Най-добрият ви търговец има години отговори в своя WhatsApp: RAG или fine-tuning?

Представете си най-добрия си търговец. Той затваря повече сделки от всеки друг и го прави от телефона си: знае какво да каже на клиента, който се колебае, и на онзи, който се пазари. Години разговори в WhatsApp оставят там ценна, но разхвърляна част от начина, по който отговаря на възражения, обяснява условия и съставя оферти. Един ден на комитета някой предлага очевидното на пръв поглед: «Нека обучим изкуствен интелект с чатовете му и всички да продават като него».

Идеята е добра по замисъл и деликатна в изпълнението. «Да обучиш ИИ» може да означава три много различни неща, с различни разходи, рискове и срокове. Лошият избор не само харчи пари: може да създаде асистент, който повтаря грешки, цитира изтекли цени или ползва данни на клиенти за цел, която уведомлението за поверителност може да не покрива.

Статията е за онзи, който решава за ИИ в банка, застрахователна компания, финтех, търговска верига или регулирана компания. Обяснява понятията без жаргон, сравнява двата най-чести пътя и завършва с разрешения случай с WhatsApp, стъпка по стъпка.

Понятията, без жаргон

Езиковият модел: автор, който е прочел огромно количество текст

Езиковият модел е система, която е прочела огромни количества текст и въз основа на това изчислява кои думи следват с най-голяма вероятност. Затова може да пише и да резюмира с видима плавност; тази плавност не замества проверката на фактите. Но има две ограничения, които имат значение за един ръководител: не приемайте, че познава информацията на вашата компания (тарифите, политиките и преписките ви) нито че онова, което знае, е актуално: обучен е с информация, налична до определена дата, не непременно с онова, което се е променило вчера. Когато отговорът зависи от тях, трябва да му се дадат одобрени и актуални източници. Освен това може да сгреши с пълно самочувствие.

Инструкции (prompting): брифингът

Това е най-простият начин да го насочите: във всяка заявка да му кажете кой е, какъв тон да ползва, какъв формат да предаде и да му покажете един-два примера. Все едно давате добър брифинг на нов анализатор преди всяка задача. Не променя модела; променя онова, което му се иска.

RAG: правилната преписка, преди да отговори

RAG на английски означава retrieval-augmented generation, тоест генериране, подсилено с извличане. Идеята се побира в едно изречение: преди да отговори, системата търси в одобрените ви документи съответните откъси и ги предава на модела заедно с въпроса. Това е анализаторът, който, преди да отговори, отваря действащата политика и прилага страниците, които е ползвал.

Две последици го правят привлекателен. Първата: знанието живее във вашите документи, не в модела; ако тарифата се промени, обновява се документът. Втората: отговорът може да покаже откъде идва. Microsoft го описва така в своята документация: моделът получава извлеченото съдържание и генерира «отговор, който може да включва цитати към източника» [1].

Fine-tuning: интензивният курс

Fine-tuning, или фино настройване, е допълнително обучение на модела с примери за онова, което искате да прави: при такъв вид вход, този е правилният изход. Това е интензивен курс за анализатора. Научава стил, формат или конкретна задача и я повтаря последователно. Онова, което не научава по надежден начин, е това, което се е променило след курса: нова тарифа, поправена политика, продуктът, пуснат миналия месец.

Какво решава и какво не решава всяко от тях

Разграничението, което подрежда всичко, AWS поставя така: ако моделът няма знанието, то му се предава с RAG; ако «тонът, начинът на разсъждение или изпълнението на задачата не съвпадат с онова, което изисквате, въпреки че има правилното знание», тогава fine-tuning [2]. OpenAI го формулира като две оси: контекстът (онова, което моделът не знае, е остаряло или е собственост на компанията) и поведението (непоследователни резултати, неправилен формат или тон) [3]. Microsoft съвпада: RAG за частни или променливи данни; fine-tuning за промяна на поведението, стила или изпълнението на задача, «вместо добавяне на ново знание» [1]. (Цитатите от доставчиците са наш превод.)

Какво изисква всеки път

Нужни данни. RAG изисква надеждни, актуални документи с отговорник. Fine-tuning изисква одобрени примери за правилното изпълнение на задачата. Microsoft препоръчва точни, последователни и представителни примери, които да се сравняват с независима оценка; количеството трябва да се решава с тестове, не с универсален праг [4]. И въпросът не е в количеството: същият документ изисква преди качването на данните да се проверят липсващи сценарии, дубликати, пристрастия и чувствителна информация [4].

Почистване. И при двата пътя подготовката, прегледът и поддръжката на данните изискват значителна работа на бизнеса, на юридическия отдел и на технологиите. При RAG противоречив или стар документ се превръща в противоречив или стар отговор, сега с вид на източник. Microsoft предупреждава: качеството на един RAG зависи от подготовката на съдържанието и от извличането, а дори и с документи моделът може да даде непълни или неточни отговори [1]. При fine-tuning слабите или непредставителни примери могат да пренесат в модела нежелани модели на поведение и да влошат задачата, включително лошите навици; затова изискват подбор и оценка.

Лични данни и съгласие. Един чат за продажби съдържа имена, телефони, понякога финансови данни. Новият Федерален закон за защита на личните данни, притежавани от частни лица (Ley Federal de Protección de Datos Personales en Posesión de los Particulares, LFPDPPP), публикуван в държавния вестник на Мексико (Diario Oficial de la Federación, DOF) на 20 март 2025 г., постановява, че всяка обработка на лични данни е предмет на съгласието на техния титуляр, освен изключенията по закона (чл. 7). Финансовите или имуществените данни изискват изрично съгласие (чл. 7), а чувствителните — изрично и писмено (чл. 8). А ако искате да ползвате данните за цел, различна от обявената в уведомлението за поверителност, законът изисква отново да се получи съгласие (чл. 11) [5]. Дори прегледът на чатовете, за да се подготви извадка, вече е обработка на данни. Законът предвижда изключения от съгласието, между които данните предварително да преминат през процедура на дисоциация (чл. 9), и определя дисоциацията като състояние, при което данните не могат да бъдат свързани с титуляра нито да позволяват, по своята структура, съдържание или степен на разчленяване, неговото идентифициране (чл. 2). Въпрос към вашия юридически отдел: покрива ли уведомлението, с което тези клиенти са писали, това съобщенията им да обучават или да захранват ИИ? Ако отговорът е «не знам», това е разговор, който трябва да се състои преди техниката. Това не е правен съвет; това е прочит на текст, който вашият юрист трябва да потвърди за вашия случай.

Разход. RAG добавя подготовка на документи, търсене и повече текст за всяка заявка (Microsoft го изброява: разходи за извличане и за embeddings, и повече входни токени [1]). Fine-tuning добавя подготовка на примери, обучение, оценка и, според доставчика и схемата на внедряване, разходи за обучение, хостинг и изводи [4]. Може да намали натоварването с инструкции; оценката спрямо базова линия ще покаже дали подобрява и разхода, или забавянето [4]. Нито един от тях не е «винаги по-евтин»: зависи от обема, от качеството на данните и от онова, което искате да постигнете.

Време и поддръжка. При RAG промяната на политика е промяна на документ. При fine-tuning Microsoft препоръчва качеството да се преоценява, когато данните на задачата се променят или базовият модел наближава оттегляне; може да се наложи повторно обучение и ново внедряване [4]; тоест трябва да се провери дали примерите все още представят задачата и да се валидира отново. Това е разликата между обновяването на една папка и повторното даване на курса.

Одит. Един RAG, проектиран с контрол на достъпа, регистър и цитати, може да улесни проверката кое съдържание е обосновало един отговор: кой е питал, кои документи са били консултирани и какъв източник е бил показан. Нищо от това не се появява само защото се ползва RAG; зависи от начина, по който е изграден, а Microsoft предупреждава, че нерелевантното извлечено съдържание може да доведе до неточни отговори и че достъпът трябва да се контролира [1]. Цитатът сам по себе си не доказва, че изводът е правилен, но позволява някой да го провери. Настроеният модел не предлага източник за всеки отговор; неговата следа е наборът от примери и тестовете, с които е одобрен, и това трябва да се пази и да се версионира.

Риск да научи грешки. Това е точката на търговеца звезда. Суровите му чатове включват отстъпки, които не е трябвало да предлага, обещания, които продуктът не изпълнява, импровизирани отговори, които са сработили веднъж, и неформален тон, който с друг клиент би бил проблем. Модел, настроен с този материал, не различава таланта от хрумването.

С кое да започнете и защо

Препоръката на самите доставчици е да се започне с най-простото и да се качва на следващото стъпало само когато реален тест го оправдае. AWS го казва без заобикалки: «започнете с най-простия подход и задълбочавайте само когато трябва» [2], а собствената му последователност върви от ползването на модела какъвто е, към инструкции, към RAG, и оставя фината настройка за случая, когато поведението продължава да не съвпада [2]. Предупреждава и че екипите често прескачат към fine-tuning «когато един добре структуриран prompt би го решил за един следобед» [2].

Честна уговорка: OpenAI не представя това като задължителна стълба. Ръководството му казва, че мнозина го разглеждат като линеен поток (инструкции, после RAG, после fine-tuning), но че «често не е така»: това са лостове, които решават различни неща, и трябва да се дръпне правилният [3]. На практика двете позиции съвпадат в същественото: първо диагностицирайте какво не работи (липсва ли знание, или поведението е лошо?) и изберете най-малко сложната намеса, която позволява да се провери хипотезата. Започнете с измерване на грешката: инструкции, ако липсва насока; RAG, ако липсва актуална или частна информация; fine-tuning, ако остава повтаряща се разлика в поведението. Могат да се комбинират, ако тестовете го оправдават.

Причината за ръководството: всяко стъпало добавя данни, разходи, риск и експлоатация. Преди да инвестирате, измерете базова линия с реални случаи и определете какво означава «отговори добре».

Кога fine-tuning си заслужава и кога да ги комбинирате

Заслужава си, когато има повтаряща се разлика в поведението и достатъчно одобрени примери. Документацията на Microsoft изброява типичните случаи [4]:

• Твърд формат или схема: структурирани изходи, отчети с фиксирани полета.
• Последователен стил и тон, например при обслужване на клиенти.
• Съкращаване на много дълги инструкции, които оскъпяват и забавят всяка заявка.
• Дестилация: ползване на изходите на голям модел, за да се настрои по-малък, който върши добре тясна задача, с по-малък разход и по-малко забавяне.

Могат и да се комбинират, и това е възможност, когато тестовете я оправдават: fine-tuning за поведението, RAG за фактите, които се променят и трябва да се цитират. Microsoft го описва като подобряване на способността на модела да ползва извлеченото знание и да отхвърля нерелевантното [4]. Асистент, който говори с тона на вашата компания (настройка) и консултира действащата тарифа (RAG), решава и двете неща.

Случаят с WhatsApp, разрешен

Да се върнем на комитета. Това е последователност, която ограничава началния обхват и създава доказателства, преди да се разширява.

1. Изследователска извадка, не всичко. Започнете с изследователска извадка, определена заедно с търговския, юридическия отдел и отдела по сигурност, която покрива видовете клиенти, възражения и продукти. Размерът ѝ трябва да стига, за да се оцени случаят, без да се събират повече данни от необходимото. По-малко лични данни в играта, по-малко почистване.
2. Почистване и защита. Преди да ползвате извадка, определете с юридическия отдел приложимото основание и приложете дисоциация, която разумно да пречи на повторното идентифициране на клиенти или колеги; премахването на видими имена, телефони и суми само по себе си може да не стига. Задръжте модела, не лицето.
3. Превръщане в одобрено знание. От материала излизат често задавани въпроси, примерни отговори, работа с възражения, сравнения. Търговецът дава контекста; търговският отговорник или отговорникът за продукта и отговорниците за цени, условия и политики одобряват всяка част. Така се отделя онова, което работи, от случайната отстъпка. Този документ, с отговорник и дата на валидност, е активът.
4. RAG в режим «предложение към търговеца». Асистентът не отговаря на клиента; предлага отговор на търговеца, с източника на показ. Така се измерва колко предложения приема, кои поправя и къде греши. Изпращането и търговското решение остават в ръцете на човек, с критерии за преглед, право да отхвърли предложението, регистър на резултатите и определен път за ескалация.
5. Събиране на бъдещото през официалния канал. За да не продължава новото знание да живее само в личен телефон, търговските разговори трябва да минават през канал на компанията, с ясно уведомление за поверителност, регистър и права за достъп. Това е основата на всичко останало.
6. После, и само ако има разлика в стила, която RAG не затваря, да се оцени fine-tuning с вече почистени и одобрени примери, не със сурови чатове.

Предупреждение, което трябва да се каже ясно: извличането на чатове от телефон (експортиране, копиране, ползване на програми, които ги четат) има последици за поверителността —клиентите са писали на човек, не на система за обучение— и, ако става дума за акаунт на WhatsApp Business, не ползвайте експортатори, scrapers, нито неоторизирани приложения: действащите условия на WhatsApp Business App забраняват извличането на данни от услугата и ползването на приложения, които взаимодействат с нея без предварително писмено разрешение, и възлагат на компанията отговорността да осигури необходимите уведомления, права и съгласия [6]. Прегледайте договора, приложимата политика и уведомлението за поверителност, преди да интегрирате съобщения. Не го препоръчваме като отправна точка. Преди да докоснете и един чат, консултирайте се с юридическия си отдел и с отдела по сигурност и прегледайте с тях какво може да се направи, на какво основание и през кой канал.

Пет въпроса за вашия следващ комитет

1. Кое решение ще подпомага системата и кое остава изрично в ръцете на човек?
2. Кой е официалният източник на всеки отговор, кой е неговият отговорник и на какъв период се променя?
3. Какви доказателства трябва да пази всеки отговор за уточнение, одит или регулатор?
4. На какво основание и с какво уведомление за поверителност разполагаме с тези данни и какво към кой доставчик или среда пътува? Покрива ли уведомлението тази употреба, кой може да вижда данните, колко дълго се пазят и как се уреждат достъпът, поправката, отмяната или възражението?
5. Как ще измерим, че работи (каква грешка е допустима, какво се ескалира към човек), преди да го разширим?

От къде да започнете тази седмица, без проект

Изберете един вид въпроси на клиенти (например възражения за един продукт). Помолете най-добрия си търговец да запише на един лист десетте отговора, които би дал, и защо. С това имате първо одобрено знание, извадка за изпробване на асистент в режим на предложение и, преди всичко, доказателство дали проблемът е на знанието, на поведението или и на двете. Можете да започнете, без да преизползвате исторически чатове и без да решавате за наемане.

Какво прави Hábil

Hábil работи от 2006 г. в интеграцията на системи. Hábil AI придружава компании, които оценяват как да въведат ИИ в съществуващи процеси. Когато политиките на вашата организация ограничават обработването на информация извън нейната среда, заедно с вас се преглежда дали Nova е приложима алтернатива и при какви условия.

Първият разговор е безплатен: тръгва от това къде живее днес знанието на вашата дейност и от онова, за което трябва да се внимава, преди да го пуснете в работа. Пишете ни в WhatsApp.

Consultadas el 6 de octubre de 2026; la referencia 4, el 19 de octubre de 2026.