Сверхпродуктивность с искусственым интеллектом: От первого промпта до собственной системы агентов

В чём состоит: RAG-система дала ответ с указанием источника. Специалист принял ответ, не открыв документ. В 10–15% случаев (по опыту практиков) ссылка либо неточная, либо фрагмент вырван из контекста, меняющего смысл.

✓ Как правильно: для решений с последствиями (юридическими, финансовыми, операционными) всегда открывать исходный документ и читать указанный раздел. RAG — инструмент быстрого нахождения, не замена верификации.

4. Один промпт для всех задач с документами

В чём состоит: один шаблон «кратко изложи суть» применяется и для суммаризации, и для извлечения, и для критического анализа. Разные задачи дают одинаково средний результат.

✓ Как правильно: три заготовленных промпта покрывают 80% работы с документами. Суммаризация: «изложи для [аудитория] в формате [формат]». Извлечение: «перечисли только [конкретные элементы]». Критический анализ: «найди проблемы типа [конкретные типы]».

5. Игнорирование проблемы «потери середины»

В чём состоит: при работе с длинными документами у многих моделей снижается качество обработки содержимого из середины текста — начало и конец воспроизводятся лучше. Если ключевая информация находится в середине, модель может её пропустить или обработать менее точно.

✓ Как правильно: для критически важной информации из середины длинного документа — вырезать соответствующий раздел и обрабатывать отдельным запросом. Или явно указать в промпте: «Особое внимание разделу [название/номер] — убедись, что он обработан полностью».

Кейс 2026: Юридическая фирма — ИИ-ассистент по 5 000 документам клиентской базы

Контекст: московская юридическая фирма среднего размера (18 юристов) специализируется на корпоративном праве и M&A. За 12 лет работы накоплено около 5 000 документов: договоры, корпоративные документы клиентов, заключения, переписка с контрагентами. Документы хранятся в структурированных папках на корпоративном файловом сервере, но поиск — только через Windows Search.

Проблема: при работе над новым проектом юрист тратил от 40 минут до 2,5 часов на поиск релевантных прецедентов и аналогичных конструкций в прошлых документах. «Я помню, что мы решали похожую ситуацию с залогом года три назад, но не помню, для кого» — типичная ситуация. Знание было в базе, но добраться до него было слишком дорого.

Решение: фирма развернула RAG-систему на базе корпоративного сервера без передачи данных в облако — требование клиентских NDA. Стек: локальная языковая модель среднего размера, векторная база на базе открытого решения, веб-интерфейс для юристов. Индексация всех 5 000 документов заняла около 14 часов машинного времени. Разбиение на чанки: для договоров — по разделу (200–600 слов), для заключений — по тезису.

Использование: юрист через веб-интерфейс задаёт вопрос на естественном языке — «Как мы формулировали условие о конкурентных ограничениях в M&A-сделках для продавцов из технологического сектора?» Система возвращает 4–6 релевантных фрагментов с указанием документа, клиента (анонимизированного) и раздела. Юрист читает фрагменты и открывает полный документ при необходимости.

Результаты через 6 месяцев. Среднее время поиска прецедентов сократилось с 1 ч 20 мин до 18 мин (по внутренней оценке партнёров на выборке из 30 задач). Специалисты начали находить релевантные прецеденты, о существовании которых не знали — система «помнит» больше, чем помнят юристы. Несколько раз система нашла противоречие между условиями двух действующих договоров одного клиента, что при ручном поиске вряд ли было бы обнаружено.

Ограничения, которые фирма зафиксировала честно: качество поиска заметно хуже для документов, оформленных нестандартно или содержащих много сканированных страниц плохого качества. Система не умеет самостоятельно отслеживать изменения законодательства. Часть юристов принимает результаты поиска без проверки исходного документа — с этим приходится бороться организационно.

Вывод: 30% экономии времени на поиск — консервативная оценка. При 18 юристах это значимая цифра. Более важный эффект: снижение потерь знания при ротации команды. Когда юрист уходит из фирмы, его знание о прошлых сделках остаётся в системе.

Контрольные вопросы

1. Ваша организация хочет создать ИИ-ассистента по внутренней базе нормативных документов. Среди документов есть положения о зарплате и кадровые приказы. Опишите, как вы будете выбирать инструмент и какие требования к безопасности данных предъявите, учитывая российское законодательство. Обоснуйте каждое решение.

2. Вам нужно сравнить пятнадцать однотипных договоров поставки по восьми параметрам. Опишите пошаговый процесс — от получения документов до итоговой таблицы — включая промпты, которые вы используете на каждом шаге. Учтите, что некоторые договоры могут быть длиннее контекстного окна модели.

3. Специалист сообщает, что RAG-система их отдела «иногда даёт устаревшие ответы». Перечислите не менее трёх возможных причин этой проблемы и объясните, как диагностировать каждую. Для каждой причины — конкретное организационное или техническое решение.

4. Вам поручили написать критику 40-страничного проекта регламента с позиции его исполнимости. Составьте промпт для этой задачи: он должен задавать конкретные критерии анализа, формат вывода и инструкцию по поведению модели при неоднозначных ситуациях. Объясните, почему вы включили каждый элемент.

5. Сравните два подхода к работе с базой документов: (А) специалист каждый раз копирует нужный документ в чат и задаёт вопрос; (Б) настроена RAG-система с индексом базы. Для каждого назовите две задачи, где он работает лучше, и объясните почему. Когда разница в качестве принципиальна, а когда несущественна?

Глава 7. ИИ и работа с информацией и данными

Часть III. Знания и данные

Учебные результаты: провести анализ данных без программирования - от сырой таблицы до аналитических выво