Корпоративные данные — главный бюджет ИИ, хотя кажется иначе

Согласно исследованию Precisely и Drexel University, 43% руководителей назвали готовность данных главным барьером для связи ИИ-проектов с целями бизнеса. Еще 29% опрошенных признали, что сложность не в том, чтобы улучшить качество данных — сперва нужно научиться его измерять.

Для компаний это важный сигнал. Искусственный интеллект — уже не та технология, которую можно оценивать только по качеству модели. Важно подготовить информационную среду, в частности корпоративные данные, к внедрению.

Без этого даже сильная нейросеть упирается в потолок. Да, на общие вопросы она будет отвечать так же хорошо — но, чтобы ИИ мог стать помощником в работе, ему нужен корпоративный контекст.

Почему хорошей модели мало

На старте проекта бизнес часто смотрит на модель: насколько она точная, дорого ли стоит, какие задачи умеет решать, где ее можно развернуть. Это логично — но вопрос выбора модели не главный в корпоративной среде.

Большинство рабочих задач завязано на специфику конкретной компании. Сотруднику недостаточно просто получить грамотный ответ. Он должен знать, какой сейчас действует регламент, где лежит актуальная версия документа, как раньше решали похожие кейсы и какие ограничения есть у конкретного процесса.

Если эти знания лежат в разных системах, устарели или противоречат друг другу, искусственный интеллект работает с неполной картиной. В итоге человек все равно идет проверять ответ вручную — в базе знаний, переписке, CRM, Service Desk или у коллеги, который «точно помнит, как правильно».

Так экономия быстро исчезает. Формально ИИ помогает — а на практике добавляет еще один слой проверки.

Что входит в корпоративный контекст

Корпоративные данные не ограничиваются хранилищами и таблицами. Для модели важна вся среда, которая помогает дать верный ответ. Чаще всего в нее входят:

• регламенты и инструкции;
• базы знаний и FAQ;
• история обращений и инцидентов;
• требования, баг-репорты и тест-кейсы;
• клиентские ограничения;
• справочники и статусы;
• права доступа;
• маршруты согласований;
• актуальные версии документов.

Вся эта информация помогает искусственному интеллекту отличить общий ответ от по-настоящему полезного для бизнеса. Например, для поддержки важно знать не только текст инструкции, но и тип клиента, статус обращения и правила эскалации. Для QA — требования, историю дефектов и похожие кейсы. Для аналитики — корректные справочники, единые статусы и связь между операционными и финансовыми показателями.

RAG не решает проблему сам по себе

Многие компании рассчитывают, что нужно просто подключить документы к RAG-системе — и модель тотчас начнет отвечать по базе. Такой подход действительно помогает, однако не стоит считать его заменяющим работу с качеством знаний.

Если в базе лежат устаревшие материалы, система может поднять неверный источник, а если у одного процесса несколько противоречивых описаний, ответ будет зависеть от того, какой фрагмент первым попал в поиск. Кроме того, сотрудник может получить от ИИ неподходящую или неполную информацию, когда документы не размечены по ролям и подразделениям.

В исследовании Data Quality Challenges in Retrieval-Augmented Generation авторы на основе интервью с практиками выделили 26 проблем качества данных на этапах извлечения, преобразования, поиска и генерации. То есть после подключения документов проблема не исчезает — она проходит через всю цепочку работы ИИ-системы.

Поэтому RAG стоит воспринимать как отдельный рабочий контур и не пытаться примерить на него роль «чата по документам». У него должны быть владельцы данных, правила обновления, метрики качества и понятная ответственность за источники.

Самые большие затраты часто лежат вокруг модели

Цена модели обычно заметна сразу, и ее легко посчитать: лицензии, запросы, инфраструктура, интеграции. Но основная работа обычно начинается не там — бизнесу приходится:

• очищать и нормализовывать данные;
• определять источники истины;
• настраивать права доступа;
• описывать процессы;
• разбирать дубли и противоречия;
• обновлять устаревшие документы;
• назначать владельцев контента;
• настраивать контроль качества ответов.

Именно эти задачи чаще всего оказываются дороже и важнее, чем сама модель. Не случайно эксперты Gartner делятся, что компании с успешными ИИ-инициативами инвестируют до четырех раз больше в базовые направления: качество данных, управление данными, подготовку людей к работе с моделью и управление изменениями.

Что стоит проверить перед запуском: памятка

Перед внедрением корпоративного ИИ мало оценить поставщика и модель — важно понять, готова ли компания давать системе актуальный контекст.

Для этого нужно проверить:

• где находятся ключевые документы;
• какие источники считаются актуальными;
• кто отвечает за обновление базы знаний;
• как система отличает старые версии документов от новых;
• есть ли права доступа по ролям и подразделениям;
• как обрабатываются противоречия между источниками;
• можно ли увидеть, на какой документ опирался ответ;
• кто проверяет качество ответов после запуска.

Такой список выглядит менее эффектно, чем сравнение моделей — зато именно он определяет, превратится ли нейросеть в рабочий инструмент или останется еще одним интерфейсом, где сотрудник получает красиво оформленный результат и все равно проверяет его вручную.

Подытожим

Сильные ИИ-модели уже доступны большинству компаний, но при этом дают разный результат. У одних получается удобное демо, у других — эффективный рабочий инструмент для поддержки, аналитики, разработки, документооборота и внутренних сервисов.

Ключевое отличие появляется там, где ведут работу с внутренними знаниями. Именно от того, как их обрабатывают, зависит, какой эффект даст искусственный интеллект — и будет ли этот эффект вообще.