Антон Дегтярёвai в поиске по базе знаний битрикс24
На аудите я замерял: в компании из 40 человек базу знаний открывали 6 сотрудников, хотя статей было больше 80. Причина — штатный поиск не находил ответ, если вопрос сформулирован не так, как заголовок статьи. Менеджер писал «как оформить возврат», а статья называлась «Регламент обработки рекламаций». Поиск молчал, менеджер шёл в чат. После подключения AI-поиска за месяц число обращений к базе выросло в четыре раза.
почему штатный поиск в базе знаний не работает
Штатный поиск в базе знаний Битрикс24 не справляется с реальными вопросами сотрудников. Он ищет по точному вхождению слов, а не по смыслу — семантический поиск ему недоступен. Сотрудник набирает «как списать бракованный товар», а статья в базе называется «Процедура утилизации некондиции». Поиск не находит совпадений, сотрудник решает, что ответа нет, и пишет в чат руководителю.
На моих проектах эта ситуация повторяется в 7 из 10 компаний. База знаний есть, статьи написаны, но поисковая строка работает как ctrl+F в документе — ищет буквальное совпадение, а не смысл вопроса. Если автор статьи использовал другие формулировки, всё — мимо.
Отдельная проблема — поиск по вложениям. В базу часто кладут PDF-инструкции, таблицы Excel, сканы регламентов. Штатный поиск внутрь этих файлов не заглядывает. Сотрудник видит список документов, но не может найти конкретный ответ внутри них без ручного открытия каждого файла.
Результат предсказуемый: через 2-3 месяца после запуска базу знаний перестают использовать, хотя формально она существует и даже обновляется. Деньги на создание контента потрачены, а эффекта нет — не потому что статьи плохие, а потому что до них невозможно добраться.
три варианта подключить ai-поиск
Первый — штатный CoPilot. С лета 2026 Битрикс24 встроил функцию «Битрикс24 Ответы» с AI-поиском по своей документации. Для внутренней корпоративной базы знаний CoPilot тоже умеет искать ответы, если база подключена как источник. Работает из коробки на тарифах с CoPilot, дополнительных приложений не нужно. Ограничение — ищет только по статьям внутри модуля «База знаний», вложения и Диск не индексирует.
Второй — маркетплейс-приложения. На маркетплейсе Битрикс24 есть несколько решений: «База Знаний AI» от Elephant, «ИИ Базы знаний» от DesignTut, «AI Поиск24» от IT Nebo. Они работают иначе: индексируют указанные источники (базу знаний, Диск, конкретные папки), строят векторный индекс и отвечают на вопросы в формате чат-бота. Стоимость — от 990 до 3 900 руб/мес в зависимости от объёма базы и числа запросов.
Третий — внешнее решение через n8n или Make. Если нужен контроль над моделью (YandexGPT, GigaChat, ChatGPT) и источниками данных выходят за пределы Битрикс24 — собирается сценарий, который забирает документы через REST API, индексирует их во внешнем хранилище (Pinecone, Qdrant) и отдаёт ответы через бота в чат Битрикс24. Это сложнее и дороже, но покрывает случаи, когда часть знаний живёт в Confluence, Google Docs или на внутреннем сервере.
что умеет copilot из коробки
Вот пошаговая настройка AI-поиска через CoPilot — что доступно из коробки без дополнительных приложений. CoPilot в базе знаний работает так: сотрудник задаёт вопрос обычным языком, AI анализирует текст всех статей в базе и возвращает конкретный фрагмент с ответом, а не список статей на выбор. Под ответом — ссылка на источник, чтобы можно было прочитать контекст целиком.
На практике это выглядит как чат с помощником, который прочитал все ваши регламенты. Сотрудник пишет «что делать, если клиент хочет вернуть товар после 14 дней», AI находит статью «Процедура возвратов вне гарантийного срока» и выдаёт выжимку с конкретными шагами.
Что важно: CoPilot запоминает контекст диалога. Можно задать уточняющий вопрос — «а если товар был в акции?» — и он ответит уже с учётом предыдущего вопроса, не заставляя формулировать заново.
Ограничения, которые я вижу на проектах: CoPilot индексирует только текстовые статьи модуля «База знаний». Файлы на Диске, вложения в задачах, PDF-документы — не индексируются. Если половина регламентов лежит в виде файлов на Диске, CoPilot их не увидит. Это критический момент, который стоит проверить до подключения.
маркетплейс-приложения — когда copilot не хватает
Маркетплейс-приложения решают ту задачу, которую CoPilot пока не закрывает: поиск по файлам, вложениям и внешним источникам. Приложение «База Знаний AI» от Elephant, например, индексирует не только статьи, но и документы на Диске Битрикс24 — PDF, DOCX, таблицы.
Работает это так: при установке указываете, какие разделы базы знаний и папки Диска индексировать. Приложение строит векторную базу из содержимого документов. Сотрудник задаёт вопрос в чат-боте, приложение ищет по смыслу и отвечает с указанием конкретного документа и страницы.
По ценам на сентябрь 2026: «База Знаний AI» (Elephant) — от 1 490 руб/мес на тариф до 500 документов, «ИИ Базы знаний» (DesignTut) — от 990 руб/мес. У обоих есть бесплатный тестовый период 14 дней.
На одном из моих проектов подключили Elephant к базе из 120 статей плюс 300 PDF-файлов на Диске. Через неделю отдел поддержки начал использовать бота вместо ручного поиска — время ответа на типовой вопрос клиента сократилось с 4-5 минут до 40 секунд. Менеджер копировал ответ бота в чат клиенту почти без правок.
кейс — как ai-поиск поднял использование базы с 15% до 60%
Кейс из практики: как AI-поиск изменил использование базы знаний в реальной компании. Оптовый поставщик электроинструмента, 40 сотрудников, из них 12 в отделе продаж и 8 на складе. База знаний велась полтора года: 83 статьи по регламентам, инструкциям по товарам, условиям работы с поставщиками. Проблема — по данным статистики модуля, базу открывали 6 человек из 40, и те в основном авторы статей.
Диагноз после аудита: 80% статей имели заголовки в стиле внутренних документов — «Регламент взаимодействия с отделом логистики», «Порядок согласования скидок свыше 15%». Менеджеры в поиске набирали бытовые формулировки: «кому звонить если доставка задерживается», «можно ли дать скидку 20%». Штатный поиск не совпадал ни по одному слову.
Решение: подключили CoPilot к базе знаний, параллельно переименовали 30 самых востребованных статей с канцелярских на человеческие заголовки. Через месяц замер показал: базу знаний использовали 24 из 40 сотрудников, количество запросов в поиске — 180 в неделю вместо прежних 15.
Ключевой эффект был не только в AI: сама по себе переформулировка заголовков уже помогла штатному поиску. Но AI добавил главное — сотрудники стали задавать вопросы своими словами и получать ответ, а не список из 20 статей, где нужно угадывать правильную.
типичные грабли при подключении ai к базе знаний
Первая — грязная база. AI усиливает всё, включая проблемы. Если в базе три статьи с противоречивой информацией о порядке возвратов (одна актуальная, две устаревшие), AI может ответить по любой из них. На одном проекте после подключения маркетплейс-приложения получили жалобу: бот выдал клиенту старый регламент со сроком возврата 30 дней вместо текущих 14. Пришлось срочно чистить базу.
Вторая — файлы без структуры. PDF-документ из 50 страниц без заголовков и оглавления индексируется хуже, чем 10 коротких статей по конкретным вопросам. AI находит фрагмент, но контекст вокруг него размытый, и ответ получается неточным. Перед подключением стоит разбить крупные документы на тематические статьи.
Третья — завышенные ожидания. AI-поиск не заменяет экспертизу. Он находит информацию, которая уже есть в базе, но не генерирует новую. Если ответа на вопрос нет ни в одной статье, AI либо скажет «не нашёл», либо — хуже — составит ответ из обрывков нерелевантных статей. Сотрудники должны понимать, что бот — это поиск, а не эксперт.
Четвёртая — отсутствие обратной связи. Без механизма «ответ помог / не помог» вы не узнаете, какие вопросы AI закрывает, а какие нет. На моих проектах после подключения первые две недели я прошу собирать «промахи» — вопросы, на которые бот не ответил или ответил неправильно. Это готовый список тем для новых статей.
когда ai-поиск не поможет
AI-поиск не решает проблему отсутствия контента. Если в базе 10 статей на 40 человек — подключать ИИ бессмысленно, он просто красивее скажет «ничего не нашёл». Минимальный порог, при котором AI-поиск даёт ощутимый эффект — 40-50 статей, покрывающих основные рабочие процессы.
Второй случай — конфиденциальные данные. Если база знаний содержит финансовую информацию, персональные данные клиентов или коммерческие тайны, нужно внимательно смотреть, где обрабатывается запрос. CoPilot от Битрикс24 обрабатывает данные на серверах Битрикса, маркетплейс-приложения — на серверах разработчика, внешние решения — зависит от выбранной модели. Для компаний с жёсткими требованиями к хранению данных подходит только коробочная версия с локальным AI.
Третий — база в плохом состоянии. Если половина статей устарела, информация противоречит сама себе, а структура напоминает свалку — сначала нужна ревизия. Как правильно организовать базу знаний с нуля, я подробно разбирал в отдельной статье про базу знаний в Битрикс24 — там про структуру, кто пишет статьи и как не превратить базу в архив.
как подготовить базу знаний к ai-поиску
Первое — провести ревизию. Пройти по всем статьям и пометить устаревшие. На моих проектах типичная картина: из 80 статей 20-25 неактуальны, 10-15 дублируют друг друга. Удалить дубли, обновить устаревшие, архивировать неактуальные — это 2-3 дня работы для одного человека, но без этого AI будет выдавать мусор.
Второе — переписать заголовки с канцелярских на человеческие. «Регламент обработки входящих обращений» → «Как обработать входящий звонок — пошагово». Это помогает и штатному поиску, и AI, и самим сотрудникам при ручном просмотре.
Третье — разбить длинные документы. Статья на 3000 слов про весь процесс продажи от первого звонка до закрытия сделки — это плохой источник для AI. Лучше 5 статей по 600 слов: квалификация, КП, переговоры, договор, оплата. AI точнее находит ответ в коротких тематических статьях.
Четвёртое — добавить теги и категории. CoPilot работает по тексту статей, но маркетплейс-приложения часто используют метаданные для фильтрации. Если статьи размечены тегами «продажи», «склад», «бухгалтерия» — бот может ограничить поиск нужным отделом и не выдавать складские регламенты менеджеру по продажам.
что выбрать — copilot или приложение из маркетплейса
CoPilot — если база знаний состоит из текстовых статей внутри модуля Битрикс24, документов на Диске немного или они не критичны для поиска. Работает бесплатно в рамках тарифа, не требует установки и настройки. Начинать стоит с него.
Маркетплейс-приложение — если значительная часть знаний хранится в файлах на Диске (PDF, DOCX, Excel), нужен поиск по вложениям или хотите чат-бота, который отвечает сотрудникам прямо в групповом чате. Стоимость — от 990 руб/мес, окупается за счёт сокращения времени на поиск информации.
Внешнее решение через n8n — если источники данных выходят за пределы Битрикс24 (Confluence, Google Docs, внутренние wiki) или нужен контроль над моделью. Стоимость внедрения — от 50 000 руб, подходит для компаний от 100 человек с распределённой базой знаний.
На практике в 8 из 10 случаев хватает связки: CoPilot для текстовых статей + маркетплейс-приложение для файлов на Диске. Если хотите глубже разобраться, как работает BitrixGPT и CoPilot в других задачах — у меня есть разбор 10 сценариев BitrixGPT в продажах, а если рассматриваете альтернативные модели — статья про подключение YandexGPT к Битрикс24.