Firmowa baza wiedzy i sztuczna inteligencja – jak połączyć dokumenty z agentem AI?

Cel i wymagania bazy wiedzy pod agenta AI

Projektowanie firmowej bazy wiedzy dla agenta AI warto zacząć od pytania: jakie zadania użytkownik ma dzięki niej wykonać szybciej, łatwiej lub z mniejszym ryzykiem błędu? Samo podłączenie dokumentów do modelu nie określa jeszcze wartości rozwiązania. Potrzebny jest konkretny cel, na przykład skrócenie czasu szukania instrukcji serwisowych albo ułatwienie pracownikom korzystania z procedur wewnętrznych. Dopiero taki cel pozwala ustalić, jakiej wiedzy agent potrzebuje i po czym będzie można poznać, że działa poprawnie.

Zakres wiedzy: co agent ma wiedzieć, a czego nie obsługuje?

Tradycyjne repozytorium pomaga człowiekowi znaleźć i przeczytać dokument. Baza wiedzy wykorzystywana przez agenta AI ma dostarczać podstaw do odpowiedzi na konkretne pytania, niekiedy wymagające połączenia informacji z kilku materiałów. Nie oznacza to jednak, że od początku powinna obejmować całą wiedzę organizacji. Na etapie pilotażu lepiej wybrać ograniczony obszar, w którym potrzeby użytkowników są dobrze rozpoznane, a poprawność odpowiedzi można sprawdzić.

Zakres należy opisać zarówno przez tematy uwzględnione, jak i wyłączenia. Agent wspierający obsługę klienta może wyjaśniać zasady zwrotów i reklamacji, ale nie rozstrzygać indywidualnych sporów. Asystent produktowy może porównywać parametry oferty, lecz bez dostępu do bieżącego systemu sprzedażowego nie powinien potwierdzać dostępności towaru. Wiedza zawarta w dokumentach nie jest tym samym co aktualny stan zamówienia, konta czy magazynu.

Użytkownicy i przypadki użycia

Ta sama dokumentacja może służyć różnym grupom, ale każda z nich potrzebuje innego rodzaju wsparcia. Nowy pracownik oczekuje wyjaśnienia pojęć i instrukcji krok po kroku. Doświadczony specjalista szuka konkretnego wyjątku od reguły. Klient potrzebuje zrozumiałej odpowiedzi bez wewnętrznego żargonu. Określenie odbiorców wpływa więc na oczekiwany poziom szczegółowości, sposób prowadzenia rozmowy i formę wyniku.

Przypadki użycia najlepiej zapisywać jako zadania, a nie ogólne hasła typu „wsparcie działu”. Przykładowo:

• Wdrożenie pracownika: wskazanie, jakie kroki należy wykonać przed złożeniem pierwszego wniosku urlopowego.
• Wsparcie techniczne: odnalezienie instrukcji postępowania dla konkretnego komunikatu błędu.
• Obsługa klienta: przygotowanie odpowiedzi o warunkach zwrotu na podstawie obowiązujących zasad.
• Sprzedaż: porównanie cech produktów pod kątem wymagań wskazanych przez klienta.

Dla każdego zadania warto zebrać przykładowe pytania użytkowników i opisać oczekiwany rezultat. Trzeba też rozróżnić udzielanie informacji od wykonywania działań: wyjaśnienie sposobu złożenia wniosku to inna funkcja niż jego faktyczne wysłanie. Sama baza wiedzy nie daje agentowi możliwości realizowania operacji w firmowych systemach.

Wymagania i kryteria powodzenia

Wymagania powinny określać, jak zachowuje się agent, gdy ma wystarczające informacje, gdy pytanie jest nieprecyzyjne oraz gdy odpowiedzi brakuje. W dwóch ostatnich sytuacjach powinien odpowiednio dopytać lub jasno zakomunikować ograniczenie, zamiast uzupełniać luki przypuszczeniami. Warto również ustalić, kiedy wystarczy krótka odpowiedź, a kiedy potrzebne są instrukcja i wskazanie materiału źródłowego.

Skuteczność rozwiązania należy oceniać na reprezentatywnym zestawie zadań. Przydatne kryteria to poprawność i kompletność odpowiedzi, czas dotarcia do informacji oraz odsetek spraw rozwiązanych bez dodatkowego wyszukiwania. Punktem odniesienia powinien być rzeczywisty efekt dla użytkownika, nie liczba podłączonych dokumentów.

Inwentaryzacja i porządkowanie dokumentów

Zanim dokumenty trafią do bazy wiedzy agenta AI, trzeba ustalić, jakie materiały firma posiada, gdzie się znajdują i które rzeczywiście nadają się do wykorzystania. Nie chodzi o zebranie jak największej liczby plików, lecz o wyodrębnienie wiarygodnych treści. Kopie procedur, robocze notatki i sprzeczne instrukcje mogą sprawić, że agent odnajdzie informację pasującą do pytania, ale niewłaściwą w danej sytuacji.

W Cognity często słyszymy pytania, jak praktycznie podejść do porządkowania dokumentów na potrzeby agenta AI – odpowiadamy na nie także na blogu. Punktem wyjścia jest spis zasobów, który pozwala ocenić ich przydatność, zanim rozpocznie się techniczne przygotowanie bazy.

Spis zasobów i rozpoznanie typów treści

Inwentaryzacja powinna objąć nie tylko wspólny dysk, lecz także firmowe wiki, intranet, systemy obsługi zgłoszeń oraz inne miejsca, w których pracownicy szukają odpowiedzi. Na tym etapie wystarczy prosty rejestr pozwalający określić lokalizację materiału, jego temat, format i przydatność. Warto oddzielić dokumenty zawierające wiedzę od pustych szablonów, załączników technicznych czy zestawień pozbawionych kontekstu.

Poszczególne rodzaje materiałów pełnią różne funkcje:

• Polityki, regulaminy i procedury określają obowiązujące zasady oraz sposób postępowania.
• Instrukcje i poradniki pomagają wykonać konkretne zadanie, np. skonfigurować narzędzie lub zgłosić usterkę.
• FAQ i sprawdzone rozwiązania zgłoszeń dostarczają odpowiedzi na powtarzające się pytania, ale wymagają sprawdzenia, czy rozwiązanie nie dotyczyło tylko jednego przypadku.
• Specyfikacje, katalogi i zestawienia zawierają parametry oraz dane referencyjne, które często trzeba odczytywać razem z nagłówkami, jednostkami i objaśnieniami.
• Notatki, korespondencja i prezentacje mogą uzupełniać kontekst, lecz nie powinny automatycznie stawać się źródłem obowiązujących ustaleń.

Osobno należy sprawdzić czytelność techniczną plików. PDF z warstwą tekstową i skan tej samej instrukcji wymagają innego przygotowania. Skany mogą potrzebować OCR, a arkusze i rozbudowane tabele — kontroli, czy po odczycie zachowane są związki między wartościami a ich opisami. Samo otwarcie pliku nie oznacza, że jego treść będzie poprawnie przetwarzana.

Hierarchia źródeł zamiast przypadkowego zbioru plików

Podczas porządkowania warto wskazać, które materiały są nadrzędne, a które jedynie je objaśniają. Zatwierdzona procedura powinna mieć pierwszeństwo przed jej skrótem w prezentacji czy nieformalną odpowiedzią z komunikatora. Nie jest to jeszcze projekt kategorii bazy, lecz rozstrzygnięcie, na jakim źródle opierać odpowiedź, gdy dokumenty opisują ten sam temat inaczej. Sprzeczności należy wyjaśnić przed włączeniem materiałów do zasobu, zamiast pozostawiać agentowi wybór między konkurencyjnymi zapisami.

Usuwanie duplikatów bez utraty ważnych różnic

Duplikaty to zarówno identyczne pliki zapisane w kilku miejscach, jak i te same treści występujące w różnych formatach. Porównywanie wyłącznie nazw nie wystarczy: dokumenty o innych nazwach mogą zawierać identyczny tekst, a pliki nazwane podobnie — odmienne instrukcje.

Dla powielonej treści należy wskazać jeden egzemplarz źródłowy do zasilania bazy. Nie oznacza to automatycznego kasowania pozostałych plików z firmowych systemów. Materiały częściowo podobne wymagają oceny: instrukcje dla różnych produktów, oddziałów lub wariantów usługi mogą zasadnie współistnieć. Trzeba zachować ich odrębność, jeśli różnice wpływają na odpowiedź.

Efektem prac powinien być zbiór materiałów gotowych do dalszego opracowania oraz osobno wskazane treści wymagające wyjaśnienia, poprawy lub pominięcia. Dzięki temu do bazy nie trafiają przypadkowe kopie i nierozstrzygnięte sprzeczności.

3. Projekt struktury informacji: kategorie, taksonomia, szablony i standardy formatowania

Dokument czytelny dla pracownika nie zawsze jest dobrym źródłem odpowiedzi dla agenta AI. Człowiek często odtworzy kontekst z układu strony lub wiedzy o firmie. Agent korzystający z wyszukiwania w dokumentach może otrzymać tylko wybrany fragment treści. Dlatego struktura bazy powinna ułatwiać zarówno odnalezienie informacji, jak i poprawne zrozumienie jej poza całym dokumentem.

Kategorie: porządek oparty na zadaniach użytkownika

Kategorie wyznaczają główne obszary bazy wiedzy. Warto budować je wokół zagadnień, których szukają użytkownicy, takich jak rozliczanie wydatków, obsługa reklamacji czy konfiguracja narzędzi. Sam podział według działów bywa niewystarczający: pracownik wie, co chce załatwić, ale niekoniecznie wie, która jednostka organizacyjna odpowiada za dany proces.

Na każdym poziomie stosuj jedno kryterium podziału. Jeśli główne kategorie opisują obszary działalności, nie umieszczaj obok nich równorzędnych kategorii „Instrukcje” i „Najczęstsze pytania” — są to formy treści, a nie obszary tematyczne. Taki układ sprawia, że tę samą informację można równie logicznie przypisać do kilku różnych miejsc.

Nie ma uniwersalnej, optymalnej liczby poziomów. Hierarchia powinna być na tyle płytka, by nie utrudniać nawigacji, i na tyle szczegółowa, by poszczególne kategorie miały wyraźny zakres. Jej sens warto sprawdzić na rzeczywistych pytaniach: czy użytkownik bez zgadywania wskaże miejsce, w którym spodziewa się odpowiedzi?

Taksonomia: spójne nazwy i relacje między pojęciami

Kategorie są elementami taksonomii, czyli uporządkowanego systemu pojęć i relacji między nimi. Taksonomia określa nie tylko nazwy obszarów, lecz także to, które pojęcia są nadrzędne, podrzędne lub równoważne. Przykładowo „koszty podróży służbowej” mogą być pojęciem nadrzędnym wobec kosztów transportu i noclegów.

Dla jednego pojęcia przyjmij jedną preferowaną nazwę, a używane w firmie skróty i synonimy uwzględnij w słowniku terminów. Jeśli „delegacja” i „podróż służbowa” oznaczają w danym kontekście to samo, autorzy powinni znać tę zależność. Nie należy natomiast traktować jako synonimów pojęć tylko podobnych, takich jak reklamacja i zwrot. Spójne nazewnictwo ogranicza niejednoznaczność, choć samo w sobie nie gwarantuje trafnego wyszukiwania przez agenta.

Szablony: stała konstrukcja dla określonego rodzaju treści

Szablon określa wewnętrzny układ dokumentu. Nie musi być jednakowy dla całej bazy: procedura wymaga kolejności działań, opis pojęcia — definicji i granic zastosowania, a materiał diagnostyczny — objawów, możliwych przyczyn i sposobów rozwiązania problemu.

Dla instrukcji zadaniowej można przyjąć następującą konstrukcję:

• Cel i zastosowanie: co użytkownik osiągnie oraz kiedy należy skorzystać z instrukcji.
• Warunki wstępne: co musi być spełnione przed rozpoczęciem.
• Kroki postępowania: czynności przedstawione w kolejności wykonania.
• Wyjątki i ograniczenia: sytuacje, w których standardowa ścieżka nie obowiązuje.
• Oczekiwany rezultat: sposób rozpoznania, że zadanie zostało wykonane poprawnie.

Taki układ pomaga odróżnić warunek od działania, a regułę ogólną od wyjątku. Nie warto jednak utrzymywać pustych rubryk wyłącznie dla zgodności z szablonem — konstrukcja ma wspierać treść, nie ją zastępować.

Standardy formatowania: znaczenie ważniejsze niż wygląd

Używaj rzeczywistych nagłówków w logicznej hierarchii, zamiast imitować je powiększoną lub pogrubioną czcionką. Nagłówki powinny precyzyjnie zapowiadać zawartość: „Warunki zwrotu kosztów noclegu” mówi więcej niż „Dodatkowe informacje”. Kroki zapisuj jako listy numerowane, a wyliczenia bez wymaganej kolejności — jako listy punktowane.

Każdy fragment powinien zawierać kontekst niezbędny do jego interpretacji. Zamiast „W tym przypadku obowiązuje inny limit” nazwij konkretny przypadek. Warunki i wyjątki umieszczaj blisko reguły, której dotyczą. Ułatwia to przygotowanie fragmentów do wyszukiwania bez odrywania zastrzeżeń od właściwej instrukcji.

Tabele stosuj do porównywania danych o powtarzalnej strukturze, z jednoznacznymi nagłówkami kolumn i podanymi jednostkami. Unikaj scalonych komórek oraz przekazywania znaczenia wyłącznie kolorem. Istotne instrukcje widoczne na zrzutach ekranu zapisz również tekstowo. Na kilku reprezentatywnych dokumentach sprawdź, czy po odczycie przez docelowe narzędzie zachowują się nagłówki, kolejność kroków i relacje w tabelach — poprawny wygląd dokumentu nie oznacza jeszcze poprawnego odczytu jego struktury.

Metadane i identyfikowalność treści: jak agent AI rozpoznaje źródła i kontekst

Dokument może zawierać poprawną odpowiedź, a mimo to zostać wykorzystany w niewłaściwym kontekście. Instrukcja dotycząca jednego produktu nie musi pasować do innego, a procedura obowiązująca od przyszłego miesiąca nie powinna być podstawą odpowiedzi na pytanie o dzisiejsze zasady. Metadane pomagają ustalić, czego dotyczy treść, skąd pochodzi i kiedy ma zastosowanie. Identyfikowalność pozwala natomiast przejść od odpowiedzi agenta do konkretnego dokumentu lub jego fragmentu.

W rozwiązaniach, w których agent wyszukuje informacje w firmowej bazie wiedzy, metadane mogą służyć do filtrowania wyników, doprecyzowania kontekstu oraz prezentowania źródeł. Warunek jest istotny: mechanizm wyszukiwania i generowania odpowiedzi musi zostać zaprojektowany tak, aby rzeczywiście je wykorzystywał. Samo dodanie pól do dokumentów nie gwarantuje trafniejszych odpowiedzi. W Cognity omawiamy wykorzystanie metadanych zarówno od strony technicznej, jak i praktycznej — odnosząc je do rzeczywistych zadań, które uczestnicy szkoleń wykonują na firmowych dokumentach.

Jakie metadane warto uwzględnić?

Na początek wystarczy zestaw pól odpowiadający na konkretne potrzeby wyszukiwania i weryfikacji. Każde pole powinno mieć jednoznaczne znaczenie — szczególnie wtedy, gdy podobne informacje pochodzą z kilku systemów.

Tagi i słowa kluczowe pełnią różne funkcje

Tagi służą przede wszystkim do konsekwentnego oznaczania, a słowa kluczowe — do zwiększania odnajdywalności. Dla materiału o rozliczaniu podróży służbowych tagiem może być „delegacje”, a słowami kluczowymi: „dieta”, „zwrot kosztów” czy „podróż służbowa”. Nie warto jednak dopisywać wszystkich luźno związanych haseł. Zbyt szeroki opis może sprawić, że dokument będzie pojawiał się przy pytaniach, na które nie odpowiada.

Słowa kluczowe uzupełniają wyszukiwanie, ale nie zastępują jednoznacznej treści. Ich znaczenie zależy też od zastosowanego mechanizmu: wyszukiwanie semantyczne potrafi rozpoznawać podobieństwo znaczeń, natomiast firmowe skróty i specjalistyczne określenia nadal mogą wymagać jawnego powiązania z właściwym pojęciem.

Od odpowiedzi do konkretnego fragmentu źródła

Jeśli dokumenty są dzielone na fragmenty na potrzeby wyszukiwania, każdy fragment powinien zachować identyfikator dokumentu nadrzędnego oraz lokalizację w źródle, np. numer strony lub nazwę sekcji. Powinien też otrzymać odpowiednie metadane kontekstowe. Dzięki temu system może nie tylko znaleźć pasujący akapit, lecz także wskazać użytkownikowi, skąd pochodzi przytoczona informacja.

Sam tytuł dokumentu zwykle nie wystarcza do weryfikacji. Przydatne odwołanie prowadzi do materiału i, w miarę możliwości, do miejsca potwierdzającego odpowiedź. Powiązania między dokumentami również powinny mieć określony typ: informacja, że formularz jest załącznikiem do procedury, daje więcej kontekstu niż ogólna etykieta „powiązane”.

Daty muszą mieć jednoznaczne znaczenie

Należy rozróżnić datę aktualizacji dokumentu, datę jego wczytania do bazy oraz datę rozpoczęcia obowiązywania opisanych zasad. Materiał dodany do systemu dzisiaj może dotyczyć przepisów sprzed roku. Z kolei najnowsza publikacja może opisywać zmianę, która jeszcze nie weszła w życie.

Daty warto zapisywać w jednolitym formacie, np. RRRR-MM-DD, a brakujące wartości pozostawiać jawnie nieustalone zamiast je zgadywać. Przy pytaniu „Jakie zasady obowiązywały w marcu?” kluczowy jest okres obowiązywania treści, nie moment jej zaimportowania. Takie rozróżnienie pozwala zaprojektować wyszukiwanie uwzględniające czas, zamiast automatycznie uznawać najnowszy plik za właściwe źródło.

5. Wersjonowanie i cykl życia dokumentu

Agent AI może udzielić nieaktualnej odpowiedzi, nawet jeśli korzysta z firmowych dokumentów. Wystarczy, że wyszukiwarka nadal zwraca poprzednią wersję procedury albo materiał wycofany z użycia. Dlatego cykl życia dokumentu musi obejmować zarówno jego publikację, jak i aktualizację treści dostępnej dla agenta. Sama zmiana pliku w repozytorium nie gwarantuje, że system zacznie korzystać z nowych informacji.

Od wersji roboczej do obowiązującej treści

Dokument przeznaczony do bazy wiedzy powinien przechodzić przez jasno rozróżnione stany. Pozwala to oddzielić materiały przygotowywane od tych, na których agent może opierać odpowiedzi. Podstawowy model wygląda następująco:

Nowa wersja może zostać opublikowana przed terminem wejścia w życie. Przykładowo: instrukcja rozliczeń udostępniona pod koniec miesiąca zacznie obowiązywać dopiero od następnego. Agent nie powinien utożsamiać najnowszej publikacji z wersją obowiązującą w dniu, którego dotyczy pytanie.

Wersjonowanie: zachowaj historię, ogranicz niejednoznaczność

Zmiany warto wprowadzać jako kolejne wersje tego samego dokumentu, zamiast tworzyć niezależne pliki z dopiskami „nowy”, „finalny” czy „poprawiony”. Repozytorium powinno pozwalać odtworzyć poprzednią treść i sprawdzić, co zmieniło się między wydaniami. Krótki opis zmiany ułatwia rozróżnienie korekty językowej od modyfikacji zasad postępowania.

W wyszukiwaniu dotyczącym bieżących spraw domyślnie powinna uczestniczyć wersja obowiązująca. Udostępnienie wszystkich wydań bez rozróżnienia ich statusu zwiększa ryzyko, że agent połączy sprzeczne fragmenty w jedną odpowiedź. Jeśli obsługa pytań historycznych jest potrzebna, należy potraktować ją jako odrębny scenariusz, a nie przypadkowy efekt obecności starych plików.

Przeglądy okresowe i aktualizacje po zmianach

Częstotliwość przeglądów powinna zależeć od tempa zmian oraz skutków udzielenia błędnej odpowiedzi. Instrukcja dotycząca często aktualizowanego systemu wymaga innego rytmu kontroli niż stabilny opis pojęć branżowych. Oprócz przeglądów okresowych potrzebne są przeglądy uruchamiane zdarzeniem, takim jak zmiana produktu, procesu lub przepisów.

Przegląd nie musi kończyć się nową wersją treści — może potwierdzić jej aktualność. Z kolei przekroczenie terminu przeglądu nie dowodzi automatycznie, że dokument jest błędny. Trzeba jednak z góry ustalić, czy taki materiał pozostaje dostępny dla agenta, wymaga ostrzeżenia, czy zostaje czasowo wyłączony z odpowiedzi.

Archiwizacja i wycofanie także po stronie systemu AI

Archiwizacja zachowuje historię, a wycofanie oznacza zakończenie stosowania treści. Te działania mogą się łączyć: wycofany dokument można przechowywać w archiwum, ale nie powinien on nadal zasilać bieżących odpowiedzi.

Jeżeli agent korzysta z indeksu wyszukiwania, zmiana statusu dokumentu musi zostać odzwierciedlona również w tym indeksie. Dotyczy to wszystkich fragmentów utworzonych z dokumentu, a w razie potrzeby także zapisanych streszczeń i pamięci podręcznej odpowiedzi. Po aktualizacji warto sprawdzić reprezentatywne pytania: czy system znajduje właściwą wersję i czy nie przywołuje wycofanych zaleceń. Gdy nie ma aktualnego źródła, powinien wskazać brak potwierdzonej informacji, zamiast zastępować ją nieobowiązującą treścią.

6. Właściciele treści i procesy odpowiedzialności

Agent AI może przywołać procedurę i wskazać dokument źródłowy, ale nie rozstrzygnie samodzielnie, czy opisana zasada nadal obowiązuje w firmie. Za wiarygodność wiedzy muszą odpowiadać konkretne osoby. Dlatego każdy obszar tematyczny powinien mieć właściciela merytorycznego, osobę odpowiedzialną za wprowadzanie zmian oraz ustaloną ścieżkę akceptacji. Samo przypisanie dokumentu do działu zwykle nie wystarcza — zgłoszenie błędu musi trafić do kogoś, kto ma kompetencje i mandat do jego rozstrzygnięcia.

Rozdziel odpowiedzialność za treść od obsługi systemu

Właściciel merytoryczny odpowiada za poprawność informacji i ich zgodność z rzeczywistym sposobem działania organizacji. Redaktor lub opiekun treści przygotowuje poprawki i doprowadza zgłoszenie do zamknięcia. Administrator integracji odpowiada natomiast za to, aby zaakceptowana wiedza była dostępna dla agenta. Sprawnie działające połączenie z dokumentami nie jest potwierdzeniem ich poprawności biznesowej.

W małym zespole jedna osoba może łączyć kilka funkcji. Istotne jest nie mnożenie stanowisk, lecz jasne określenie, kto podejmuje decyzję, kto wykonuje pracę i kto przejmuje zadanie podczas nieobecności. Przy treściach o dużym znaczeniu dla działalności warto oddzielić autora zmiany od osoby, która ją zatwierdza.

Ustal prostą macierz RACI

Macierz RACI porządkuje udział poszczególnych ról: R oznacza wykonawcę, A — osobę ostatecznie odpowiedzialną za wynik, C — osobę konsultowaną, a I — informowaną. Dla każdego zadania należy wskazać jedno A, aby uniknąć sytuacji, w której kilka osób czeka na decyzję pozostałych. Poniższy układ jest przykładem do dopasowania do organizacji.

Ekspert dziedzinowy wspiera ocenę treści wymagających specjalistycznej wiedzy, ale konsultacja nie zastępuje decyzji właściciela. Z kolei administrator nie powinien samodzielnie rozstrzygać sprzeczności między instrukcjami biznesowymi.

Określ SLA aktualizacji i zasady eskalacji

SLA aktualizacji powinno określać nie tylko termin poprawienia dokumentu, lecz także czas reakcji na zgłoszenie i czas udostępnienia zaakceptowanej zmiany agentowi. To różne momenty: poprawka może być już zatwierdzona, choć system nadal korzysta z wcześniejszej treści.

Terminy należy uzależnić od skutków błędu. Przykładowo nieprawidłowa instrukcja wpływająca na rozliczenia może wymagać reakcji w ciągu dwóch godzin roboczych, a drobna korekta objaśnienia — w ciągu kilku dni. Są to wartości orientacyjne, nie uniwersalny standard. Ustalenia powinny wskazywać godziny obsługi, moment rozpoczęcia pomiaru oraz osobę, do której trafia sprawa po przekroczeniu terminu. Dla pilnych przypadków trzeba również określić, kto może zdecydować o tymczasowym wstrzymaniu korzystania z zakwestionowanej treści.

Zamknij ścieżkę akceptacji sprawdzeniem odpowiedzi agenta

Typowa ścieżka obejmuje zgłoszenie problemu, przygotowanie poprawki, konsultację — jeśli jest potrzebna — oraz akceptację właściciela merytorycznego. W zgłoszeniu warto umieścić pytanie użytkownika, błędną odpowiedź agenta i wskazane przez niego źródło. Pozwala to odróżnić błąd dokumentu od problemu z wyszukiwaniem lub interpretacją poprawnej informacji.

Po udostępnieniu zmiany wyznaczona osoba powinna sprawdzić odpowiedź na pytanie, które ujawniło problem. Zamknięcie zgłoszenia wymaga potwierdzenia efektu, a nie tylko informacji, że dokument został poprawiony. Jeżeli źródło jest prawidłowe, lecz agent nadal odpowiada błędnie, sprawa powinna trafić do zespołu odpowiedzialnego za rozwiązanie AI, zamiast wracać bez uzasadnienia do redaktora.

7. Zasady dostępu i bezpieczeństwo: uprawnienia, klasyfikacja danych, audyt i zgodność

Połączenie dokumentów z agentem AI zmienia sposób udostępniania firmowej wiedzy. Informacja, którą wcześniej trzeba było odnaleźć w konkretnym pliku, może pojawić się bezpośrednio w odpowiedzi na pytanie. Dlatego agent nie może ujawniać więcej, niż użytkownik ma prawo zobaczyć w systemie źródłowym. Dotyczy to również streszczeń, porównań i wniosków wyprowadzonych z kilku dokumentów.

Uprawnienia muszą działać przed przekazaniem treści do modelu

Podstawą jest uwierzytelnienie użytkownika i sprawdzenie jego uprawnień przy każdym zapytaniu. W modelu opartym na rolach dostęp wynika na przykład z przynależności do działu. Gdy potrzebne są dokładniejsze ograniczenia, można uwzględniać dodatkowe warunki: udział w projekcie, lokalizację czy poziom poufności materiału. W obu podejściach obowiązuje zasada najmniejszych uprawnień — użytkownik i agent otrzymują tylko dostęp niezbędny do wykonania zadania.

Ograniczenia należy egzekwować podczas wyszukiwania, zanim fragmenty dokumentów trafią do modelu. Sama instrukcja „nie ujawniaj danych poufnych” nie jest zabezpieczeniem dostępu. Reguły muszą obejmować także cytaty, załączniki, historię rozmowy i odpowiedzi przechowywane w pamięci podręcznej. Cofnięcie uprawnień powinno blokować ponowne wykorzystanie chronionych treści w kolejnych odpowiedziach.

Klasyfikacja danych określa dozwolony sposób ich wykorzystania

Uprawnienia odpowiadają na pytanie, kto może zobaczyć informację. Klasyfikacja wskazuje natomiast, jak wolno ją przetwarzać. Praktyczny podział może obejmować dane publiczne, wewnętrzne, poufne i ściśle chronione. Każdemu poziomowi trzeba przypisać konkretne ograniczenia dotyczące użycia przez AI, zamiast poprzestawać na etykiecie.

• Dane publiczne mogą wspierać odpowiedzi dostępne na zewnątrz, o ile firma ma prawo je wykorzystywać.
• Dane wewnętrzne powinny pozostawać dostępne wyłącznie dla uwierzytelnionych, uprawnionych odbiorców.
• Dane poufne, takie jak warunki handlowe czy niepubliczne plany biznesowe, wymagają ograniczenia odbiorców i kontroli środowiska przetwarzania.
• Dane ściśle chronione mogą wymagać wyłączenia z ogólnej bazy agenta lub obsługi w wydzielonym rozwiązaniu.

Dane osobowe wymagają dodatkowej oceny niezależnie od przyjętej kategorii poufności. Do modelu należy przekazywać wyłącznie informacje potrzebne do realizacji określonego celu; tam, gdzie to możliwe, warto usuwać zbędne identyfikatory lub maskować ich wartości.

Treść dokumentu nie może sterować zabezpieczeniami agenta

Dokumenty należy traktować jako źródła informacji, a nie instrukcje zmieniające zachowanie systemu. Mogą zawierać próby manipulacji, określane jako prompt injection, na przykład polecenie ujawnienia innych materiałów lub przesłania danych na zewnętrzny adres. Agent nie powinien na tej podstawie rozszerzać uprawnień ani uruchamiać narzędzi. Jeśli może wykonywać działania, a nie tylko odpowiadać, dostęp do każdej funkcji wymaga osobnej autoryzacji; operacje wysokiego ryzyka powinny dodatkowo wymagać zatwierdzenia przez człowieka.

Audyt powinien umożliwiać odtworzenie zdarzenia

Rejestry powinny pozwalać ustalić, kto i kiedy korzystał z agenta, jakie źródła wykorzystano oraz czy wystąpiła odmowa dostępu lub próba niedozwolonej operacji. Nie oznacza to konieczności zapisywania pełnej treści każdej rozmowy. Logi również mogą zawierać dane wrażliwe, dlatego wymagają ograniczenia dostępu, ustalonego okresu przechowywania i ochrony przed nieuprawnioną zmianą. Testy bezpieczeństwa powinny sprawdzać nie tylko poprawność odpowiedzi, ale też próby uzyskania cudzych informacji.

Zgodność obejmuje cały przepływ danych

Przed uruchomieniem rozwiązania trzeba ustalić, gdzie dane są przetwarzane, kto ma do nich dostęp, jak długo są przechowywane i czy dostawca wykorzystuje je do trenowania modeli. Ocena powinna obejmować również usługę wyszukiwania, bazę wektorową, kopie zapasowe i narzędzia monitorujące. Szyfrowanie transmisji oraz danych przechowywanych jest ważnym zabezpieczeniem, ale nie zastępuje kontroli dostępu.

Jeżeli rozwiązanie przetwarza dane osobowe, należy zweryfikować wymagania RODO, w tym podstawę prawną, minimalizację danych, warunki powierzenia przetwarzania i ewentualnych transferów poza EOG. Zależnie od ryzyka może być konieczna ocena skutków dla ochrony danych. Deklaracja dostawcy o zgodności nie zastępuje oceny konkretnego wdrożenia — jego konfiguracji, celu i rzeczywistego zakresu przetwarzanych informacji.

8. Checklista jakości dokumentu pod AI: jednoznaczność, kompletność, aktualność i wyszukiwalność

Dokument zrozumiały dla doświadczonego pracownika nie zawsze jest dobrym źródłem dla agenta AI. Człowiek uzupełnia skróty myślowe znajomością firmy; agent może otrzymać z wyszukiwarki tylko fragment instrukcji, bez otaczającego go kontekstu. Dlatego przed udostępnieniem treści warto sprawdzić nie tylko jej poprawność, lecz także to, czy pozwala udzielić prawidłowej odpowiedzi na konkretne pytanie użytkownika.

Jednoznaczność: czy zapis można zinterpretować tylko w jeden sposób?

Sprawdź, czy dokument jasno określa, kogo dotyczy zasada, w jakiej sytuacji obowiązuje i jakie działanie należy wykonać. Sformułowania takie jak „przekaż do odpowiedniej osoby”, „zrób to niezwłocznie” lub „obowiązują standardowe warunki” pozostawiają luki, których agent nie powinien samodzielnie uzupełniać.

Test kontrolny: przeczytaj pojedynczy akapit bez poprzedzającej go treści. Czy nadal wiadomo, jakiej procedury, usługi lub sytuacji dotyczy? Zwróć uwagę na niewyjaśnione skróty, nieprecyzyjne zaimki oraz terminy używane zamiennie mimo różnego znaczenia. Nie trzeba powtarzać całego kontekstu w każdym zdaniu, ale istotna reguła nie powinna zależeć od domysłu.

Kompletność: czy treść wystarcza do rozwiązania sprawy?

Kompletność nie oznacza maksymalnej długości. Dokument powinien zawierać informacje potrzebne do obsługi określonego przypadku: warunki rozpoczęcia, wymagane dane, sposób postępowania i oczekiwany rezultat. Jeśli istnieją wyjątki zmieniające odpowiedź, muszą być opisane albo jednoznacznie wskazane w powiązanym źródle.

Test kontrolny: wybierz typowe pytanie pracownika i spróbuj odpowiedzieć na nie wyłącznie na podstawie dokumentu. Jeżeli trzeba dopowiedzieć warunek z pamięci, treść ma lukę. Sprawdź również granice zastosowania: agent powinien rozpoznać, kiedy instrukcja nie obejmuje danej sytuacji i nie daje podstaw do rozstrzygnięcia.

Aktualność: czy opis odpowiada obowiązującym zasadom?

Niedawna edycja pliku nie dowodzi aktualności jego treści. Weryfikacji wymagają przede wszystkim informacje wpływające na działanie użytkownika: terminy, limity, warunki, dostępne funkcje i kolejne kroki procedury. Nawet drobna niezgodność może sprawić, że poprawnie odnaleziony fragment doprowadzi do błędnej odpowiedzi.

Test kontrolny: porównaj kluczowe twierdzenia z obowiązującymi ustaleniami lub działaniem opisywanego systemu. Jeżeli dokument zawiera reguły zależne od daty, sprawdź, czy jasno wskazuje okres ich obowiązywania. Nierozstrzygnięta sprzeczność to powód, by nie traktować treści jako pewnej podstawy odpowiedzi.

Wyszukiwalność: czy agent odnajduje właściwy fragment?

Testuj dokument w docelowym mechanizmie wyszukiwania, używając pytań podobnych do tych, które rzeczywiście zadają użytkownicy. Samo wpisanie dokładnego tytułu nie wystarczy. Przygotuj niewielki zestaw prób obejmujący:

• pytanie bezpośrednie o zasadę opisaną w dokumencie;
• to samo pytanie sformułowane potocznie, bez firmowej terminologii;
• pytanie o wyjątek lub warunek ograniczający zastosowanie reguły;
• pytanie, na które dokument nie zawiera odpowiedzi.

Oddziel ocenę wyszukiwania od oceny odpowiedzi. Najpierw sprawdź, czy system zwrócił właściwy fragment wraz z potrzebnymi zastrzeżeniami. Następnie oceń, czy agent poprawnie go wykorzystał, nie pominął wyjątku i nie dopisał nieudokumentowanych informacji. Brak trafnego wyniku może wynikać zarówno z jakości dokumentu, jak i z konfiguracji wyszukiwania.

W Cognity łączymy teorię z praktyką – dlatego zagadnienia jakości dokumentów i ich wykorzystania przez agentów AI rozwijamy także w formie ćwiczeń na szkoleniach.

Dokument jest gotowy do wykorzystania, gdy dla sprawdzanych przypadków dostarcza jednoznacznych, wystarczających i aktualnych podstaw odpowiedzi. Równie ważny jest wynik negatywny: gdy źródło nie rozstrzyga sprawy, agent powinien wskazać brak informacji zamiast zgadywać.

Jak wdrożyć Six Sigma w firmie produkcyjnej? 28 października 2026

Six Sigma Green Belt i Black Belt – czym się różnią? 26 października 2026