
RAG (Retrieval-Augmented Generation) je postup, pri ktorom jazykový model pred odpoveďou najprv vyhľadá relevantné pasáže v externom zdroji – napríklad vo firemných dokumentoch – a odpoveď zostaví z nich. Model tak kombinuje znalosti uložené vo svojich váhach s prehľadávateľným indexom dokumentov; pojem zaviedla štúdia Lewis a kol., 2020.
Keď sa ChatGPT spýtate „koľko máme aktuálne skladom položky XYZ?“, dostanete buď ospravedlnenie, alebo si AI niečo vymyslí. Nie je to jej vina. Nemá prístup k vašim dátam. Presne tento problém rieši RAG (Retrieval-Augmented Generation), technológia, ktorá dnes stojí za väčšinou serióznych B2B AI projektov. A je to oveľa jednoduchší princíp, než naznačuje akademický názov.
V tomto článku vysvetlíme, čo RAG robí, kedy ho potrebujete, ako sa líši od fine-tuningu a ako vyzerá v praxi nad firemnými dátami. Bez technického žargónu, tak aby bolo jasné, prečo o ňom hovorí takmer každý dodávateľ B2B AI a kedy ho v projekte naozaj chcete.
1. Prečo AI bez RAG „halucinuje“
Veľké jazykové modely (LLM) ako GPT, Claude alebo Gemini vedia výborne generovať text a pôsobiť sebavedomo. Problém je, že keď sa ich spýtate na niečo, čo nevedia, často to nepriznajú. Namiesto toho vytvoria vierohodne znejúcu odpoveď. Tomu sa hovorí halucinácia.
Praktický príklad: spýtate sa ChatGPT „kedy nám končí zmluva s dodávateľom ABC?“. ChatGPT vašu zmluvu nevidel. Tú informáciu nemôže poznať. Napriek tomu môže vrátiť konkrétny dátum, číslo zmluvy aj paragraf. Všetko vymyslené, ale napísané presvedčivo.
Pri súkromnom použití je to nepríjemné. V biznise je to katastrofa. AI agent, ktorý halucinuje, je horší než žiadny AI agent, pretože podľa jeho odpovede môže niekto urobiť zlé rozhodnutie.
2. RAG vysvetlený cez analógiu: knihovník
Predstavte si AI bez RAG ako študenta, ktorý má urobiť skúšku z dejín vašej firmy. Pozná všeobecné dejiny sveta, ale o vašej firme nevie nič. Keď sa ho spýtate na konkrétny detail, buď prizná, že nevie, alebo začne fabulovať.
AI s RAG je ten istý študent, ale má pri sebe knihovníka. Keď položíte otázku, knihovník najprv nájde v archíve relevantné dokumenty, podá ich študentovi a študent na ich základe zostaví odpoveď. Ak knihovník nič relevantné nenájde, študent povie: „v dostupných materiáloch to nie je“.
To je RAG. Knihovník je vyhľadávacia vrstva. Archív sú vaše firemné dáta. Študent je LLM. Namiesto toho, aby si AI vymýšľala, číta vo vašich dokumentoch a odpovedá na základe nich. Preto tento typ riešenia v Apertii voláme AI knihovník.
3. Ako RAG funguje technicky, stručne a zrozumiteľne
Bez programátorských detailov, ale dosť na to, aby ste vedeli, o čom hovoríte na stretnutí s dodávateľom.
Krok 1: Príprava dát
Vaše dokumenty, napríklad zmluvy, manuály, e-maily, cenníky alebo znalostná báza, sa rozdelia na menšie časti. Typicky ide o odseky alebo bloky s 200 až 500 slovami. Každá časť sa pomocou embedding modelu prevedie na číselný vektor, teda matematické vyjadrenie významu textu. Vektory sa uložia do vektorovej databázy, napríklad Pinecone, Weaviate, Qdrant alebo pgvector.
Krok 2: Vyhľadanie
Keď používateľ položí otázku, rovnaký embedding model ju prevedie na vektor. Vektorová databáza nájde najpodobnejšie vektory, teda úryvky textu, ktoré sú významovo najbližšie k otázke. Typicky sa vráti tri až desať najrelevantnejších úryvkov.
Krok 3: Generovanie odpovede
LLM dostane inštrukciu: tu je otázka používateľa, tu sú relevantné úryvky z našich dokumentov, odpovedz podľa nich a ak informácia v úryvkoch nie je, povedz to. Model potom vygeneruje odpoveď.
Celý proces trvá zvyčajne jednu až tri sekundy. Pre používateľa to vyzerá jednoducho: AI pozná detaily jeho firmy.
4. RAG vs. fine-tuning: kedy použiť čo
Druhá metóda, ako dostať firemné znalosti do AI, je fine-tuning, teda dotrénovanie modelu na vašich dátach. Ľudia si tieto pojmy často mýlia. Rozdiely sú zásadné:
| Faktor | RAG | Fine-tuning |
|---|---|---|
| Aktualizácia dát | Okamžitá, nový dokument sa môže používať hneď | Pomalá, model treba znovu trénovať |
| Cena | Nižšia, platíte databázu a prevádzku | Vysoká, tréning, GPU a opakovaná práca |
| Vhodné pre | Fakty, znalostné bázy, dokumenty | Štýl odpovedí, doménový jazyk, formát výstupu |
| Halucinácie | Výrazne obmedzené | Stále možné |
| Auditovateľnosť | Vysoká, vidíte zdroje odpovede | Nízka |
V 90 % B2B prípadov chcete RAG. Fine-tuning má zmysel vtedy, keď potrebujete veľmi špecifický štýl, jazyk alebo formát výstupu, ktorý sa nedá spoľahlivo dosiahnuť promptom. Často sa kombinujú: fine-tuning pre štýl, RAG pre fakty.
5. Reálne B2B scenáre, kde RAG mení výsledok
Interný AI knihovník
Zamestnanec sa spýta: „aký máme proces schvaľovania investícií nad 500 000 Kč?“ AI prehľadá interné smernice, nájde relevantný odsek a odpovie aj s odkazom na dokument. Človek nemusí pol hodiny prehľadávať SharePoint.
Zákaznícka podpora
Zákazník napíše, že mu nefunguje konkrétna funkcia. AI prehľadá manuály, FAQ, históriu ticketov aj predchádzajúce konverzácie tohto zákazníka a odpovie podľa konkrétneho postupu.





