Как написать базу знаний, которую ваш ИИ действительно сможет использовать

Главный фактор, определяющий качество AI-поддержки клиентов, — не модель ИИ. Это база знаний, из которой ИИ читает. Команды внедряют AI-поддержку, получают посредственный результат и винят ИИ — тогда как настоящая проблема в том, что они скормили ему документацию, написанную для людей, листающих справочный центр, а не для ИИ, отвечающего на конкретный вопрос.

Эта статья — о том, как написать базу знаний, которая даёт по-настоящему хорошие ответы ИИ. Она уместна и если вы внедряете AI-поддержку впервые, и если пытаетесь улучшить качество уже имеющейся системы ИИ. Написана для руководителей поддержки и основателей, которые владеют базой знаний, но не обязательно для технических писателей.

Чем отличается оптимизация под человека и под ИИ

База знаний, написанная для людей, предполагает человека, который листает, просматривает заголовки, перескакивает и с помощью здравого смысла находит нужную часть длинной статьи. Люди в этом хороши. Они терпят статью на 2000 слов под названием «Управление аккаунтом», потому что могут пробежать глазами до нужного раздела.

ИИ читает иначе. Он делает семантический поиск — сопоставляет вопрос клиента с содержимым, чтобы найти наиболее релевантный фрагмент, а затем составляет из него ответ. Длинная статья, охватывающая 15 подтем, для этого хуже, чем 15 сфокусированных статей, потому что поиск менее точен, и ИИ может вытянуть не тот раздел или неверно смешать разделы.

Сдвиг в мышлении: перестаньте писать статьи для того, кто листает, начните писать статьи для вопроса, на который отвечают. Каждый кусок содержимого должен аккуратно соответствовать конкретному вопросу, который может задать клиент.

Правило 1: одна тема на статью

Самое важное правило. Не пишите «Как управлять аккаунтом», охватывающее смену email, сброс пароля, обновление платёжных данных и изменение подписки. Пишите отдельные сфокусированные статьи: «Как сменить email», «Как сбросить пароль», «Как обновить платёжные данные», «Как сменить тарифный план».

Почему это важно для ИИ: семантический поиск работает на сходстве между вопросом и содержимым. Сфокусированная статья про сброс пароля точно совпадает с вопросом о сбросе пароля. Разросшаяся статья про управление аккаунтом совпадает с ним слабо, разбавленная всем прочим содержимым.

Практическая проверка: если статья могла бы ответить более чем на один отдельный вопрос клиента, её, вероятно, стоит разделить.

Правило 2: озаглавьте статью так, как вопрос реально задают пользователи

Клиенты не ищут «Настройки двухфакторной аутентификации». Они спрашивают «Как включить двухфакторную аутентификацию?» или «Как сделать аккаунт безопаснее?».

Озаглавливайте статьи как вопросы, сформулированные так, как их формулируют клиенты. Это резко улучшает поиск, потому что ИИ сопоставляет вопросы клиентов с вашими заголовками. Чем ближе ваш заголовок к тому, как клиенты реально спрашивают, тем лучше совпадение.

Практическая проверка: прочитайте заголовки статей вслух. Звучат ли они как то, что клиент напечатал бы или сказал? Или как внутренние названия функций? Названия функций нужно превратить в вопросы.

Правило 3: конкретные инструкции вместо общих

Сравните две версии одной и той же инструкции:

Общая: «Перейдите в настройки безопасности и включите функцию».

Конкретная: «Нажмите на иконку профиля в правом верхнем углу, выберите «Настройки», затем «Безопасность», затем переключите «Двухфакторную аутентификацию» в положение «Вкл».».

ИИ копирует уровень конкретности вашей базы знаний. Если ваша документация расплывчата, ответы ИИ расплывчаты. Если ваша документация даёт точные шаги, ИИ даёт точные шаги. Клиенты могут следовать конкретным инструкциям; на общих они застревают.

Практическая проверка: смог бы человек, совершенно не знакомый с вашим продуктом, выполнить инструкцию, не застряв? Если нет — она слишком общая.

Правило 4: добавьте блок контекста в начале

У большинства функций продукта есть условия — они относятся к определённым тарифам, регионам, типам аккаунтов или требуют определённых прав. ИИ нужно знать эти условия, чтобы давать корректные, отфильтрованные ответы.

Начинайте каждую статью с краткого блока контекста: «Относится к тарифам Pro и Enterprise». «Доступно только в ЕС». «Требуются права администратора». «Относится только к аккаунтам, созданным после января 2025 года».

Почему это важно: без контекста ИИ может рассказать клиенту на тарифе Starter, как пользоваться функцией Pro, вызвав раздражение, когда тот её не найдёт. С контекстом ИИ может сказать: «Эта функция доступна на тарифах Pro — вот как перейти на него, или вот аналог на вашем текущем тарифе».

Практическая проверка: по каждой статье спросите: «это верно для каждого клиента без исключения или только для некоторых?». Если только для некоторых, то условиям место в блоке контекста.

Правило 5: держите метаданные актуальными

Каждая статья должна нести метаданные: когда она в последний раз обновлялась, к каким тарифам относится, с какими функциями связана. ИИ использует это, чтобы отдавать приоритет свежему, релевантному содержимому над устаревшим.

Это важнее всего для продуктов, которые меняются. Функцию переделали, старая статья описывает старый процесс, и без метаданных о дате последнего обновления ИИ не может понять, какая версия актуальна. Клиенты получают инструкции к интерфейсу, которого больше не существует.

Практическая проверка: если вы изменили функцию полгода назад, описывает ли ваша база знаний где-нибудь ещё старую версию? Устаревшее содержимое активно вредит качеству ИИ, потому что ИИ уверенно даёт неверные ответы.

Бонусное правило: не полагайтесь на скриншоты для критичных шагов

ИИ читает текст намного лучше, чем изображения. Если критичная инструкция живёт только внутри скриншота — «нажмите показанную здесь кнопку», — ИИ не может надёжно её передать.

Опишите критичные шаги текстом, а скриншот используйте для визуального подтверждения. «Нажмите синюю кнопку «Сохранить» внизу формы» плюс скриншот куда полезнее для ИИ, чем один скриншот со стрелкой, указывающей на кнопку.

Это не значит убирать скриншоты. Это значит не зависеть от них в той информации, которую ИИ нужно извлечь.

Как это выглядит на практике

Возьмём типичную беспорядочную статью базы знаний:

«Управление аккаунтом — в этом разделе вы узнаете об управлении различными аспектами вашего аккаунта, включая данные профиля, настройки безопасности, оплату и платёжные методы, управление подпиской и настройки уведомлений. Чтобы начать, перейдите в раздел аккаунта, где вы найдёте все эти опции...»

Это плохо для ИИ: одна статья охватывает пять отдельных тем, общий заголовок, расплывчатые инструкции, никаких блоков контекста, никакой конкретики.

Дружелюбная к ИИ версия — это пять статей:

1. «Как обновить данные профиля?» — контекст: все тарифы; конкретные шаги; актуально на [дата]
2. «Как изменить настройки безопасности?» — контекст: все тарифы; конкретные шаги; актуально на [дата]
3. «Как обновить платёжный метод?» — контекст: только платные тарифы; конкретные шаги; актуально на [дата]
4. «Как сменить тарифный план?» — контекст: все тарифы; конкретные шаги, включая поведение при повышении/понижении тарифа; актуально на [дата]
5. «Как управлять настройками уведомлений?» — контекст: все тарифы; конкретные шаги; актуально на [дата]

Та же информация, переструктурированная. Первая версия даёт посредственные ответы ИИ. Вторая — точные.

Сколько это работы на самом деле?

Честный ответ: меньше, чем команды опасаются, но больше, чем надеются.

Для типичного SaaS с 50–100 справочными статьями переструктурирование в дружелюбный к ИИ формат — проект на одну-две недели для одного человека. Это не гламурная работа, но самое высокоотдачное вложение, которое вы можете сделать в качество AI-поддержки.

Хорошая новость: не обязательно делать всё сразу. Разумный подход:

1. Начните с топ-20 категорий вопросов (они покрывают ~80% объёма тикетов)
2. Напишите или перепишите эти 20 как дружелюбные к ИИ статьи
3. Внедрите AI-поддержку с этим фундаментом
4. Используйте паттерны эскалаций ИИ, чтобы выявить пробелы — когда ИИ эскалирует из-за нехватки ответа, это сигнал добавить или улучшить статью
5. Итерируйте в последующие недели

Этот поэтапный подход быстро даёт вам рабочую систему AI-поддержки, а затем улучшает её на основе реальных данных о том, что клиенты на самом деле спрашивают.

Как измерить, работает ли ваша база знаний

После внедрения — метрики, которые говорят, достаточно ли хороша ваша база знаний:

Доля автоматического решения ИИ. Если она ниже 50%, у вашей базы знаний, вероятно, есть пробелы. Хорошие базы знаний поддерживают 60–70% автоматического решения.

Причины эскалаций. Когда ИИ эскалирует — почему? «Релевантная статья не найдена» означает пробел в содержимом. «Несколько противоречащих статей» означает проблему структуры (вероятно, нужно разделить или объединить).

Доля повторных обращений клиентов. Если клиенты часто пишут снова после ответа ИИ, ответы неполны. Часто это проблема конкретности — ответ был в целом верным, но недостаточно подробным, чтобы действительно решить проблему.

CSAT по тикетам, обработанным ИИ. Если у обработанных ИИ тикетов CSAT ниже, чем у обработанных людьми, обычный виновник — качество базы знаний.

Эти метрики превращают улучшение базы знаний из гадания в цикл обратной связи. ИИ говорит вам, где пробелы; вы их заполняете; качество растёт.

Итог

Качество AI-поддержки клиентов — это в основном качество базы знаний. Модель важна, архитектура важна, но самый большой рычаг, который вы контролируете, — это документация, которую вы скармливаете ИИ.

Пять правил — одна тема на статью, заголовки в форме вопросов, конкретные инструкции, блоки контекста, актуальные метаданные — просты в формулировке и сильны по эффекту при внедрении. Команды, которые им следуют, получают 60–70% автоматического решения. Команды, которые вставляют свою старую, ориентированную на человека документацию и ждут магии, получают посредственный результат и винят ИИ.

База знаний — это та часть AI-поддержки, которую вы полностью контролируете. Она стоит вложений.

Где здесь Respondo

Интеграция с базой знаний в Respondo автоматически обходит вашу существующую документацию как отправную точку, а затем подсвечивает возможности переструктурировать её для лучшей работы ИИ. ИИ на основе рассуждения выжимает максимум из хорошо структурированного содержимого — он понимает контекст и составляет конкретные ответы, а не просто достаёт ближайшую статью.

Панель показывает метрики, которые говорят, работает ли ваша база знаний: долю автоматического решения, причины эскалаций, долю повторных обращений. Это превращает улучшение базы знаний в цикл обратной связи на данных, а не в гадание.

14-дневный пробный период даёт время подключить базу знаний, увидеть исходное качество ИИ и определить, где переструктурирование поможет больше всего.

Хотите увидеть, насколько хорошо ИИ справляется с вашей текущей документацией? Начните 14-дневный бесплатный период — подключите базу знаний и посмотрите долю автоматического решения на своих реальных тикетах.