Belső tudásbázis RAG-gal: így építsünk rendszert 2026-ban

A magyar kis- és középvállalatoknál a belső tudás jelentős része elveszik a munkatársak távozásával, a megmaradó tudás pedig jellemzően elérhetetlen a hagyományos keresés számára. A belső tudásbázis négy egymásra épülő szintje különíthető el. Az első szint az egyszerű wiki, ahol a szöveges dokumentumok kézi szerkesztéssel, kategóriák és címkék mentén szerveződnek. A második szint a belső dokumentumokra épülő RAG-chatbot, amely a meglévő fájlokból, levelezésből és jegyzetbázisból ad kontextusfüggő választ. A harmadik szint a több forrást összefogó RAG, amely egyszerre dolgoz fel belső és külső, strukturált és strukturálatlan anyagokat. A negyedik szint az autonóm tudásügynök, amely nemcsak válaszol, hanem több lépésben tervez, hivatkozik és visszajelzést kérdez vissza a felhasználótól. A szintek között nemcsak a technológia, hanem a szervezeti érettség is különbözik.

Az érzékeny személyes adatokat tartalmazó vállalati dokumentumok feldolgozásakor kiemelt figyelmet kell fordítani a személyes adatok feldolgozásának helyére és módjára. A felhőben futó nagy nyelvi modellek és beágyazó szolgáltatások esetén az adatok elhagyják a vállalat hálózatát, ami a személyes adatok védelme szempontjából kockázatos lehet. Ezért az ilyen anyagok feldolgozásához lokális beágyazó modell használata javasolt, amely a vállalat saját infrastruktúráján belül marad. A lokális embedding használata nemcsak a személyes adatok védelmét erősíti, hanem a vállalati tudás szuverenitását is megőrzi. Az adatvédelmi szempontok a (EU) 2016/679 rendelet (GDPR) keretében értelmezendők, és a személyes adatok feldolgozásának helye és módja tekintetében különösen fontosak.

A belső tudásbázis és a RAG-rendszer tervezésénél a személyes adatok feldolgozásának helye és módja az (EU) 2016/679 rendelet (GDPR) egyik központi kérdése. Aki felhőszolgáltatást vesz igénybe beágyazásra vagy lekérésre, annak számolnia kell azzal, hogy az adatok harmadik fél infrastruktúráján is áthaladnak. Aki lokális beágyazó modellt használ, az a saját szerverein tartja az adatokat, és csökkenti a továbbítási kockázatot. A (EU) 2016/679 rendelet (GDPR) a személyes adatok feldolgozásának helye és módja kapcsán egyértelműen fogalmaz. A vállalatoknak érdemes dokumentálniuk, melyik modell melyik adaton fut, és rendszeresen felülvizsgálniuk a beállításokat.

A belső tudásbázis négy szintje nem egymást kizáró lehetőség, hanem egymásra épülő lépcső. Egy érett szervezet a wikit használja a szabályzatoknak, a RAG-chatbotot a gyors kérdés-feleletnek, a több forrást összefogó RAG-et az elemző munkának, az autonóm tudásügynököt pedig az ismétlődő, több lépésből álló feladatoknak. A személyes adatokat tartalmazó anyagoknál a lokális beágyazó modell nemcsak technikai, hanem szervezeti döntés is. Aki a négy szintet tudatosan tervezi, az nemcsak a tudását őrzi meg, hanem a munkatársak idejét is felszabadítja a valódi értékteremtésre.

A tudásmegőrzés gyakorlati kiindulópontja a wiki: közös szerkeszthetőség, kereshetőség, alacsony technikai igény. Előnye, hogy a munkatársak maguk viszik be a tudást, hátránya, hogy a frissítés fegyelmet kíván, és a strukturálatlan szövegekben a válaszkeresés pontatlan. A RAG-chatbot a belső dokumentumokra épít: a meglévő fájlokat vektorosítja, és kérdésre a legrelevánsabb részletet adja vissza természetes nyelvű válaszban. A több forrást összefogó RAG ezt terjeszti ki e-mailekre, jegyzetelésekre és CRM-adatokra is, így a válasz több rendszerből származik. Az önálló tudásügynök a RAG fölé kerül: tervez, eszközöket hív, több lépésben old meg feladatokat.

Az érzékeny személyes adatokat a (EU) 2016/679 rendelet (GDPR) értelmében a feldolgozás helyének és módjának megfelelően kell kezelni: a személyes adatokat tartalmazó dokumentumok beágyazása ezért lokális embedding modellel végzendő. Ez a megoldás biztosítja, hogy az adatok ne kerüljenek külső szolgáltatóhoz, és a vektorindex is a vállalat infrastruktúráján belül maradjon.

A belső tudásbázis értéke nem a technológiában, hanem a tudásmegőrzésben rejlik: a távozó munkatársak által hordozott tapasztalat a rendszerben marad, és az új kollégák gyorsabban tanulnak. A négy szint egymásra épül, de nem kell egyszerre bevezetni mindet. A wiki az alap, a RAG-chatbot az első ugrás a kereshetőségben, a több forrást összefogó RAG a lefedettséget növeli, az önálló tudásügynök pedig a bonyolult, több lépéses feladatokat is képes kiszolgálni.

A belső tudásbázis kiépítése a magyar KKV-szektorban hosszú távú befektetés, amely megőrzi a munkatársak tudását és csökkenti az információ-veszteséget

Egy belső tudásbázis kiépítése négy egymásra épülő szinten gondolkodva érdemes: wiki, RAG-chatbot a belső dokumentumokra, több forrást összefogó RAG, végül autonóm tudásügynök. Az első lépés a vállalatnál meglévő tudás feltérképezése és a célok rögzítése, hiszen a RAG-rendszer csak jól strukturált forrásból tud jól válaszolni.

Hogyan válasszunk a négy tudásbázis-szint közé? A magyar kis- és középvállalatoknál a belső tudás nagy része elveszik a munkatársak távozásával, és a maradék jelentős hányada elérhetetlen a keresés számára. A wikivel érdemes kezdeni, mert ez a legkisebb ráfordítással járó alap. A belső dokumentumokra épülő, visszakeresés-alapú generáló rendszer a következő lépcső, amely már a természetes nyelvű kérdésekre is válaszol. A több forrást összefogó változat a vállalatirányítási, ügyfél- és projekt-dokumentumokat egy rendszerben kezeli. A negyedik szint az autonóm tudásügynök, amely önállóan keres, összegez és javaslatot tesz. Az érzékeny személyes adatokat adatvédelmi okból lokális beágyazó modellel kell feldolgozni, mert az (EU) 2016/679 rendelet (GDPR) a személyes adatok feldolgozásának helyét és módját szigorúan szabályozza.

A harmadik lépés a lekérési és válaszadási réteg összeállítása. A RAG-chatbot a felhasználó kérdéséhez hasonló szövegrészleteket keres a vektorindexben, és ezekből az idézetekből generál választ. A több forrást összefogó RAG egyetlen lekérésben ötvözi a wikit, a belső szabályzatokat és a projekt-dokumentumokat, így átfogóbb választ ad.

A negyedik lépés a tudásügynök kialakítása, amely a RAG fölé szerveződve több lépésben képes feladatot végrehajtani: kérdést elemez, több lekérést futtat, és szükség esetén emberi jóváhagyást kér. A rendszer minőségét folyamatosan mérni kell: pontozni kell a válasz pontosságát és a forráshivatkozás hasznosságát.

Az élesítés időzítése stratégiai jelentőségű. A bevezetést érdemes egy szűk, belső csoporttal indítani, ahol a munkatársak valós kérdéseken tesztelik a rendszert, és ahol a hibás válaszok gyorsan javíthatók. A fokozatos bevezetés segít abban, hogy a szervezet bizalma a tudásbázis iránt organikus módon épüljön fel.

A legjobb tanulságot a konkrét példák adják, ezért érdemes megvizsgálni egy magyar középvállalat útját. A cég induláskor csak megosztott dokumentum-mappákat használt, ahol a keresés gyakorlatilag lehetetlen volt. Az első lépés egy egyszerű belső wiki bevezetése volt, kézzel írt szabályzatokkal és folyamatleírásokkal. A második lépcsőben egy RAG-chatbot kapcsolódott a wikihez, és a dolgozók természetes nyelven kérdezhettek a belső szabályokról. A harmadik szakaszban a rendszer a wiki mellett a levelezést, a jegyzőkönyveket és a szerződéseket is indexelte, így egységes válaszokat adott. A negyedik szinten egy autonóm tudásügynök automatikusan frissítette a lejárt dokumentumokat és jelezte az ellentmondásokat. Az eredmény: a munkatársak távozásakor a tudás megmaradt, és az új belépők hetek helyett napok alatt tájékozódtak.

A részletes technikai leírás hangsúlyosan tartalmazta a személyes adatok kezelésének módját, mivel a belső dokumentumok gyakran tartalmaznak ügyfél- és munkatárs-adatokat. A rendszer ezért lokális beágyazó modellt használ, amely a szövegeket a vállalat saját szerverein dolgozza fel, így az adatok nem hagyják el a szervezést. A felhőalapú nyelvi modell csak olyan lekérdezéseket kap, amelyekből előzetesen eltávolították a személyes azonosítókat. A megoldás megfelel az (EU) 2016/679 rendeletben foglalt adatkezelési és adatminimalizálási elveknek, különös tekintettel a feldolgozás helyére és módjára. A dokumentáció a különböző hozzáférési szinteket is rögzítette, hogy a bizalmas anyagok csak az arra jogosult munkatársak számára legyenek elérhetők a RAG-válaszokban.

Egy másik példa egy vidéki székhelyű szolgáltató vállalkozás, amely három telephelyen több mint száz dolgozót foglalkoztat, és ahol a tudásmegosztás korábban teljesen informális csatornákon zajlott. A cég egyedül, saját erőből építette ki a négylépcsős rendszert, külső tanácsadó nélkül. Az első félévben a wiki és az egyszerű RAG-chatbot készült el, a második félévben a több forrást összefogó RAG, végül a tudásügynök prototípusa. A lokális beágyazó modell használata itt is kulcskérdés volt, mert az ügyfél-dokumentumok érzékeny adatokat tartalmaztak. A vezetők számára a legnagyobb tanulság az volt, hogy a technológia bevezetése mellett legalább ennyire fontos a belső tartalomkészítési fegyelem és a rendszeres frissítés.

Az esettanulmányok tanulsága a magyar kis- és középvállalatok döntéshozói számára egyértelmű: a belső tudásbázis nem informatikai projekt, hanem üzleti stratégia. A wikivel kezdve, a RAG-chatbottal folytatva, a több forrást összefogó RAG-gal bővítve, végül az autonóm tudásügynökkel zárva négy jól elkülöníthető érettségi szint létezik. Minden szint önállóan is értéket teremt, de a valódi megtérülés a teljes rendszer együttes használatában rejlik. A személyes adatok védelme érdekében a lokális beágyazó modell alkalmazása az (EU) 2016/679 rendeletnek megfelelő, biztonságos megoldást kínál. A javasolt ütemezés szerint a teljes négylépcsős rendszer tizenkét hónap alatt megvalósítható.

A magyar kis- és középvállalatoknál a belső tudás jelentős része elveszik a munkatársak távozásával, a megmaradó tudás pedig gyakran elérhetetlen a hagyományos keresés számára. A RAG-alapú rendszerek ezt a problémát célozzák azzal, hogy a válaszadás előtt valós időben hívják le a releváns belső dokumentumokat.

A belső tudásbázis négy egymásra épülő szintje a wiki, a belső dokumentumokra épülő RAG-chatbot, a több forrást összefogó RAG, végül az autonóm tudásügynök. Minden szint növeli a lekérdezés pontosságát, és egyben a bevezetés technikai és szervezeti terhét is.

A személyes adatokat tartalmazó belső anyagok feldolgozásakor az (EU) 2016/679 rendelet (GDPR) szabályai irányadók, ezért az érzékeny szövegek feldolgozása lokális beágyazó modellel indokolt. A felhőszolgáltatások használata ilyenkor adatvédelmi kockázatot jelenthet.

A RAG-alapú tudásbázis bevezetése nem csupán informatikai, hanem tudás-menedzselési feladat is: a dokumentumok feltérképezése, a jogosultságok tisztázása és a tartalom folyamatos frissítése nélkül a rendszer gyorsan elveszíti a pontosságát. A magyar KKV-k számára az önöző szervezeti kultúra kialakítása jelenti a legnagyobb kihívást.