RAG je skraćenica od Retrieval-Augmented Generation i označava tehniku kod koje AI prije odgovaranja pretraži vaše dokumente i odgovori isključivo na osnovu pronađenog. Umjesto da se oslanja na ono što je naučio tokom treninga, model dobija konkretan izvor - što drastično smanjuje izmišljanje i omogućava da odgovara o podacima koje nikad nije vidio.
Postupak ima tri koraka. Prvo se vaši dokumenti - cjenovnici, uputstva, ugovori, opisi usluga - razlože na manje dijelove i pretvore u oblik pogodan za pretragu.
Zatim, kad neko postavi pitanje, sistem pronađe dijelove koji su najbliži po značenju. Ne traži se doslovno podudaranje riječi nego smisao, pa pitanje „koliko čekam sajt" nađe odlomak koji govori o rokovima izrade.
Na kraju se pronađeni odlomci proslijede modelu zajedno sa pitanjem i uputom da odgovara samo iz njih. Model sastavi odgovor i, kod dobro postavljenih sistema, navede iz kojeg dokumenta je uzeo podatak.
Bez RAG-a, AI odgovara iz onoga što je naučio na internetu. O vašim cijenama, rokovima i uslovima ne zna ništa - pa ili kaže da ne zna, ili izmisli nešto uvjerljivo.
Sa RAG-om isti model postaje koristan bez skupog dotreniravanja. Kad promijenite cjenovnik, promijenite dokument i sistem odmah odgovara po novom. Nema ponovnog učenja ni čekanja.
To je razlog zašto se gotovo svi poslovni AI asistenti danas grade ovako, uključujući chatbote za korisničku podršku i interne alate za pretragu dokumentacije.
Najčešće kod chatbota za korisničku podršku, koji odgovara o uslugama i cijenama na osnovu stvarnih dokumenata firme.
Zatim kod internih alata za pretragu, gdje zaposleni pita svojim riječima umjesto da traži po folderima - korisno kod firmi sa mnogo procedura i ugovora.
I kod obrade dolaznih upita, gdje sistem uporedi upit sa cjenovnikom i pripremi nacrt ponude.
RAG smanjuje izmišljanje, ali ga ne uklanja potpuno. Ako dokument ne sadrži odgovor, loše postavljen sistem će i dalje pokušati sastaviti nešto. Zato se u uputu izričito navodi da prizna kad nema podatak.
Kvalitet odgovora ne može biti bolji od kvaliteta dokumenata. Zastario cjenovnik znači zastarjele odgovore - sistem nema način da zna da je podatak star.
Pristup dokumentima mora biti kontrolisan. Ako AI ima pristup svemu, može odgovoriti i ono što posjetilac ne bi trebao vidjeti, pa se opseg definiše na početku.
Razlika se rijetko vidi na demonstraciji, a gotovo uvijek u radu. Prvi kriterij je kako sistem reaguje kad odgovora nema. Dobro postavljen jezički model prizna da podatak ne postoji i ponudi kontakt; loš sastavi nešto uvjerljivo, i to je klasična halucinacija koja košta povjerenja.
Drugi kriterij je kvalitet pretrage. Ako se dokumenti razlome pogrešno - na primjer usred tabele sa cijenama - sistem će nalaziti odlomke bez konteksta i odgovarati djelimično tačno, što je gore od jasnog „ne znam".
Treći je održavanje izvora. Uputstvo ili cjenovnik koji se ne ažurira znači da firma automatski daje zastarjele odgovore klijentima. Zato se uz sistem dogovara i ko je zadužen za sadržaj, ne samo ko ga je napravio.
Četvrti je sigurnost i opseg pristupa. Definiše se kojim dokumentima sistem smije pristupiti, jer podrška prema klijentima i interni dokumenti ne smiju dijeliti isti izvor. Kod ličnih podataka to je i pravna obaveza, ne samo dobra praksa.
Peti je provjerljivost. Sistem koji uz odgovor navede iz kojeg dokumenta je podatak uzet omogućava da se greška brzo nađe i ispravi - bez toga se svaka pritužba istražuje ručno. Kod pripreme ponuda ta mogućnost je presudna, jer se svaki iznos mora moći potvrditi.
Zadnja izmjena: 17. avgust 2026.
Pošaljite adresu i recimo vam gdje stojite - bez obaveze.
Pošaljite upit
