i wtedy model wygląda na „głupi”, choć błąd powstał wcześniej. Wymiana modelu niczego wtedy nie naprawi.
Koszt usługi, test jakości i granice automatyzacji
W pilotażu największą pozycją zwykle nie jest model AI, lecz integracja źródeł, parsery, uprawnienia, panel administracyjny i testy. Przy kalkulacji 80–160 godzin pracy i stawce 220–350 zł netto za godzinę daje to 17,6–56 tys. zł netto. SSO, kilka repozytoriów, złożone ACL i dodatkowy audyt podnoszą koszt.
Samo API może być znacznie tańsze. W sierpniu 2026 r. OpenAI wycenia GPT-5.6 Luna na 0,20 USD za 1 mln tokenów wejściowych i 1,20 USD za 1 mln wyjściowych, Terra na 2 i 12 USD, a Sol na 4 i 20 USD. Embedding text-embedding-3-small kosztuje 0,02 USD za 1 mln tokenów, a text-embedding-3-large 0,13 USD. To dobry argument, by najpierw poprawiać wyszukiwanie i długość kontekstu, a dopiero potem kupować „mocniejszy” model.
Odbiór pilotażu powinien opierać się na 50–100 pytaniach. Dla każdego ocenia się poprawność odpowiedzi, źródła, respektowanie uprawnień i reakcję na brak danych. Można ustalić próg, np. minimum 85% poprawnych odpowiedzi z właściwym źródłem, ale test musi korzystać z realnych pytań pracowników, nie z przykładów przygotowanych przez wykonawcę.
Od 2 sierpnia 2026 r. stosowane są kolejne obowiązki unijnego AI Act, w tym dotyczące przejrzystości określonych systemów AI. Firmowy asystent RAG nie staje się automatycznie systemem wysokiego ryzyka; znaczenie ma sposób wykorzystania. Inaczej należy traktować wyszukiwanie procedur, a inaczej system wspierający decyzje kadrowe.
FAQ: najczęstsze pytania przed wdrożeniem
Czy trzeba przenosić dokumenty do jednego systemu?
Nie. Można pozostawić je w systemach źródłowych i zbudować warstwę indeksującą, która respektuje istniejące uprawnienia.
Czy AI może odpowiadać wyłącznie na podstawie dokumentów firmy?
Tak, jeśli aplikacja ogranicza kontekst do zatwierdzonych źródeł i wymaga ich wskazania. Nadal trzeba testować reakcję na brak danych.
Jak długo powinien trwać pilotaż?
Dla jednego procesu zwykle 4–8 tygodni, jeśli dokumenty i właściciele treści są dostępni od początku. Bałagan w uprawnieniach potrafi opóźnić projekt bardziej niż integracja AI.
Od czego zacząć?
Od jednego procesu, 100–300 dokumentów i 50 realnych pytań. Najpierw usuń duplikaty, wskaż właścicieli treści i napraw prawa dostępu. Dopiero wtedy uruchamiaj RAG i model językowy.
Więcej informacji na: https://hd-biznes.com/blog
