Почему ChatGPT без контекста не работает

Многие компании уже используют ChatGPT в работе. Сотрудники пишут письма, готовят тексты, анализируют документы, придумывают идеи и получают ответы на рабочие вопросы. На этом этапе часто возникает ощущение, что AI уже стал полноценным помощником бизнеса.

Но есть одна проблема: модель может быть очень умной и при этом практически ничего не знать о конкретной компании.

Она не знает внутренних правил, не видит историю работы с клиентом, не понимает особенности продукта и не имеет доступа к корпоративным документам, если всё это не было ей передано. В результате сотрудник получает хороший универсальный инструмент, но не полноценного участника рабочего процесса.

Это примерно как взять способного стажёра и посадить его за компьютер без доступа к CRM, внутренним инструкциям и рабочим файлам.

ChatGPT хорошо работает с огромным объёмом общедоступной информации. Он умеет объяснять сложные темы, структурировать данные, редактировать тексты и выполнять множество интеллектуальных задач.

Но бизнес работает не на общих знаниях.

У каждой компании свои продукты, цены, правила согласования, стандарты общения с клиентами, внутренние документы и критерии принятия решений. Именно этот контекст часто определяет, каким должен быть правильный результат.

Если его нет, AI вынужден либо работать с неполной информацией, либо просить сотрудника каждый раз добавлять нужные данные вручную.

Допустим, сотрудник просит AI подготовить ответ клиенту. Модель может написать грамотное письмо, подобрать правильный тон и предложить несколько вариантов формулировок.

Но знает ли она, какие условия компания действительно может предложить этому клиенту? Видит ли предыдущую переписку? Знает ли ограничения по возвратам, скидкам или срокам? Понимает ли, какие обещания менеджеру нельзя давать?

Если нет, красивый ответ ещё не означает правильный.

В корпоративной работе качество определяется не только языком. Не менее важна соответствующая конкретной ситуации информация.

Разница между обычным чат-ботом и AI, встроенным в бизнес-процесс, часто начинается именно с контекста.

Модели можно предоставить внутренние документы, базу знаний, информацию о продуктах, правила компании, историю взаимодействия с клиентом и другие данные, необходимые для конкретной задачи.

Тогда сотруднику уже не приходится каждый раз объяснять системе, чем занимается компания и какие правила действуют.

AI получает информацию непосредственно из рабочего контекста и может использовать её при выполнении задачи.

Есть важный нюанс.

Если сотрудник каждый раз вручную копирует в чат десять страниц внутренней информации, проблема решена только частично. Часть работы всё равно остаётся на человеке.

Гораздо полезнее, когда нужные данные подаются в workflow автоматически. Например, при обработке заявки AI получает информацию из CRM, историю общения, характеристики клиента и соответствующие внутренние правила.

Тогда сотрудник работает уже с готовым результатом, а не собирает контекст перед каждым запросом.

Универсального набора не существует. Всё зависит от конкретного процесса.

Для разных задач могут использоваться:

· внутренние инструкции;

· база знаний компании;

· каталоги продуктов и услуг;

· прайс-листы;

· регламенты;

· история общения с клиентами;

· данные из CRM;

· шаблоны документов;

· предыдущие обращения;

· внутренние критерии качества;

· отчёты и аналитика.

При этом нет смысла передавать AI всю информацию компании без разбора. В workflow должны попадать только те данные, которые действительно нужны для выполнения конкретной задачи.

Частая ошибка — сложить корпоративные файлы в одну папку и считать, что AI получил знания компании.

Само наличие документов ещё не означает, что система сможет правильно ими воспользоваться.

Документы могут быть устаревшими, противоречить друг другу или содержать информацию, которая относится только к отдельным подразделениям. Где-то правила описаны подробно, а где-то сотрудники работают по устной договорённости.

Поэтому при подготовке корпоративного контекста нужно думать не только о количестве информации, но и о её качестве.

Если AI не знает ответа, он может запросить дополнительные данные или передать задачу человеку.

Если же в его контексте находится старая информация, система может уверенно использовать её как актуальную.

Поэтому корпоративную базу знаний необходимо поддерживать. Должно быть понятно, какие документы действуют, кто отвечает за их обновление и как система определяет актуальную версию.

Это особенно важно для процессов, где ошибка приводит к финансовым или репутационным последствиям.

Промпт помогает объяснить модели, что нужно сделать. Но он не может заменить отсутствующие данные.

Можно написать очень подробную инструкцию: отвечай как менеджер компании, соблюдай наши правила, учитывай историю клиента и используй актуальные цены.

Но если система не получила историю клиента и актуальный прайс, сама формулировка не создаст эти данные.

Получается простое правило: инструкция определяет, как работать с информацией, а контекст даёт информацию для работы.

Оба элемента нужны, но выполняют разные функции.

Настоящий скачок в полезности происходит тогда, когда AI перестаёт существовать отдельно от корпоративной инфраструктуры.

Он может получать информацию из CRM, базы знаний, системы документооборота или других внутренних источников. В зависимости от архитектуры workflow AI также может передавать результат обратно в эти системы.

Тогда сотруднику не нужно постоянно переключаться между окнами и переносить данные вручную.

Представим менеджера, который открывает карточку клиента.

Вместо пустого чата система может передать AI информацию о клиенте, историю обращений, текущую сделку и связанные документы. Модель получает именно тот набор данных, который нужен для конкретной задачи.

После этого она может подготовить резюме ситуации, предложить следующий шаг или сформировать черновик ответа.

Это уже совсем другой уровень работы по сравнению с обычным запросом «напиши письмо клиенту».

Больше данных не всегда означает лучший результат.

Если передать модели огромный массив документов, среди которых есть десятки нерелевантных файлов, системе становится сложнее выделить нужную информацию. Кроме того, увеличивается риск использовать данные не из того контекста.

Поэтому хороший workflow не просто даёт AI доступ к информации. Он определяет, какая именно информация нужна на конкретном этапе.

Для одного процесса достаточно карточки клиента и нескольких правил. Для другого понадобится техническая документация или финансовая отчётность.

Чем точнее подобран контекст, тем предсказуемее работа системы.

Начинать лучше не с загрузки всех корпоративных файлов.

Сначала выберите конкретный процесс и определите, какие решения должен принимать AI. Затем зафиксируйте, какие данные нужны человеку для принятия такого решения.

После этого становится понятно, какие источники нужно подключить.

Нужно чётко сформулировать, что именно должен делать AI.

Например, не «помогать менеджеру по продажам», а «анализировать новую заявку и определять, к какому типу клиента она относится».

Чем конкретнее задача, тем проще определить необходимый контекст и критерии качества.

Дальше нужно определить, где сейчас хранится всё необходимое.

Это может быть CRM, корпоративная база знаний, документы, таблицы или несколько разных систем. Если информация разбросана по разным местам, это тоже часть задачи.

Не стоит скрывать эту проблему за AI. Если сотрудникам сложно найти нужные данные, модель столкнётся с тем же ограничением.

Нужно отделить действующие документы от устаревших и понять, какие правила являются приоритетными.

Если в двух внутренних документах указаны разные условия, AI не должен самостоятельно выбирать более удобный вариант. Бизнес должен определить, какой источник считается главным.

Так появляется управляемый контекст, а не просто набор файлов.

Саму AI-модель конкуренты тоже могут использовать.

Если компания применяет ту же модель, что и рынок, само по себе это редко создаёт уникальность. Другое дело — данные, процессы и накопленный корпоративный опыт, которые встроены в систему.

AI, который знает особенности конкретного бизнеса, способен работать значительно полезнее универсального инструмента.

Именно поэтому ценность постепенно смещается от вопроса «какую модель мы используем?» к вопросу «какой контекст мы можем дать этой модели и как он встроен в наши процессы?».

Здесь возвращается проблема, которая возникает при автоматизации практически любого процесса.

Если правила существуют только в опыте нескольких сотрудников, передать их AI сложно. Система не может надёжно использовать знания, которые нигде не зафиксированы.

Поэтому внедрение AI часто заставляет компанию привести в порядок собственную базу знаний.

И это полезно независимо от технологии.

Можно внедрить ChatGPT практически в любой отдел, выдать сотрудникам доступ и даже провести обучение. Но если человек продолжает вручную собирать всю информацию перед каждым запросом, AI остаётся отдельным инструментом.

Он помогает выполнять отдельные операции, но не становится частью системы.

Когда же контекст поступает автоматически, а результат возвращается в рабочий процесс, AI начинает выполнять роль полноценного рабочего компонента.

Это и есть переход от «мы используем AI» к «AI встроен в нашу работу».

Если AI уже используется внутри компании, полезно посмотреть на несколько простых вещей.

Спросите сотрудников, сколько информации они каждый раз добавляют в запрос вручную. Узнайте, где они берут эти данные и сколько времени тратят на подготовку контекста.

Затем посмотрите, какие источники можно подключить непосредственно к workflow.

Если сотрудник каждый день повторяет одну и ту же подготовительную работу перед обращением к AI, это хороший кандидат для автоматизации.

ChatGPT без бизнес-контекста действительно похож на умного стажёра: он умеет много, быстро учится работать с информацией и может заметно ускорить отдельные задачи. Но без доступа к корпоративным знаниям, документам и рабочим системам он не знает главного — как именно устроена ваша компания.

Поэтому следующий этап AI-внедрения — не бесконечное улучшение промптов. Нужно подключать к workflow нужные источники данных, приводить в порядок внутренние знания и автоматически передавать модели тот контекст, который необходим для конкретной задачи.

Универсальная модель доступна практически всем. А вот хорошо собранный контекст бизнеса, его процессы, данные и накопленный опыт — уже собственный актив компании.

AI становится по-настоящему полезным не тогда, когда он умеет отвечать на любые вопросы, а тогда, когда он понимает, на какой вопрос бизнеса ему нужно ответить именно сейчас.