Генеративный ИИ для руководителя
Генеративный ИИ для руководителя
Часть 6 из 7. Как внедряют ИИ-ассистента, если базы знаний еще нет
В предыдущей статье мы разобрали, как проектируют цифрового ассистента: задача, архитектура, RAG, инструкции, интеграции, права доступа и контроль качества.
Но возникает практический вопрос: что делать, если в организации нет готовой базы знаний?
Это нормальная ситуация. Во многих ведомствах знания уже есть, но они разрознены: часть в СЭД, часть в почте, часть в поручениях, часть в чатах сотрудников, часть в протоколах совещаний и личном опыте специалистов.
Значит, внедрение ИИ-ассистента нужно начинать не с ожидания идеальной базы знаний, а с ее постепенного формирования.
Пример архитектуры может выглядеть так:
СЭД + почта + контроль поручений + чаты + ВКС ИИ-агент база знаний RAG ИИ-ассистент
Сначала создается минимальная база знаний: регламенты, инструкции, типовые ответы, шаблоны документов, справочники, действующие поручения и открытые материалы. Этого достаточно для пилота.
Дальше подключается ИИ-агент. Его задача не просто отвечать на вопросы, а постоянно пополнять и уточнять базу знаний из разрешенных источников.
Например, агент может анализировать:
входящие и исходящие документы в СЭД;
поручения и статусы их исполнения;
служебную почту;
рабочие чаты сотрудников;
протоколы ВКС;
календарь;
CRM или систему учета задач;
справки и проектные документы.
На ВКС такой ассистент может вести расшифровку встречи, выделять решения, фиксировать поручения, определять ответственных и сроки. После согласования он может предложить создать задачи в календаре, CRM, СЭД или системе контроля поручений.
В работе с почтой ассистент может находить важные письма, связывать их с поручениями, предлагать краткую выжимку и напоминать о сроках.
В СЭД он может анализировать входящий документ, находить связанные материалы, предлагать проект резолюции, формировать план исполнения и подсказывать, какие данные нужны для ответа.
В чатах сотрудников он может выявлять рабочие договоренности, повторяющиеся вопросы и полезные ответы специалистов. Но здесь нужен строгий фильтр: переписка не должна автоматически становиться официальной позицией.
Правильная схема пополнения базы знаний такая:
новый источник анализ ИИ-агентом краткая выжимка классификация указание источника и уровня доступа проверка владельцем данных публикация в базе знаний
ИИ-агент может предложить: В чате обсуждался новый порядок подготовки справки. Есть повторяющийся ответ специалиста. Предлагаю добавить его как проект записи в базу знаний. Но утвердить запись должен человек.
Это принципиально. Без проверки есть риск, что ассистент начнет использовать черновики, личные мнения или рабочие обсуждения как официальный источник.
В такой системе RAG играет ключевую роль. Когда сотрудник задает вопрос, ассистент сначала ищет ответ в базе знаний, проверяет права доступа, находит релевантные документы и только потом формирует ответ.
Упрощенно:
вопрос сотрудника поиск в базе знаний проверка доступа ответ со ссылками действие или задача контроль исполнения
Такой ассистент становится не просто чатом, а рабочим контуром управления знаниями и поручениями.
Он может:
готовить проекты ответов;
предлагать решения по поручениям;
напоминать о сроках;
связывать письма, документы и задачи;
формировать протоколы совещаний;
ставить задачи после ВКС;
обновлять базу знаний;
показывать руководителю статус проектов;
выявлять повторяющиеся проблемы.
Но внедрять такую систему нужно поэтапно.
Первый шаг пилот на одном процессе: например, контроль поручений или подготовка справок. Второй подключение СЭД и базы документов. Третий почта и календарь. Четвертый ВКС и протоколы. Пятый рабочие чаты и автоматическое пополнение базы знаний с обязательной проверкой.
Главный вывод: если базы знаний нет, ИИ-ассистент может помочь ее создать. Но не бесконтрольно.