Кейсы применения RAG в IT и телекоме

Мы, Haiku.dev — лаборатория по адаптации ИИ для решения реальных задач крупного бизнеса. В этой статье разберем мировые и российские примеры интеграции RAG в технологических проектах.

В сфере IT и телекоммуникаций RAG применяется для поддержки пользователей, автоматизации аналитики и повышения эффективности внутренних сервисов. Эта технология помогает с различными бизнес-задачами отрасли от поиска информации в корпоративных базах данных до формирования SQL-запросов.

Linkedin | Автоматизация техподдержки пользователей

LinkedIn внедрил комбинированное решение на основе RAG и графа знаний для обработки обращений в службу поддержки. Система не просто ищет похожие обращения среди прошлых тикетов, а выстраивает связи между ними, формируя полноценный граф знаний на основе всех обращений пользователей. Когда поступает новый запрос, ИИ анализирует его и выбирает релевантные фрагменты из графа, чтобы сформировать точный и аргументированный ответ.

Благодаря этому удалось избавиться от разрозненности данных, повысить качество поиска и сократить время обработки запросов. За шесть месяцев внедрения медианное время решения одного обращения сократилось на 28%.

Pinterest | Автоматическое создание SQL-запросов

Pinterest упростил работу аналитиков, внедрив RAG для автоматического формирования SQL-запросов. Ранее сотрудники должны были сами выбирать, с какими таблицами работать. Это часто приводило к ошибкам и трате времени на поиск.

Теперь система автоматически находит подходящие таблицы. Описания всех таблиц преобразуются в векторный индекс, а запрос пользователя анализируется и сопоставляется с этим индексом. Затем ИИ подбирает нужные данные и помогает сформировать корректный SQL-запрос буквально за несколько секунд. Это позволило снизить порог входа для новых сотрудников, ускорить аналитику и сделать работу с корпоративными данными более удобной.

HubSpot | Поддержка пользователей внутри продукта

Интерфейс чат-ассистента внутри продукта

В HubSpot технологии RAG интегрированы в чат-бот поддержки и виджет помощи внутри приложения. Вместо того чтобы самостоятельно искать нужные ответы в обширной базе HubSpot Academy, пользователь получает автоматический ответ на свой запрос. Система извлекает актуальные ответы из 700+ часов образовательного контента академии и выдает точные, релевантные подсказки прямо в момент обращения. Это не только значительно повышает качество поддержки и ускоряет поиск информации, но и помогает развивать self-service, позволяя сэкономить время и ресурсы команды клиентского сервиса.

Этот материал — часть исследования Haiku о RAG. Полное исследование доступно для чтения.

Если вы хотите обсудить внедрение RAG в вашей компании, напишите на почту sergey.ershov@haiku.dev или в телеграм @Ershovsa.

#Digital #IT и инновации

Haiku AI
еще 26 публикаций

Лучшее в блогах

30.01.2026

Мир, дружба, реклама — как меняется подход к созданию социальных проектов

Вчера

Маркетплейсы в 2026 году: что снижает прибыль и как удерживать продажи

30.01.2026

Мировые тренды потребления, которые определят 2026 год

30.01.2026

Почему разговоры с клиентами (кастдев) в разы полезнее, чем поиск ответов в интернете

Вам понравится

СберМаркетинг

Вчера

От промта до цифрового двойника: как ИИ меняет производство контента для Telegram

Digital Маркетинг

Как запустить непрерывное производство контента для Telegram-канала, в котором нейросети помогают на всех этапах.

Артикс. Агентство ответственного маркетинга

29.01.2026

Продвижение дейтинг-приложений: что изменилось по мнению «Мамбы». 10 лет app performance

Digital Маркетинг

В рамках 10-летия «Мобилки» (входит в «Артикс») мы запустили серию интервью с людьми, которые создавали рынок продвижения приложений и развивают его сейчас — с нашими клиентами и партнерами. Нашим следующим спикером стала Ольга Морозова, директор по маркетингу в «Мамбе».

Jungle Marketing

21.01.2026

ТОП-20 ботов, где нейросеть помогает раздеть девушку по фото онлайн

Digital Маркетинг

Ниша сервисов, которые позволяют пользователю аккуратно раздеть девушку по фотографии, за последний год сильно изменилась: алгоритмы стали спокойнее работать с тенями, увереннее реконструировать тело и лучше справляться с обработкой снимков среднего качества. Я протестировал разные варианты — от базовых инструментов до сложных моделей, которые анализируют ткань, свет и анатомию. Ниже собрал двадцать сервисов, которые работают стабильнее остальных и могут помочь тем, кто хочет протестировать раздевание по фото без лишних ошибок.