Fråga en allmän AI-modell hur lång returrätt din butik har, så får du ett svar. Det låter säkert. Det kan också vara påhittat, eftersom modellen aldrig har sett din returpolicy. Retrieval-augmented generation – RAG – är tekniken som löser det, och den är anledningen till att en AI-agent för företag överhuvudtaget går att lita på i kontakten med kunder.
Problemet: modellerna känner inte till ditt företag
Stora språkmodeller lär sig från enorma mängder offentlig text. Det gör dem välformulerade, men deras kunskap slutar vid träningsdatan – och den innehöll aldrig dina priser, ditt lager, dina öppettider eller dina policyer. När en modell saknar ett faktum tenderar den att fylla luckan med något som låter rimligt. I en kundkonversation är ett rimligt men felaktigt svar – ett leveransdatum, en rabatt, ett garantivillkor – värre än inget svar alls.
Så fungerar RAG, steg för steg
- 1Inläsning: dina dokument – produktlistor, vanliga frågor, policyer, webbsidor – delas upp i korta avsnitt.
- 2Indexering: varje avsnitt omvandlas till en numerisk representation (en embedding) som fångar dess betydelse, så att det kan sökas på innebörd snarare än exakta ord.
- 3Hämtning: när en kund ställer en fråga hittar systemet de avsnitt som är mest relevanta för den.
- 4Generering: språkmodellen skriver svaret med de avsnitten som källa, i stället för att förlita sig på vad den råkar komma ihåg.
Eftersom hämtningen söker på innebörd hittar en kund som frågar ”kan jag skicka tillbaka den?” ändå ditt avsnitt med rubriken ”Returer och byten”, trots att inget av orden matchar.
Därför spelar RAG roll för kundtjänsten
- Korrekthet: svaren kommer från din egen information, så priser och villkor stämmer med det du faktiskt erbjuder.
- Enkla uppdateringar: ändra ett dokument så ändras agentens svar – ingen omträning behövs.
- Ärliga luckor: när inget relevant hittas kan agenten säga att den inte vet och lämna över till en människa.
- En källa för alla kanaler: samma kunskapsbas svarar på WhatsApp, Instagram och Facebook.
Så förbereder du en kunskapsbas som fungerar
RAG kan bara hämta det du ger den, så kvaliteten på dina dokument avgör kvaliteten på svaren. Några vanor gör stor skillnad:
- Skriv svaren på de frågor du får oftast, på enkel svenska, ett ämne per avsnitt.
- Ta med de detaljer kunderna frågar om: priser, storlekar, leveranstider, områden du levererar till, öppettider.
- Ta bort inaktuella dokument i stället för att låta gamla och nya versioner ligga sida vid sida.
- Gå igenom konversationer som agenten lämnade över – varje sådan pekar oftast på ett saknat svar som du kan lägga till.
RAG i Neksio
Alla Neksio-agenter använder RAG. Du laddar upp dokument (och på betalda planer även din webbplats och dina vanliga frågor), och agenten svarar utifrån dem på WhatsApp, Instagram och Facebook. För en bredare bild av hur agenter skiljer sig från chattbotar, läs vad AI-agenter är.
Börja med ett enda dokument och lägg till fler efter hand.
Vanliga frågor
- Vad står RAG för?
- Retrieval-augmented generation, ungefär ”hämtningsförstärkt generering”. Systemet hämtar relevanta avsnitt ur dina egna dokument och språkmodellen formulerar sitt svar utifrån dem.
- Stoppar RAG AI-hallucinationer?
- Det minskar dem kraftigt för frågor om ditt företag, eftersom modellen svarar utifrån hämtade avsnitt i stället för sitt minne. Det fungerar bäst med en tydlig och uppdaterad kunskapsbas och en agent som erkänner när inget relevant hittades.
- Måste jag träna om AI:n när min information ändras?
- Nej. Med RAG uppdaterar du dokumentet, och nästa svar använder den nya informationen. Ingen modellträning behövs.
- Vilka dokument ska jag ladda upp?
- Börja med svaren på dina vanligaste frågor: produkter och priser, leverans och returer, öppettider och kontaktuppgifter. Lägg till mer varje gång agenten lämnar över en fråga som den inte kunde besvara.