Сотрудники крупных компаний тратят до 30% рабочего времени на поиск информации. Пока бизнес, казалось бы, внедряет чат-ботов и тестирует генеративный ИИ, люди продолжают вручную искать документы, перепроверять данные и переносить информацию между системами. Основная сложность связана с разрозненностью корпоративных данных и отсутствием единого контекста для работы ИИ внутри бизнес-процессов. В статье основатели «РадексТех» Артур Керимов и Максим Васильев разбирают, как интеллектуальный поиск трансформирует экономику знаний в крупном бизнесе.
Поиск информации превратился в скрытый налог для бизнеса
Есть индустрии, где документация напрямую определяет работу бизнеса. Например, закупки, где высокий уровень бюрократии, контроля со стороны государства и большое количество обязательных требований.
Вся информация хранится в нормативно-правовых актах, внутренних регламентах, архивах и исторических данных. Чтобы подготовить один закупочный документ, сотрудник может потратить до 24 человеко-часов. Значительная часть времени уходит на ручную работу: прочитать документы, сверить требования, собрать данные и оформить итоговый пакет.
Проблема давно вышла за пределы отдельных отраслей. Корпоративные знания разбросаны между внутренними документами, рабочими чатами, почтой, задачами, протоколами встреч и кодовой базой. В результате сотрудники постоянно ищут информацию, перепроверяют ее и заново собирают контекст для каждой задачи.
По данным международных консалтинговых компаний, сотрудники тратят на поиск и сбор информации в среднем от 1,8 часа до 2,5 часа ежедневно — или почти 30% рабочего времени.
Почему ИИ пока не дает бизнесу максимального эффекта
Большинство компаний уже экспериментируют с искусственным интеллектом. Но во многих случаях внедрение ограничивается генерацией текстов, расшифровкой встреч или чат-ботами для сотрудников.
При этом основная проблема остается нерешенной: данные компании находятся в десятках разных систем и не связаны между собой.
ИИ не может полноценно работать без доступа к корпоративному контексту: документам, перепискам, внутренним процессам, решениям и истории изменений. Компании часто не понимают, как собрать эти данные, структурировать их и передать модели в формате, пригодном для работы.
Именно поэтому многие проекты по внедрению ИИ не доходят до реальных бизнес-процессов.
Чат-боты все еще не убирают ручную работу
Сейчас многие компании думают примерно одинаково, мол, они подключат ИИ к базе знаний, сотрудники будут задавать вопросы в чат и получать ответы. Это действительно ускоряет работу, но глобально сам процесс почти не меняется.
Человек все равно должен зайти в чат, написать запрос, прочитать ответ, проверить информацию, потом куда-то ее перенести и встроить в свою работу. То есть сотрудник продолжает вручную взаимодействовать с информацией. Просто раньше он искал ее в документах, а теперь — через чат.
Следующий этап — автоматизация самих процессов, где ИИ не просто ищет информацию, а выполняет задачи на основе корпоративного контекста.
В закупках такие системы уже могут автоматически формировать документы, собирать данные из государственных систем, рассчитывать начальную цену и готовить пакет документов к отправке. Сотруднику остается проверить результат и подтвердить действие.
Тот же подход работает в инженерных и конструкторских процессах. Система может автоматически подсказывать нужные ГОСТы, требования и стандарты прямо во время работы над чертежом или документацией.
Речь идет уже о системах, которые используют накопленные знания компании внутри рабочих процессов и берут на себя значительную часть рутинных операций.
Корпоративная память становится новой инфраструктурой
Следующий этап корпоративного ИИ — это единый слой контекста внутри компании. Когда система понимает не только документы, но и переписки, кодовую базу, встречи, историю решений и причины, почему эти решения вообще принимались. По сути, компания получает общую память, где хранится весь накопленный контекст.
Это особенно важно для регулируемых отраслей — закупок, промышленности, медицины, оборонного сектора и других сфер, где цена ошибки очень высокая, а значительная часть процессов построена вокруг бюрократии и соответствия требованиям.
Во многих таких процессах уже есть четкая логика действий, понятные стандарты и понятный ожидаемый результат. А значит, значительную часть этой работы можно автоматизировать.
Сегодня сотрудники продолжают тратить часы и дни на поиск информации, которая уже существует внутри компании. Одни и те же запросы повторяются, документы дублируются, а специалисты выполняют работу, которую уже можно автоматизировать. Обычной базы знаний для этого уже недостаточно. Недостаточно и просто подключить ИИ к корпоративным документам.
Максимальный эффект появляется тогда, когда компания собирает весь свой контент — документы, переписки, код, встречи, внутренние решения — и внедряет ИИ непосредственно в рабочие процессы.
В результате искусственный интеллект получает доступ ко всему массиву корпоративных знаний и сможет автоматически выполнять значительную часть задач внутри компании.
Как обеспечить информационную безопасность
«В текущей ситуации развития искусственного интеллекта написание кода больше не является проблемой, каждый может создать свой маленький продукт без каких-либо навыков в программировании. Но в больших компаниях стоит задача сложнее — важно не просто написать код, а встроить его в существующую архитектуру, учесть сотни внутренних систем, зная бизнес-логику и внутренние стандарты разработки. Все сотрудники используют зарубежные LLM-провайдеры, секретная информация компаний продолжает отправляться в чаты, а потом она используется для дообучения моделей».
Максим Васильев, сооснователь «РадексТех»
Эта проблема решается с помощью единой RAG-системы на уровне целой компании. В контекст LLM можно передать всю документацию, всю кодовую базу, публичные чаты, видеовстречи, трекеры задач и так далее. Любое изменение информации сразу попадает в базу знаний LLM и становится доступно для запросов сотрудников. Разработчикам больше не нужно искать и читать сотни разной неактуальной документации и копаться в миллионах строк кода, каждый коммит в мастер становится доступен для понимания большой языковой модели. LLM имеет доступ к контрактам REST API, gRPC-сервисов, Kafka-сообщений и DDL-схемам баз данных. Теперь она способна продумывать архитектуру новых задач и реализовывать взаимодействие между десятками микросервисов.
Благодаря правильной структуризации информации внутри RAG можно предоставлять гранулярный доступ отдельно для каждого сотрудника. Если сотрудник не имеет доступа к коду или документации, то и LLM не будет искать там информацию. Такой подход соответствует всем стандартам информационной безопасности, никакая информация не будет попадать к сотруднику, который не должен ее знать.
Всю эту систему возможно развернуть на серверах компании с использованием open-source моделей, что гарантирует сохранность информации.