Dlaczego baza wiedzy AI nie znajduje odpowiedzi (2026)

Gdy dokument istnieje, a asystent odpowiada „nie wiem", zacznij od wyszukiwania. Właściwy fragment mógł nie trafić do kontekstu z powodu metody wyszukiwania, rankingu albo stanu źródeł. Ten tekst pokazuje trzy częste tryby awarii oraz pytania odbiorcze do dostawcy. Wdrożenia własnej bazy zaczynamy od 25 000 zł netto, po bezpłatnym skanie procesów.

Szybka odpowiedź

Model językowy widzi wyłącznie to, co dostanie w kontekście. Jeśli etap wyszukiwania nie znalazł właściwego akapitu, dla modelu ten akapit nie istnieje, choćby leżał w tym samym folderze. Dlatego „nasza baza wiedzy nie działa" zwykle znaczy „nasze wyszukiwanie nie działa".

Trzy przyczyny odpowiadają za większość przypadków:

1. Jedna metoda wyszukiwania. Sama semantyka gubi dokładne tokeny, sama leksyka gubi parafrazy.
2. Brak rerankingu. System znajduje właściwy fragment, ale na pozycji czternastej, a do kontekstu trafia pięć pierwszych.
3. Brud w źródłach. Nieaktualne wersje, duplikaty i sprzeczne dokumenty produkują pewnie brzmiące fałszywe odpowiedzi z cytatem.

Diagnoza zaczyna się od bezpłatnego skanu procesów (0 zł): 30 minut z inżynierem i pisemne podsumowanie w 2 dni robocze. Wdrożenie dedykowanej bazy wiedzy zaczyna się u nas od 25 000 zł netto, typowe pełne projekty mieszczą się w 25 000–150 000 zł netto, a Specyfikacja wdrożenia z architekturą i stałą wyceną kosztuje 4 990 zł netto. Jeśli zlecisz nam budowę systemu, koszt Specyfikacji zaliczymy na poczet wdrożenia. Stawki są w cenniku.

Dlaczego samo wyszukiwanie semantyczne to za mało?

Wyszukiwanie wektorowe porównuje znaczenia. To świetne, gdy pracownik pyta „jak rozliczamy nadgodziny w weekend", a procedura mówi o „pracy w dni wolne". Żadne słowo się nie zgadza, a wektory tak.

Ta sama własność jest wadą, gdy pytanie zawiera dokładny ciąg znaków. Numer faktury FV/2026/08/117, kod błędu E-4471, symbol części ani nazwisko kontrahenta nie mają znaczenia semantycznego. Dla modelu embeddingów jeden numer faktury wygląda podobnie do każdego innego numeru faktury. Wyszukiwanie pełnotekstowe znajduje je natychmiast, bo szuka dokładnie tego ciągu.

Dlatego rynek zbiegł się do wyszukiwania hybrydowego: obie ścieżki biegną równolegle, a ich wyniki scala się w jedną listę. Standardową metodą scalania jest Reciprocal Rank Fusion (Cormack, Clarke, Büttcher, SIGIR 2009), która łączy rankingi bez potrzeby porównywania nieporównywalnych wyników punktowych.

Skalę poprawy widać w pomiarach. Anthropic w publikacji „Contextual Retrieval" (wrzesień 2024) podał, że kontekstowe embeddingi zmniejszają liczbę nieudanych trafień w top-20 o 35%, połączenie z kontekstowym BM25 o 49%, a dołożenie rerankera o 67%. To pomiar Anthropic na ich zestawach danych, więc traktuj go jako kierunek i zmierz własne wartości na własnym zestawie pytań.

Praktyczne potwierdzenie z produkcji opublikował w 2026 Cerebras, opisując własną bazę wiedzy obsługującą ponad 15 000 pytań dziennie (opis firmy o własnym systemie, bez niezależnej weryfikacji). Ich architektura to dokładnie ten wzorzec: wyszukiwanie pełnotekstowe i wektorowe z wagą IDF i starzeniem wyników, fuzja RRF, reranking top-20 do top-10, destylacja wątków Slacka przez model do ustrukturyzowanych rekordów oraz narzędzia MCP, przez które agenci odpytują tę bazę.

Co robi reranking i dlaczego bez niego traci się odpowiedzi?

Wyszukiwanie zwraca listę kandydatów. Do kontekstu modelu wchodzi zwykle kilka pierwszych, bo kontekst kosztuje i większy nie znaczy lepszy. Jeśli właściwy fragment wylądował na pozycji czternastej, system technicznie go znalazł, a odpowiedź i tak będzie zła.

Reranker to drugi, dokładniejszy model, który ocenia dopasowanie każdego kandydata do konkretnego pytania i przestawia kolejność. Jest wolniejszy od wyszukiwania, więc uruchamia się go tylko na krótkiej liście, na przykład na top-20, żeby wybrać top-10. To jeden z najtańszych sposobów poprawienia jakości bazy wiedzy, dlatego jego brak w ofercie dostawcy jest sygnałem ostrzegawczym.

Warto też odrzucić popularne uproszczenie, że wystarczy wrzucić modelowi więcej tekstu. Badanie „Context Rot" (Chroma, lipiec 2025, 18 modeli) pokazało, że jakość w długim kontekście degraduje się nierównomiernie i zaczyna spadać na długo przed deklarowanym limitem okna. NoLiMa (ICML 2025) dokłada ostrzejszy wynik: gdy pytanie i szukana informacja nie dzielą słownictwa, 11 badanych modeli spada poniżej 50% swojej krótkokontekstowej skuteczności już przy 32 tys. tokenów. Wypełnianie okna kontekstu byle czym pogarsza wynik.

Jak nieaktualne i sprzeczne dokumenty psują odpowiedzi?

To przyczyna, o której najtrudniej rozmawia się z zarządem, bo nie da się jej naprawić modelem.

Jeśli na dysku leży cennik z 2024 roku obok cennika z 2026, wyszukiwanie znajdzie oba. Model dostanie sprzeczne źródła i zrobi jedną z trzech rzeczy: wybierze losowo, uśredni je w gładką nieprawdę albo zacytuje starszy, bo był lepiej dopasowany do pytania. Każdy z tych wyników jest gorszy od braku narzędzia, bo wygląda wiarygodnie i ma cytat.

Dobra architektura ma na to odpowiedź. Starzenie wyników obniża pozycję dokumentów starych, gdy istnieją nowsze wersje tego samego materiału (Cerebras opisał to jako element swojego rankingu, 2026). Jawny status konfliktu pokazuje użytkownikowi, że źródła się nie zgadzają, i zostawia rozstrzygnięcie właścicielowi dokumentu. Właściciel przypisany do każdego zbioru sprawia, że jest kogo zapytać. Jak to wygląda w działającym systemie, opisujemy w tekście o RAG z uprawnieniami egzekwowanymi przed modelem, gdzie konflikt źródeł jest osobnym statusem odpowiedzi.

Porządkowanie dokumentów bywa osobną, znaczącą pozycją projektu. Wyceńcie usunięcie duplikatów, rozstrzygnięcie sprzeczności, OCR skanów bez warstwy tekstowej i przypisanie właścicieli, zanim podpiszecie umowę. To praca po stronie firmy, a oferta, która jej nie wycenia, przeniesie ten koszt na Was po podpisaniu.

Objaw, przyczyna, co sprawdzić

Tabela do użycia na własnym systemie. Kolumna trzecia jest najważniejsza, bo każdy z tych objawów da się zdiagnozować w kilka godzin na zestawie kilkudziesięciu realnych pytań.

Jak sprawdzamy to u siebie: demonstrator Czytelnia Pamięci

Zbudowaliśmy demonstrator polskiej czytelni wiedzy o nazwie Czytelnia Pamięci. To stos uruchamiany lokalnie na syntetycznym korpusie 600 dokumentów fikcyjnej firmy. Nazywamy go demonstratorem, bo nie jest wdrożeniem u klienta i nie mierzy niczyjej produkcji. Jest w nim jednak liczba, która tłumaczy ten artykuł lepiej niż wszystkie inne.

Test zakresu wypada perfekcyjnie: 150 złotych pytań na 5 tożsamości, razem 750 sprawdzeń, pojedynczy wyciek poza zakres wywraca cały przebieg. Do tego byte-identyczna treść odmowy (żeby z kształtu odmowy nie dało się wnioskować o istnieniu dokumentu), test izolacji prompt injection oraz kontrola, że rola bazodanowa, którą łączy się API, jest założona jako nosuperuser nobypassrls, więc polityka wierszowa PostgreSQL naprawdę ją wiąże. Trafność odpowiedzi, poprawność cytowań i poprawność odmów: po 1,0. Zero naruszeń zakresu.

Tyle że każde z tych 150 pytań podaje sygnaturę dokumentu, więc ta jedynka mierzy egzekwowanie uprawnień, a jakości samego wyszukiwania nie mierzy wcale. Dlatego dołożyliśmy drugą próbę: 24 parafrazy bez sygnatury, zadane słowami użytkownika. Trafność pierwszej jednostki wyszła na tej próbie 0,511 na 45 ocenianych parach. Cztery parafrazy dotyczące rzeczy nieobecnych w katalogu skończyły się odmową na wszystkich pięciu tożsamościach, i to przez próg istotności, bez żadnej reguły słownikowej.

Ta połowa to dokładnie objaw z pierwszego wiersza naszej tabeli. Warstwa gęsta w demonstratorze to hashowanie cech w 256 wymiarach: celowo prosty przewód, który sprawdza konstrukcję całości. Doboru modelu osadzeń dla polszczyzny w nim po prostu nie ma. Pytanie zbudowane z innych słów niż dokument wypada poniżej progu i kończy się uczciwą odmową. Wybór modelu osadzeń jest zadaniem wdrożeniowym i mierzy się go na realnym korpusie klienta.

Wniosek do zabrania na własne demo: zakres i trafność to dwa osobne pomiary. System może mieć jedynkę na uprawnieniach i połowę na wyszukiwaniu, a jeden wynik nic nie mówi o drugim. Dostawca, który pokazuje tylko jedną liczbę, pokazuje pół obrazu. Architekturę zakresu, którą tu opisujemy, rozkładamy szerzej w tekście o RAG z uprawnieniami egzekwowanymi przed modelem.

Czego żądać od dostawcy na demie

Demo asystenta wiedzy zawsze wygląda dobrze, bo pokazuje się je na dokumentach dobranych do pytań. Te pytania odbiorcze przebijają scenariusz:

1. Pokażcie surowe wyniki wyszukiwania, zanim model napisze odpowiedź. Chcesz zobaczyć listę kandydatów i ich kolejność. Sama ładna odpowiedź niczego o systemie nie mówi.
2. Czy wyszukiwanie jest hybrydowe i jak scalacie wyniki? Odpowiedź „używamy bazy wektorowej" oznacza jedną ścieżkę i przewidywalne braki na dokładnych tokenach.
3. Czy jest reranking i na jakiej liczbie kandydatów działa?
4. Co system robi ze sprzecznymi wersjami tego samego dokumentu?
5. Co dzieje się z dokumentem, do którego pytający nie ma prawa, zanim model zacznie generować?
6. Jak mierzycie jakość? Powinien istnieć zestaw złotych pytań z oczekiwanymi odpowiedziami i regularny pomiar. Wrażenie zespołu to za mało.
7. Kto porządkuje dokumenty i czy ta praca jest w wycenie?

Siódme pytanie zwykle najbardziej zmienia cenę oferty i najczęściej jest w niej pominięte.

Jak zacząć

1. Zbierz 30 realnych pytań pracowników, na które Wasza baza dziś odpowiada źle. To najtańszy zestaw diagnostyczny, jaki istnieje.
2. Umów bezpłatny skan procesów: 30 minut z inżynierem i pisemne podsumowanie w 2 dni robocze. Przejdziemy przez te pytania i powiemy, czy problemem jest wyszukiwanie, korpus, czy jedno i drugie.
3. Jeśli okaże się, że korpus jest mały i stabilny, usłyszysz to wprost. Kiedy budowa RAG jest zbędna, rozkładamy w tekście o bazie wiedzy AI bez RAG.

Umów bezpłatny skan procesów | Zobacz cennik

Powiązane artykuły

• Asystent wiedzy AI dla firmy: baza wiedzy oparta o RAG
• Uprawnienia przed modelem: RAG, który nie zdradza zamkniętych dokumentów
• Firmowy mózg AI: gotowa platforma czy własna baza wiedzy?
• Baza wiedzy AI bez RAG: kiedy naprawdę jej nie potrzebujesz
• Aplikacje AI na zamówienie