Сотрудник уходит из компании. Файлы остаются, переписка доступна, задачи переданы. Но на вопрос «почему клиенту согласовали именно эти условия?» новый руководитель получает несколько несовместимых ответов. Документы сохранили результат, а основания решения остались в памяти человека.

Корпоративная память — это история работы, по которой можно восстановить, кто принял решение, на каких условиях и что изменилось позднее. ИИ помогает искать связи между встречами, документами и задачами. Однако общая папка с файлами или длинная история чата ещё не дают ответа на вопрос, какие договорённости действуют сегодня.

Главное в трёх тезисах

  1. 01

    Память проекта сохраняет решения вместе с датами, основаниями и последующими изменениями.

  2. 02

    Поиск и большое контекстное окно сами по себе не определяют, какая договорённость действует.

  3. 03

    Исправления и права доступа должны учитываться в каждом новом ответе.

Что хранить кроме документов

У проекта есть несколько видов информации: наблюдения, предложения, решения, обязательства и результаты. Их важно различать. Сообщение «клиент может увеличить заказ» не равно подтверждённому заказу. Одобренный план не означает выполненную работу.

У каждой записи нужны дата, проект или клиент, участники, статус и источник. Связь с предыдущими событиями позволяет понять, почему запись появилась. Если новое решение отменяет старое, оба остаются в истории — иначе через месяц снова придётся выяснять, откуда взялись нынешние условия.

Например, 3 сентября клиенту согласовали дополнительный этап при условии отдельной оплаты. 10 сентября заказчик попросил включить этот этап в первоначальный бюджет. Пока изменение не одобрено, система не должна отвечать, что новая стоимость уже согласована. Важно сохранить обе записи и статус второй.

Чем память отличается от базы знаний

База знаний помогает найти действующую инструкцию или описание продукта. В памяти проекта нужно также восстановить последовательность: что обсуждали, что приняли, что отменили и почему.

Граница не абсолютная. Современные базы знаний могут хранить версии и связи, а системы корпоративного поиска используют метаданные и права доступа. Поэтому выбирать продукт по слову «память» в презентации бессмысленно. Проверьте, способен ли он восстановить конкретную историю без вашего пересказа.

Разработчики предлагают разные способы работы с этой задачей. В описании Glean акцент сделан на поиске по рабочим источникам с учётом контекста и доступа. Sloy описан как рабочая память для агентов, связывающая записи о работе с проектами, людьми и решениями. Эти описания помогают составить список для проверки; сравнением качества на одинаковых данных они не являются.

Как RAG помогает искать по базе знаний компании

Один из распространённых подходов — RAG, генерация с извлечением источников. При запросе система находит релевантные фрагменты и использует их для подготовки ответа. В работе Patrick Lewis и соавторов, представленной на NeurIPS 2020, исследовалось сочетание генеративной модели с внешней извлекаемой памятью.

Так ассистент получает сведения из рабочих источников, которых общая модель не знала при обучении. Но найденный по запросу документ может быть устаревшим, относиться к похожему клиенту или содержать отменённое предложение. Поиск нужной темы и восстановление действующего решения — разные задачи.

Поэтому качество ответа зависит от того, какие сведения система отобрала и как определила их актуальность. Если нужное решение вообще не попало в контекст, более гладкая формулировка не исправит ответ.

Почему большое контекстное окно не снимает проблему

Вместимость модели показывает, сколько материала можно передать за один раз. Она не говорит, насколько уверенно модель выберет важное среди похожих записей.

В исследовании Lost in the Middle 2023 года качество ответов зависело от того, где в длинном контексте находилась нужная информация. Работа относится к протестированным тогда моделям. Выбирая систему в 2026 году, тот же вопрос стоит проверить на своей истории: найдёт ли она важную поправку среди десятков обсуждений?

Для такой работы нужны отбор сведений, учёт версий и сохранение связей. Anthropic разбирает эти вопросы в материале об управлении контекстом агентов. При выборе продукта показателен ответ на конкретный вопрос о проекте: объём контекстного окна сам по себе не доказывает, что поправка будет учтена.

Как должны учитываться исправления и права

Если человек уточнил решение, исправление должно влиять на будущие ответы. При этом должно быть понятно, кто внёс изменение и на каком основании. Полезно отделять автоматически извлечённый черновик от подтверждённой записи: они не обладают одинаковым статусом.

Права доступа нужны до подготовки ответа. Недостаточно скрыть кнопку открытия документа, если его содержание уже пересказано в сводке. Тот же принцип касается удалённых материалов и изменения роли сотрудника: сохранённая память не должна превращаться в обход ограничений исходной системы.

Для консультантов особенно важно разделение клиентов. Похожие задачи и одинаковые отрасли не дают оснований смешивать сведения разных заказчиков. В проверочный набор стоит включить два проекта с похожими названиями и противоположными решениями.

Как проверить память компании на демонстрации

Подготовьте небольшую историю с исходным решением, изменением условия и открытым вопросом. Попросите восстановить состояние проекта на две разные даты. Затем задайте вопрос, ответа на который в источниках нет.

Хороший результат содержит подтверждённые сведения, их основания и явно обозначенные пробелы. Уточнение пользователя должно изменить следующую сводку. Запрос от участника с ограниченными правами не должен раскрывать закрытые материалы. Длина ответа при этом вторична.

В Executive AI сохранение проектного контекста выделено в самостоятельную часть продукта, связанную со встречами, задачами и отчётами. Для его оценки подходит именно такая проверка истории, а не только демонстрация поиска по загруженному файлу.

Где начинать накопление памяти

Выберите процесс, в котором регулярно возвращаются к прошлым решениям: сопровождение клиента, проектный комитет или еженедельная операционная встреча. Зафиксируйте, какие сведения считаются подтверждёнными и кто может их менять. После этого проверяйте, может ли новый участник разобраться в ситуации без отдельного вводного созвона.

При знакомстве с Executive AI можно использовать этот же тест: попросить восстановить историю одного решения, включая его отмену или пересмотр. Для нескольких заказчиков добавляется вопрос разделения данных — он разобран в материале об ИИ для консультантов и агентств. А связь решений с текущей работой — в статье о контроле поручений.