Baza de cunoștințe trebuie construită pornind de la întrebările repetate, nu de la volumul fișierelor încărcate. Fiecare răspuns primește un proprietar, un domeniu de aplicare, o sursă primară, un statut și o dată de revizuire. Abia după aceea căutarea semantică și RAG scurtează drumul până la informație fără să înlocuiască regulile companiei cu presupunerea modelului.
De ce încărcarea documentelor nu creează cunoaștere
Angajații formulează întrebările în limbajul sarcinii: „Putem schimba adresa după plată?” sau „Cine aprobă reducerea pentru un partener?”. Documentul poate avea titlul „Regulamentul condițiilor comerciale, versiunea 4.2” și poate sta lângă trei copii expirate. Nici o căutare textuală bună nu explică ce versiune se aplică în țara respectivă și cine trebuie să aprobe excepția.
Baza de cunoștințe leagă întrebarea, răspunsul și dovada. Ea descrie cum apare materialul, cum este verificat, publicat, actualizat, arhivat și șters. Dacă sistemul nu deosebește proiectul de versiunea aprobată, fiecare fișier nou crește probabilitatea unei contradicții.
Începeți cu auditul solicitărilor din suport, vânzări, onboarding și chat-urile interne. Adunați formulările folosite în realitate și grupați variantele aceleiași întrebări. Apoi verificați unde există deja răspunsul, unde a expirat și unde echipa ia de fiecare dată decizia de la zero. Auditul formează vocabularul căutării și arată golurile din proces.
Primul corpus trebuie să fie mic. O singură echipă, un singur domeniu și întrebări ale căror răspunsuri greșite pot fi corectate permit identificarea problemelor fără risc pentru toată compania. Încărcarea în masă „pentru viitor” amână munca editorială, dar nu o elimină.
Cum se construiește un material canonic
O fișă de cunoaștere răspunde la o singură întrebare și trebuie înțeleasă fără deschiderea a cinci fișiere. Este util să conțină răspunsul scurt, explicația completă, domeniul de aplicare, excepțiile, pașii procedurii, condiția de escaladare, linkul spre documentul primar, proprietarul, statutul, data verificării și următoarea dată de revizuire. Pentru un PDF mare, indicați secțiunea exactă împreună cu numele fișierului.
Să luăm întrebarea privind restituirea unei plăți. Răspunsul scurt explică regula standard, detaliile enumeră termenele și canalele, domeniul de aplicare limitează țara și tipul clientului, iar escaladarea trimite cazul disputat unui specialist financiar. Dacă regula se schimbă, proprietarul actualizează o singură fișă publicată și notează motivul. Versiunea veche este arhivată și eliminată din căutarea obișnuită.
Statutul canonic contează mai mult decât interfața. Proiectele, discuțiile și arhivele pot fi păstrate pentru istoric, dar nu trebuie să participe la formarea răspunsului zilnic. Dacă două surse aprobate se contrazic, baza arată conflictul și proprietarii lui; nu alege documentul care seamănă mai mult cu întrebarea.
Limbajul fișelor trebuie testat în lucru. Angajatul are nevoie să înțeleagă ce face, unde se termină regula și când cere ajutorul unui om. Un text prea general îl obligă să completeze golurile, iar unul prea lung repetă problema documentului inițial. O fișă bună scurtează drumul până la decizie și păstrează vizibilă sursa primară.
Ce adaugă RAG și unde greșește
Retrieval-Augmented Generation, sau RAG, caută mai întâi fragmente potrivite într-un corpus extern și apoi le oferă modelului pentru redactarea răspunsului. Metoda permite folosirea documentelor interne actuale fără reantrenarea modelului și recunoaște formulări diferite ale aceleiași întrebări. Calitatea depinde însă de structura corpusului, indexare, drepturi și capacitatea căutării de a selecta fragmentul corect.
Erorile pot apărea la mai multe niveluri. Materialul necesar poate lipsi, poate fi împărțit prost în fragmente, căutarea poate alege o regiune asemănătoare, dar greșită, iar modelul poate extinde concluzia dincolo de sursă. Răspunsul trebuie să arate documentele folosite, să permită deschiderea lor și să spună clar când informația nu ajunge.
Un lanț sigur începe cu verificarea drepturilor utilizatorului. Sistemul caută numai în corpusul accesibil, ordonează fragmentele, pregătește un proiect cu linkuri și stabilește dacă este necesară escaladarea. Drepturile se aplică înaintea căutării. Nu extrageți mai întâi un document secret sperând că modelul nu-l va cita unui angajat fără acces.
Un indicator de „încredere 92%” nu rezolvă singur problema. Echipa are nevoie de un semnal clar: sursa a fost găsită și este actuală; sursele se contrazic; răspunsul cere un specialist; informația lipsește. Modul onest „nu știu” protejează sistemul de o invenție formulată sigur.
Pilotul într-o singură echipă
Adunați între douăzeci și cincizeci de întrebări adresate de echipă în ultimele săptămâni. Pentru fiecare, notați sursa corectă, răspunsul așteptat și escaladarea permisă. Adăugați în test reformulări, greșeli de tastare, întrebări incomplete și solicitări la care baza nu trebuie să răspundă.
Verificați mai întâi navigarea și căutarea obișnuită. Dacă angajatul nu găsește materialul canonic după categorie sau cuvinte-cheie, stratul generativ va ascunde slăbiciunea structurii. Apoi rulați o comparație oarbă: un răspuns este pregătit prin metoda veche, al doilea prin baza nouă. Evaluați corectitudinea sursei și finalizarea sarcinii; fluența textului este secundară.
Grupează erorile după cauză: material absent, expirat, prost structurat, negăsit, găsit greșit sau interpretat dincolo de text. Fiecare cauză are un proprietar diferit. Instrucțiunea lipsă are nevoie de un autor, iar drepturile greșite de un administrator; reglarea modelului nu rezolvă aceste probleme.
După prima rundă, echipa corectează conținutul și repetă același set. Extinderea corpusului are sens numai când indicatorii sunt stabili și procesul de actualizare funcționează în practică. Altfel, noua echipă va aduce mai multe documente, nu mai multă cunoaștere.
Indicatori, drepturi și întreținere
Indicatorii principali sunt procentul întrebărilor cu sursa corectă, procentul răspunsurilor acceptate fără modificări importante, timpul până la decizie, numărul escaladărilor și numărul materialelor fără proprietar sau cu verificarea expirată. Numără separat răspunsurile false formulate cu siguranță și încălcările de acces. Volumul documentelor încărcate descrie dimensiunea depozitului, nu utilitatea lui.
Rolurile se stabilesc înainte de lansare. Proprietarul sistemului răspunde de reguli, căutare și analiză; proprietarii materialelor răspund de conținut și date; angajații raportează erorile; specialiștii de domeniu aprobă răspunsurile sensibile. O persoană poate avea mai multe roluri, dar responsabilitatea fiecărui material rămâne vizibilă.
ISO 30401 descrie cerințe pentru un sistem de management al cunoștințelor, însă pagina publică a standardului nu înlocuiește textul complet sau un audit. NIST AI RMF ajută la organizarea riscurilor AI, fără să garanteze calitatea unei baze concrete. Documentele confidențiale, datele personale și secretul comercial cer o abordare separată pentru stocare, acces și jurnalizare.
Costul de exploatare include serviciul de căutare, munca editorială, revizuirea materialelor, administrarea drepturilor, analiza feedbackului și repetarea testelor după actualizări. O bază fără întreținere regulată se învechește indiferent de calitatea modelului.
Când poate fi extinsă baza
Nu după încărcarea următoarei mii de fișiere. Extinderea are sens când sistemul găsește stabil sursa corectă la întrebările reale, o arată angajatului și se oprește onest în cazul unui conflict. Materialele expirate nu trebuie să rămână ascunse în index; ele ajung la proprietar pentru revizuire.
Adăugați mai întâi un subiect învecinat din aceeași echipă. Dacă nivelul calității scade brusc, cauza se află de obicei în drepturi, vocabular sau lipsa fișelor canonice, nu într-un model „insuficient de inteligent”. Este mai bine ca problema să apară înainte de conectarea departamentelor de resurse umane sau financiar.
Baza devine corporativă nu prin acoperire, ci prin responsabilitate. Pentru fiecare răspuns trebuie să fie posibilă urmărirea traseului de la întrebare la documentul și proprietarul concret.
Surse
- ISO 30401:2018 Knowledge management systemsISO · verificat 20 iulie 2026
- Retrieval-Augmented Generation for Knowledge-Intensive NLP TasksMeta AI Research authors · verificat 20 iulie 2026
- AI Risk Management FrameworkNIST · verificat 20 iulie 2026
- Creating helpful, reliable, people-first contentGoogle Search Central · verificat 20 iulie 2026
