Для задачи «пусть система отвечает по документам компании» почти всегда дешевле RAG, а не дообучение. Причина не в технологической моде, а в арифметике обновления: чтобы поменять ответ в RAG, достаточно заменить файл в базе за 15 минут работы редактора; чтобы поменять ответ в дообученной модели, нужен новый цикл обучения на 145 000 ₽. За год, в котором регламенты меняются 40 раз, разница составляет 57 000 ₽ против 580 000 ₽.
Это не значит, что дообучение — плохая технология. Она решает другую задачу: не «что ответить», а «как ответить» — стиль, структура, отраслевые сокращения, поведение в редких сценариях. Проблема в том, что продают её обычно там, где болит первое, а не второе, и заказчик оплачивает контур на 520 000 ₽ ради результата, который даёт поиск по документам за 192 000 ₽.
Как устроен RAG изнутри, мы разбирали в отдельном материале — что такое RAG простыми словами. Здесь сравнение по двум осям, которые видны в бюджете: сколько стоит запуск и сколько стоит держать знания актуальными. Все ориентиры цен — по состоянию на сентябрь 2026 года, вилки рынка меняются, и перед сметой их стоит сверить у подрядчика.
Подстановка против изменения весов: одно различие, из которого следует всё
Оба подхода делают вид, что модель «знает» ваши документы, но механика у них разная в основании, и различия в цене — прямое следствие этой механики.
Документы режутся на фрагменты, для каждого считается векторное представление, всё складывается в базу. На вопрос сотрудника система сначала находит 3–7 подходящих фрагментов, потом отдаёт их модели вместе с вопросом и просит ответить только по ним. Веса модели не меняются: она каждый раз читает актуальный текст заново, как человек, которому подложили нужную страницу регламента.
Модель прогоняют по размеченному набору пар «вопрос — правильный ответ», и её веса сдвигаются так, чтобы она чаще отвечала в нужном духе. Знание становится частью самой модели и извлечь его обратно нельзя. Чтобы изменить одно правило, нужно собрать новый набор данных и повторить цикл — точечной правки не существует.
Отсюда четыре практических следствия, которые определяют смету. Первое: в RAG видно, откуда взялся ответ, — можно показать сотруднику ссылку на пункт регламента; в дообученной модели источника нет, есть только уверенный текст. Второе: в RAG права доступа накладываются на поиск, и менеджер не увидит фрагмент из документа для директоров; в дообученной модели разграничить это нечем. Третье: RAG обновляется файлом, дообучение — циклом. Четвёртое: RAG стоит денег на каждом запросе, потому что в модель уходит больше текста, а дообученная модель на длинном промпте экономит.
Две параллельные схемы. Верхняя, подписанная «RAG»: «Вопрос сотрудника» → «Поиск по базе фрагментов» → «3–7 найденных фрагментов» → «Модель отвечает только по ним» → «Ответ со ссылкой на источник». Сбоку врезка «Замена документа — 15 минут, 225 ₽». Нижняя, подписанная «Дообучение»: «Вопрос сотрудника» → «Дообученная модель» → «Ответ без источника». Сбоку врезка «Изменение правила — новый цикл, 145 000 ₽, 6 недель ожидания». Чертёжный стиль, подписи по-русски.
Понедельник, 9:20: регламент изменился
Это главный тест, и он важнее любого сравнения возможностей. В пятницу коммерческий директор поменял условия рассрочки: было три месяца без первого взноса, стало шесть месяцев со взносом 20 %. В понедельник в 9:20 обновлённый регламент лежит у ответственного редактора. Дальше два сценария.
- 1Контур на RAG: 15 минут и 225 ₽
Редактор заменяет файл в базе знаний и удаляет предыдущую версию. Переиндексация 800 документов занимает около 15 минут машинного времени, работа человека — те же 15 минут по ставке 900 ₽/час, то есть 225 ₽. В 9:35 агент отвечает по новым условиям и ссылается на новую редакцию. Раз в квартал к этому добавляется прогон контрольного набора из 80 вопросов — 4 часа инженера, 12 000 ₽.
- 2Контур на дообучении: ближайший цикл и 6 недель ожидания
Точечно поменять правило нельзя. Изменение попадает в очередь на следующий цикл дообучения, а циклы делают пачками — обычно раз в квартал, потому что каждый стоит 145 000 ₽. Среднее отставание знания при квартальном ритме — около шести недель. Всё это время модель уверенно, без единого признака сомнения, повторяет отменённые условия рассрочки.
Устаревшее знание в дообученной модели опаснее пробела, потому что выглядит одинаково правдоподобно с актуальным. Сотрудник не может отличить ответ, основанный на прошлогоднем регламенте, от ответа по действующему — источника нет. В RAG эта проблема решается механически: если документ заменён, старый фрагмент просто не найдётся. Что делать с вопросами, на которые ответа нет вообще, мы разбирали отдельно — когда агент не знает ответа.
Годовая стоимость обновления: 57 000 ₽ против 580 000 ₽
Модельная компания: база знаний из 800 документов — регламенты, прайсы, инструкции, условия по продуктам. За год в них происходит 40 значимых изменений, то есть примерно по одному в неделю. Считаем только стоимость поддержания знаний в актуальном состоянии: поддержка самого агента и инфраструктура тут одинаковы для обоих вариантов и в этот расчёт не входят.
Разница — в десять раз, и она не сглаживается со временем: чем чаще меняются документы, тем сильнее расходятся кривые. У компании со стабильной базой, которая меняется два-три раза в год, расклад другой, но такие компании редко и обращаются с этой задачей: обычно к автоматизации базы знаний приходят как раз потому, что регламенты не успевают доводить до людей.
Столбчатая диаграмма из трёх столбиков, ось Y в рублях в год с делениями 0, 150 000, 300 000, 450 000, 600 000. Столбики: «RAG — 57 000 ₽», «Гибрид — 97 000 ₽», «Дообучение, 4 цикла — 580 000 ₽». Под диаграммой подпись «база 800 документов, 40 значимых изменений в год». У третьего столбика дополнительная пометка «плюс отставание знания в среднем на 6 недель».
Стоимость владения за три года
Стоимость обновления — самая наглядная строка, но не единственная. Сложим всё: запуск, поддержку агента, инфраструктуру и обновление знаний. Поддержка в обоих контурах одинакова — 20 000 ₽ в месяц, это разбор жалоб на ответы, правка инструкций агента и наблюдение за качеством. Инфраструктура различается: векторной базе достаточно обычного сервера, дообучению нужны вычислительные ресурсы под модель.
| Статья | RAG | Гибрид | Дообучение |
|---|---|---|---|
| Запуск | 192 000 ₽ | 264 000 ₽ | 520 000 ₽ |
| Срок до эксплуатации | 3–8 недель | 5–10 недель | 6–10 недель |
| Обновление знаний, в год | 57 000 ₽ | 97 000 ₽ | 580 000 ₽ |
| Поддержка агента, в год | 240 000 ₽ | 240 000 ₽ | 240 000 ₽ |
| Инфраструктура, в год | 36 000 ₽ | 36 000 ₽ | 264 000 ₽ |
| Итого в год после запуска | 333 000 ₽ | 373 000 ₽ | 1 084 000 ₽ |
| Итого за 3 года | 1 191 000 ₽ | 1 383 000 ₽ | 3 772 000 ₽ |
| Отставание знания от документа | 15 минут | 15 минут | около 6 недель |
Разрыв за три года — 2 581 000 ₽. Полезно приложить к этому порог окупаемости самой задачи. На потоке 1 200 вопросов в месяц, при шести минутах ручного поиска ответа и полной стоимости часа сотрудника 700 ₽, система снимает около 50 400 ₽ ручной работы в месяц. Контур на RAG стоит 27 750 ₽ в месяц и остаётся в плюсе. Контур на дообучении стоит 90 333 ₽ в месяц — то есть дороже той работы, которую он снимает. Чтобы вывести его в ноль, нужен поток свыше 2 100 вопросов в месяц, но на этом потоке RAG всё равно дешевле.
График накопленной стоимости владения за 36 месяцев, три линии. Нижняя сплошная «RAG»: старт 192 000 ₽, финиш 1 191 000 ₽. Средняя пунктирная «Гибрид»: старт 264 000 ₽, финиш 1 383 000 ₽. Верхняя штриховая «Дообучение»: старт 520 000 ₽, финиш 3 772 000 ₽. Ось X — месяцы 0–36, ось Y — рубли. Отдельная горизонтальная линия «экономия на ручном поиске, 50 400 ₽ в месяц» с пометкой, что линия дообучения растёт круче неё.
Что дообучение действительно даёт
Из расчёта выше не следует, что дообучение бесполезно. Из него следует, что дообучение решает не ту задачу, ради которой его обычно покупают. Есть четыре результата, которых RAG не даёт совсем или даёт плохо.
- Стиль и структура ответа. Если каждый ответ обязан начинаться с прямого вывода, укладываться в три абзаца и заканчиваться ссылкой на пункт договора, инструкцией этого добиться можно, но она разрастается и дорожает. Дообучение фиксирует форму устойчиво, и промпт становится короче.
- Отраслевая терминология и сокращения. Там, где в документах живут КС-2, УПД, наряд-допуск и внутренние обозначения узлов, общая модель регулярно ошибается в расшифровке. Это не факт из документа, а словарь, и он меняется редко — значит, дообучение здесь не влезает в дорогой цикл обновления.
- Поведение в редких сценариях. Когда нужен не факт, а способ рассуждения — например, порядок проверки при спорной отгрузке, — примеры разобранных случаев в датасете работают лучше, чем описание порядка в регламенте.
- Экономия на длине запроса. Дообученная модель обходится коротким промптом. Но считать эту экономию надо честно: при 1 200 вопросах в месяц и стоимости обращения около 4 ₽ сокращение промпта на треть даёт примерно 1 440 ₽ в месяц, то есть 17 280 ₽ в год — против 145 000 ₽ за один цикл дообучения.
Сравнение в три колонки. Левая «RAG отвечает на вопрос ЧТО»: актуальный факт из документа, ссылка на источник, права доступа на уровне фрагмента, обновление за 15 минут. Средняя «Дообучение отвечает на вопрос КАК»: стиль и структура ответа, отраслевая терминология, поведение в редких сценариях, короткий промпт — экономия 17 280 ₽ в год. Правая «Не даёт ни то ни другое»: порядок в документах, разрешение противоречий, ответ на незаписанный вопрос, ответственный за содержание базы. Чертёжный стиль, подписи по-русски.
Отдельный, не технический аргумент в пользу локальной модели с дообучением — 152-ФЗ. Модель, развёрнутая на своём сервере в России через Ollama, не передаёт данные за границу вовсе, и это снимает целый класс вопросов. Но обратите внимание: то же самое даёт локальная модель без дообучения, в связке с RAG. Российские платформы — GigaChat 3 и GigaChat Enterprise, YandexGPT 5 и Yandex AI Studio — тоже держат данные в контуре РФ. Локализация и дообучение — это два разных решения, и путать их дорого.
Гибрид: RAG плюс лёгкая адаптация формата
Рабочая середина выглядит так: факты берутся поиском по документам, а форма ответа задаётся лёгким адаптером, обученным на трёхстах примерах правильно оформленных ответов. Знание при этом остаётся снаружи модели и обновляется файлом, а стиль — внутри и обновляется раз в год.
Гибрид оправдан в трёх случаях: ответы уходят наружу клиенту и обязаны выглядеть единообразно; в отрасли много собственной терминологии; либо инструкция агента разрослась настолько, что её правка стала отдельной работой. Во всех остальных случаях это преждевременная сложность — и разумнее сначала запустить чистый RAG, а адаптер добавить во второй итерации, когда видно, на чём именно спотыкается форма ответа. Структура самой инструкции разобрана отдельно, как её собирать.
Порядок в документах даёт больше, чем выбор подхода. В модельном замере на 80 контрольных вопросах доля верных ответов выросла с 58 до 69 из 80 после того, как из базы убрали устаревшие редакции регламентов, — и это не стоило ни рубля вычислений. Ни RAG, ни дообучение не разберут за вас противоречие между двумя версиями одного приказа: первый найдёт оба фрагмента, второй выучит оба и выберет наугад.
В чём оба подхода одинаково слабы и что стоит переезд
Есть четыре ограничения, которые не снимаются ни выбором подхода, ни сменой модели. Их полезно проговорить до подписания договора, потому что подрядчик о них не заговорит.
- Оба уверенно ошибаются на противоречивой базе. Две действующие редакции одного регламента дают неверный ответ в любом контуре, и обнаруживается это только контрольным набором вопросов.
- Ни один не наведёт порядок в документах. Разбор, дедупликация и назначение ответственного за каждый раздел — работа компании, и она не покупается вместе с проектом.
- Оба требуют контрольного набора вопросов с эталонными ответами. Без него нельзя сказать, стало после правки лучше или хуже; в дообучении это критично вдвойне, потому что цикл может ухудшить ответы на темы, которых никто не трогал.
- Ни один не отвечает на вопрос, ответа на который нет ни в одном документе. Ровно поэтому первый практический шаг — не выбор технологии, а список из тридцати реальных вопросов сотрудников и проверка, на сколько из них ответ вообще где-то записан.
Теперь про цену ошибки. Она несимметрична. Разворот с дообучения на RAG — это списание большей части контура: около 340 000 ₽ из 520 000 ₽ невозвратны, вычислительные ресурсы частично перепрофилируются, сборка поискового контура заново стоит 192 000 ₽, перенос и чистка базы — ещё 60 000 ₽. Итого около 590 000 ₽ и шесть недель. Разворот с RAG на дообучение — это не переезд, а доплата: поисковый контур остаётся нужен как источник фактов, сверху добавляется контур обучения за 520 000 ₽. Отсюда практическое правило: начинать надо с того варианта, ошибка в котором дешевле.
Когда не нужно ни то ни другое
Четыре ситуации, в которых любой из подходов — преждевременные расходы. Каждая проверяется за час, до разговора с подрядчиком.
- 1База знаний не описана. Документы лежат в почте, на общем диске и в головах трёх человек. Пока нет перечня источников и ответственного за каждый раздел, автоматизировать нечего: система будет искать в том, чего нет.
- 2Документы противоречат друг другу. Действующими считаются две редакции, приказ отменяет пункт инструкции, но саму инструкцию никто не поправил. Сначала ревизия, потом технология — иначе вы автоматизируете неопределённость.
- 3Вопросов мало. Меньше 300–400 обращений в месяц — и экономия не покрывает даже поддержку в 20 000 ₽. На таком потоке дешевле собрать честный справочник на двадцать пунктов и держать его в актуальном состоянии руками; как это делать, мы описывали в материале про обновление базы знаний бота.
- 4Ответ и так есть в системе. Если сотрудник спрашивает про остаток на складе или статус заказа, ему нужен не поиск по документам, а доступ к данным — это другая задача и другая архитектура, ближе к поиску по архиву документов и к прямым запросам в учётную систему.
Сводя всё в одну фразу: если вопрос звучит как «пусть система знает наши документы» — это RAG. Если как «пусть система отвечает нашим языком» — это, возможно, дообучение, и почти всегда — поверх RAG, а не вместо него. А если как «пусть система решит, что у нас считать правдой» — это не задача для модели, и никакой подход её не закроет. Выбор между моделями, на которых всё это работает, мы разбирали в сравнении GigaChat и YandexGPT.
Знание, которое меняется каждую неделю, нельзя запекать в модель. Его можно только держать рядом с ней.
