Kimi и RAG-пилот, который застрял на три месяца
В компании ПСМ один из первых RAG-пилотов по технической документации должен был занять три недели, но растянулся уже на три месяца. Причина оказалась не в моделях и не в серверах, а в качестве и доступности исходных данных.
Что вообще хотели сделать
Команда строит интерактивную базу знаний по заводской технической и эксплуатационной документации. Смысл в том, чтобы продажник, пресейл или инженер задавал вопрос по оборудованию и получал ответ не из памяти и не из интернета, а из проверенных чертежей, схем и регламентов.
Раньше в компании уже был другой RAG-сценарий: там языковую модель использовали как помощника для проверки отгрузочных документов. Новый пилот заметно сложнее — он должен отвечать по большой массивной базе знаний, а не просто сверять отдельные параметры.
Почему три недели превратились в три месяца
Для первого шага выбрали только одну газопоршневую электростанцию мощностью 1 МВт. Казалось, что это удобный и ограниченный кейс, но быстро выяснилось: у этой базовой модели есть 44 модификации. Отличаются исполнение, уровень напряжения, контроллеры, наличие системы утилизации тепла, радиаторы и вспомогательные системы.
Именно на этом этапе стало видно, что главная проблема корпоративного AI — не нейросеть, а беспорядок в данных. Документы хранились в разных местах, версии путались, часть файлов была в папках на сервере, часть — в Bitrix, облаке или даже на рабочем столе инженера. Чтобы хотя бы понять, что у них есть, команда завела реестр в Excel и собрала рабочий набор документов в один чат Bitrix.
Что вскрыл AI в документации
Оказалось, что руководство по эксплуатации, с которого планировали начать, было двухлетней давности. За это время комплектации и характеристики поменялись, а некоторые сведения стали противоречить друг другу. Для RAG такая база опасна: модель может уверенно выдать старые или неподходящие данные и создать видимость точного ответа.
По сути, пилот превратился не только в AI-проект, но и в работу по наведению порядка в собственной техдокументации. Всё равно нужен ручной контроль, потому что ошибка в ответе по габаритам, комплектующим или совместимости может стоить компании репутации и денег. Для бизнеса это важный урок: перед внедрением AI часто приходится сначала чинить процессы и документы, а уже потом запускать умного помощника.
Что это значит для других компаний
История ПСМ показывает, что самый долгий этап внедрения AI часто начинается не после запуска модели, а до него — на поиске, проверке и стандартизации данных. Если у компании документы раскиданы по разным системам, а актуальность версий никто не контролирует, RAG быстро упрётся не в технологии, а в хаос.
Для предпринимателей и руководителей вывод простой: AI хорошо помогает там, где есть понятный процесс и чистая база знаний. Если этого нет, проект всё равно полезен — он хотя бы показывает, где именно сломана внутренняя работа.