# Co należy do bazy wiedzy prywatnego AI (a czego nie wpuszczać)

> Ustal, co wchodzi do bazy wiedzy prywatnego AI: zatwierdzone procedury, runbooki i dokumentacja produktów tak; dane osobowe, HR, szkice i sekrety nie. Checklist dla CTO.

- Adres: https://www.rebels.software/pl/guide/co-nalezy-do-bazy-wiedzy-prywatnego-ai
- Opublikowano: 2026-11-06
- Autor: Bart Szczepański
- Tagi: Prywatne AI, RAG, Baza wiedzy

Baza wiedzy prywatnego AI powinna trzymać dokumenty, którym ludzie i tak ufają, gdy odpowiadają na te same pytania ręcznie: obowiązujące procedury, instrukcje produktów, runbooki i zamknięte zgłoszenia z jasnym skutkiem. Poza nią zostaw wszystko, co przy cytowaniu przez model kończy się wyciekiem albo złą odpowiedzią: surowe dane osobowe, akta HR i płace, niezatwierdzone szkice, sekrety oraz foldery bez właściciela. Pierwszy indeks ogranicz do jednego zespołu i jednego rodzaju pytań, a potem rozszerzaj go dopiero wtedy, gdy wyszukiwanie jest wiarygodne.

Ten poradnik dotyczy decyzji, co w ogóle wchodzi do bazy. Jak potem posprzątać dokumenty, zrobić OCR, dodać metadane i przenieść uprawnienia, opisuje poradnik [jak przygotować dokumenty firmy pod prywatne AI](/pl/guide/przygotowanie-dokumentow-pod-prywatne-ai).

## Dlaczego granica jest ważniejsza niż model

Wyszukiwanie z prywatnym AI, zwykle budowane jako RAG, odpowiada na podstawie tego, co włożysz do indeksu. Jeśli obok instrukcji serwisowych leżą listy płac, sprytny prompt albo zbyt luźne uprawnienia mogą wypchnąć zły plik. OWASP umieszcza [ujawnianie informacji wrażliwych](https://genai.owasp.org/llmrisk/llm022025-sensitive-information-disclosure/) oraz [słabości wektorów i embeddingów](https://genai.owasp.org/llmrisk/llm082025-vector-and-embedding-weaknesses/), w tym wycieki między grupami korzystającymi z jednego indeksu, wśród największych zagrożeń dla aplikacji opartych na LLM.

[Zasada minimalizacji danych z RODO](https://eur-lex.europa.eu/legal-content/PL/TXT/?uri=CELEX:32016R0679) (art. 5 ust. 1 lit. c) idzie w tę samą stronę: przetwarzaj tylko to, co jest potrzebne do celu. Mniejszy, świadomie dobrany zbiór łatwiej obłożyć uprawnieniami, łatwiej przetestować i rzadziej generuje odpowiedzi ze starych szkiców.

## Co zwykle należy do bazy

To punkt wyjścia dla pierwszej bazy pod wewnętrzne pytania albo zespół w terenie. Dostosuj go do branży, ale nie pomijaj listy „czego nie wpuszczać” poniżej.

1. **Zatwierdzone, obowiązujące procedury i SOP.** Wersja, która obowiązuje dziś, z właścicielem i polem statusu. Starsze rewizje zostają w archiwum, nie w indeksie.
2. **Dokumentacja produktów i usług.** Instrukcje, karty katalogowe, zasady gwarancji i montażu dla linii, o które ludzie pytają co tydzień. W wielu firmach produkcyjnych to także DTR-y.
3. **Runbooki operacyjne.** Jak uruchomić linię ponownie, obsłużyć znany błąd albo eskalować incydent. Lepiej krótkie, datowane runbooki niż długie prezentacje.
4. **Zamknięte zgłoszenia i znane naprawy.** Zgłoszenia z potwierdzonym rozwiązaniem z niedawnego okna (na przykład ostatnie 12-24 miesiące), oznaczone produktem albo lokalizacją. Otwarte albo niedokończone zgłoszenia mylą model.
5. **Wewnętrzne FAQ i notatki decyzyjne, za którymi nadal stoi konkretny właściciel.** Protokoły ze spotkań tylko wtedy, gdy zapisują decyzję, a nie całą dyskusję.
6. **Umowy i szablony handlowe, które świadomie udostępniasz wąskiej grupie.** Ogólne warunki, standardowe aneksy albo cenniki, których może szukać sprzedaż albo prawnicy - nigdy domyślnie całego udziału z umowami.

## Czego nie wpuszczać (albo trzymać w osobnym, mocno ograniczonym indeksie)

1. **Dane osobowe, których dany przypadek nie potrzebuje.** Numery PESEL, prywatne adresy, dane o zdrowiu, dane dzieci. Jeśli w jednym PDF-ie jest procedura i dane osobowe, zanonimizuj je albo rozdziel przed indeksowaniem.
2. **HR i płace.** Umowy o pracę, oceny okresowe, listy płac, notatki rekrutacyjne. Do ogólnej bazy wiedzy niemal nigdy nie powinny trafiać.
3. **Sekrety i dane dostępowe.** Klucze API, hasła, konfiguracje VPN, klucze prywatne, nieopublikowane opisy podatności. Trafienie w wyszukiwarce, które cytuje sekret, to już incydent.
4. **Niezatwierdzone szkice i pliki „final_v3_NOWA”.** Dopóki ktoś nie oznaczy dokumentu jako zatwierdzonego, nie powinien odpowiadać na pytania klientów ani techników.
5. **Osobiste skrzynki i zrzuty czatów.** Pełno w nich kontekstu z boku, opinii i danych osób trzecich, których nie zamierzałeś publikować wewnątrz firmy.
6. **Materiały z postępowań, sporów i due diligence.** Zostaw je w systemach do tego przeznaczonych. Pomocna odpowiedź cytująca notatkę ze sporu nadal jest wyciekiem.
7. **Wszystko, co źródłowe uprawnienia i tak udostępniają zbyt szeroko.** Jeśli folder jest otwarty dla „Wszyscy”, popraw to u źródła, zanim indeks skopiuje ten błąd. Microsoft pisze na przykład, że Copilot [pokazuje tylko te dane organizacji, do których użytkownik ma co najmniej prawo odczytu](https://learn.microsoft.com/pl-pl/copilot/microsoft-365/microsoft-365-copilot-privacy), i prosi o uporządkowanie modelu uprawnień - prywatny system budowany u siebie ma to samo ograniczenie.

## Krok po kroku: wyznacz granicę dla jednego zespołu

1. **Zapisz przypadek użycia w jednym zdaniu.** Na przykład: „Technicy serwisu pytają, jak diagnozować kody błędów dla rodziny produktów X.” Reszta poczeka.
2. **Wypisz kandydackie źródła.** Dyski sieciowe, SharePoint, ERP, system zgłoszeń, wspólne skrzynki. Przy każdym źródle wskaż właściciela.
3. **Przy każdym źródle zaznacz: wchodzi, nie wchodzi albo później.** Korzystaj z obu list powyżej. Gdy wahasz się, w pierwszej rundzie wybierz „nie wchodzi”.
4. **Przy każdym „wchodzi” zapisz, kto może to widzieć.** Przenieś te grupy do indeksu i filtruj wyniki, zanim model cokolwiek zobaczy. Jedno konto serwisowe, które czyta wszystko, to częsty błąd.
5. **Zdefiniuj, co znaczy „aktualne”.** Próg daty, pole statusu albo jedno i drugie. Bez tego stare procedury wygrywają na pokryciu słów kluczowych.
6. **Przekaż listę „wchodzi” do potoku przygotowania.** Usuń duplikaty, zrób OCR skanów, dodaj metadane i przetestuj na prawdziwych pytaniach - kroki z poradnika [jak przygotować dokumenty firmy pod prywatne AI](/pl/guide/przygotowanie-dokumentow-pod-prywatne-ai).
7. **Przejrzyj granicę, gdy dorzucasz drugi zespół.** Nowe źródła przechodzą ten sam filtr wchodzi / nie wchodzi. Nie wklejaj kolejnego serwera plików do żywego indeksu.

## Najczęstsze błędy

- **Indeksowanie całego serwera plików „na wszelki wypadek”.** Wciągasz każdy zbyt szeroko udostępniony folder i każdy szkic. Odpowiedziom trudno zaufać.
- **Traktowanie VPN-u jako polityki treści.** Lokalizacja w sieci nie zastępuje decyzji, co model może cytować.
- **Dokładanie umów dla wszystkich, bo prawnicy kiedyś mogą ich potrzebować.** Daj prawnikom osobny korpus z ich grupami albo zostaw umowy poza pierwszym indeksem.
- **Zostawianie danych osobowych w skądinąd przydatnych PDF-ach.** Anonimizuj albo rozdziel. Minimalizacja wychodzi taniej niż tłumaczenie wycieku.
- **Brak właściciela listy „wchodzi”.** Gdy dokument zostaje wycofany, nikt nie usuwa go z indeksu.

## Następny krok

Wybierz jeden zespół i jedno powtarzające się pytanie. Na jednej stronie wypisz źródła, które na nie odpowiadają, przy każdym zaznacz wchodzi albo nie i dopisz grupy dostępu przy każdym „wchodzi”. Ta strona to zakres Twojej pierwszej bazy wiedzy prywatnego AI.

Rebels Software buduje prywatne AI na infrastrukturze, którą kontrolujesz, jako część platform i aplikacji tworzonych na zamówienie. Na warsztacie Discovery razem z Tobą mapujemy źródła, uprawnienia oraz granicę wchodzi / nie wchodzi, potem sprawdzamy jeden przypadek jako PoC na Twoich prawdziwych dokumentach, w Twojej sieci. Po wdrożeniu Rebels Care dba o to, żeby korpus i indeks były zgodne z tym, z czego zespoły naprawdę korzystają. Jeśli to pasuje do Twojej sytuacji, umów rozmowę na tej stronie albo zacznij od [strony głównej Rebels Software](/pl).

Zaczynamy od Twojego największego problemu i danych, które za nim stoją. [Umów bezpłatną rozmowę](https://calendly.com/bartlomiej-jacyno/pierwsza-rozmowa)
