Sześć lat po pracy Lewisa i współautorów o retrieval-augmented generation nikt już nie pisze wniosku grantowego na pytanie, czy model da się podłączyć do własnych dokumentów. RAG jest w każdym większym stacku, w każdej ofercie dostawcy i w każdym pilotażu, który ma „odpowiadać z bazy wiedzy". To dobra wiadomość dla harmonogramów i zła dla przewagi: kiedy technika staje się hydrauliką, przestaje być powodem, dla którego ktoś wybiera właśnie Ciebie. Enterprise RAG nie jest już pytaniem badawczym „czy potrafimy ugruntować model w naszych treściach". Jest pytaniem operacyjnym: czy potrafisz udowodnić, skąd wzięła się odpowiedź, i czy Twój indeks będzie prawdziwy za pół roku.
W nocie o rządzonych agentach postawiliśmy tezę, że w produkcji zostają te wdrożenia, w których klasyfikacja danych, nadzór człowieka i ścieżka audytu są częścią runtime'u, a nie dokumentem doklejonym po incydencie. Baza wiedzy jest miejscem, w którym ta teza weryfikuje się najszybciej — bo to ona podaje modelowi treść, na której model opiera zdanie wysłane potem klientowi.
Co dokładnie się zmieniło
W 2020 roku pytanie brzmiało: czy da się dołożyć modelowi pamięć zewnętrzną, żeby odpowiadał z dokumentów, a nie z wag. Odpowiedź „da się" jest dziś domyślną funkcją narzędzi, które Twój zespół i tak ma w abonamencie. Przesuwa to moment, w którym powstaje ryzyko. Kiedy zbudowanie systemu wiedzy RAG zajmowało kwartał, cała uwaga szła na to, żeby wyszukiwanie w ogóle działało. Kiedy zajmuje popołudnie, uwaga nie idzie nigdzie — system powstaje bez właściciela, bez daty przeglądu i bez odpowiedzi na pytanie, kto zauważy, że przestał być aktualny.
Przypis nie jest dowodem
Najmocniejszy sygnał z tego roku nie dotyczy jakości wyszukiwania, tylko jakości cytowania. W badaniu opublikowanym w maju 2026 („Cited but Not Verified") autorzy sprawdzili, co realnie stoi za przypisami, które generują agenty deep research. Linki w większości działają — u najsilniejszych modeli powyżej 94% — ale zgodność twierdzenia z tym, co faktycznie jest w cytowanym źródle, mieści się w przedziale 39–77%, zależnie od modelu. Odnotowano też, że dokładność spada wraz z liczbą wywołań narzędzi: im głębiej agent „bada", tym słabiej pilnuje źródeł.
Zaznaczmy zakres wprost, bo to nie jest to samo badanie: dotyczy agentów deep research w otwartej sieci, nie firmowego RAG-a, więc przenoszenie tych liczb na Twoje wdrożenie byłoby nadinterpretacją. Mechanizm jest jednak ten sam i on jest tu istotny. Przypis w interfejsie nie jest ścieżką audytu — jest elementem interfejsu, który wygląda jak dowód. Dowodem jest zapis mówiący, który fragment której wersji dokumentu trafił do modelu i kiedy, odtwarzalny po fakcie, gdy sam dokument już się zmienił.
Indeks psuje się cicho
Rzecz druga, której nikt nie planuje: indeks nie ma daty ważności, więc nikt jej nie pilnuje. Wchodzą do niego polityki, cenniki, procedury i notatki, a potem organizacja pracuje dalej — dokumenty są zmieniane, zastępowane, wycofywane. Jeśli nikt nie odpowiada za usuwanie, model dostaje obie wersje tej samej reguły i wybiera tę, która lepiej pasuje do pytania. Efekt nie wygląda jak halucynacja z demo. Wygląda jak pewna siebie odpowiedź cytująca wewnętrzny dokument, który przestał obowiązywać dwa lata temu. Organizacja zaczyna zmyślać własną historię, i to własnymi słowami sprzed lat.
Domknięcie jest nudne. Indeks potrzebuje właściciela — osoby, nie zespołu — oraz ścieżki usuwania, która odpala się razem z wycofaniem dokumentu, a nie przy najbliższym większym porządkowaniu. Do tego data w odpowiedzi: „stan na", żeby pytający widział, jak stary jest materiał, na którym stoi zdanie, które właśnie czyta.
Dostęp jest częścią odpowiedzi
Indeks jest kopią repozytorium dokumentów, tylko spłaszczoną. Uprawnienia, które na dysku czy w SharePoincie pilnują, kto co widzi, nie przenoszą się same do wektorów. Jeśli filtr uprawnień nie działa w momencie zapytania, system wiedzy staje się kanałem, którym treść z zamkniętego folderu wychodzi do osoby bez dostępu — i nie zostawia przy tym śladu, bo formalnie nikt niczego nie otwierał. Doklejenie reguły do promptu („nie ujawniaj danych kadrowych") nie jest kontrolą dostępu. Kontrola dostępu dzieje się przed wyszukiwaniem i decyduje o tym, co w ogóle wolno wciągnąć do kontekstu tej konkretnej osoby.
Co to znaczy dla funduszu, dużej organizacji i firmy średniej wielkości
Fundusz (PE). „Mamy RAG-a" przestało być odpowiedzią na pytanie o przewagę technologiczną — w due diligence waży dziś tyle, ile „mamy stronę internetową". Pytania, które coś odsłaniają, są węższe: kto jest właścicielem indeksu, co się dzieje, gdy dokument zostaje wycofany, i czy da się po fakcie odtworzyć, na czym model oparł konkretną odpowiedź. Baza wiedzy bez możliwości wskazania pochodzenia odpowiedzi nie jest aktywem; w branży regulowanej jest pozycją, którą kupujący odliczy od ceny.
Duża organizacja. Przewaga przeniosła się z wyszukiwania na ład AI i utrzymanie, i to jest dobra wiadomość, bo jedno i drugie da się zrobić bez zmiany dostawcy modelu. Kolejność jest ta sama co przy agentach: klasyfikacja treści przed wpuszczeniem ich do indeksu, filtr uprawnień w momencie zapytania, log decyzji, który przetrwa zmianę dokumentu. Tak właśnie układamy systemy wiedzy — zaczynając od tego, co wolno wciągnąć do kontekstu, a nie od wyboru bazy wektorowej.
Firma średniej wielkości. Nie potrzebujesz programu ładu AI, żeby to zamknąć. Potrzebujesz jednej osoby, która wie, co jest w indeksie, jednej reguły usuwania i odpowiedzi, która pokazuje źródło razem z jego datą. Jeśli Twój asystent wewnętrzny odpowiada pracownikom na pytania o cenniki albo procedury, to właśnie te rzeczy są całą różnicą między narzędziem a ryzykiem — i robotą na popołudnie, nie na kwartał.
Jedno pytanie na ten tydzień
Weź jedno pytanie, na które Twój system wiedzy odpowiada dobrze, i poproś go o źródło. Potem sprawdź dwie rzeczy: czy cytowany dokument nadal obowiązuje i czy osoba, która zadała pytanie, miała prawo go widzieć. Jeśli którakolwiek odpowiedź brzmi „nie wiem", masz temat na najbliższy przegląd, a nie pozycję w roadmapie. Opisz swój przypadek: mailto:[email protected]?subject=Rozmowa%20z%20Aurora%20AI.