Pułapka czyszczenia: RAG nie naprawi złych danych

Przez ostatnie dwa lata obserwujemy w polskich firmach podobny schemat. Budżet na AI zatwierdzony, zespół zmotywowany, pilot ruszył. A potem projekt grzęźnie. Albo nigdy nie trafia na produkcję. Kiedy pytamy dlaczego, zazwyczaj słyszymy: "model dawał złe odpowiedzi", "kontekst był zbyt ograniczony", "latencja za duża". Ale gdy zaglądamy głębiej, prawie zawsze znajdujemy to samo, czyli chaos w danych.

RAG, architektura wzbogacająca odpowiedzi modelu o treści pobrane z firmowych zasobów, robi dokładnie to, co sugeruje nazwa: pobiera i generuje. Pobiera to, co jest. Jeśli więc w bazie wiedzy masz trzy wersje tej samej procedury, stare cenniki, dokumenty bez daty i rekordy CRM z pięcioma różnymi formatami nazwy tej samej firmy, model nie poprawi tych danych. On ich użyje. I odpowie z pełną pewnością siebie.

To właśnie jest pułapka czyszczenia. Przekonanie, że wystarczy podłączyć LLM do istniejących zasobów i jakoś "zrobi się porządek". Tak nie działa. Warstwa pobierania to most, nie filtr. Przenosi stan danych taki, jaki jest, prosto do kontekstu modelu.

Co to oznacza dla polskich firm (sprzedaż, obsługa klienta, księgowość, HR, marketing, operacje)

Kiedy rozmawiamy z działami, które chcą wdrożyć asystenta AI, pierwsze pytanie powinno brzmieć: w jakim stanie są wasze dane źródłowe? Nie: jaki model wybrać. To jest właściwa kolejność.

Sprzedaż i CRM. Handlowcy wprowadzają dane po swojemu. Jeden pisze "PKN Orlen", drugi "Orlen S.A.", trzeci zostawia pole puste. Chatbot oparty na RAG nie połączy tych rekordów. Zapyta o historię klienta i dostanie fragment obrazu albo nie dostanie niczego. Odpowiedź brzmi pewnie, ale bywa błędna.

Obsługa klienta i baza wiedzy. Procedury z 2021 roku, aktualizacja z 2023, notatka z Teamsów z ubiegłego miesiąca, i wszystko jako równorzędne dokumenty w repozytorium. System nie wie, co jest aktualne. Indeksuje wszystko i model wybiera coś, po czym przedstawia jako fakt.

HR i dokumentacja pracownicza. Regulaminy, aneksy, polityki urlopowe, wersje lokalne i centralne. Bez jednoznacznej hierarchii i jednego źródła prawdy asystent HR generuje odpowiedzi, które następnego dnia zaprzeczają słowom samego HR-owca.

Księgowość i finanse. Tu błędy są najkosztowniejsze. Dane z różnych systemów ERP, bez wspólnego klucza i bez uzgodnień, prowadzą do odpowiedzi brzmiących profesjonalnie, ale niezgodnych z rzeczywistością. W finansach to scenariusz gorszy niż brak AI w ogóle.

Marketing i operacje mają nieco więcej tolerancji na niedoskonałości, ale i tu nieustrukturyzowane raporty czy niespójna taksonomia produktów szybko dają o sobie znać.

Dobra wiadomość jest taka, że fundament danych nie musi być idealny przed wdrożeniem AI. Musi być jednak zrozumiały i zarządzany. Trzeba wiedzieć, co jest źródłem prawdy, co jest archiwum, a co śmieciem. Zanim zaczniesz budować RAG, zacznij od tej mapy.

Jeśli nie jesteś pewny, w jakim stanie są wasze dane i czy projekt AI ma szansę powodzenia, zapraszamy na bezpłatny audyt. Popatrzymy razem na fundament, zanim zaczniesz budować dom.