Поиск по знаниям компании с помощью ИИ: Copilot или Gemini, поисковый продукт вроде Glean или своя разработка

Кто-то в вашей компании спрашивает, где лежит актуальная политика возвратов. Ответ находится в трёх местах: на странице вики, в цепочке тикета и в сообщении в чате прошлой весны. Поиск по знаниям с ИИ читает все эти источники и отвечает одним ответом со ссылками на то, откуда он взят. Путей три. Можно взять ассистента вашего офисного пакета, которому может понадобиться отдельная лицензия, купить продукт для корпоративного поиска или построить систему на ваших собственных данных. Выбор зависит главным образом от того, сколько инструментов хранят ваши знания и насколько аккуратно настроены права доступа.

Когда хватает простого поиска, а когда нет?

Простого поиска хватает, когда люди знают, какой инструмент открыть, а у страницы понятный заголовок. Строка поиска по вики или по общему диску справляется с этим хорошо и не требует лишних затрат.

Его перестаёт хватать в трёх случаях. Ответ разбросан по нескольким инструментам. В вопросе используются слова, которых нет ни в одном документе. Или человеку нужен один короткий ответ. Прежде чем что-либо покупать, спросите десяток коллег, какой их последний вопрос потребовал больше десяти минут на ответ. Если большинство укажет на один инструмент, сначала исправьте поиск в нём.

Как работает поиск с извлечением и откуда у ответа берутся источники?

Поиск с извлечением означает нахождение фрагментов, которые скорее всего содержат ответ, до того как ответ написан. Программа читает ваши документы и режет их на фрагменты. Она сохраняет их в индексе, то есть в справочной структуре, построенной заранее, чтобы поиск не читал каждый файл заново. Когда человек задаёт вопрос, система достаёт наиболее подходящие фрагменты. Затем большая языковая модель, программа того же рода, что стоит за ChatGPT, пишет по ним ответ.

RAG, сокращение от retrieval-augmented generation (генерация с дополнением данными из поиска), — это название для всех этих шагов вместе. AWS начинает своё объяснение так: «Retrieval-Augmented Generation (RAG) — это процесс оптимизации выходных данных большой языковой модели» и добавляет: «Выходные данные могут включать цитаты или ссылки на источники».

Чтобы сопоставлять смысл, а не только точные слова, многие системы превращают каждый фрагмент в эмбеддинг. Эмбеддинг — это набор чисел, который обозначает смысл текста, так что фрагменты о схожем оказываются рядом. OpenAI описывает эмбеддинги как способ «измерять близость текстовых строк».

Источники рядом с ответом обычно берутся из фрагментов, переданных модели. Ссылка показывает, откуда, по утверждению системы, взят текст. Она не доказывает, что модель прочитала его правильно, поэтому откройте ссылки в выборке ответов.

Что покрывает ассистент в нашем офисном пакете и где он заканчивается?

Коннектор — это программа, которая читает один внешний инструмент, например Confluence или CRM, и передаёт его содержимое поисковой системе. Microsoft сообщает, что предлагает «более 100 готовых коннекторов для популярных сервисов». У Google эту задачу решает отдельный продукт, не связанный с ассистентом Gemini внутри приложений Workspace. Google пишет: «Gemini Enterprise — это внутренний поиск, ИИ-ассистент и агентная платформа» с «готовыми коннекторами для часто используемых сторонних приложений, таких как Confluence, Jira, Microsoft SharePoint и ServiceNow».

Ограничения практические. Ассистент пакета лучше всего читает то, что уже лежит в пакете. Инструменту без готового коннектора нужен самописный. На странице Microsoft сказано: «Пользовательские коннекторы дают гибкость, но требуют сопровождения». Ранжирование, стиль ответов и набор моделей выбирает вендор, поэтому настроить их можно меньше, чем в системе, которую вы строите сами.

Что добавляет специализированный поисковый продукт и от чего мы отказываемся?

Glean, Elastic, Coveo, Guru и Atlassian Rovo — примеры продуктов для поиска сразу по многим инструментам. Atlassian сообщает: «Rovo Search позволяет искать сразу по нескольким инструментам без переключения контекста». Выигрыш бывает разным, поэтому проверьте три вещи. Для скольких ваших инструментов у вендора есть готовый коннектор, который он сам поддерживает? Как ранжируются результаты и использует ли продукт сведения о том, кто над чем работает, например автора страницы, как сигнал? Можно ли увидеть, почему результат оказался первым?

Вы расплачиваетесь простотой. Поисковый продукт — это обычно ещё один договор и ещё одна консоль администратора. Если вендор размещает его у себя и индексирует ваше содержимое, у него же оказывается и доступная для поиска копия. Эту копию нужно отдельно проверить по региону, сроку хранения и доступу вендора.

Из чего состоит собственная разработка и кто управляет ею потом?

Частей пять. Коннекторы читают каждый источник вместе с данными о правах. Задача загрузки режет документы на фрагменты и обновляет их. Индекс поддерживает поиск по ключевым словам и по эмбеддингам. Шаг ответа передаёт лучшие фрагменты модели и требует от неё ссылаться на них. Чат-экран или надстройка, с журналами и административным разделом, завершают набор. В документации Elastic сказано: «Безопасность на уровне документов ограничивает документы, к которым у пользователей есть доступ на чтение». На некоторых уровнях подписки собственные коннекторы Elastic синхронизируют эти права для таких источников, как Confluence и SharePoint Online. Для остальных источников соответствие вы пишете сами.

Работа после запуска составляет бо́льшую часть. Кто-то должен чинить коннекторы, когда меняется источник, перезапускать загрузку, следить за счётом за модель, поддерживать актуальность тестовых вопросов и объяснять, почему ассистент ответил именно так. Назовите этих людей до начала.

Как переносятся права доступа и в чём проблема избыточного доступа?

В большинстве источников хранится запись о том, кто может открыть каждый объект; её часто называют списком контроля доступа, или ACL. Коннектор, который копирует содержимое в индекс, должен скопировать и эту запись. Об этих коннекторах Microsoft сообщает: «Каждый элемент включает содержимое, метаданные (например, заголовок и URL) и список контроля доступа (ACL), который обеспечивает соблюдение разрешений». Glean пишет: «Если пользователь не может открыть документ в исходной системе, этот документ нельзя использовать как контекст, возвращать как результат поиска или показывать как цитату».

Копия хороша ровно настолько, насколько хорош каждый коннектор. В SharePoint и Google Drive есть папки, группы и ссылки для доступа. В Confluence — ограничения на пространства и страницы. В Slack — приватные каналы и личные сообщения. В CRM — роли и владельцы записей. По каждому источнику спросите, как вендор читает эти правила, как быстро доходит изменение и что происходит, когда правило прочитать нельзя. Безопасный ответ на последний вопрос — скрыть объект.

Избыточный доступ — это давняя проблема, которую обнажает ассистент. Допустим, папку с расчётом зарплат много лет назад открыли всей компании. Поиск её не показывал, потому что никто не искал, а ассистент может. Microsoft пишет: «Контент с избыточным доступом или плохим управлением может влиять на результаты Copilot и повышать риск». Отчёт о разрешениях сайтов SharePoint, входящий в SharePoint Advanced Management, показывает, какие сайты дают доступ группе «Все, кроме внешних пользователей», которая «автоматически включает всех внутренних пользователей, но исключает любых внешних гостей». Перед запуском пройдитесь по сайтам с самым широким доступом вместе с их владельцами, а пилот начните с узкого набора источников.

Что происходит с устаревшими, дублирующимися и противоречащими друг другу документами?

Ассистент может не отличить, какая из двух политик действующая. Он может процитировать обе или уверенно привести старую. Назначьте владельца для каждого источника, выведите из обращения устаревшее и держите один источник истины по каждой теме. Попросите ассистента показывать дату и автора каждого источника и сообщать, когда источники противоречат друг другу.

У свежести есть и вторая сторона: как быстро изменение попадает в индекс. Microsoft сообщает: «Новые документы, добавленные на сайты SharePoint Online, доступные через наследование сайта двум и более пользователям, индексируются ежедневно». Про уже проиндексированный документ сказано: «изменения индексируются немедленно». Попросите каждого вендора письменно назвать обе задержки.

Как проверить качество ответов на наших собственных вопросах до запуска?

Соберите у сотрудников реальные вопросы, каждый с правильным ответом и документом, из которого он должен браться. Прогоните один и тот же набор на каждом кандидате. Оценивайте четыре вещи: нужный документ среди источников, верный ответ, честное признание, что подходящего документа нет, и соблюдение прав доступа.

Для проверки доступа нужны два логина. Задайте вопрос, ответ на который лежит в папке, открытой только одному человеку. Второй не должен получить об этом никакого следа, даже названия источника. Повторяйте набор после каждого изменения. О проходных баллах говорится в нашей статье, ссылка на которую дана выше.

Что журналирует ИИ-ассистент и кто может видеть, о чём спрашивали люди?

Вопросы могут быть деликатными, например о дисциплинарном разбирательстве в отношении коллеги. Microsoft сообщает, что её записи аудита «содержат сведения о том, какой пользователь взаимодействовал с Copilot, когда это произошло и где». Отдельно она пишет, что хранимые данные «включают запрос пользователя и ответ Copilot», и добавляет: «Чтобы просматривать эти хранимые данные и управлять ими, администраторы могут использовать Content search или Microsoft Purview». По каждому маршруту спросите, кто может читать текст вопросов, по какой причине и как долго.

Что для индекса означают роли по GDPR, регион, срок хранения и удаление?

GDPR — это закон ЕС о защите данных. Когда вендор обрабатывает персональные данные для вас, вы, как правило, оператор-контролёр (controller), который определяет, зачем и как используются данные. Вендор — обработчик (processor), который действует от вашего имени. В руководстве Европейского комитета по защите данных сказано: «Обработчик не должен выходить за рамки инструкций контролёра». Там же: «Инструкции, выданные контролёром, должны быть задокументированы». Обработчик не вправе привлекать другого обработчика «без предварительного конкретного или общего письменного разрешения контролёра». Пусть ваш собственный юрист прочитает каждый договор.

Спросите у каждого вендора про регион напрямую. Microsoft сообщает: «Трафик ЕС остаётся в границах Границы данных ЕС, тогда как мировой трафик может направляться в ЕС и другие страны или регионы для обработки LLM». В примечании на той же странице добавлено: «Модели, которые предоставляет Anthropic как субобработчик, в настоящее время исключены из Границы данных ЕС». Microsoft говорит, что для клиентов внутри этой границы такие модели по умолчанию отключены, поэтому проверьте настройку администратора. Об индексе компания пишет: «Для клиентов в пределах Границы данных Европейского союза (EUDB) индекс хранится в дата-центре, расположенном в ЕС/ЕАСТ». Microsoft также сообщает: «Запросы, ответы и данные, к которым обращались через Microsoft Graph, не используются для обучения базовых LLM».

Индекс — это копия ваших документов, поэтому персональные данные из документа есть и в индексе, а часто и в журналах. В руководстве Комитета для малого бизнеса сказано: «Всегда отвечайте на запрос субъекта данных в течение одного месяца». Для сложного запроса допускаются «ещё два месяца», если человека уведомили в течение первого месяца. Спросите, сколько времени удалённый документ уходит из индекса, хранят ли резервные копии и журналы его текст и как можно удалить вопросы конкретного человека.

Чем оплата за рабочее место отличается от оплаты по использованию?

При оплате за рабочее место с каждого поимённого пользователя берётся фиксированная сумма независимо от того, пользуется ли он поиском. При оплате по использованию платят за то, что делает система, например за обработанный текст. Вендоры применяют либо одно, либо другое, либо сочетание. Запросите актуальную цену письменно, с минимальным числом мест, дополнениями и платой за коннекторы, и спросите, кому нужна лицензия.

В качестве примера оплаты по использованию: на странице цен OpenAI модель text-embedding-3-small указана по 0,02 доллара за миллион токенов, а text-embedding-3-large — по 0,13 доллара. Токен — это небольшой фрагмент текста, который поставщики считают и тарифицируют. Сверху добавляются расходы на хранение индекса, работу модели и оплату людей. Возьмём условный архив из 50 000 документов по примерно 2000 токенов, то есть 100 миллионов токенов. Однократное преобразование его в эмбеддинги стоит 2 доллара на малой модели и 13 долларов на большой. Размер архива — допущение, а прайс-листы могут меняться.

Как выглядит привязка к вендору и что нам стоит сохранить, чтобы можно было уйти?

Привязка к вендору возникает там, куда вложены ваши усилия: коннекторы, настроенные в консоли одного вендора, правила ранжирования в его формате, соответствия прав доступа, которые есть только у него. Индекс можно перестроить из ваших источников, поэтому он важен меньше всего. Сохраните свои тестовые вопросы с ожидаемыми ответами, письменное описание того, как читаются права доступа, инструкции, заданные модели, и код всех самописных коннекторов. Запросите выгрузку журнала. Закрепите в договоре условия выгрузки и удаления данных.

Когда оправданна собственная система поиска по знаниям?

Строить свою систему оправданно, когда поиск входит в продукт, который вы продаёте: тогда пользователи — ваши клиенты, и лицензия для сотрудников их не покрывает. Оправданно это и тогда, когда правило о данных исключает все продукты, в том числе те, что работают в вашем собственном облаке. Для одного лишь поиска по сотрудникам это трудно обосновать: вы возьмёте на себя коннекторы, управление доступом, журналы и дежурства.

Что нам спросить у вендора или у фирмы, которая стала бы это разрабатывать?

Для вендора или поставщика набора:

• Для каких наших источников есть готовые коннекторы и кто их поддерживает?
• Как вы читаете права доступа из каждого источника и что происходит, когда правило прочитать нельзя?
• Сколько времени занимает попадание изменения или удаления в индекс?
• Где обрабатываются индекс, вопросы и журналы и кто может читать вопросы?
• Сколько стоит месяц нашего реального использования и что мы сможем выгрузить, если уйдём?

Для фирмы, которая стала бы это разрабатывать:

• Какие части вы напишете сами, а какие возьмёте из существующих продуктов?
• Будет ли это работать в нашем облачном аккаунте и у кого ключи?
• Как вы будете проверять ответы и права доступа и кто с нашей стороны это принимает?
• Кто управляет системой после запуска и сколько это стоит каждый месяц?

Где здесь место amBrain?

amBrain ведёт этот блог. О собственном продукте компания говорит: «Наш собственный продукт aigo работает на ИИ-агентах, которые исследуют, пишут, проверяют и измеряют на основе единой общей памяти о фактах компании. Человек одобряет всё, что уходит наружу».

Эта статья не является кейсом и не описывает работу для клиентов. В ней не утверждается, что amBrain создала систему поиска по знаниям для какого-либо клиента. Строка выше относится к собственному продукту amBrain, а примеры носят общий характер.

Компании, продукты и государственные органы, названные здесь, цитируются по их опубликованным страницам, прочитанным 11 ноября 2026 года. Статья не утверждает наличия каких-либо отношений между amBrain и любым из них и не приводит цен и сроков amBrain.

amBrain делает софт с 2019 года. О том, как компания работает с клиентами, она говорит: «Три формата: полная разработка, выделенная команда или инженеры внутри вашей команды». О владении у неё такая строка: «Клиент сохраняет полное владение продуктом и кодом, кроме наших переиспользуемых компонентов». До подписания попросите поимённый список этих компонентов.

Если amBrain в вашем коротком списке, задайте ему те же вопросы, что и любой другой фирме.