ИИ-агент для поиска информации во внутреннем контуре компании

Агент ИИ для поиска информации в контуре находит сведения в разрешенных корпоративных источниках, формирует краткий ответ и указывает документы, на которых он основан. Если источник не найден или документы противоречат друг другу, корректный агент сообщает об этом, а не дополняет ответ догадкой.

Такой сценарий нужен компаниям, где ответ на простой вопрос часто спрятан в разных местах: регламентах, договорах, файловых хранилищах, CRM, таблицах, почте, проектных файлах и переписке. Конкретный источник становится доступен агенту только после подключения и проверки прав.

Обычный чат с ИИ эту проблему не решает. Он может красиво сформулировать ответ, но если у него нет доступа к вашим источникам, правам, истории и документам, он будет угадывать. Корпоративный ИИ-агент должен работать иначе: искать в разрешенных источниках, показывать, откуда взял ответ, отличать факты от предположений и не раскрывать данные за пределы разрешенного контура.

OpenCowork подходит для такого сценария, потому что агент работает внутри проекта: с добавленными файлами, Library, подключенными инструментами, командным контекстом и сохраняемыми результатами.

Эта страница отвечает именно на запрос про поиск информации во внутреннем контуре. Если нужно собирать показатели, сравнивать периоды и объяснять изменения метрик, используйте отдельный сценарий ИИ-агента для отчетов и аналитики данных. Если требуется развернуть всю систему без внешней обработки данных, смотрите локальный ИИ для предприятия под ключ.

Что должно быть в ответе агента

Минимально полезный ответ состоит из четырех частей: прямой вывод, перечень источников, обнаруженные ограничения и следующий шаг. Без источников пользователь не может отличить найденный факт от правдоподобной формулировки модели.

Какая проблема решается

Внутренний поиск ломается не потому, что в компании нет данных. Обычно данных слишком много:

• несколько папок с версиями документов;
• регламенты без владельца;
• таблицы с ручными комментариями;
• CRM с неполными карточками;
• почта, где остались важные договоренности;
• презентации, которые знают только старые сотрудники;
• локальные инструкции;
• проектные файлы, которые не попали в базу знаний.

Сотрудник задает вопрос: "Какой порядок согласования скидки?", "Где последняя форма договора?", "Какие требования у клиента по отгрузке?", "Что мы обещали в прошлом письме?", "Какая версия регламента актуальна?". Без агента он идет искать вручную.

Чем агент отличается от поиска по ключевым словам

Поиск по ключевым словам возвращает документы. ИИ-агент должен возвращать рабочий ответ.

Например, если сотрудник спрашивает "можно ли клиенту дать отсрочку", агент не должен просто придумать политику. Он должен найти регламент, проверить актуальную версию, посмотреть исключения, указать источник и сказать, если данных недостаточно.

Какие источники можно подключать

Для поиска во внутреннем контуре полезны разные источники:

• документы: DOCX, PDF, XLSX, презентации, сканы;
• Library проекта OpenCowork;
• Google Drive и Google Sheets;
• CRM и карточки клиентов;
• 1C или другие учетные системы;
• внутренние базы знаний;
• проектные папки;
• почта и переписка, если подключена и разрешена;
• артефакты прошлых агентных задач.

Не все источники нужно подключать сразу. Лучше начать с одного отдела и одной группы документов: например, договоры и регламенты продаж, инструкции поддержки или база документов по закупкам.

Как выглядит ответ хорошего агента

Хороший ответ должен быть проверяемым. Например:

1. краткий ответ на вопрос;
2. ссылки или названия источников;
3. цитируемые факты в пересказе, без длинного копирования;
4. дата или версия документа, если есть;
5. уровень уверенности;
6. что не найдено;
7. что должен проверить человек.

Если агент не нашел документ, он должен сказать "не нашел", а не заполнять пустоту догадками. Если источники противоречат друг другу, он должен показать конфликт.

Например, на вопрос о порядке согласования скидки хороший результат выглядит не как общий совет, а как карточка проверки:

Ответ: скидку свыше установленного порога согласует руководитель отдела.

Основание: регламент продаж, версия и дата из документа.

Конфликт: в старом шаблоне договора указан другой порог.

Действие: подтвердить актуальную редакцию у владельца регламента.

Это демонстрационный формат, а не утверждение о правилах конкретной компании. Значения агент берет только из подключенных документов.

Как это работает в OpenCowork

В OpenCowork команда создает проект и добавляет туда материалы или подключает источники. Дальше агент получает задачу:

Найди актуальный порядок согласования скидок для B2B-клиентов. Проверь регламент, шаблоны договоров и последние проектные документы. Дай короткий ответ менеджеру и приложи источники.

Агент может:

• искать по файлам проекта;
• читать документы и таблицы;
• сопоставлять несколько источников;
• сохранять ответ как артефакт;
• задавать уточняющие вопросы;
• подготавливать черновик письма или инструкции;
• оставлять решение человеку, если вопрос юридически, финансово или коммерчески значимый.

Это важнее, чем просто "чат по документам": сотрудник получает не абстрактный пересказ, а рабочий результат в контексте проекта.

Безопасность и права

Поиск в контуре компании нельзя строить по принципу "агент видит всё". Должны быть правила:

• пользователь видит только разрешенные документы;
• чувствительные файлы не попадают в общий контекст без выбора;
• источники сохраняют владельцев и проектную принадлежность;
• ответы не раскрывают данные другого отдела;
• действия агента логируются;
• внешняя отправка требует подтверждения;
• изменение документов или систем отделено от поиска.

В OpenCowork загруженные и подключенные файлы остаются материалами проекта или Library. Они не должны автоматически превращаться в всегда включенный контекст каждого разговора, если пользователь явно не добавил их в активный контекст. Это снижает риск случайного раскрытия лишних данных.

Пример сценария

Отдел продаж хочет быстро отвечать на вопросы по договорам, скидкам, отгрузке и требованиям клиентов.

Пилот можно собрать так:

1. загрузить актуальные шаблоны договоров и регламенты;
2. добавить таблицу с правилами скидок;
3. подключить папку с проектными документами;
4. дать агенту 20 типовых вопросов менеджеров;
5. проверить ответы с юристом или руководителем продаж;
6. зафиксировать, где агент уверен, а где требует проверки;
7. расширить сценарий на CRM или почту после первого результата.

Такой пилот позволяет измерить пользу: время ответа, долю ответов с правильным источником, число найденных конфликтов версий и количество вопросов, переданных эксперту.

Как проверить качество на своих данных

До запуска соберите контрольный набор из 20-50 вопросов и эталонных ответов. Включите простые вопросы, случаи с несколькими документами, устаревшие версии, недостаточные данные и документы, к которым у тестового пользователя нет доступа.

Для каждого ответа проверяйте:

• правильность вывода;
• соответствие указанному источнику;
• выбор актуальной версии;
• отсутствие сведений из запрещенных документов;
• корректный отказ при нехватке данных;
• время ответа и время проверки человеком.

Средняя субъективная оценка "отвечает хорошо" для приемки недостаточна. Ошибка в одном чувствительном сценарии может быть важнее десяти правильных ответов на простые вопросы.

Где нужен локальный контур

Если документы чувствительные или компания не может отправлять данные в публичные облака, сценарий поиска можно рассматривать как часть локального или выделенного внедрения. Но начинать всё равно лучше с ограниченного пилота: один отдел, один набор источников, понятные вопросы и ручная проверка качества.

Для таких требований полезно прочитать материал локальный ИИ для предприятия под ключ. Если задача шире и включает разработку сценариев, интеграции и агентные процессы, смотрите статью разработка ИИ-агентов для бизнеса.

Следующий шаг

Начните с вопроса, который сотрудники задают чаще всего и на который сейчас уходит 10-20 минут поиска. Соберите 20 таких вопросов, выберите папку документов и проверьте, сможет ли агент давать ответ со ссылками на источники.

В OpenCowork такой пилот можно запустить как обычный проект: загрузить материалы, подключить источники, задать агенту правила поиска и получить проверяемые ответы. Больше практических сценариев есть в разделе примеров задач.

Частые вопросы

Может ли агент искать в 1С, CRM, SharePoint или почте?

Может, если для конкретной системы подключена и проверена интеграция, а учетная запись имеет необходимые права. Название системы в перечне возможных источников не означает, что агент автоматически получает к ней доступ.

Отправляются ли документы во внешнюю модель?

Это зависит от выбранной архитектуры, модели и способа развертывания. Для чувствительных данных до пилота нужно зафиксировать маршрут данных, внешние соединения, сроки хранения и перечень провайдеров. При запрете внешней обработки рассматривают выделенный или локальный контур.

Заменяет ли агент корпоративную базу знаний?

Нет. Он упрощает поиск и сбор ответа, но не исправляет отсутствие владельцев документов, дубли и устаревшие регламенты. Конфликты, найденные агентом, полезно превращать в задачи по управлению знаниями.

ИИ-агент для базы знаний

Если задача уже сформулирована как "ИИ-агент для базы знаний", лучше вести пользователя на отдельную страницу с этим интентом: ИИ-агент для базы знаний. Эта статья про внутренний контур шире: она объясняет, когда компании нужен защищенный поиск по документам и как запускать пилот.

Разделение полезно и для SEO, и для пользователя:

• база знаний - про быстрые ответы сотрудникам и источники;
• внутренний контур - про безопасность, права, локальный доступ и корпоративные ограничения;
• локальный ИИ - про выделенное или on-premise внедрение.

Вместе эти страницы должны образовывать кластер: сотрудник может начать с простого поиска по документам, затем перейти к базе знаний, а при строгих требованиях безопасности - к локальному ИИ для предприятия.