Обучить нейросеть на своих документах технически можно, но для ответов по документам компании нужно другое: дать модели нужный документ в момент вопроса. Это поиск по базе, он же RAG — модель остаётся прежней, меняется то, что ей показали. Дообучение (fine-tuning) меняет манеру ответа, а не запас знаний, и для документов, которые правятся раз в месяц, оно почти всегда невыгодно.
Суть: под словом «обучить» прячутся два разных действия #
Когда руководитель спрашивает «можно обучить нейросеть на наших документах», он имеет в виду одно: пусть она отвечает сотрудникам по нашим регламентам, а не по интернету. Это разумное желание, и сделать его можно двумя непохожими способами.
Способ первый — дать документ в момент вопроса. Сотрудник спрашивает про сроки оплаты по договору подряда. Система ищет в документах компании подходящие абзацы, подкладывает их модели вместе с вопросом и просит ответить только по ним. Сама модель не меняется — меняется то, что лежит у неё перед глазами. Идея разобрана в статье что такое RAG, устройство по шагам — в статье про RAG-систему.
Способ второй — переучить саму модель. Берут готовую модель и дообучают её на своих примерах: тысячах пар «вопрос — правильный ответ». От этого меняются внутренние веса модели, то есть её собственные привычки. Это и называется дообучением, или fine-tuning.
Проще держать в голове так: первое — выдать человеку нужную папку перед разговором, второе — переучить самого человека. Для фактов, которые меняются, дешевле и проверяемее первое. Для манеры говорить — наоборот.
Путаница возникает не на пустом месте. Слово «обучение» подсказывает картинку «загрузили файлы — модель запомнила», а подрядчики часто говорят «обучим на ваших данных», имея в виду как раз поиск по базе. Спрашивать стоит прямо: вы меняете веса модели или собираете базу и индекс к ней.
Разбор: почему знания компании почти всегда дают поиском #
Документы меняются быстрее, чем идёт обучение #
Положение об оплате правится приказом, прайс — после пересмотра цен, инструкция — после смены поставщика. С поиском по базе это обычная работа: заменили файл, пересобрали индекс, ассистент отвечает по новой редакции в тот же день.
С дообучением так не получится. Новый факт попадает в модель только через очередной цикл обучения, а до него она уверенно повторяет прежнюю версию. Это самый опасный вид ошибки: ответ звучит обоснованно и устарел.
Каждое изменение — это повторный цикл, а не правка строки #
Дообучение не правится точечно. Нельзя сказать модели «забудь пункт 4.2, теперь так». Цена складывается из двух частей, и обе возвращаются при каждом обновлении.
Первая часть — ручная подготовка примеров: собрать вопросы, написать эталонные ответы, проверить их на противоречия. Объём измеряется тысячами примеров, иначе результат не отличить от шума. Вторая часть — вычисления и проверка: обучение, замеры, сравнение с прежней версией.
Поиск по базе устроен иначе: один раз платите за сбор и разбор документов, дальше обновление базы — это обновление документов. Как готовить материалы, подробно разобрано в статье про базу знаний — там тот же принцип, только для клиентского бота.
Переученная модель не покажет, откуда взяла ответ #
Это главный довод, и он не технический, а управленческий. Дообученная модель не хранит исходный документ. Знание растворено в весах, поэтому на вопрос «на основании чего» она либо промолчит, либо придумает правдоподобный номер пункта.
Для ответов по документам компании это снимает смысл затеи: сотрудник должен иметь возможность открыть документ и прочитать формулировку сам — особенно если он отвечает перед заказчиком или проверяющим.
Поиск по базе даёт такую ссылку по самому своему устройству: ответ собран из конкретных абзацев конкретных файлов, и источник показывается рядом. Ошибку видно сразу, и правят её в документе, а не в модели. Как система находит нужный кусок текста и почему она понимает вопрос не по словам, а по смыслу — в статье про векторную базу и семантический поиск.
Отсюда же свойство дообучения, о котором вспоминают поздно: из модели нельзя удалить сведения. Попали в обучающие примеры персональные данные — убрать их можно только обучением заново. Документ из базы удаляется за минуту.
Права доступа: поиск умеет, дообучение не умеет #
Кадровые документы видит кадровая служба, финансовые — финансовая. Поиск по базе это выдерживает: сотрудник получает ответы только по тем документам, к которым допущен. Дообученная модель — одна на всех и знает всё, что ей показали при обучении: разделить её знания по отделам нельзя, можно лишь обучить отдельную модель на каждый контур.
Где дообучение оправдано: манера, а не знания #
Дообучение — не плохой инструмент, у него просто другая задача. Оно меняет не то, что модель знает, а то, как она говорит. Есть три случая, когда это имеет смысл.
Свой стиль ответа. Нужен единый тон на всю компанию: определённая длина, порядок изложения, принятые обращения. Если инструкцией стабильности добиться не удаётся и расхождения видны от ответа к ответу, обучение манере даёт более ровный результат.
Жёсткий формат вывода. Ассистент должен отдавать не текст, а строго размеченный результат: заполненный бланк, набор полей для другой системы, одну и ту же структуру каждый раз. Модель, обученную на сотнях примеров разметки, труднее сбить с формата.
Узкая отраслевая терминология. Сокращения, маркировки, внутренний язык отрасли, которых базовая модель не встречала: обозначения сплавов, кодировки узлов, профессиональный жаргон. Здесь дообучение помогает понимать вопрос, а не хранить факты.
Признак простой. Если вы раз за разом поправляете ассистента по содержанию («не та цифра», «не тот пункт») — это задача базы. Если по форме («слишком длинно», «не тот тон», «опять сломал структуру») — задача манеры, и тут дообучение уместно.
Сравнение по пунктам #
| Что сравниваем | Поиск по базе (RAG) | Дообучение (fine-tuning) |
|---|---|---|
| Что меняется | Внешняя база документов и индекс к ней; модель остаётся прежней | Внутренние веса модели; документы при ответе не используются |
| Что нужно подготовить | Документы компании и их разбор на смысловые куски | Тысячи пар «вопрос — эталонный ответ», проверенных вручную |
| Срок до первого результата | Недели: пилот на один отдел — 3–4 недели | Месяцы: сбор примеров, обучение, замеры, сравнение с прежней версией |
| Из чего складывается цена | Разовый сбор базы плюс абонентская плата за работу системы | Ручная подготовка примеров плюс вычисления; повторяется при каждом обновлении |
| Изменился документ | Заменили файл, пересобрали индекс — ответ новый в тот же день | Нужен новый цикл обучения; до него модель повторяет старое |
| Видно ли источник ответа | Да, ссылка на документ рядом с ответом | Нет, источник в весах не сохраняется |
| Удалить сведения | Убрать документ из базы | Только обучением заново |
| Права доступа по отделам | Да, ответы ограничены доступными документами | Нет, модель знает всё, что видела при обучении |
| С чем справляется лучше | Факты, цифры, актуальные редакции | Тон, формат, отраслевой язык |
Ответ на исходный вопрос дают две строки — про источник и про изменение документа. Знания компании меняются, и их нужно уметь предъявить. Манера стабильна, и предъявлять её не нужно.
Как это устроено у нас #
Мы собираем базу знаний компании и ИИ-ассистента, который отвечает сотрудникам по её документам и даёт ссылку на документ-источник. Модели под заказчика мы не переучиваем, и вот что делаем вместо этого.
Поиск гибридный — по смыслу и по словам одновременно. Смысловой поиск находит ответ, когда сотрудник спросил своими словами. Поиск по словам нужен для артикулов, номеров приказов и редких сокращений, где важно точное совпадение. Вместе они закрывают оба случая.
Модель выбирается цепочкой. Сначала GigaChat, затем YandexGPT, затем зарубежная модель через ProxyAPI, затем модель, развёрнутая внутри сети компании. Если одна не ответила, запрос уходит дальше по цепочке. Какую модель выбирать под задачу и почему выбор не сводится к рейтингам, разобрано в статье про выбор нейросети.
Ответ проверяется перед выдачей. Если в ответе появилась ссылка, которой нет в документах, она правится, а не выбрасывает весь ответ вместе с верной частью. Чего в документах нет — ассистент не придумывает, а передаёт человеку.
Серверы в России, персональные данные обезличиваются до отправки в модель. Документы в обучение модели не уходят — при поиске по базе обучения не происходит вообще.
Манера задаётся инструкцией, а не обучением. Тон, длина ответа, порядок изложения и запретные темы прописываются в настройках ассистента. Это правится за минуту и не требует цикла обучения. Отдельной услуги «дообучим модель на ваших данных» у нас нет.
Та же база потом подключается к боту для клиентов — сайт, Telegram, MAX, ВКонтакте, Авито — без повторного сбора материалов.
Сколько стоит и от чего зависит #
Цены на 23 октября 2026 года. Это стоимость работы с базой знаний, страница услуги — корпоративная база знаний.
| Что | Срок | Стоимость |
|---|---|---|
| Аудит: карта документов, с какого отдела начать, оценка | 30 минут | Бесплатно |
| Пилот: один отдел, до 300 документов, проверка на 40 вопросах | 3–4 недели | от 150 000 ₽ |
| Внедрение: несколько отделов, права доступа, автообновление, 1С, Битрикс24, Диадок | 6–10 недель | от 500 000 ₽ |
| Сопровождение: обновление базы, контроль ответов, отчёт по вопросам | в месяц | от 40 000 ₽ |
| Платформа по подписке, если проект велик | запуск 3–10 дней | от 7 000 ₽ в месяц плюс настройка от 15 000 ₽ |
Цена зависит от объёма документов, числа отделов и источников, из которых база обновляется. Для старта хватит 50 документов одного отдела: объём влияет на срок и цену, а не на результат.
Цену дообучения одной цифрой назвать нельзя: она складывается из ручной подготовки примеров, вычислений и проверки результата, зависит от модели и повторяется при каждом существенном обновлении знаний. Поэтому разговор о нём имеет смысл после того, как база работает и видно, чего не хватает — формы, а не фактов.
Где это не работает #
Нет документов — нечего искать. Если условия живут в голове у двух сотрудников, начинать нужно с того, чтобы их записать. Дообучение здесь тоже не спасёт: учить придётся на тех же отсутствующих материалах.
Противоречия поиск не разрешит. Если в двух действующих документах разные сроки, система покажет один из них. Какой считается верным — решает компания, а не ассистент. Эту работу делают при сборе базы, и она обычно вскрывает больше проблем, чем сам ИИ.
Сводные вопросы по всей базе. «Сколько договоров истекает в ноябре» — это запрос к учётной системе, а не поиск по тексту документов. Поиск найдёт отдельные договоры, а не посчитает их.
Отраслевой язык иногда промахивается. Если сотрудники зовут документ одним словом, а в тексте оно другое, поиск может не найти. Лечится это словарём синонимов при сборе базы, и только в редких случаях — дообучением.
Чего у нас нет. Готовых кейсов внедрения у заказчиков, распознавания голоса в корпоративном ассистенте, интеграции с SAP, гарантий точности в процентах и сроков короче заявленных. Если подрядчик обещает точность в процентах до знакомства с документами — цифра взята из воздуха.
Если свести всё к одной мысли: знания компании нужно уметь менять и уметь предъявлять. Поиск по базе даёт и то, и другое — документ правится за минуту, источник видно рядом с ответом. Дообучение не даёт ни первого, ни второго, зато хорошо делает то, о чём его обычно не просят: ставит манеру, формат и отраслевой язык. Начинать стоит с базы: после неё видно, нужно ли второе вообще.
Частые вопросы #
Можно ли обучить нейросеть на своих данных? #
Можно, но для ответов по документам компании это редко нужный путь. Чаще под этой фразой понимают поиск по базе: документы остаются документами, модель получает нужный фрагмент в момент вопроса и отвечает по нему со ссылкой на источник. Переучивание самой модели оправдано там, где нужно поменять манеру ответа, а не запас фактов.
Чем RAG отличается от fine-tuning простыми словами? #
RAG — это дать специалисту нужную папку перед разговором. Fine-tuning — переучить самого специалиста. В первом случае легко поменять содержимое папки и видно, из какого документа взят ответ. Во втором ни того, ни другого нет, зато меняется привычная манера говорить.
Наши документы попадут в обучение модели? #
При поиске по базе документы в обучение не попадают: они лежат в вашей базе, а модель получает только нужный фрагмент на время одного ответа. По умолчанию мы работаем на GigaChat и YandexGPT, можно развернуть модель внутри сети компании. Персональные данные обезличиваются до отправки в модель.
Что делать, если модель не понимает наши сокращения? #
Сначала попробовать словарь: сокращения и синонимы прописываются при сборе базы, и поиск начинает их понимать. Это дни работы против месяцев обучения. Если терминология настолько своя, что словарь не помогает, тогда дообучение действительно обосновано — но проверять это стоит после того, как база уже работает.
Можно ли совместить поиск по базе и дообучение? #
Да, они не исключают друг друга: поиск отвечает за факты, дообучение — за манеру и формат. Порядок правильный только один — сначала рабочая база с проверяемыми ответами, потом, если осталась претензия к форме, обучение манере. В обратном порядке получается обученная модель, которой всё так же нечем подтвердить ответ.
Как удалить из ассистента устаревший регламент? #
В базе — убрать документ и пересобрать индекс, после этого ассистент перестаёт на него ссылаться. В дообученной модели такой операции нет: сведения размазаны по весам, и убрать их можно только обучением заново. Для документов с ограниченным сроком жизни это решающее отличие.
