Czym jest RAG? Jak działa AI oparte na danych firmy?

Modele językowe potrafią odpowiedzieć niemal na wszystko – poza pytaniami o Twoją firmę. Nie znają jej procedur, dokumentacji technicznej ani danych z produkcji. RAG (Retrieval Augmented Generation) to architektura sztucznej inteligencji, która łączy model językowy z wiedzą organizacji, dzięki czemu odpowiedzi opierają się na faktach z Twoich dokumentów i systemów, a nie na ogólnej wiedzy z internetu. W przemyśle oznacza to praktyczną różnicę: operator znajduje procedurę przezbrojenia w kilkanaście sekund, a nie w kilkanaście minut.

RAG w skrócie

• RAG to architektura, a nie model – łączy wyszukiwanie informacji (retrieval) z generowaniem odpowiedzi przez duży model językowy (LLM).
• System RAG odpowiada na podstawie danych firmy, a nie wyłącznie na podstawie danych treningowych modelu.
• RAG ogranicza halucynacje AI, ponieważ każda odpowiedź może wskazywać dokument źródłowy, z którego pochodzi.
• RAG nie zastępuje ERP, MES ani CMMS – jest warstwą dostępu do wiedzy, która działa ponad tymi systemami i korzysta z ich danych.
• System RAG może działać lokalnie, w infrastrukturze firmy, bez wysyłania dokumentów do zewnętrznych usług AI.

Czym jest RAG?

RAG (Retrieval Augmented Generation) to architektura AI, w której model językowy przed wygenerowaniem odpowiedzi wyszukuje potrzebne informacje w wskazanych źródłach wiedzy organizacji. Zamiast opierać się wyłącznie na tym, czego nauczył się podczas treningu, model otrzymuje aktualny kontekst: fragment procedury, zapis z raportu produkcyjnego, tabelę z dokumentacji technicznej.

Nazwa opisuje mechanizm dosłownie: retrieval to wyszukanie informacji, augmented generation to generowanie odpowiedzi wzbogacone o odnalezioną wiedzę. Kolejność jest tu kluczowa – najpierw fakty, potem odpowiedź.

Dlaczego sam model językowy nie wystarcza w firmie

Klasyczny model językowy jest zamknięty w swojej wiedzy z momentu treningu. W środowisku przemysłowym oznacza to cztery konkretne ograniczenia:

• Nie zna danych organizacji – nie widział instrukcji stanowiskowych, DTR maszyn ani historii awarii.
• Nie ma dostępu do aktualnej dokumentacji – nie wie, że procedura zmieniła się w zeszłym kwartale.
• Może generować nieprawdziwe informacje – zjawisko znane jako halucynacje AI, szczególnie ryzykowne przy parametrach technicznych i wymaganiach jakościowych.
• Nie rozumie kontekstu procesowego – nie odróżnia dwóch linii produkcyjnych o podobnej nazwie ani wariantów tego samego wyrobu.

Jak działa RAG krok po kroku?

Działanie systemu RAG opiera się na czterech etapach: pytaniu użytkownika, wyszukaniu informacji w danych firmy, analizie kontekstu przez model językowy i wygenerowaniu odpowiedzi z odwołaniem do źródła. Cały proces trwa zwykle kilka sekund i z perspektywy użytkownika wygląda jak zwykła rozmowa.

1. Użytkownik zadaje pytanie w języku naturalnym

Pytania w środowisku produkcyjnym brzmią zwykle bardzo praktycznie:

• „Jak wygląda procedura przezbrojenia linii L3 na wariant B?”
• „Jakie były przyczyny ostatnich awarii wtryskarki nr 4?”
• „Jakie są wymagania jakościowe dla tego wyrobu u klienta X?”
• „Jak przebiega proces reklamacyjny i kto go zatwierdza?”

Użytkownik nie musi znać nazwy dokumentu ani lokalizacji pliku – to zadanie systemu.

2. System wyszukuje informacje w danych firmy

Warstwa retrieval przeszukuje wskazane wcześniej źródła. W praktyce działa dwutorowo, w zależności od tego, gdzie leży odpowiedź:

• Dokumenty i wiedza opisowa – instrukcje, procedury, normy, DTR, raporty, wiki firmowe. Tekst jest dzielony na fragmenty (chunking), zamieniany na wektory (embeddingi) i zapisywany w bazie wektorowej, która umożliwia wyszukiwanie semantyczne – po znaczeniu, a nie po dokładnym słowie.
• Dane liczbowe i transakcyjne –  wskaźniki z MES, zlecenia z ERP, zgłoszenia z CMMS. Tu system nie korzysta z wyszukiwania semantycznego, tylko odpytuje bazę lub API systemu źródłowego i pobiera konkretne wartości.

To rozróżnienie ma znaczenie praktyczne. Pytanie „jak wykonać przezbrojenie” znajdzie odpowiedź w dokumentacji. Pytanie „które linie miały OEE poniżej 70% w lipcu” wymaga zapytania do danych MES. Dojrzałe wdrożenia łączą obie ścieżki w jednym interfejsie.

3. Model językowy analizuje kontekst

Odnalezione fragmenty trafiają do modelu językowego jako kontekst odpowiedzi. Dzięki temu model pracuje na terminologii firmy, jej oznaczeniach maszyn, nazwach procesów i wariantach wyrobów – nawet jeśli nigdy wcześniej ich nie widział.

Na tym etapie stosuje się często reranking, czyli ponowne uszeregowanie znalezionych fragmentów według rzeczywistej trafności. To jeden z elementów, które najbardziej wpływają na jakość odpowiedzi.

4. System generuje odpowiedź z odwołaniem do źródła

Odpowiedź powstaje na podstawie dwóch składników: zdolności językowych modelu i pobranych danych organizacji. Dobrze zaprojektowany system RAG zawsze wskazuje źródło – nazwę dokumentu, numer rozdziału, datę wersji. Użytkownik może zweryfikować odpowiedź jednym kliknięciem, co jest zasadniczą różnicą wobec klasycznego chatbota AI.

Słowniczek pojęć RAG

Czym RAG różni się od klasycznego modelu językowego?

Klasyczny model językowy odpowiada na podstawie danych treningowych. System RAG odpowiada na podstawie wiedzy modelu oraz aktualnych danych organizacji pobranych w momencie zadania pytania. Konsekwencje tej różnicy widać w każdym istotnym kryterium.

Ostatni wiersz jest z perspektywy firmy najważniejszy: aktualizacja wiedzy w systemie RAG to aktualizacja dokumentu, a nie projekt IT.

RAG, fine-tuning i długi kontekst

To trzy różne narzędzia, które odpowiadają na trzy różne potrzeby – i w dojrzałych wdrożeniach często występują razem. Fine-tuning zmienia sposób, w jaki model odpowiada. RAG zmienia to, o czym model wie. Długi kontekst pozwala jednorazowo przeanalizować duży dokument.

W praktyce przemysłowej punktem wyjścia jest niemal zawsze RAG – bo problemem firm nie jest to, jak model pisze, tylko to, że nie zna ich dokumentacji.

Jakie dane wykorzystują systemy RAG?

Systemy Retrieval Augmented Generation pracują na wiedzy, którą firma już posiada. Zwykle rozproszonej między serwer plików, systemy dziedzinowe i głowy doświadczonych pracowników.

Dane nieustrukturyzowane

• Dokumentacja techniczna – instrukcje, procedury, normy, specyfikacje, DTR maszyn, instrukcje serwisowe
• Dane jakościowe – raporty reklamacyjne, analizy FMEA, raporty 8D, dokumentacja CAPA, protokoły audytów
• Wiedza organizacyjna – checklisty, standardy operacyjne, opisy procesów, notatki ekspertów, wiki firmowe

Dane ustrukturyzowane

• Dane produkcyjne – raporty produkcyjne, wskaźniki OEE, parametry procesów, dane z systemów IoT i SCADA
• Dane utrzymania ruchu – historia awarii, zgłoszenia i harmonogramy z CMMS, raporty serwisowe, wskaźniki MTTR i MTBF
• Dane biznesowe – zlecenia i stany magazynowe z ERP, dane kosztowe, dane zakupowe i kontraktowe

Im lepiej uporządkowane dane, tym wyższa skuteczność systemu RAG. To zdanie warto potraktować dosłownie – jakość źródeł jest w tym projekcie ważniejsza niż wybór modelu językowego.

Czy dane firmy są bezpieczne w systemie RAG?

To pytanie pada na każdym spotkaniu wdrożeniowym i ma dobrą odpowiedź: system RAG może działać w całości w infrastrukturze firmy, bez przesyłania dokumentów do zewnętrznych usług AI. Bezpieczeństwo zależy jednak od trzech konkretnych decyzji architektonicznych.

Model lokalny czy chmurowy

W wariancie prywatnym zarówno baza wiedzy, jak i model językowy działają na serwerach firmy lub w jej dedykowanej instancji. Dokumenty techniczne, dane kosztowe i know-how nie opuszczają organizacji. To rozwiązanie rekomendowane wszędzie tam, gdzie w grę wchodzi tajemnica przedsiębiorstwa, wymagania klientów z branży automotive czy zapisy umów NDA.

Uprawnienia i kontrola dostępu

Dobrze zaprojektowany system RAG dziedziczy uprawnienia z systemów źródłowych. Operator widzi to, co widzi w intranecie; kierownik produkcji – to, do czego ma dostęp w MES. Bez tej warstwy system stałby się najszybszym w firmie narzędziem do przypadkowego ujawnienia danych kadrowych czy kosztowych.

RODO i AI Act

Wdrożenie warto zaprojektować od razu z myślą o zgodności: rejestrowanie zapytań i odpowiedzi, jasne określenie kategorii danych trafiających do indeksu, wyłączenie danych osobowych tam, gdzie nie są potrzebne, oraz udokumentowanie zasad działania systemu. Rozwiązania klasy asystenta wiedzy nie należą co do zasady do systemów wysokiego ryzyka, ale obowiązki informacyjne i wymogi przejrzystości warto spełnić od pierwszego dnia.

RAG w przemyśle – przykłady zastosowań

AI w przemyśle wymaga dostępu do rzeczywistych danych organizacji. Dlatego Retrieval Augmented Generation stał się fundamentem praktycznych wdrożeń AI w przedsiębiorstwach produkcyjnych – obok systemów MES i rozwiązań Digital Factory, a nie zamiast nich.

Produkcja

Operator i technolog zyskują natychmiastowy dostęp do instrukcji, parametrów procesu i historii podobnych problemów. Zamiast szukać właściwej wersji procedury na serwerze plików, zadają pytanie i otrzymują odpowiedź ze wskazaniem dokumentu źródłowego.

Utrzymanie ruchu

System łączy treść dokumentacji technicznej z historią zgłoszeń w CMMS. Przy awarii podpowiada, jak podobny objaw był rozwiązywany wcześniej, jakie części wymieniano i jaka procedura obowiązuje – co bezpośrednio przekłada się na skrócenie czasu diagnozy.

Jakość

Wsparcie analizy reklamacji, interpretacji norm i wymagań klienta, przygotowania do audytów oraz wyszukiwania powiązań między podobnymi niezgodnościami w historii raportów 8D i dokumentacji CAPA.

Zakupy i logistyka

Szybkie odnajdywanie zapisów w umowach i warunkach dostaw, porównywanie ofert i specyfikacji, analiza dokumentacji zakupowej oraz wsparcie procesów sourcingowych.

Zarządzanie wiedzą

To zastosowanie o najdłuższym horyzoncie. Wiedza doświadczonych pracowników zwykle nie jest nigdzie zapisana – odchodzi razem z nimi. System RAG pozwala ją utrwalić, udostępnić całej organizacji i skrócić czas wdrożenia nowego pracownika, który zyskuje dostęp do wiedzy zespołu od pierwszego dnia.

RAG, MES, ERP i AI – warstwy, które się uzupełniają

To najczęstsze nieporozumienie wokół tej technologii. System RAG nie konkuruje z ERP, MES, CMMS ani BI – działa jako warstwa dostępu do wiedzy ponad nimi i jest tym skuteczniejszy, im lepiej te systemy są wdrożone. Każdy z nich odpowiada za coś innego i żaden nie wykonuje pracy pozostałych.

Jedno pytanie, cztery systemy

Najlepiej widać to na przykładzie. Kierownik produkcji pyta: „Dlaczego OEE linii L2 spadło w zeszłym tygodniu i co z tym zrobić?”

System RAG nie zna odpowiedzi – ale wie, gdzie jej szukać. Pobiera wskaźniki z MES, sprawdza zgłoszenia awarii w CMMS, odnajduje procedurę reakcji na przestój w dokumentacji jakościowej i historię podobnych zdarzeń w raportach. Następnie składa to w jedną odpowiedź w języku naturalnym, ze wskazaniem źródeł. Bez MES nie byłoby wskaźnika. Bez CMMS nie byłoby historii awarii. Bez RAG te dane pozostałyby w czterech osobnych oknach.

Im lepszy MES, tym lepszy RAG

To zależność, o której warto pamiętać przy planowaniu inwestycji. Jakość odpowiedzi systemu RAG jest pochodną jakości danych, które dostaje. Firma z wdrożonym MES-em i uporządkowaną dokumentacją uzyska efekt niemal natychmiast. Firma bez rzetelnej rejestracji danych produkcyjnych najpierw powinna zadbać o źródła – a dopiero potem o warstwę AI. Zagadnienie to rozwijamy szerzej w artykule o tym, czym różnią się AI i MES i co wdrożyć najpierw.

Dlatego RAG najlepiej traktować jako kolejny krok cyfryzacji, a nie jej alternatywę: nadbudowę nad systemem MES, systemem IoT i uporządkowaną dokumentacją, która sprawia, że zgromadzone dane wreszcie zaczynają odpowiadać na pytania.

Ograniczenia RAG – kiedy wdrożenie nie przynosi efektu

Rzetelna odpowiedź brzmi: system RAG jest tak dobry, jak dane, które dostaje. RAG ogranicza halucynacje, ale ich nie eliminuje – dlatego cytowanie źródeł i regularna ewaluacja trafności odpowiedzi są elementem wdrożenia, a nie dodatkiem do niego.

Jak wygląda wdrożenie RAG w firmie?

Wdrożenie systemu RAG łączy kompetencje AI ze znajomością procesów produkcyjnych. W LUQAM realizujemy je w czterech etapach.

1. Diagnoza procesowa. Analiza procesów i zasobów wiedzy: gdzie pracownicy tracą czas na szukanie informacji, jakie pytania powtarzają się najczęściej, które obszary dadzą najszybszy zwrot. Ten etap często poprzedza audyt technologiczny Industry 4.0.

2. Wdrożenie technologiczne. Identyfikacja i integracja źródeł danych – ERP, MES, CMMS, dokumentacja, bazy wiedzy — przygotowanie i uporządkowanie treści, konfiguracja bazy wiedzy oraz połączenie warstwy retrieval z modelem językowym.

3. Uruchomienie i szkolenie. Udostępnienie systemu użytkownikom i przygotowanie zespołu do pracy z nim. Doświadczenie pokazuje, że sposób zadawania pytań ma na jakość odpowiedzi wpływ porównywalny z konfiguracją techniczną.

4. Wsparcie i optymalizacja. Monitorowanie trafności odpowiedzi, rozbudowa bazy wiedzy o kolejne obszary i rozwój rozwiązania wraz z organizacją.

Szersze spojrzenie na kolejność i warunki powodzenia takich projektów opisaliśmy w artykule AI w przemyśle — na co zwrócić uwagę przed wdrożeniem sztucznej inteligencji.

Jak zmierzyć, czy RAG działa?

Wdrożenie AI warto rozliczać tak samo jak każdy inny projekt usprawnieniowy. Cztery wskaźniki wystarczą, aby ocenić, czy system przynosi wartość:

• Czas dotarcia do informacji – mierzony przed wdrożeniem i po nim, dla wybranych typowych pytań.
• Trafność odpowiedzi – odsetek odpowiedzi ocenionych przez użytkowników jako poprawne i kompletne.
• Udział odpowiedzi z potwierdzonym źródłem – miara wiarygodności systemu.
• Adopcja – liczba aktywnych użytkowników i pytań tygodniowo; najlepszy wskaźnik tego, czy narzędzie realnie weszło do codziennej pracy.

Podsumowanie

RAG (Retrieval Augmented Generation) to architektura AI łącząca możliwości modeli językowych z rzeczywistą wiedzą organizacji. Odpowiedzi opierają się na dokumentach i danych firmy, mogą wskazywać źródło i pozostają aktualne bez douczania modelu.

W środowisku przemysłowym system RAG sprawdza się wszędzie tam, gdzie liczą się aktualne dane, dokumentacja techniczna, procedury i wiedza ekspercka: w produkcji, utrzymaniu ruchu, jakości, zakupach i zarządzaniu wiedzą.

Najważniejsze jest jednak to, jak RAG umiejscawia się wśród systemów, które firma już ma. Nie zastępuje ERP, MES ani CMMS – korzysta z ich danych i sprawia, że stają się dostępne w formie odpowiedzi na pytania zadane zwykłym językiem. Dobrze wdrożony MES, uporządkowana dokumentacja i rzetelne dane z produkcji to najlepsza inwestycja, jaką można poczynić przed uruchomieniem AI – i jednocześnie warunek tego, żeby AI faktycznie zadziałało.

Wdrożenie RAG z LUQAM

Chcesz sprawdzić, czy system RAG sprawdzi się w Twojej firmie?

W LUQAM prowadzimy wdrożenia modeli RAG w przemyśle – od diagnozy procesowej i uporządkowania danych, przez konfigurację prywatnego systemu AI działającego na infrastrukturze klienta, po szkolenie zespołu i rozwój rozwiązania. Wspieramy też firmy w obszarach, które decydują o skuteczności takiego wdrożenia: systemach MES, rozwiązaniach IoT i Digital Factory.