RAG explicat pentru business: cum răspunde AI-ul din documentele tale, nu din imaginație

De ce răspunde greșit despre firma ta

Întrebi un model despre garanția produsului tău. Îți dă un răspuns coerent: „2 ani, conform legislației europene”. Doar că tu oferi 3 ani și scrie pe site. Modelul nu a mințit intenționat — nu a avut niciodată textul tău. A completat golul cu ce e cel mai probabil în general.

Asta e problema pe care o rezolvă RAG (Retrieval-Augmented Generation). Ideea, fără jargon: înainte să răspundă, sistemul caută în documentele tale și dă modelului fragmentele relevante. Modelul răspunde din ele.

Cum funcționează, pas cu pas

1. Împărțire (chunks). Documentele tale — pagini de site, PDF-uri, proceduri, FAQ — sunt tăiate în bucăți de câteva paragrafe. Fiecare bucată păstrează sursa: din ce document, ce secțiune, ce dată.
2. Reprezentare (embeddings). Fiecare bucată e transformată într-o listă de numere care îi descrie sensul. Două texte care spun același lucru cu alte cuvinte au numere apropiate. Asta permite căutarea după sens, nu doar după cuvinte exacte.
3. Căutare. Când vine o întrebare, e transformată la fel și sistemul găsește cele mai apropiate bucăți — de obicei 3–10. Sistemele bune combină căutarea după sens cu căutarea clasică după cuvinte cheie, pentru că numele de produse și codurile se găsesc mai bine exact.
4. Răspuns ancorat. Modelul primește întrebarea + bucățile găsite + instrucțiunea: „răspunde doar din aceste texte; dacă nu găsești răspunsul, spune că nu știi”. Răspunsul poate cita sursa.

Modelul nu a învățat nimic nou. A primit materialul potrivit la momentul potrivit. De aceea RAG e mai ieftin și mai sigur decât „antrenarea” unui model pe datele tale: schimbi un document, răspunsul se schimbă azi, nu peste o lună.

Ce face un RAG bun

• Surse curate. Un singur document adevărat per subiect. Dacă prețul apare în trei locuri cu trei valori, sistemul va alege una la întâmplare.
• Prospețime. Cineva e responsabil ca documentele să fie actualizate și există un proces: prețul se schimbă → documentul se schimbă → indexul se reface. Automat, ideal.
• Citări. Fiecare răspuns spune de unde vine. Clientul poate verifica, iar tu poți vedea imediat ce document a produs un răspuns greșit.
• „Nu știu”. Cel mai valoros comportament. Un sistem care spune „nu am această informație, te pun în legătură cu un coleg” e mai bun decât unul care răspunde la orice.
• Domeniu limitat. Asistentul firmei tale nu trebuie să știe capitala Mongoliei. Refuzul politicos în afara domeniului reduce riscul enorm.

Ce îl strică

• Documente care se contrazic. Oferta din 2024 și cea din 2026 în același index. Modelul le primește pe amândouă și le împacă într-un răspuns care nu e nici una, nici alta. Șterge sau arhivează ce nu mai e valabil.
• Bucăți prea mari sau prea mici. Prea mari — aduci zgomot; prea mici — pierzi contextul („prețul de mai sus” fără „mai sus”).
• Întrebări care cer calcul sau agregare. „Câte comenzi am avut în iunie?” nu e o întrebare pentru RAG. E pentru o bază de date. Sistemele bune știu să le direcționeze diferit.

Un exemplu real: Florentin AI

Asistentul de pe florentinpurcea.com și din portal (Ask) e construit exact așa: o bază de cunoștințe deterministă — prețul Universal, ce include o sesiune, cum funcționează aprobarea, ce fac sistemele — plus un model care formulează răspunsul din ea. Când întrebarea iese din ce știe, spune că nu știe și oferă o cale către un om. Nu improvizează un preț și nu promite un termen care nu e în bază. Întrebările la care nu a putut răspunde se strâng într-o listă de goluri pe care le completăm periodic — așa crește baza, cu răspunsuri verificate, nu cu presupuneri.

Cum evaluezi înainte să lansezi: 30 de întrebări reale

Nu testa cu întrebări inventate de tine. Ia 30 de întrebări reale din emailuri, WhatsApp și telefoane din ultimele două săptămâni. Pentru fiecare, scrie răspunsul corect și sursa. Apoi rulează sistemul și notează:

Repetă testul după fiecare schimbare majoră de documente. Cele 30 de întrebări devin testul tău de regresie.