Twoja firma ma wiedzę. Tylko nikt nie wie, gdzie jej szukać.

rag wydajnosc ai

Pracowałem w kilku firmach IT. Różne branże, różne zespoły, różne systemy. Ale jeden problem powtarzał się wszędzie. Szukanie informacji, które gdzieś na pewno są.

Problem, którego nikt nie mierzy

Każda firma, która rośnie, produkuje wiedzę. Procedury, cenniki, dane klientów, raporty, instrukcje. Z czasem ta wiedza przestaje być zasobem — staje się labiryntem.

Firmowe wiki? Zazwyczaj jest. Ale żeby cokolwiek w nim znaleźć, trzeba użyć dokładnie właściwych słów kluczowych. Trochę inaczej sformułowane pytanie — i wyniki nie mają sensu. Klasyczna wyszukiwarka nie rozumie kontekstu. Rozumie tylko słowa.

Reszta wiedzy żyje osobno — w plikach na dyskach, serwerach i lokalnych komputerach. Każdy wie, że gdzieś to jest. Nikt nie wie gdzie dokładnie.

Efekt? Kilkadziesiąt minut szukania jednej informacji. Kilka razy w tygodniu. Przez każdego pracownika.

Nikt tego nie mierzy. Ale każdy to czuje.

Szczególnie mocno odczuwają to firmy w fazie wzrostu. Nowi pracownicy pytają weteranów o to samo, co poprzedni rocznik. Weterani odpowiadają zamiast pracować. Wiedza się nie skaluje — skalują się tylko ludzie, którzy ją noszą w głowach.

A co z danymi w bazie danych? Tu jest jeszcze trudniej. Żeby zadać proste pytanie — “ile zamówień mieliśmy w zeszłym kwartale z podziałem na regiony?” — trzeba albo znać SQL, albo czekać na programistę lub analityka. Którzy mają własne priorytety.

Prawdziwy koszt chaosu informacyjnego to nie czas szukania. To decyzje podejmowane na podstawie niepełnych danych — i wiedza, która odchodzi razem z pracownikiem.

Jak wyglądała moja próba rozwiązania tego problemu

W grudniu 2024 roku zbudowałem pierwszą wersję aplikacji, która miała rozwiązać ten problem — przynajmniej dla mnie.

Chodziło mi o jedno miejsce z prostym i szybkim dostępem do wszystkich potrzebnych informacji. Bez wyszukiwarki słów kluczowych. Bez przekopywania się przez dziesiątki plików. Zamiast tego — pytanie w naturalnym języku i odpowiedź w kilkanaście sekund.

Technologia, która to umożliwia, nazywa się RAG — Retrieval-Augmented Generation (pisałem o tym już wcześniej tutaj). W skrócie: model językowy (AI) zamiast odpowiadać z własnej wiedzy, najpierw sięga do wskazanej bazy dokumentów, znajduje właściwy fragment i na jego podstawie formułuje odpowiedź. Każda odpowiedź ma źródło. System nie zgaduje — cytuje.

Efekt pierwszego prototypu: własny, prywatny “ChatGPT” zasilany lokalną wiedzą, działający na lokalnym komputerze. Wszystkie dane w mojej bazie danych, model AI pod moją kontrolą.

Działa. I działa szybko.

Co potrafi taki system w praktyce

Z czasem rozbudowałem aplikację o kolejne źródła danych. Dziś obsługuje trzy typy:

  • lokalne pliki - PDF-y, dokumenty Word. Wgrywasz raz, pytasz ile razy chcesz. Przydatne dla procedur, instrukcji, ofert, umów.
  • strony internetowe i artykuły - podajesz link, system pobiera treść i włącza ją do bazy wiedzy. Przydatne do przeszukiwania dokumentacji technicznych, materiałów od dostawców lub branżowych publikacji.
  • bazy danych - i tu dzieje się coś, co zmienia sposób pracy całych działów. Użytkownik zadaje pytanie w naturalnym języku, system sam generuje zapytanie SQL, pobiera dane i zwraca odpowiedź w czytelnej formie.

Osoby nietechniczne mogą teraz samodzielnie pobierać informacje z bazy danych — bez programisty, bez analityka, bez nauki narzędzi jak Power BI czy Tableau.

Co to oznacza dla bezpieczeństwa danych

To pytanie pojawia się zawsze — i słusznie.

System może działać w pełni lokalnie. Model językowy uruchomiony na własnej maszynie, u mnie za pomocą programu Ollama, dane przechowywane we własnej bazie, zero przesyłania dokumentów do zewnętrznych serwerów.

Dla firm pracujących z danymi wrażliwymi — finansowymi, kadrowymi, handlowymi — to nie jest miły dodatek. To warunek konieczny.

Dla firm, które nie mają takich ograniczeń, dostępna jest też integracja z API zewnętrznych dostawców modeli: OpenAI, Anthropic i innych.

Dla kogo to rozwiązanie ma największy sens

Nie każda firma odczuje ten sam problem z równą siłą. W mojej ocenie największą wartość przynosi tam, gdzie:

  • wiedza jest rozproszona po wielu plikach i systemach, a jej szukanie regularnie zajmuje dużo czasu
  • firma zatrudnia nowych pracowników i wdrożenie każdego z nich angażuje doświadczony zespół
  • dane są w bazie SQL, ale dostęp do nich wymaga zaangażowania programisty lub analityka
  • praca z danymi wrażliwymi wyklucza korzystanie z zewnętrznych narzędzi AI

Jeden wniosek na koniec

Wiedza jest w Twojej firmie. Problem w tym, że jest wszędzie — i przez to nigdzie.

Technologia RAG nie tworzy nowej wiedzy. Sprawia, że wiedza, którą już masz, przestaje być ukryta — i zaczyna być dostępna dla każdego pracownika, w każdej chwili, bez szukania i bez pośredników.

Buduję takie systemy na zamówienie. Jeśli rozpoznajesz w tym artykule swój firmowy problem — chętnie porozmawiam o tym, jak mógłby wyglądać w Twoim przypadku. 📩 Napisz do mnie