Proč obyčejné hledání v dokumentech nestačí?
Zaměstnanec obvykle nehledá soubor, ale odpověď pro konkrétní situaci. Potřebuje vědět, který postup použít, zda stále platí a co z něj vyplývá. Klíčové slovo může najít několik dokumentů, které si odporují nebo popisují různé produkty.
AI pomůže spojit relevantní části a vysvětlit jejich význam. Nemůže však sama převzít odpovědnost za pravdivost firemních pravidel. Pokud neexistuje určený vlastník a platná verze, model pouze elegantněji prezentuje neuspořádanost podkladů.
Před projektem proto vyberte nejčastější otázky a k nim správné zdroje. Tím vznikne testovací sada i první seznam znalostí, které potřebují doplnit. Není nutné začít migrací všech historických dokumentů.
Co ukazuje případ znalostního vyhledávání v Upside?
Glean u Upside uvádí 92% adopci, úsporu více než 2 000 hodin měsíčně a přes 1,5 hodiny týdně na zaměstnance. Jde o metriky publikované dodavatelem, které popisují konkrétní organizaci a mohou se částečně překrývat. Nelze je sčítat ani převést na příslib stejného výsledku jiné firmy. Případová studie Glean a Upside.
„People were just constantly reinventing the wheel.“ — Elizabeth Vaggelatos, Head of Knowledge Management v Upside, v uvedené studii.
Vlastní otázka pro firmu zní: které znalosti lidé opakovaně dohledávají nebo znovu vytvářejí? Když najdete konkrétní pracovní situace, lze změřit výsledek. Samotný počet indexovaných dokumentů neukazuje, zda zaměstnanci získali správnou odpověď.
Jak funguje RAG bez zbytečné technické složitosti?
Systém při dotazu nejprve vyhledá vhodné části dokumentů. Ty předá modelu, který sestaví odpověď a ukáže zdroje. Model tedy nemusí znát všechny firemní informace předem. Důležité je, aby dostal správné části a rozpoznal, kdy nestačí.
| Vrstva | Její úkol | Jak ji ověřit |
|---|---|---|
| Zpracování zdrojů | Zachovat text, tabulky a souvislosti | Porovnat s původním dokumentem |
| Oprávnění | Vybrat dostupné dokumenty | Test různých uživatelů a rolí |
| Vyhledávání | Najít správné podklady | Očekávané zdroje k testovacím otázkám |
| Odpověď | Vysvětlit doložené informace | Správnost, úplnost a citace |
| Aktualizace | Promítnout změny a odstranění | Změnit pravidlo a zopakovat dotaz |
Chybu je potřeba přiřadit správné vrstvě. Jestli se nenašel relevantní dokument, delší prompt nemusí pomoci. Pokud byl zdroj správný, ale odpověď vynechala důležitou podmínku, problém vznikl až při zpracování nalezeného kontextu.
Jak uspořádat znalosti, aby byly použitelné?
Každý důležitý dokument má název, vlastníka, oblast platnosti a datum nebo verzi. U procesu se vyplatí popsat vstup, konkrétní postup, výjimky a očekávaný výsledek. Tabulka bez vysvětlení sloupců může být pro člověka i model nejednoznačná.
Oddělte závazné pravidlo od příkladu a historické komunikace. Jednorázová sleva z e-mailu není nový firemní ceník. Starý návod má být archivovaný a označený, aby se při běžném dotazu nepovažoval za aktuální.
V redditové komunitě XWiki se diskutuje příprava znalostí před propojením s AI. Protože jde o prostředí dodavatele, bereme otázky jako podnět, nikoli nezávislý průzkum. Vlastní inventura má ověřit, kdo opraví každou oblast, když asistent narazí na rozpor.
Jak zachovat přístupová práva i v odpovědích?
Stejná pravidla musí platit pro vyhledávání, citace i navazující akce. Uživatel nesmí získat neveřejné informace prostřednictvím shrnutí dokumentu, ke kterému nemá přístup. Ani odkaz nebo název zdroje nemá odhalovat citlivý obsah mimo jeho oprávnění.
Atlassian ve vysvětleních Rovo popisuje souvislosti uživatelského kontextu a oprávnění. U konkrétního nasazení znovu ověřte připojený účet a způsob spouštění automatizací. Široce oprávněný servisní účet není náhradou za rozlišení jednotlivých zaměstnanců.
Do testů zahrňte odebrání role, přesun dokumentu, zrušení účtu a odkaz na nepřístupný zdroj. Vyhledávání i mezipaměť musí reagovat na změnu. Jinak může zdánlivě správně zabezpečený zdroj zůstat dostupný přes starou kopii v AI systému.
Co má asistent udělat, když odpověď nezná?
Říct, co našel a co chybí. Pokud jsou zdroje rozporné, má rozpor pojmenovat a nasměrovat dotaz na vlastníka informace. Vytvořit jednotné pravidlo z nejednotných podkladů může být horší než nepodat úplnou odpověď.
Dotaz „jaká je aktuální sazba“ potřebuje kontext produktu, zákazníka a období. Asistent se má doptat, pokud bez toho nelze vybrat správný zdroj. Srozumitelné upřesnění je součást kvalitní služby, ne selhání modelu.
Novější metodika hodnocení agentů Anthropic z roku 2026 podporuje kontrolu skutečného výsledku. U znalostní báze proto vyhodnocujeme i nalezené zdroje a oprávnění, nikoli jen plynulost odpovědi.
Jaké metriky má sledovat první pilot?
Správnost odpovědi, správnost zdroje, zvládnutí neznámé otázky, respektování přístupu a čas do použitelného výsledku. Testovací otázky mají pokrýt běžné formulace i dotazy, které používají jiné názvy než dokumentace.
Modelový příklad: na sadě 100 otázek asistent odpoví správně na 80, u 15 správně přizná nedostatek podkladů a u pěti si odpověď vymyslí. Těchto pět chyb může být důležitější než celkově plynulé odpovědi. Následující práce se zaměří na důvod chyb, ne na zvýšení počtu slov.
Pilot má skončit také pravidly údržby. Kdo opravuje zdroje, jak se hlásí chyba a kdy se opakují testy? Teprve potom má smysl rozšířit znalostní bázi do AI asistenta pro zaměstnance nebo veřejné podpory.
Na co se často ptáte
Znamená to natrénovat vlastní model?
Obvykle ne. Častý postup je při dotazu dohledat relevantní podklady a předat je modelu jako kontext. Tento princip se označuje jako RAG. Vlastní trénování není podmínkou kvalitní firemní znalostní báze.
Může báze obsahovat PDF a skeny?
Ano, pokud integrace zahrnuje jejich spolehlivé zpracování. U skenů je potřeba OCR, u tabulek kontrola struktury. Dostupnost těchto kroků závisí na konkrétním řešení; nejsou automatickou vlastností každého chatu.
Co se stane po smazání nebo změně dokumentu?
Změna se musí promítnout do indexu, mezipaměti a dostupnosti pro další dotazy. Je také nutné určit pravidla pro již existující historii. Samotné smazání souboru ve zdrojovém systému nemusí stačit.
Rešerše a návrh řešení: Tanduva s pomocí AI. Zahraniční případové studie jsou označené; modelové příklady nejsou naměřené výsledky našich klientů. Redakční metodika a opravy.