Почему RAG никогда не станет мозгом компании

Сегодня почти весь корпоративный AI строится вокруг одной идеи. Собрать документы. Построить векторный индекс. Подключить LLM. Получить ответы.

Это прекрасно работает для поиска информации. И практически не помогает принимать решения. Стоит разобраться, почему именно, — причина структурная, а не вопрос настройки.

Конкретный пример: таможенная классификация

Возьмите таможенную систему. Десятки тысяч документов: законы, приказы, товарная номенклатура и пояснения к ней, международные соглашения, предварительные решения, судебная практика, внутренние инструкции.

Допустим, модель прочитала всё это. Каждую страницу, идеально найденную, целиком в контексте.

Она всё равно не знает:

• Что важнее чего. Приказ министерства не отменяет обязательство по международному договору. Внутренняя инструкция не отменяет ни то, ни другое. Иерархия — свойство правовой системы, а не текста.
• Что действует сейчас. Документы обычно не сообщают о собственной отмене. Изменение живёт в другом документе, опубликованном позже, иногда в другом реестре.
• Какова область применения. Правило про «текстильные изделия» относится к конкретному набору товарных позиций, и чтобы понять, к какому именно, нужна номенклатура, а не предложение из текста.
• Где противоречия. Две конфликтующие нормы для косинусного расстояния выглядят одинаково. Разрешить конфликт можно, только зная правило разрешения конфликтов.
• Что решали раньше. Соответствие прежним решениям по существенно схожим товарам часто и есть настоящее юридическое требование — а «существенно схожий» это доменное отношение, а не близость текстов.

Эксперт справляется со всем этим без усилий, и не потому, что запомнил больше документов. У него есть внутренняя модель устройства предметной области: какие сущности существуют, как они связаны, какие связи порождают какие обязательства, что чего сильнее.

Этой модели у поисковых систем нет. Именно она называется онтологией.

Онтология в инженерном смысле

У слова тяжёлый академический шлейф, поэтому конкретно. В этом контексте онтология — формальная, машинно-проверяемая модель предметной области:

• сущности — товары, декларации, участники, процедуры, разрешения;
• связи между ними — является, входит в, отменяет, требует, исключает, применяется к;
• ограничения — эта процедура требует того разрешения; эта классификация исключает ту;
• происхождение — каждое утверждение прослеживается до источника, с версией и сроком действия.

Ничего экзотического здесь нет. У любой серьёзной регулируемой организации фрагменты этого уже есть: классификаторы, реестры, справочники, деревья решений в комплаенс-регламенте, негласные правила, которые старший коллега передаёт младшему. Просто всё это не записано в форме, пригодной для машинного вывода, — и именно это знание AI Factory молча теряет.

Обратите внимание, что даёт онтология поверх эмбеддингов. Векторная близость — это единое, недифференцированное, симметричное отношение «похожести». Предметная область живёт на множестве типизированных, направленных связей, и разница между «эти две нормы похожи» и «эта норма отменяет ту» — это разница между результатом поиска и решением.

Что меняется, когда структура есть

Когда модель предметной области существует, сгенерированный ответ становится тем, что можно допросить.

LLM предлагает классификацию. Символьный слой теперь может проверить: существует ли предложенная позиция в действующей редакции номенклатуры, не противоречат ли исключающие примечания описанию товара, есть ли требуемое разрешение, покрывает ли ранее выданное предварительное решение существенно схожий предмет — и либо подтвердить предложение, либо отклонить его с указанием причины, либо направить человеку, потому что случай попал в зону подлинной неоднозначности.

Появляются три свойства, недостижимые для чистого поиска.

Объяснимость. Не «модель обратила внимание на эти токены», а цепочка: эта позиция — из-за этого примечания, действующего с этой даты, согласуется с этим прецедентом. Объяснение, с которым эксперт может не согласиться, — а только такое и имеет смысл.

Воспроизводимость. Один и тот же случай даёт одно и то же решение, потому что решающая часть не сэмплируется из распределения. Творчество модели ограничено предложением; принятие — детерминировано.

Ограниченность. Систему можно лишить возможности утверждать то, что модель предметной области считает невозможным. Не вежливой просьбой в промпте, а тем, что утверждение не проходит проверку раньше, чем становится ответом.

Это не «RAG бесполезен»

Совсем нет. Поиск — правильный инструмент для заземления языка в вашем корпусе, и он остаётся в архитектуре. Утверждение уже и жёстче: поиск — это компонент, а не архитектура. У системы, верхнеуровневый дизайн которой звучит как «найти и сгенерировать», просто нет места, куда положить приоритет норм, срок действия, авторизацию и доказательство, — поэтому всё это оказывается в строках промпта, где его невозможно обеспечить принудительно.

Альтернатива — не отказ от языковых моделей, а второй полюс к ним. Нейронный — язык, извлечение, гипотезы, взаимодействие. Символьный — структура, ограничения, приоритеты, доказательства. Системы, построенные на этой паре, называются нейросимволическими, и мы считаем, что именно туда движется убедительный корпоративный AI.

Отсюда практический вопрос: а что, собственно, крутит этот цикл? Кто-то должен удерживать модель, онтологию, политики, инструменты и человека в едином потоке исполнения.

---

Следующая статья: Что такое Harness System — архитектура, которая стоит между агентом и реальностью.