Блог
Искусственный интеллект 11 мин

ИИ-база знаний в Битрикс24 за 10 минут: от документов к умным ответам

Как подключить AI к базе знаний Битрикс24 и получить бота, который отвечает на вопросы сотрудников по внутренним документам. Пошаговая инструкция.

У вас в «Базе знаний» Битрикс24 лежит 500 статей. Регламенты, инструкции по онбордингу, описание бизнес-процессов, шаблоны документов. И каждый день кто-нибудь пишет в общий чат: «А где найти шаблон акта сверки?» или «Какой порядок согласования отпуска?». Люди не ищут -- они спрашивают. ИИ-база знаний работает именно так: сотрудник задаёт вопрос обычным языком, а бот находит ответ в ваших же документах и формулирует его за 2-3 секунды.

Что такое ИИ-база знаний и как работает RAG

Термин звучит сложно, но механика простая. RAG (Retrieval-Augmented Generation) -- это подход, при котором языковая модель не выдумывает ответ из своих обучающих данных, а сначала ищет релевантные фрагменты в вашей документации и отвечает строго на их основе.

Процесс выглядит так:

  1. Документы из базы знаний разбиваются на фрагменты по 300-500 токенов.
  2. Каждый фрагмент превращается в числовой вектор (embedding) -- математическое представление смысла текста.
  3. Когда сотрудник задаёт вопрос, его текст тоже превращается в вектор.
  4. Система находит 5-10 фрагментов, ближайших по смыслу к вопросу.
  5. Найденные фрагменты передаются языковой модели как контекст, и она генерирует ответ.

Ключевое отличие от обычного ChatGPT: модель работает только с вашими данными. Она не додумывает и не подставляет информацию из интернета. Если в документации нет ответа, корректно настроенная система скажет об этом прямо.

Зачем это бизнесу

Средний сотрудник тратит 19% рабочего времени на поиск внутренней информации -- это данные McKinsey за 2024 год. В компании на 100 человек это эквивалент 19 полных ставок, потраченных на вопросы типа «где лежит регламент».

ИИ-бот не заменяет базу знаний. Он делает её доступной: вместо навигации по структуре разделов человек получает прямой ответ со ссылкой на источник.

CoPilot в Битрикс24: что уже есть из коробки

С осени 2023 года в Битрикс24 работает CoPilot -- встроенный ИИ-ассистент. В 2025-2026 годах его возможности заметно расширились. Вот что он умеет в контексте базы знаний:

  • CoPilot в чатах. Бот участвует в групповых и личных чатах. Умеет отвечать на вопросы, суммировать переписку, генерировать тексты.
  • CoPilot в задачах. Подсказывает формулировки, заполняет чеклисты, декомпозирует задачи.
  • CoPilot в CRM. Анализирует звонки, заполняет карточки сделок, предлагает следующий шаг.
  • Пользовательские ИИ-роли. Можно создать роль со своим системным промптом -- например, «Эксперт по внутренним регламентам», который отвечает в определённом стиле.

Ограничение встроенного CoPilot: он не индексирует вашу базу знаний автоматически. Он работает с контекстом конкретного чата или задачи, но не может сам пойти в раздел «Документация» и найти там нужный регламент. Для полноценного RAG-бота нужна дополнительная настройка.

Пошаговая инструкция: подключаем ИИ к базе знаний

Шаг 1. Подготовьте документы

Прежде чем подключать модель, наведите порядок в исходных данных. ИИ работает ровно с тем, что вы ему дадите.

  1. Откройте раздел «База знаний» в Битрикс24 (Главное меню -- База знаний).
  2. Удалите дубликаты и устаревшие статьи. Если регламент менялся трижды, оставьте только актуальную версию.
  3. Проверьте структуру статей. Каждая статья должна иметь заголовок, отражающий её содержание (не «Документ 47», а «Порядок согласования командировок»).
  4. Убедитесь, что в статьях нет критически важной конфиденциальной информации (пароли, токены API, персональные данные), которая не должна попадать в контекст модели.

Практический совет: создайте отдельный раздел «Для ИИ-бота» и скопируйте туда только те статьи, которые должны быть доступны модели. Это проще, чем настраивать исключения, и вы точно контролируете периметр данных.

Шаг 2. Выберите модель и способ подключения

У вас три варианта:

Вариант А: REST API Битрикс24 + внешняя модель. Вы пишете интеграцию, которая через REST API забирает статьи из базы знаний, индексирует их в векторном хранилище (Pinecone, Qdrant, pgvector) и обрабатывает вопросы через OpenAI API, Anthropic API или YandexGPT. Полный контроль, но нужна разработка.

Вариант Б: Готовое приложение из маркетплейса. В маркетплейсе Битрикс24 есть решения для ИИ-ботов. Ищите по ключевым словам: «AI база знаний», «RAG», «ИИ-ассистент». Проверяйте отзывы и наличие поддержки.

Вариант В: Кастомный чатбот через Webhooks. Регистрируете чат-бота через REST API, настраиваете вебхук на входящие сообщения, обрабатываете их на своём сервере. Средний вариант по сложности.

Шаг 3. Настройте индексацию документов

Для варианта А (самый гибкий):

  1. Получите вебхук с правами imbot, im, wiki в разделе «Разработчикам» вашего Битрикс24.
  2. Через REST-метод wiki.page.list или напрямую через API диска (disk.folder.getchildren) выгрузите содержимое статей.
  3. Разбейте каждую статью на чанки по 400-500 токенов с перекрытием в 50-100 токенов. Перекрытие нужно, чтобы контекст не терялся на границах фрагментов.
  4. Сгенерируйте embeddings для каждого чанка через text-embedding-3-small (OpenAI) или аналогичную модель. Стоимость -- около $0.02 на 1 млн токенов, то есть 500 статей обойдутся в несколько центов.
  5. Загрузите векторы в хранилище. Для начала хватит pgvector -- расширение для PostgreSQL, которое вы уже, вероятно, используете.

Шаг 4. Зарегистрируйте бота в Битрикс24

  1. Перейдите в «Разработчикам» -- «Другое» -- «Входящий вебхук».
  2. Или используйте метод imbot.register для программной регистрации бота с указанием обработчика событий.
  3. Задайте имя бота (например, «База знаний AI»), аватар и описание.
  4. Укажите URL вашего сервера как обработчик событий ONIMBOTMESSAGEADD.

После регистрации бот появится в списке чатов, и любой сотрудник сможет написать ему вопрос.

Настройка бота: тон, источники, поведение при отсутствии ответа

Системный промпт

Системный промпт определяет, как бот разговаривает. Пример рабочего промпта:

Ты -- ИИ-ассистент компании [Название]. Отвечай на вопросы сотрудников
строго на основе предоставленного контекста из базы знаний.

Правила:
- Отвечай кратко и по существу.
- Всегда указывай название статьи-источника.
- Если в контексте нет информации для ответа, скажи:
  «Я не нашёл ответа в базе знаний. Обратитесь к [ответственный отдел].»
- Не выдумывай данные, не используй информацию из обучающих данных.
- Формат ответа: 2-4 предложения + ссылка на источник.

Fallback-поведение

Самая частая ошибка -- не настроить поведение бота, когда он не знает ответ. Без явного fallback модель начнёт галлюцинировать: выдавать правдоподобную, но неверную информацию.

Три уровня fallback:

  1. Низкая уверенность (cosine similarity < 0.75). Бот отвечает: «Я нашёл частичное совпадение, но не уверен в ответе» и показывает найденный фрагмент как цитату.
  2. Нет совпадений (similarity < 0.5). Бот прямо говорит, что не нашёл ответ, и предлагает обратиться к конкретному человеку или отделу.
  3. Опасные темы. Вопросы про зарплаты, персональные данные, юридические решения -- бот перенаправляет в HR или юротдел без попытки ответить.

Управление источниками

Не все документы одинаково полезны для бота. Настройте приоритизацию:

  • Актуальные регламенты -- высокий приоритет (boost в retrieval).
  • Архивные документы -- низкий приоритет или исключение.
  • FAQ -- высокий приоритет, потому что вопросы в FAQ уже сформулированы в формате «вопрос-ответ», и retrieval по ним работает точнее.

Обучение модели: загрузка документов, FAQ, процедур

Термин «обучение» здесь условный. Вы не дообучаете (fine-tune) языковую модель -- это дорого и обычно не нужно. Вы обновляете векторную базу, по которой работает retrieval.

Первоначальная загрузка

  1. Выгрузите все статьи из целевого раздела базы знаний.
  2. Пропустите через пайплайн: очистка HTML-тегов -- разбивка на чанки -- генерация embeddings -- загрузка в векторное хранилище.
  3. Сохраните метаданные каждого чанка: ID исходной статьи, заголовок, дата последнего обновления, раздел.

Инкрементальное обновление

База знаний -- живой организм. Статьи обновляются, добавляются, удаляются. Настройте автоматическую синхронизацию:

  • Подпишитесь на события OnWikiPageAdd, OnWikiPageUpdate через REST API.
  • При каждом событии переиндексируйте только изменённую статью.
  • Запускайте полную переиндексацию раз в неделю как страховку от рассинхронизации.

FAQ как отдельный источник

Если у вас есть внутренний FAQ (а если нет -- заведите), загрузите его отдельным источником с повышенным приоритетом. Формат «вопрос-ответ» идеально ложится на RAG: при поиске по вопросу пользователя сначала матчатся похожие вопросы из FAQ, и ответы получаются точнее.

Размер FAQ, при котором это начинает работать хорошо, -- от 50 пар «вопрос-ответ». Меньше -- эффект незаметен.

Измерение качества: метрики, которые стоит отслеживать

Поставили бота -- через месяц нужно понять, работает он или создаёт путаницу. Три ключевых метрики:

Точность ответов (Answer Accuracy)

Выберите случайные 50 вопросов за неделю. Попросите эксперта (того, кто знает правильные ответы) оценить каждый ответ бота: верно / частично верно / неверно / «правильно отказался отвечать».

Нормальный показатель для корпоративного RAG-бота через 2-3 итерации настройки: 75-85% верных ответов. 90%+ -- отличный результат, но требует хорошо структурированной базы.

Deflection Rate (процент снятых вопросов)

Сколько вопросов, которые раньше задавались людям, теперь закрывает бот. Считается просто: сравните количество типовых вопросов в общем чате до и после запуска бота.

Ожидаемый диапазон: 30-50% типовых вопросов перехватывает бот в первый месяц. Оставшиеся 50-70% -- это либо сложные кейсы, либо вопросы, ответов на которые нет в базе.

Время до ответа

Бот отвечает за 2-5 секунд. Человек в чате -- в среднем за 15-45 минут (если не забудет). Даже если бот ошибается в 20% случаев, экономия времени на остальных 80% обычно перекрывает затраты.

Ограничения: что ИИ-база знаний не умеет

Честная оценка того, где технология буксует.

Сложные многошаговые процессы. Если ответ требует сопоставления информации из 5 разных регламентов и учёта контекста конкретного сотрудника (его отдел, стаж, должность) -- бот справится плохо. RAG хорошо работает с фактоидными вопросами: «какой срок согласования заявки на закупку?» Хуже -- с комплексными: «могу ли я оформить командировку через неделю после отпуска, если я на испытательном?»

Таблицы и структурированные данные. Если ваша документация содержит сложные таблицы с тарифами, расчётами, формулами -- RAG-пайплайн теряет структуру при разбивке на чанки. Таблицы лучше обрабатывать отдельным модулем.

Актуальность. Если статья в базе устарела, бот даст устаревший ответ с полной уверенностью. ИИ не проверяет свежесть данных самостоятельно. Вся ответственность за актуальность -- на тех, кто ведёт базу знаний.

Галлюцинации. Даже с RAG модель иногда перефразирует фрагмент так, что смысл искажается. Это редко (при правильном промпте -- в 3-7% случаев), но это не ноль. Для критически важных решений (юридические, финансовые, кадровые) бот должен давать ссылку на источник, а решение принимает человек.

Мультимодальность. Если инструкция -- это скриншоты интерфейса или видеозапись, текстовый RAG её не обработает. Нужна отдельная индексация изображений, и это пока значительно дороже и менее надёжно.

Безопасность данных: облако, коробка, периметр

Облачный Битрикс24

Документы проходят через внешнюю модель (OpenAI, Anthropic, YandexGPT). Это означает, что фрагменты текста передаются на серверы провайдера. Что нужно проверить:

  • Политика провайдера по использованию данных для обучения (OpenAI API и Anthropic API не используют данные клиентов для обучения -- но прочитайте актуальный DPA).
  • Соответствие 152-ФЗ: если в документах есть персональные данные, передача на зарубежные серверы может нарушать закон.
  • Логирование запросов: сохраняет ли ваш сервер вопросы сотрудников и ответы бота? Кто имеет к ним доступ?

Коробочная версия

У коробочной версии Битрикс24 есть преимущество: данные не выходят за периметр. Но для RAG вам всё равно нужна языковая модель. Варианты:

  • Локальная модель. Llama 3, Mistral, GigaChat API (серверы в РФ). Качество ответов ниже, чем у GPT-4 или Claude, но данные остаются внутри.
  • Приватный endpoint. Azure OpenAI Service или выделенный инстанс YandexGPT с гарантиями по изоляции данных.

Разграничение доступа

Продумайте, кто какие документы видит через бота. Если у вас в базе знаний есть раздел «Только для руководителей», бот не должен цитировать эти документы рядовому сотруднику. Реализуется через фильтрацию при retrieval: в метаданных каждого чанка хранится уровень доступа, и при поиске бот учитывает роль пользователя из Битрикс24.

Когда стандартных решений недостаточно

Типовые сценарии, которые мы в Aventra реализуем для клиентов:

  • RAG-бот с интеграцией в CRM. Бот не просто отвечает по базе знаний -- он подтягивает контекст из карточки клиента и предлагает менеджеру готовый ответ с учётом истории сделки.
  • Мультиязычная база. Компания работает в нескольких странах, документация на 2-3 языках. Бот отвечает на языке вопроса, используя источники на любом из языков.
  • Автоматическое пополнение базы. Бот фиксирует вопросы, на которые не нашёл ответ, и создаёт черновики статей для базы знаний. Редактор проверяет и публикует.
  • Интеграция с бизнес-процессами. Бот не только отвечает, но и запускает действия: создаёт заявку, назначает ответственного, отправляет документ на согласование.

У нас 75+ приложений в маркетплейсе Битрикс24 и статус ТОП-5 разработчиков. Если вам нужна ИИ-интеграция, которая учитывает специфику вашей компании, а не работает «из коробки, но мимо» -- напишите нам. Оценим задачу, покажем примеры реализации и скажем честно, если для вашего случая ИИ-бот пока избыточен.