Technofactureex SHEVEREV
Обсудить проект
Все кейсы

Как RAG-агент сократил время поиска информации и ответа сотрудникам в 7,5 раза

Внедрили корпоративного ИИ-ассистента с технологией RAG для интеллектуального поиска по документам и внутренним инструкциям.

Крупная розничная сеть

Федеральный ритейлер товаров для дома, 90 магазинов

Отрасль

Услуги

  • Ритейл
  • AI-разработка
  • ИИ-инжиниринг процессов
  • ИИ-агенты

Задача

Центральный офис розничной сети ежедневно обрабатывал около 100 обращений от сотрудников магазинов. Пять специалистов отвечали на вопросы о возвратах, гарантиях, акциях и кассовых операциях.

Информация хранилась в разных документах и папках. Регламенты регулярно обновлялись, поэтому сотрудникам приходилось самостоятельно искать действующую редакцию инструкции или обращаться за помощью в центральный офис.

На обработку типового обращения уходило в среднем 30 минут. Значительная часть рабочего времени специалистов тратилась на повторяющиеся вопросы, а магазины зависели от скорости ответа центральной команды.

Компании требовалась единая база знаний с ИИ-поиском по документам, которая позволила бы сотрудникам самостоятельно находить достоверные ответы и сократить количество внутренних обращений.

Как подошли к задаче

Наш ИИ-инженер начал с анализа реальных обращений сотрудников магазинов. Вместе с центральным офисом он изучил наиболее частые вопросы, порядок поиска информации и причины повторных запросов.

Выяснилось, что проблема заключалась не только в отсутствии удобного поиска. Некоторые инструкции дублировались, отдельные документы противоречили друг другу, а сотрудникам было сложно определить актуальную версию регламента.

Прежде чем внедрять RAG-систему, инженер помог систематизировать корпоративные знания: определить действующие инструкции, разобраться с противоречиями и закрепить ответственность за актуальность информации.

Отдельно проработали сценарии, когда ИИ не может дать однозначный ответ. В таких случаях вопрос должен попадать к ответственному специалисту, а не решаться на основании предположений модели.

Решение тестировали на реальных вопросах магазинов, проверяя корректность ответов, качество поиска и ссылки на первоисточники.

Что сделали

Разработали корпоративного RAG-агента для поиска по внутренним документам и автоматизации ответов сотрудникам магазинов.

Система позволяет:

  • Искать информацию на естественном языке. Сотрудник задаёт вопрос своими словами, не зная названия нужной инструкции.
  • Получать ответы по актуальным документам. RAG-агент находит релевантные фрагменты в корпоративной базе знаний и формирует понятный ответ.
  • Проверять источник информации. К каждому ответу прилагается ссылка на конкретный пункт регламента или инструкции.
  • Передавать сложные обращения специалистам. Если в документах нет однозначного ответа, агент направляет вопрос в центральный офис вместе с найденными материалами.

Вместо самостоятельного поиска по папкам и ожидания ответа от коллег сотрудники получили ИИ-помощника, который работает с корпоративной базой знаний.

Технические особенности проекта

  • RAG архитектура

    Поиск релевантных фрагментов документов и генерация ответов с использованием LLM

  • Актуальная база знаний

    Индексируем корпоративные документы с учётом версий и связываем каждый ответ с конкретным первоисточником.

  • Контроль достоверности ответов

    Проверяем наличие подтверждающей информации и передаём специалистам запросы, на которые система не может ответить уверенно.

Комментарий участника команды

АК

Александр Кормильченко

Архитектор решений

Само по себе внедрение RAG не решило бы проблему клиента. Если подключить ИИ к разрозненным и противоречивым инструкциям, сотрудники просто начнут быстрее получать недостоверные ответы. Поэтому сначала мы разобрались с качеством базы знаний, а затем выстроили поиск и механизм проверки источников. Нам было важно, чтобы сотрудники могли не просто получить ответ, но и убедиться в его правильности.

Результат

Внедрили RAG-ассистента для самостоятельного поиска информации по корпоративным документам, ускорив обработку типовых вопросов и снизив нагрузку на центральный офис.

  • 4 мин

    Вместо 30 минут на ответ по типовому вопросу

  • 65%

    Типовых вопросов решаются без обращения в центральный офис

  • 58 ч

    Сэкономленных в месяц на обработку типовых обращений

Есть похожая задача?

Расскажите о своём проекте — обсудим, чем можем помочь

Обсудить задачу

Возможно, вашу задачумы уже решали

Кейсы