RAG vs FAQ-бот: какой нужен твоему бизнесу

Каждый второй бизнес в Казахстане хочет чат-бота. Но когда дело доходит до выбора, начинается путаница: FAQ-бот за 150 000 ₸ или RAG-система за 400 000 ₸? В чём разница? Когда дешёвый вариант — достаточно, а когда экономия обойдётся дороже? В этой статье разбираем оба подхода по полочкам: технология, цена, сценарии, ограничения.

Если вы не технарь — не переживайте. Мы объясним так, чтобы было понятно. А в конце — матрица выбора: подставьте свой бизнес и получите ответ.

Что такое FAQ-бот

FAQ-бот — это чат-бот, который отвечает на заранее подготовленные вопросы. Вы составляете список из 30–200 пар «вопрос → ответ», загружаете их в бота. Когда клиент задаёт вопрос, бот ищет наиболее похожий из списка и выдаёт готовый ответ.

Современные FAQ-боты используют NLP (обработку естественного языка) для понимания смысла, а не точного совпадения слов. Клиент может спросить «сколько стоит доставка?», «какая цена за доставку?» или «доставка платная?» — бот поймёт, что речь об одном и том же.

Как работает под капотом

1. Вы создаёте базу знаний: 30–200 пар вопрос-ответ.
2. Каждый вопрос превращается в числовой вектор (embedding) — это как «координаты смысла».
3. Когда клиент задаёт вопрос, его вопрос тоже превращается в вектор.
4. Бот находит ближайший вектор из базы и выдаёт привязанный ответ.
5. Если совпадение ниже порога — бот говорит «Не могу ответить, свяжитесь с менеджером».

Ключевое: бот не генерирует ответы. Он выбирает из готовых. Это и преимущество (ответы всегда точные, одобренные вами), и ограничение (бот не ответит на вопрос, которого нет в базе).

Что такое RAG

RAG (Retrieval-Augmented Generation) — это архитектура, где AI ищет релевантную информацию в ваших документах и генерирует ответ на основе найденного. В отличие от FAQ-бота, RAG не выбирает из готовых ответов — он формулирует новый ответ каждый раз, опираясь на ваши данные.

Как работает под капотом

1. Вы загружаете документы: прайс-листы, инструкции, политики, каталоги. Может быть 10 страниц или 10 000.
2. Документы разбиваются на фрагменты и индексируются (тоже через embeddings).
3. Когда клиент задаёт вопрос, система находит 3–5 наиболее релевантных фрагментов.
4. Эти фрагменты передаются LLM (Claude, GPT-4o) вместе с вопросом.
5. LLM генерирует ответ, опираясь строго на найденные фрагменты.

Ключевое: бот генерирует ответы, но на основе ваших данных. Он может комбинировать информацию из разных документов, отвечать на сложные составные вопросы и формулировать ответ именно так, как нужно клиенту.

Сравнение по 6 критериям

Когда FAQ-бот — правильный выбор

FAQ-бот работает отлично, когда вопросы клиентов предсказуемы и конечны. Вот типичные сценарии:

• Ресторан/кафе: график работы, меню, бронирование, парковка, Wi-Fi.
• Салон красоты: услуги и цены, свободные окна, подготовка к процедуре.
• Фитнес-клуб: абонементы, расписание, пробное занятие, раздевалки.
• Автомойка: цены, время работы, запись, программа лояльности.
• Доставка еды: зоны доставки, минимальный заказ, время, оплата.

Общая черта: информация меняется редко (раз в неделю-месяц), вопросов конечное количество (30–100), ответы короткие и конкретные. В этих случаях FAQ-бот за 150 000 ₸ закрывает 80–90% обращений.

Правило: если вы можете написать все возможные вопросы клиентов на одной странице A4 — вам хватит FAQ-бота.

Когда нужен RAG

RAG нужен, когда объём информации большой, вопросы непредсказуемы или требуют комбинирования данных из разных источников.

• Интернет-магазин с каталогом 500+ товаров: «Какой пылесос лучше для квартиры 80 кв.м с кошкой?» — бот ищет в каталоге, сравнивает характеристики, рекомендует.
• Клиника/медцентр: «Какие анализы нужны перед приёмом эндокринолога?» — бот находит в базе знаний нужный протокол.
• B2B-компания с объёмной документацией: технические спецификации, инструкции, регламенты. Менеджер спрашивает в чате — бот находит ответ за секунды вместо 15 минут поиска в папках.
• Образование/курсы: студенты задают тысячи вопросов по материалам курса. RAG отвечает, ссылаясь на конкретные лекции и модули.
• Юридические/бухгалтерские консультации: бот ищет в законодательной базе и внутренних документах.

Общая черта: база знаний большая (десятки-сотни документов), вопросы разнообразные и непредсказуемые, ответы требуют синтеза информации.

Типичные ошибки при выборе

Ошибка 1: RAG для 30 вопросов

Если у вас кофейня с 30 типовыми вопросами — RAG это overkill. Вы заплатите ×3 за разработку и ×3 за API каждый месяц. FAQ-бот справится лучше: ответы точнее (нет риска галлюцинаций), дешевле в эксплуатации, проще в обновлении.

Ошибка 2: FAQ-бот для каталога

Если у вас магазин с 500 товарами и клиенты спрашивают «что подарить жене на день рождения до 30 000 тенге?» — FAQ-бот не справится. Вы не можете написать ответы на все комбинации запросов. Здесь нужен RAG, который ищет по каталогу и формулирует персонализированный ответ.

Ошибка 3: Игнорирование стоимости API

RAG использует LLM для генерации каждого ответа. При 1000 запросов в месяц это 15 000–30 000 ₸/мес на API. При 10 000 запросов — 100 000–200 000 ₸/мес. FAQ-бот использует только embeddings (×5-10 дешевле). Заложите стоимость API в бюджет до начала разработки.

Гибридный подход: FAQ + RAG

Необязательно выбирать одно. Гибридный подход: FAQ-бот обрабатывает типовые вопросы (дешёво и точно), а RAG подключается для сложных запросов, на которые FAQ не нашёл ответа.

1. Клиент задаёт вопрос.
2. Сначала ищем в FAQ-базе (30–100 вопросов). Если есть совпадение с уверенностью >85% — выдаём готовый ответ. Стоимость: ~0.
3. Если совпадения нет — передаём в RAG. Система ищет в документах и генерирует ответ. Стоимость: ~5–15 ₸ за запрос.
4. Если RAG тоже не нашёл — переводим на менеджера с контекстом разговора.

Такой подход снижает стоимость API на 50–70%, потому что большинство вопросов — типовые и обрабатываются FAQ-слоем бесплатно. RAG включается только для сложных случаев.

Матрица выбора