сентябрь 2025
Исследование №2: rag
Исследование №2: rag
Исследование от Haiku.dev
#2 raG (Retrieval-Augmented Generation)
О Haiku.dev
Haiku — это лаборатория по адаптации ИИ для решения реальных задач крупного бизнеса и интеграционная практика для реализации ИИ-инноваций.
Что мы можем сделать для вашей ИИ-трансформации:
- ИИ-бизнес-анализ
- ИИ-автоматизация по подписке
- ИИ-разработка
- Обучение руководителей и команды
Оставьте заявку или скачайте нашу презентацию,
и мы с радостью обсудим вашу AI-трансформацию
и мы с радостью обсудим вашу AI-трансформацию
Оглавление
1
вступительное слово
стр. 4-6
2
Разбор кейсов применения RAG
стр. 7-17
3
⭐️ Кейс реализации AI-суфлера от haiku.dev
стр. 18-19
4
⭐️ Кейс реализации ии-поиска по базе знаний от haiku.dev
стр. 20-21
5
выводы
стр. 22
Сентябрь 2025
Исследование №2: RAG
Исследование №2: RAG
О преимуществах использования rag в бизнесе
RAG (Retrieval-Augmented Generation) — это архитектурный подход, который усиливает возможности больших языковых моделей (LLM).
Он позволяет им генерировать ответы, опираясь не только на знания, полученные при обучении модели, но и обращаться к актуальной информации из внутренних и внешних источников компании.
В основе RAG лежит механизм поиска и извлечения данных, благодаря чему пользователь получает релевантную, обоснованную информацию под конкретную задачу.
Простыми словами RAG — это способ обогатить чат с ИИ контекстом, чтобы он ссылался на актуальные документы из базы знаний или даже API и базы данных компании. Так, ИИ перестает быть оторванным от корпоративной реальности. RAG позволяет решать прикладные задачи без длительного обучения модели или копипаста контекста всякий раз при общении с ИИ.
Схема работы RAG. Источник HatchWorks
Сентябрь 2025
Исследование №2: RAG
Исследование №2: RAG
Преимущества для бизнеса
- Практически не галлюцинирует, а находит релевантный ответ. Его легко провалидировать, запросив источник данных. В этом RAG-системы существенно превосходят языковые модели, которые могут генерировать фактически неверную информацию, основываясь на вероятностных связях слов.
- Знает специфику компании, понимает ее правила, бизнес-логику, продуктовую линейку, все, что хранится в базе знаний компании. Таким образом, виртуальный ассистент, созданный на базе RAG, может с легкостью проконсультировать по любому вопросу о деятельности компании.
- Сокращает издержки на поддержку и обновление знаний и не требует долгого кастомного обучения моделей. После добавления документа в базу знаний у системы появляется доступ к этой информации.
- Позволяет сотрудникам быстро находить нужную информацию, не тратя время на поиск. Ускоряется процесс адаптации новых сотрудников, бизнес достигает поставленных целей быстрее, а значит, экономит на стоимости труда.
- Универсальная технология, применимая в различных отраслях и для широкого спектра задач. Далее мы рассмотрим кейсы внедрения RAG-технологии в международных и российских компаниях.
Сергей Ершов
Партнер Haiku.dev
Сентябрь 2025
Исследование №2: RAG
Исследование №2: RAG
Как работает RAG
После того как пользователь задал вопрос, запускается процесс, состоящий из трех основных этапов:
Поиск/Извлечение (Retrieval)
Модуль поиска преобразует пользовательский запрос в вектор и ищет наиболее релевантные фрагменты в базе знаний. Для этого используются векторные поисковые системы и индексация корпоративных данных. При индексации каждый документ или его фрагмент преобразуется в цифровой отпечаток (embedding). По ним система быстро находит релевантную информацию под запрос, без необходимости ручного подбора ключевых слов.
Допустим, вы пришли в большой книжный магазин и хотите найти книгу, но не помните ни автора, ни название. Вместо этого вы просто рассказываете продавцу, о чем книга, или для чего она вам нужна. Продавец моментально находит одну или несколько подходящих по смыслу книг, даже если в них не встречается тех слов, которыми вы описали сюжет. Так работает RAG. Он понимает суть вашего вопроса и ищет по смыслу, а не по попаданию в ключевые слова.
Обогащение контекста (Augmented)
Перед передачей запроса в LLM система дополняет его найденными фрагментами контекста, выдержками из документов и другими данными, чтобы расширить его информативность.
Генерация (Generation)
На этом этапе LLM генерирует ответ с учетом запроса пользователя и добавленного контекста. Ответом может быть саммари, объяснение, пост, статья, урок, именно то, что запросил пользователь.
Важно! Качество ответов системы зависит от качества корпоративной базы знаний. Если данные в ней устарели или отсутствуют важные сведения, система не сможет дать точный ответ.
Сентябрь 2025
Исследование №2: RAG
Исследование №2: RAG
кейсы применения в разных отраслях
RAG помогает внедрять искусственный интеллект в ежедневные бизнес-процессы. Эта технология дает быстрый доступ к актуальным данным, автоматизирует общение и поддерживает принятие решений на основе проверенной информации. Среди наиболее распространенных сценариев применения RAG нам видятся 3 — поиск по документации и базам знаний, умные FAQ-чат-боты и ИИ-суфлеры для сотрудников.
Внутренний поиск по документации и корпоративным базам знаний
Платформы на базе RAG позволяют сотрудникам быстро находить нужную информацию. Обычные поисковые системы выдают результаты только при точном совпадении ключевых слов, поэтому сотрудник, который формулирует запрос своими словами, часто не получает релевантного ответа, если инструкция названа по-другому. В результате нужная информация остается недоступной, и сотрудник теряет время на ручной просмотр базы или обращается к коллегам. Использование RAG позволяет решить эту проблему: ИИ-поиск или ассистент анализирует смысл запроса и находит подходящий ответ, даже если формулировки не совпадают напрямую.
AI FAQ-ассистенты и интеллектуальные чат-боты
RAG-ассистенты используются для поддержки клиентов и сотрудников, автоматизации типовых вопросов и обработки множества обращений. В отличие от сценарных ботов, такие ассистенты понимают обычную речь, учитывают контекст и дают быстрые, развернутые ответы даже при пиковых нагрузках. Благодаря этому компании могут оказывать круглосуточную поддержку, автоматизировать до 80% стандартных запросов и повышать качество обслуживания без расширения команды поддержки.
Employee-assistance и AI-суфлеры для специалистов
Отраслевые и корпоративные ассистенты интегрируются в рабочие инструменты сотрудников: CRM, мессенджеры, системы управления проектами. Они подсказывают релевантные ответы на вопросы клиентов, помогают соблюдать корпоративные стандарты коммуникации, автоматизируют подготовку персонализированных подборок или коммерческих предложений, а также генерируют резюме и саммари по сложным кейсам. Такие решения дают рост производительности в 5–10 раз, снижают количество ошибок и позволяют поддерживать персонализированный подход даже при масштабировании бизнеса.
В следующих разделах мы рассмотрим реальные примеры внедрения RAG в различных отраслях бизнеса. На основе реальных кейсов покажем, как эти сценарии работают в крупных компаниях, какие результаты приносят и почему именно RAG становится технологическим стандартом для корпоративных ИИ-систем.
Сентябрь 2025
Исследование №2: RAG
Исследование №2: RAG
HubSpot | Поддержка пользователей внутри продукта
Интерфейс чат-ассистента внутри продукта
В HubSpot технологии RAG интегрированы чат-бот поддержки и виджет помощи внутри приложения. Вместо того чтобы самостоятельно искать нужные ответы в обширной базе HubSpot Academy, пользователь получает автоматический ответ на свой запрос. Система извлекает актуальные ответы из 700+ часов образовательного контента академии и выдает точные, релевантные подсказки прямо в момент обращения. Это не только значительно повышает качество поддержки и ускоряет поиск информации, но и помогает развивать self-service, позволяя сэкономить время и ресурсы команды клиентского сервиса.
Источник: HubSpot, TechCrunch
Сентябрь 2025
Исследование №2: RAG
Исследование №2: RAG
Консалтинг и информационные сервисы
В консалтинге и корпоративных службах RAG помогает компаниям быстрее объединять экспертные знания, распространять эффективные решения и снижать расходы на поиск информации.
McKinsey & Company | Корпоративная платформа для поиска данных
Интерфейс платформы Lilli
Международная консалтинговая компания запустила внутреннюю платформу Lilli. Она построена на собственном корпусе знаний McKinsey — более 100 тысяч документов, интервью и отраслевых руководств из 40+ проверенных источников. Архитектура платформы основана на RAG. Пользовательский запрос векторизуется, мгновенно сопоставляется с внутренним индексом, и система выдает пять-семь наиболее релевантных материалов с прямыми цитатами и ссылками на источники.
Более 72% из 45 тысяч сотрудников McKinsey пользуются Lilli, отправляя свыше 500 тысяч запросов в месяц. В среднем каждый консультант обращается к платформе 17 раз в неделю, экономя около 30% рабочего времени на поиск и анализ информации. Это позволяет компании высвобождать свыше 50,000 часов консультационной работы ежемесячно, а это $12 миллионов в пересчете на стоимость труда.
Источник: Digitaldefynd
Bloomberg | Автоматический анализ финансовых транскриптов
Мировой лидер в области финансовой аналитики активно внедряет технологии RAG для автоматизации анализа финансовых данных, в частности, для расшифровок звонков по отчетности компаний. В традиционном подходе простые LLM-чат-боты не учитывают особенности индустрии и часто генерируют неточные ответы. В Bloomberg используются технологии RAG, которая помогает «понять» смысл каждого абзаца транскрипта и выбрать релевантные фрагменты по заданным тематическим вопросам. На основе этих данных LLM формирует краткое и точное резюме. Пользователь всегда может проверить источник информации, перейдя по ссылке.
Главная задача Bloomberg — не заменить экспертизу аналитиков, а усилить ее. RAG делает поиск информации и подготовку инсайтов быстрее, точнее и прозрачнее, оставляя финальный контроль за пользователем. Это повышает эффективность и качество решений для банков и брокеров, на также снижает риск появления дезинформации в критически важных для финансовой отрасли ситуациях.
Источник: Bloomberg
TIME | AI-поиск для работы с корпоративными архивами
TIME — одно из самых известных мировых медиа, за 100 лет накопило уникальный архив статей, документов и аналитики, хранящихся как и в печати, и в цифре. В нем ежедневно работают десятки команд редакции, маркетинга и коммерции. За годы работы в компании накопился огромный объем информации: исторические статьи, архивы, документы разных эпох, которые хранились в Google Drive, Google Workspace, Salesforce, Zendesk и другими системами. Поиск данных для новых спецпроектов, исследований и подготовки к клиентским встречам мог занимать часы.
В 2024 году TIME внедрил интеллектуальный AI-поиск на базе Glean (RAG). За 2-3 недели были проиндексированы все корпоративные материалы. Теперь сотрудники получают релевантные ответы за секунды, просто задав вопрос своими словами 100-летнему архиву. Уже в первые месяцы внедрения TIME заметили, как ускорился цикл продаж и эффективность редакционных исследований. TIME планирует развивать ИИ-поиск для более глубокого анализа ключевых персон и поддержки флагманских спецпроектов, таких как TIME 100.
Источник: Glean
Reuters | Массив данных для обучения моделей или подключения RAG
Крупнейшее международное информационное агентство предлагает компаниям готовые решения на базе RAG для обучения и тестирования AI-моделей. В работе используется уникальный архив новостных материалов компании. В отличие от случайных источников из интернета, данные Reuters (а это более 45 миллионов новостей на 12 языках из 165 стран) предоставляют гарантированно точную и беспристрастную информацию.
Интеграция такого контента позволяет снижать количество «галлюцинаций» в генеративных ИИ-системах, повышать точность и объективность выводов, и создавать действительно надежные корпоративные решения для бизнеса, финансовой отрасли, права, медиа и других сфер.
Источник: Reuters
Сентябрь 2025
Исследование №2: RAG
Исследование №2: RAG
Банки и финансы
Финансовый сектор применяет RAG для быстрого доступа к информации, повышения качества клиентской поддержки, оптимизации трейдинга и автоматизации рабочих процессов сотрудников. Особое внимание уделяется точности данных и управлению рисками.
Bank of America | Виртуальный ассистент Erica
Одна из крупнейших банковских групп мира с 2018 года разрабатывает своего виртуального ассистента Erica для поддержки клиентов. Это один из самых масштабных корпоративных кейсов применения ИИ в клиентском сервисе. Erica уже обработала более 3 миллиардов запросов от почти 50 миллионов пользователей, ежемесячно отвечая на свыше 58 миллионов обращений.
Важной особенностью Erica является использование RAG, это позволяет добиваться 100% точности ответов и исключить риск некорректных или случайных рекомендаций. Более 98% пользователей получают необходимую информацию самостоятельно. Это существенно снижает нагрузку на контакт-центр. В среднем всего за 48 секунд пользователь получает от Erica релевантный ответ.
Источник: Bank of America, CXDive
Альфа-Банк | Помощник операторов call-центра
В 2025 году Альфа-Банк получил премию GenerationAl Awards за лучшее решение для технической поддержки — проект «RAG-помощник для операторов call-центра». Он помогает операторам контактного центра мгновенно находить точные ответы на вопросы клиентов среди тысяч статей и документов. RAG-помощник одновременно анализирует несколько источников знаний, ускоряя доступ к нужной информации и сокращая продолжительность звонков на ~20 секунд. Операторы могут сосредоточиться на решении проблемы клиента, а не на поиске информации, а это сказывается на общем уровне сервиса и эффективности работы команды.
Источник: Альфа-Банк
ПСБ | Ассистент «Катюша» для бизнес-клиентов
Промсвязьбанк первым на российском рынке внедрил технологию RAG в ИИ-ассистенте для бизнес-клиентов «Катюша». Благодаря RAG чат-бот не ограничен заданными сценариями и может формировать развернутые ответы на запросы клиентов, опираясь на актуальную базу знаний и релевантные банковские документы.
Внедрение RAG позволило ускорить решение клиентских вопросов в восемь раз по сравнению со стандартным сценарным ботом. Теперь «Катюша» выдает точные и понятные ответы. В результате банк повысил уровень автоматизации поддержки МСБ и рассчитывает на дальнейший рост эффективности по мере масштабирования RAG в новые продукты.
Источник: CNews
Сбер | ИИ-помощник банкира
Сбербанк разработал и внедрил «AI-помощника банкира», цифрового ассистента для сотрудников, работающих с ключевыми корпоративными клиентами. Он помогает специалистам быстро собирать и анализировать рыночные данные, ускоряет подготовку решений для бизнеса и помогает поддерживать высокий уровень персонализации обслуживания.
В 2025 году Сбер внедрил AI-помощника для поддержки трейдеров, работающих с валютными операциями. Модель помогает прогнозировать ближайшие изменения и предлагать оптимальные котировки с учетом текущей ликвидности. Ассистент был обучен на исторических данных по всем валютным парам, с которыми работает Сбер, а затем научился самостоятельно обнаруживать и предупреждать о нестандартных рыночных ситуациях.
На практике ИИ-помощник уже выявляет до ста аномалий в месяц, помогая трейдерам оперативно минимизировать риски и обеспечивать лучшие условия для тысяч корпоративных и частных клиентов банка.
Источник: TAdviser
Московская биржа | Интеллектуальный поиск по нормативной базе
Московская биржа запустила MOEX RAG — интеллектуальный поисковик по внутренней нормативной базе. Сотрудники задают системе вопрос простыми словами и получают релевантную информацию из более чем 1500 корпоративных документов с указанием источника. Это решение ускорило поиск информации в 72 раза.
Если раньше поиск занимал в среднем 18 минут, то теперь всего 15 секунд. MOEX RAG обеспечивает релевантность ответов выше 80% и снижает вероятность ошибок при работе с регламентами и инструкциями. Глубокая интеграция с внутренними документами и развитие в составе ИИ-экосистемы биржи открывает возможности для персонализированного поиска и поддержки любых бизнес-процессов.
Источник: CNews
Сентябрь 2025
Исследование №2: RAG
Исследование №2: RAG
ВТБ | Чат поддержки операционистов
ВТБ внедрил интеллектуального чат-бота на базе RAG для поддержки операционистов в отделениях банка. Этот цифровой ассистент помогает сотрудникам быстро находить точные ответы на сложные вопросы о тарифах, регламентах и условиях банковских продуктов.
В отличие от традиционных статичных справочников, чат-бот анализирует запросы в режиме реального времени, формирует точные и проверенные ответы, постоянно обновляя свои знания по мере появления новых данных. Пилотный проект охватил 3 тысячи сотрудников и показал, что время на поиск информации сократилось в 9 раз, а точность ответов чат-бота достигла 90%. Экономический эффект от масштабирования решения оценивают в миллионы рублей.
Источник: Издательство «Открытые системы»
Сентябрь 2025
Исследование №2: RAG
Исследование №2: RAG
Собственая разработка RAG-решения
AI-суфлер для менеджеров по продажам от Haiku.DEV
В компаниях с высокой нагрузкой на отдел продаж поток запросов от клиентов часто растет быстрее, чем менеджеры успевают их обрабатывать. Даже опытные сотрудники сталкиваются с рутинными задачами, из-за чего могут пропустить важные детали и снизить качество персонального обслуживания. Это приводит к упущенным сделкам и снижению доверия клиентов.
Как работает AI-суфлер
AI-суфлер подключается к рабочим мессенджерам и CRM-системам, чтобы помочь менеджерам быстро и индивидуально обрабатывать обращения клиентов. Он действует как ассистент: предлагает готовые ответы, учитывая корпоративный стиль общения и утвержденные сценарии диалогов.
Особенности решения
- ИИ анализирует контекст, стадию сделки и настроение клиента.
- Предлагает готовые варианты ответа или корректирует их под корпоративные скрипты.
- Формирует персонализированные материалы (PDF, подборки, презентации) с минимальным участием менеджера.
- Использует актуальные данные из внутренней базы и интегрированных систем.
- Сохраняет историю диалогов, учитывает предыдущие запросы и адаптирует предложения под клиента.
Сентябрь 2025
Исследование №2: RAG
Исследование №2: RAG
Преимущества внедрения для бизнеса
- Производительность менеджеров увеличивается многократно — каждый может вести несколько диалогов одновременно.
- Время подготовки персонализированных материалов сокращается с дней до минут.
- Повышается конверсия и доверие клиентов благодаря соблюдению структуры и персонализированным ответам.
- Не требуется расширение команды — AI-суфлер масштабируется вместе с бизнесом.
- Менеджеры могут сосредоточиться на сложных задачах, оставляя рутину ИИ.
Пример пользовательского сценария
Клиент пишет запрос с пожеланиями по продукту или услуге.
ИИ уточняет приоритеты и предлагает варианты ответа, учитывая этап сделки и предыдущие взаимодействия.
Менеджер выбирает готовый ответ или подборку материалов, которые можно сразу отправить клиенту.
Либо менеджер пишет сообщение, а ИИ адаптирует ответы под контекст и корпоративные стандарты, обеспечивая персонализированный и быстрый сервис.
AI-суфлер делает продажи и коммуникации с клиентами более персонализированными и эффективными. Клиенты получают точные ответы, менеджеры сохраняют высокое качество взаимодействия, а бизнес масштабирует процессы без увеличения штата.
Эти и многие другие технологии AI мы можем внедрить в ваш бизнес
Собственая разработка RAG-решения
AI-поиск по базе знаний от Haiku.DEV
Когда корпоративная база знаний содержит сотни документов — инструкции, регламенты, спецификации, руководства — классический поиск перестает работать. Сотрудники тратят часы на поиск нужной информации, теряют время и часто обращаются к коллегам за помощью. Это снижает скорость работы, повышает нагрузку на команду и замедляет выполнение задач.
Как работает AI-поиск
ИИ-поиск интегрируется в корпоративные системы, обеспечивая быстрый и точный доступ к знаниям. Пользователь формулирует запрос своими словами, а система понимает смысл вопроса, анализирует контекст и возвращает актуальные и релевантные ответы.
Особенности решения
- Поддерживает сложные запросы, понимает синонимы, профессиональный жаргон и сокращения.
- Агрегирует данные из всех корпоративных источников: документы, инструкции, базы данных, внутренние системы.
- Формирует комплексные ответы, собирая информацию из нескольких источников и предоставляя ссылки на оригиналы.
- Поддерживает различные форматы файлов и автоматически индексирует новые документы.
- Сохраняет историю запросов, адаптирует ответы под пользователя и контекст.
Сентябрь 2025
Исследование №2: RAG
Исследование №2: RAG
Преимущества внедрения для бизнеса
- Сокращение времени на поиск информации в разы.
- Автоматизация обучения новых сотрудников и ускорение онбординга.
- Повышение эффективности работы команды и снижение нагрузки на коллег.
- Универсальность и масштабируемость решения для любых отделов и процессов.
- Улучшение качества обслуживания и скорости принятия решений за счет быстрого доступа к актуальным данным.
Пример пользовательского сценария
Сотрудник задает вопрос: «Как выполнить процедуру X?»
ИИ анализирует запрос, ищет информацию во всех корпоративных источниках, собирает ответ и предоставляет сотруднику в удобной форме: текст, PDF или ссылки на оригинальные документы.
Если вопрос сложный или требует уточнения, система уточняет детали, собирает дополнительную информацию и подстраивается под контекст задачи.
ИИ-поиск делает работу с корпоративными знаниями быстрее и удобнее. Сотрудники находят точные ответы без лишних усилий, а бизнес получает возможность эффективнее использовать накопленный опыт и данные.
Эти и многие другие технологии AI мы можем внедрить в ваш бизнес
перспективы развития технологии
Три ожидаемых и уже реализуемых направления развития RAG — это мультимодальный RAG, агентный RAG и GraphRAG.
В первом случае, при мультимодальном RAG ИИ обрабатывает не только текстовую информацию, но и фото, видео, аудио. В июле «Яндекс» представила технологию векторного поиска. Так же как и текст, аудио, видео и изображения будут представляться в виде наборов чисел, эмбеддингов, по которым можно осуществлять поиск.
Источник: Yandex.Cloud
Агентный RAG способен не только отвечать на вопросы, но и автономно выполнять комплексные задачи, взаимодействовать с различными системами и принимать решения.
Интеграция с графовыми базами данных. RAG начинает использовать не только поиск по смыслу (векторный), но и графы знаний — карты связей между понятиями (knowledge graphs). Если у компании есть структурированная система, которая отражает связи между терминами, продуктами, документами, ролями и процессами, GraphRAG применяет эту карту совместно с традиционным поиском. Это позволяет находить не просто похожие ответы, а самые точные и логичные, учитывая все взаимосвязи и контекст.
Для эффективной работы такой системы необходима заранее продуманная и четко выстроенная структура связей внутри компании — таксономия и онтология. Чем подробнее и точнее описаны и связаны данные, тем более надежным и «умным» становится ИИ.
Если эта база связей настроена грамотно, то ИИ-ассистент может давать точные ответы с вероятностью до 99%. Это позволяет компаниям доверять ИИ даже в юридической экспертизе и финансовой отчетности.
Источник: Squirro
Сентябрь 2025
Исследование №2: RAG
Исследование №2: RAG
Выводы
В своем исследовании мы рассмотрели лишь часть реальных кейсов внедрения RAG в бизнес-практику. Эта технология универсальна, легко адаптируется под особенности разных отраслей. Мы наблюдаем устойчивый и стремительный рост интереса к RAG среди бизнеса, все больше организаций внедряют ее в ключевые процессы, чтобы решать задачи поиска, поддержки, автоматизации и персонализации сервиса.
Результаты внедрения RAG-систем показывают, что они сокращают время поиска и анализа информации в десятки раз, делают корпоративные знания доступными и актуальными для сотрудников и клиентов, минимизируют операционные ошибки и позволяют повысить продуктивность без расширения штата. Они ускоряют адаптацию новых специалистов, позволяют быстрее принимать решения и задают новый стандарт для интеллектуальных сервисов в компаниях любого размера.
RAG становится не просто вспомогательным инструментом, а инфраструктурным фундаментом для корпоративного ИИ. Благодаря прозрачности, релевантности и высокой скорости обработки данных, RAG-платформы становятся драйвером цифровой трансформации и долгосрочного конкурентного преимущества бизнеса.
Эти и многие другие технологии AI мы можем внедрить в ваш бизнес