Навчання ШІ на власних даних: що працює, а що ні

Навчити ШІ на власних даних. Саме так формулюють це більшість підприємців, коли телефонують. Вони хочуть помічника, який знає їхні прайси, їхні договори, їхні інструкції та домовленості, колись укладені з клієнтом. Не ШІ, який знає інтернет, а такий, що знає їхню компанію. Цілком логічно. Ось тільки в дев'яти випадках з десяти навчання, не те, що має відбутися, і це заощаджує чимало грошей.

Ця стаття про три речі: три значення, що ховаються за однією фразою, яке з них ви, найімовірніше, маєте на увазі, і де все йде не так на практиці. З цифрами і без технічної говірки.

Три речі, які може означати навчання ШІ на власних даних

Коли троє підприємців вимовляють ту саму фразу, вони часто мають на увазі три різні речі. Їх варто розділити, бо різниця в ціні між ними, тисячократна.

• Додати документи до розмови. Ви перетягуєте pdf у вікно чату і ставите запитання. Безкоштовно, миттєво і зникає, щойно розмова завершується.
• Дозволити ШІ шукати у вашому власному архіві. Ваші документи опрацьовують так, щоб на кожне запитання спершу піднімалися потрібні уривки, а відповідь спиралася на них із зазначенням документа.
• Підлаштувати сам модель. Ви даєте наявній моделі повчитися на вашому матеріалі, щоб змінилася її поведінка.

Перше вже використовують майже всі. Третє, це те, що більшість має на увазі, кажучи навчити. А друге, те, чого вони насправді хочуть.

Чому донавчання моделі майже ніколи не є відповіддю

Донавчання змінює поведінку моделі: тон, якого вона тримається, формат, який витримує, фахові слова, які вживає. Чого воно не робить надійно, так це не запам'ятовує факти. А факти, це саме те, чого ви шукаєте, коли хочете знати, який гарантійний строк записаний у тому договорі 2023 року.

• Факти розмиваються. Донавчена модель дає відповідь, яка звучить так, як звучать ваші документи, а не обов'язково те, що в них написано.
• Ви не можете перевірити, звідки взялася відповідь. Ні документа, ні номера сторінки, ні контролю.
• Кожна зміна коштує нового кола. Новий прайс у січні? Отже, спочатку.
• Вилучити щось складно. Клієнт, який питає, чи справді видалено його дані, не прийме відповіді здебільшого.
• Це відчутно дорожче за альтернативи, і в грошах, і в часі.

Є один виняток, і в малому бізнесі він, чесно кажучи, рідкісний. Якщо вам треба дуже часто за день видавати рівно той самий тип тексту у власному сталому форматі, уявіть тисячі коротких стандартизованих оцінок, донавчання може мати сенс. Тоді ви купуєте форму, а не знання. Якщо це не про вас, то це не для вас.

Що працює: спершу знайти, потім відповісти

Те, що вам майже завжди потрібно, зрозуміти простіше. Ваші документи, тобто інструкції, комерційні пропозиції, договори, протоколи й цінові домовленості, опрацьовують так, щоб у них можна було шукати за змістом, а не лише за точними словами. Хтось ставить запитання звичайною мовою. Система дістає ті кілька уривків, які справді важливі. І лише потім формулюється відповідь на основі цих уривків.

Різниця з пошуком, який у вас є сьогодні: той знаходить файли, а цей, відповіді. Пошукайте зараз гарантія на сонячну панель і отримаєте дванадцять назв файлів, а читати доведеться самим. У другому випадку отримаєте: п'ять років на монтаж, двадцять п'ять років на саму панель, а внизу, з якого документа це взято.

Це посилання на джерело не є прикрасою. Це єдине, що дає змогу перевірити правильність відповіді, перш ніж за нею діяти. Система, яка не може назвати джерело, для роботи компанії ще не готова.

Я починаю з безкоштовної ознайомчої розмови. Ми обговорюємо, що забирає час, якими системами ти користуєшся і де може допомогти автоматизація. Потім ти отримуєш пропозицію з можливостями автоматизації, інтеграціями, графіком і витратами.

Де все йде не так: не в техніці, а у ваших документах

Практично в кожному проєкті, який тут застрягає, причина не в ШІ. П'ять класичних.

• Суперечливі версії. Якщо в теці три прайси і жоден не є головним, то часом ви отримаєте один, а часом інший. Це не помилка ШІ, це ваш архів.
• Скановані документи без тексту. Сфотографований додаток для комп'ютера, просто картинка. Вирішується, але це робота.
• Права доступу. Якщо все стає доступним для пошуку, то й особова справа теж. Хто що може бачити, вирішують заздалегідь, а не після того, як хтось це знайшов.
• Знання, що живуть лише в головах. Те, що ніде не записано, знайти теж неможливо. Іноді перший крок, нарешті записати ті десять питань, які повторюються.
• Замало запитань. Якщо щось шукають п'ять разів на тиждень, систему ви не окупите. Тоді відповідь, прибрана тека.

Ми хочемо модель нашою мовою, і чому це непорозуміння

Логічна думка: ваші документи певною мовою, отже, ви хочете модель, зроблену саме для цієї мови. У вересні 2025 року вийшло перше серйозне дослідження, яке це перевіряє. Мовні технологи Антверпенського університету побудували MTEB-NL, мірило з сорока нідерландських тестових наборів, серед них юридичні тексти й тендерна документація.

Результат суперечить інтуїції. Моделі, побудовані спеціально на нідерландських текстах, BERTje і RobBERT, набрали 17,6 та 18,3 бала на пошуку потрібного уривка. Міжнародні багатомовні моделі дійшли до 59,1. А на розпізнаванні й класифікації текстів ті самі моделі показали себе цілком пристойно: 50,9 проти 60,2. Мову вони розуміють добре. Просто нічого не знаходять.

Пояснення, у тому самому дослідженні: пошук є окремою навичкою, під яку модель треба налаштовувати окремо. Візьміть ту саму модель і налаштуйте її на пошук, показник стрибає з 18,3 до 51,6. Отже, річ не в мові моделі, а в тому, чи перевіряли її на пошуку вашою мовою. Питайте саме про це. Відповідь це модель вашою мовою на це запитання не відповідає.

Чи залишаються ваші документи в країні?

Це запитання ставлять найчастіше, а до ладу відповідають на нього найрідше. Для пошукової частини новина хороша: найкращі моделі з того дослідження вільно доступні й можуть працювати на вашому власному сервері. Одна з тих, що показали добрий результат, до того ж настільки мала, що важкої машини не потрібно. Тобто вашому архіву не обов'язково залишати приміщення.

З формулюванням відповіді інакше. Там зазвичай задіяна велика модель великого постачальника, і питання в тому, де вона працює. Одні постачальники пропонують опрацювання в межах Європи, інші ні, і це різниться залежно від частини їхньої пропозиції. Питайте, вимагайте записати це в договорі й не вдовольняйтеся відповіддю та все нормально.

Наскільки великим має бути архів, щоб це окупилося?

Є практичне правило. З жменею документів ви можете просто щоразу додавати їх до запиту. Це працює добре і дешевше. Приблизно від сорока сторінок баланс змінюється: надсилати все стає дорожче, ніж шукати цілеспрямовано, хоч би як часто ви цим користувалися. І що більшим стає архів далі, то менше це важить. При цілеспрямованому пошуку запитання про тисячу сторінок коштує практично стільки ж, скільки про сорок.

На практиці: каталог продукції, тека договорів чи збірка монтажних інструкцій завжди значно перевищують цю межу. П'ять процедур і довідник для працівників, ні.

Де сьогодні малий бізнес

Це не бій ар'єргарду, але й не перегони, які ви вже програли. За даними нідерландського статистичного відомства, у 2025 році 33 відсотки компаній із десятьма і більше працівниками користувалися ШІ, проти 23 відсотків у 2024 і 14 відсотків у 2023. У діапазоні від десяти до п'ятдесяти працівників це 28 відсотків.

І це використання поверхневе. Дослідження використання ШІ в малому бізнесі, опубліковане урядом Нідерландів у вересні 2025 року, показує, що воно спрямоване передусім на написання текстів, комунікацію та підсумовування документів. Спеціалізованіші застосування трапляються рідко. Саме там, у роботі, прив'язаній до ваших власних документів, місце й досі вільне.

Цікавіша за відсоток причина, чому компанії не починають. У тих самих даних ті, хто не користується, називають брак знань і досвіду приблизно вчетверо частіше, ніж зависокі витрати. Отже, це не грошова проблема. Це проблема я не знаю, з чого почати.

Як до цього взятися

• Два тижні занотовуйте, які запитання справді ставлять і де була відповідь. Не з голови, а письмово, із зазначенням часу, який пішов на пошук.
• Порахуйте, скількох сторінок це насправді стосується. Зазвичай це частка того, що лежить у теці.
• Визначте для кожної теми один головний документ, а решту приберіть із джерела. На цьому кроці проєкт вистоїть або впаде.
• Почніть з одного типу запитань однієї команди. Не все має бути доступним для пошуку, а наші монтажники можуть відкрити монтажні інструкції.
• Вимагайте посилання на джерело в кожній відповіді й нехай двоє людей тиждень вибірково перевіряють відповіді.
• За місяць виміряйте те саме, що на першому кроці. Якщо час пошуку не зменшився, ви припиняєте.

Те, що з цього виходить, рідко видовищне. Розумний робот не з'являється. З'являється людина, якій більше не треба телефонувати трьом колегам, щоб дізнатися, який гарантійний строк діє. До речі, найчастіший коментар після здачі стосується не ШІ, а документів: ми й не знали, що там такий безлад.

Не беріться, якщо ваші документи ще треба написати, а не знайти, якщо запитань кілька на тиждень, або якщо справжня проблема в тому, що ніхто не знає, який документ чинний. Останнє вирішується домовленістю, а не програмою.