Как создать ИИ-ассистента для сотрудников: регламенты и база знаний

На практике запрос звучит примерно так: «у нас пять регламентов, три инструкции по CRM и одни и те же вопросы в общем чате каждую неделю». Ниже - как создать ИИ-ассистента для сотрудников, который отвечает по документам компании, а не по общим знаниям модели из интернета, и как вокруг него выстроить регламенты, инструкции и внутреннюю базу так, чтобы это не превратилось в мёртвый архив через полгода.

Зачем сотрудникам отдельный ИИ-ассистент, а не общий чат-бот

Обычная модель без своей базы на вопрос «как оформить отпуск по нашему регламенту» либо честно скажет «уточните у HR», либо, что хуже, придумает процедуру, которой в компании нет. Для внутреннего использования это не годится: ассистент должен отвечать строго по регламентам организации, а если ответа в документах нет, прямо об этом говорить, а не сочинять.

Вторая причина - конфиденциальность. Регламенты по работе с клиентами, схемы мотивации, внутренние процессы не стоит прогонять через публичный чат без контроля над тем, где хранятся логи переписки и кто может их читать. Свой ассистент на API даёт контроль над данными: какая модель их обрабатывает, где живёт база знаний и сколько хранятся диалоги.

Как создать ИИ-ассистента: архитектура на базе RAG

Рабочая схема, которую я собираю клиентам, называется RAG (retrieval-augmented generation). Документы компании разбиваются на фрагменты по 300-500 токенов, каждый превращается в вектор через модель эмбеддингов и складывается в векторную базу вроде pgvector или Qdrant. Когда сотрудник задаёт вопрос, система находит 3-5 самых релевантных фрагментов и передаёт их вместе с вопросом в языковую модель, например через Claude API. Модель формирует ответ уже с опорой на реальный текст регламента, а не на догадки.

Плюс такой связки в том, что база обновляется отдельно от модели: поменялся регламент - обновили один документ, пересчитали эмбеддинги только для него, остальное не трогаем. Для старта обычно хватает 30-50 документов: должностные инструкции, регламент по отпускам и больничным, инструкции по CRM и учётным системам, регламент безопасности. Если нужен ориентир, как это выглядит в готовом виде, у меня в библиотеке есть готовый ИИ-чатбот на Claude - можно посмотреть логику работы перед тем, как заказывать разработку под свои документы.

Из чего состоит связка технически

• Модель эмбеддингов - переводит текст в векторы для поиска по смыслу, а не по ключевым словам
• Векторная база - хранит фрагменты документов и ищет ближайшие по вопросу
• LLM для генерации ответа - Claude API или другая модель, которая формулирует ответ на основе найденных фрагментов
• Интерфейс - бот, виджет на портале или почтовый ассистент, через который сотрудник задаёт вопрос

Регламенты и инструкции: как подготовить базу знаний для ассистента

Самая частая ошибка - загрузить в базу всё как есть: старые версии регламентов вперемешку с новыми, PDF с отсканированным текстом без распознавания, документы без заголовков. Модель на такой каше путает актуальные правила с отменёнными и цитирует то один, то другой вариант.

Перед загрузкой я обычно прошу заказчика свести документы в единый список с датой последнего обновления и убрать дубли. Регламенты, которые противоречат друг другу (бывает, что HR и бухгалтерия по-разному описывают один процесс), нужно унифицировать до загрузки - ассистент не разрешит это противоречие сам, он честно процитирует оба варианта.

Как разметить документы, чтобы ассистент не путал регламенты

Каждый документ стоит снабдить понятной структурой заголовков - разделы, подпункты, нумерация - потому что чанкинг (разбиение на фрагменты) ориентируется на структуру текста. Полезно добавлять метаданные к каждому документу: отдел, дата вступления в силу, статус (действующий или архивный). Тогда при поиске можно фильтровать по отделу и не показывать бухгалтеру инструкцию по работе с холодильным оборудованием на складе.

Где хранить внутреннюю базу и как её обновлять

Векторную базу и бэкенд ассистента я размещаю на серверах в России - если в регламентах фигурируют персональные данные сотрудников (ФИО, оклады, контакты), локализация обязательна по 152-ФЗ, и хранить такие сведения в зарубежных облачных сервисах не вариант.

Обновление документов - отдельная задача, которую легко упустить на старте. Если каждое изменение регламента требует, чтобы кто-то вручную зашёл в админку и перезалил файл, через два месяца база отстанет от реальности. Практичное решение - собрать в n8n сценарий, который следит за папкой с документами или разделом внутреннего портала и при изменении файла автоматически пересчитывает эмбеддинги только для него. Это экономит время и снимает человеческий фактор из процесса поддержки базы.

Куда вывести ассистента: Telegram, портал, почта

Канал доставки ответов имеет значение не меньше самой базы знаний - если сотруднику нужно открывать отдельное приложение и логиниться, он вернётся к вопросам в общем чате через неделю.

Telegram-бот на aiogram

Для большинства компаний это самый быстрый путь: сотрудники и так сидят в Telegram, а бот на aiogram с вебхуком в RAG-бэкенд разворачивается без дополнительной инфраструктуры. Можно завести отдельных ботов под разные отделы или один бот с фильтрацией по правам доступа, если сотрудник из бухгалтерии не должен видеть регламенты склада.

Виджет на внутреннем портале или в почте

Если в компании уже есть intranet или Confluence, логичнее встроить чат-виджет туда - тогда ассистент физически стоит рядом с документами, которые он же и объясняет. Вариант с ответами по почте подходит компаниям, где часть сотрудников не пользуется мессенджерами, но такой канал обычно добавляют вторым, а не основным.

Сколько стоит разработка ИИ-ассистента и сколько это занимает по времени

Стоимость зависит не от отрасли компании, а от глубины интеграции: просто ответы по документам - это одна задача, ответы с учётом прав доступа и интеграцией в CRM - совсem другая.

По моему прайсу разработка чат-бота с базой знаний на RAG стоит от 50 000 ₽, отдельная автоматизация обновления базы через n8n - от 25 000 ₽, Telegram-бот как интерфейс - от 30 000 ₽. Для сравнения, готовые зарубежные конструкторы ассистентов на рынке продаются по подписке в среднем от 15 000 до 60 000 ₽ в месяц - это не мои цены, а ориентир по рынку, и часто такие сервисы не дают контроля над тем, где физически хранятся данные. Если после запуска нужно поддерживать и дополнять базу, у меня это оформляется как техподдержка от 15 000 ₽ в месяц, а прикинуть объём работ под конкретные регламенты можно на консультации от 3 000 ₽. Если задача шире одного ассистента и нужна связка нескольких систем, посмотрите услуги по разработке и интеграции - там же можно обсудить конкретный проект.

Частые вопросы

Сколько времени занимает разработка ИИ-ассистента для сотрудников

Простой RAG-ассистент по 30-50 документам я собираю за 3-4 недели. Если нужно разграничение прав доступа по отделам и интеграция с CRM или порталом, срок растёт до 6-8 недель за счёт дополнительной логики фильтрации и тестирования на реальных вопросах сотрудников.

Можно ли просто загрузить документы в чат с моделью без своей базы знаний

Для разовой проверки гипотезы - можно, некоторые модели принимают файлы прямо в диалоге. Но такой подход не масштабируется: лимит на объём загружаемого текста быстро упирается в потолок, а при каждом новом вопросе документы приходится прикреплять заново. Векторная база снимает это ограничение и позволяет держать сотни документов без потери скорости ответа.

Как ассистент понимает, что регламент изменился

Сам по себе не понимает - нужен процесс обновления. Я обычно настраиваю сценарий в n8n, который отслеживает изменения в папке с документами или разделе портала и автоматически пересчитывает эмбеддинги для изменённого файла, без ручной перезаливки всей базы.

Где лучше показывать ответы ассистента сотрудникам

Чаще всего это Telegram-бот на aiogram - канал, где сотрудники уже общаются, и не нужно приучать их к новому интерфейсу. Если в компании есть внутренний портал или Confluence, разумно добавить туда чат-виджет вторым каналом, чтобы ассистент был рядом с самими документами.