Как научить сотрудников «правильно спрашивать»: культура работы с и ИИ-поиском

Цель внедрения ИИ в базе знаний понятна: сотрудники быстро находят нужную информацию, тратят меньше времени на решение рабочих задач и консультации клиентов, а компания получает более эффективный инструмент для работы со знаниями.

И так как опыт работы с ИИ сейчас есть практически у всех, кажется, что достаточно просто включить эту функцию в базе знаний, а сотрудники легко разберутся с новым инструментом. Ведь достаточно задать вопрос и получишь релевантный ответ: помощник же «умный».

Однако на практике внедрение искусственного интеллекта вызывает сопротивление, потому что ИИ выдает нерелевантные или слишком широкие ответ в ответ на запрос и совсем не помогает экономить время. Случается это чаще всего потому, что с новым инструментом продолжают работать по-старому: вводят два-три ключевых слова и получают неудовлетворительный результат.

Разбираем, как помочь сотрудникам правильно взаимодействовать с генеративным ИИ и получать от него действительно полезные ответы.

Классический поиск в первую очередь сопоставляет запрос с содержанием документов. Пользователь вводит ключевые слова, а система ищет их в заголовках, тексте, на картинках и в других файлах. Например, на запрос «отпуск» система вернет десятки документов: порядок оформления, график отпусков, правила для новых сотрудников, компенсации, перенос дней и так далее. Документы предоставлены — задача выполнена. Все дальнейшие действия с информацией остаются на пользователе.

Семантический поиск, который использует ИИ, устроен иначе. Он ориентируется не только на совпадение слов, но и на смысл запроса, контекст, намерение пользователя и связи между понятиями. Иными словами, ИИ пытается понять, что именно хочет получить человек. И если сотрудник напишет: «Как оформить отпуск на неделю, если я работаю в компании менее 6 месяцев», то система сумеет сопоставить вопрос не только с самим словом отпуск, но и с заданными условиями.

Если же продолжить отправлять ИИ запросы, построенные по логике классического поиска, то искусственный интеллект не принесет пользы.

Чтобы сотрудники не разочаровались в генеративном ИИ, нужно научить их новому подходу к формулировке запросов. Важно опираться на специфику семантического поиска и роль ИИ — он помогает решить конкретную задачу, а значит, эта задача должна содержаться в самом запросе. Для успешного результата достаточно описать проблему простым языком.

Например, короткий запрос:

«Скрипты отработки возражений»

Или

«Найди скрипты с отработкой клиентских возражений для клиента — представителя крупного бизнеса. Задача — изучить возражения по стоимости продукта и целесообразности внедрения. В ответе приведи эти возражения и дай ссылки на документы, из которых ты их взял».

В первом случае ИИ будет непонятно, с какой целью нужны скрипты и что ему делать с найденной информацией. Во втором он будет знать, что за задача у человека, получит более понятное представление о том, как отфильтровать полученную информацию, проанализировать ее и как ее подать.

Вместо пары ключевых слов нужно раскрыть контекст: с какой сложностью столкнулся пользователь, на каком этапе работы это произошло, что ему нужно сделать.

Пример: «Я готовлю квартальный отчет по расходам для отдела маркетинга. Хочу узнать, включать ли в расходы на организацию участия в профильных мероприятиях, затраты на командировки: проживание, проезд, командировочные».

Погружение в контекст поможет ИИ сузить область поиска, выбрать материалы, которые относятся к описанной ситуации, и дать более четкий ответ.

Пользователю может быть нужен не просто документ, или простой ответ, а определенный результат: пошаговая инструкция, краткое объяснение, список документов или сравнение вариантов.

Пример:

• «Составь пошаговую инструкцию».
• «Дай краткий ответ для клиента».
• «Сравни два сценария в таблице».
• «Подготовь список документов, которые понадобятся».

если ответ зависит от типа клиента, продукта, срока предоставления услуг или использования продуктов, тарифных планов.

Пример:

«Клиент хочет перейти с тарифного плана Medium на тарифный план Basic. Он оплатил годовую подписку и начал ею пользоваться 1 июля 2026 года. Можно ли оформить переход с одного тарифного плана на другой, более дешевый. Будет ли клиенту возвращена разница в цене и если да, то сколько именно?».

Первый вопрос, особенно если задача сложная, не всегда закрывает запрос пользователя. Это нормально — ИИ можно задавать дополнительные вопросы, корректировать ответ и общаться в режиме диалога, чтобы добиться лучших результатов.

Например, помощника можно попросить раскрыть один из пунктов списка, привести примеры, дать формулу для расчета, подготовить текст заявления и так далее.

Частично снять нагрузку с пользователей при формировании запросов к искусственному интеллекту помогает база знаний.

В системе должна быть предусмотрена возможность настроить базовый промпт. В нем будет указан ToV, сам характер помощника, другие аспекты его работы.

Поведение ИИ-помощника можно заранее настроить для отдельных разделов базы знаний. Это снижает требования к формулировке запросов: пользователю не нужно каждый раз уточнять, какие именно данные он хочет получить.

Например, для раздела «Кредитные карты» можно задать отдельный промпт. Он будет указывать ИИ, что при ответе на вопросы о продукте нужно в первую очередь показывать кредитный лимит, продолжительность беспроцентного периода и проценты за операции. Так сотрудники будут получать нужные параметры сразу, без дополнительных уточнений в запросе к ИИ.

Важен учет ролевой политики. ИИ должен знать, с кем имеет дело: это консультант отдела продаж, финансовый менеджер или линейный сотрудник на производстве. У всех разные роли, потребности, решаемые задачи. Эта специфика отражается на подборе документов для ответа пользователю. К тому же учет ролевой политики критичен для соблюдения требований информационной безопасности.

Еще один важный момент — задавать вопрос из нужного раздела базы знаний. Один и тот же запрос можно сформулировать на главной странице системы или внутри тематического раздела, куда пользователь уже перешел. Во втором случае ИИ будет опираться на более узкий и релевантный набор материалов, поэтому ответ с большей вероятностью окажется точным.

Именно поэтому важно, чтобы база знаний позволяла структурировать контент и фильтровать область поиска. Один из удобных вариантов — выделять отдельные витрины, то есть тематические разделы знаний для конкретных задач, продуктов или подразделений.

Дополнительно сузить область поиска для ИИ можно и без участия самого сотрудника — если база знаний глубоко интегрирована с другими корпоративными системами, а запрос задается прямо из их интерфейса.

Обучение сотрудников работе с ИИ не должно превращаться в отдельный масштабный проект. Будет достаточно простых форматов.

Мини-гайд: В базе знаний можно разместить страницу с краткими правилами по тому, как формировать запрос, какие еще моменты помогут повысить точность и релевантность ответа ИИ. Такой материал должен быть доступен из интерфейса поиска в формате контекстной подсказки.

Практические примеры: Лучше всего сотрудники учатся на задачах, которые им знакомы. Покажите несколько пар «плохой запрос — хороший запрос» для конкретного подразделения.

Например:

• «Тарифы» — «Какие тарифы доступны для юридического лица с расчетным счетом? Сравни варианты в таблице».
• «Ошибка оплаты» — «Клиент не может провести оплату картой в интернет-магазине. Какие причины нужно проверить оператору первой линии?».
• «Отпуск» — «Какие действия должен выполнить новый сотрудник, чтобы оформить отпуск после испытательного срока?».

Короткие тренировки. Такой формат подойдет подразделениям, которые регулярно работают с ИИ и могут быстро почувствовать эффект от его использования: клиентским службам, технической поддержке, продажам.

Для обучения достаточно взять несколько частых рабочих запросов и переформулировать их по новым правилам. Затем можно сравнить результаты классического поиска и ИИ-помощника. Такой практический формат позволяет сразу скорректировать формулировки, разобрать спорные случаи и ответить на вопросы сотрудников.

Оценить, насколько хорошо сотрудники адаптировались к новому инструменту, помогут следующие действия.

Если запросы к ИИ растут в динамике, метод работает и приносит результаты. Уточнить качество работы генеративного ИИ на поиске помогут дополнительные метрики:

• количество уточняющих вопросов после первого ответа;
• доля запросов без релевантного результата;
• оценки полезности ответов;
• количество переходов к исходным документам;
• время поиска нужной информации.

2. Регулярный сбор обратной связи

Делать это можно с помощью привычных вопросов «Был ли ответ полезен». Далее можно расширить фидбэк, запуская более конкретные вопросы на аудиторию пользователей, которая активно пользуется ИИ.

Пример:

• Насколько вам понятно, какую информацию стоит добавить в запрос, чтобы получить более точный ответ?
• Как часто вам приходится уточнять первичный запрос к ИИ и почему?
• Можете ли вы отметить, что качество ответа ИИ повышается, когда вы уточняете контекст и условия задачи?

3. Анализ вопросов без ответа

Эта информация покажет, где в базе знаний не хватает контента, какие документы противоречат друг другу или какие термины пользователи используют иначе, чем авторы материалов.

Культура работы с ИИ не появится сама, просто потому что вы подключили эту функцию в своей базе знаний. Сотрудникам нужно объяснить, что семантический поиск меняет способ постановки задачи, рассказать, в каких случаях лучше прибегать к нему, а не в классическому поисковому механизму. Главное — изменить саму привычку: работать не просто с ключевыми словами, а формулировать рабочие задачи — с контекстом, условиями, ожидаемым результатом.

Важный аспект, о котором следует помнить: функциональная поддержка ИИ-поиска со стороны базы знаний, которая включает в себя преднастроенный базовый промпт, возможность максимально сузить корпус информации как в ручном, так и в автоматическом режиме, учет политик доступа.

В результате семантический поиск станет не отдельной «умной функцией», а естественным способом взаимодействия с корпоративными знаниями.