# 550 000 чиновников, одна база знаний: как Polimill сделала AI-инфраструктуру для японских муниципалитетов
Каноническая страница: https://plainews.ru/posts/qommonsai-japan-municipalities-ai-knowledge-base
Опубликовано: 2026-09-01T07:01:12.917Z

Как Polimill подключила 550 000 чиновников к одной AI-системе на GPT и Codex — архитектура, подводные камни и что из этого можно взять в свой проект.
Японская компания Polimill подключила к своей платформе QommonsAI около 1 050 местных органов власти — и теперь 550 000 государственных служащих работают с единой AI-базой административных знаний вместо разрозненных локальных инструментов. Разбираемся, как устроена эта система и что из неё можно забрать в корпоративный или продуктовый проект.

## Зачем вообще централизовать знания в госструктурах

Каждый японский муниципалитет исторически хранит свои регламенты, прецеденты и внутренние инструкции по-своему: в PDF, в Excel, в головах опытных сотрудников. Когда такой сотрудник уходит на пенсию, знания уходят вместе с ним. Проблема не уникальная для Японии — она воспроизводится в любой крупной бюрократической структуре.

Стандартное «решение» — каждый муниципалитет покупает свой AI-инструмент. В итоге получается зоопарк из несовместимых систем, дублирующихся данных и разных уровней качества. Polimill пошла в другую сторону: единая платформа, единая база знаний, единая точка обновления моделей.

## Что внутри QommonsAI

Платформа строится на двух компонентах OpenAI: GPT-модели для понимания и генерации текста на японском языке и Codex для ускорения разработки самой платформы. Это важное разделение — Codex здесь не продуктовая фича для конечных пользователей, а инструмент внутри инженерного процесса Polimill.

Архитектурно система решает одну ключевую задачу: поиск и извлечение административных знаний по естественно-языковому запросу. Чиновник не листает PDF с регламентами — он спрашивает, как оформить конкретный случай, и получает ответ с указанием источника внутри базы.

Пример из практики: в ноябре 2024 года городской совет Вако (префектура Сайтама) внедрил QommonsAI для подготовки ответов на парламентские запросы. Система помогает формулировать первичный черновик ответа на основе существующих регламентов и прецедентов.

## Как выглядит подключение нового муниципалитета

Polimill не публикует открытую документацию по API, но из архитектуры платформы можно вычленить типовой паттерн подключения корпоративной базы знаний к GPT. Он воспроизводится в большинстве RAG-систем (Retrieval-Augmented Generation — генерация с подкреплённым поиском):

**Шаг 1. Подготовка и индексация документов**

Административные документы (PDF, Word, HTML) конвертируются в текст, чистятся от артефактов и разбиваются на чанки.

**Шаг 2. Векторизация и хранение**

Каждый чанк превращается в эмбеддинг и сохраняется в векторной базе данных (pgvector, Qdrant, Weaviate — выбор зависит от требований к изоляции данных).

**Шаг 3. Поиск по запросу**

Запрос пользователя векторизуется тем же эмбеддером, затем находятся ближайшие чанки по косинусному расстоянию.

**Шаг 4. Генерация ответа с контекстом**

Найденные фрагменты передаются в системный промпт вместе с исходным запросом.

## Где ломается централизованная база знаний

Модель Polimill элегантна на бумаге, но у неё есть несколько реальных узких мест.

**Качество источников.** Если муниципалитет загружает устаревшие или противоречивые документы, модель будет уверенно генерировать устаревшие ответы. Валидация и версионирование документов — не опция, а обязательное требование.

**Опыт ветеранов не оцифрован.** Как отмечают сами наблюдатели системы, знания опытных чиновников существуют в устной форме и в базу не попадают. AI воспроизводит только то, что было записано. Неформальные прецеденты — слепое пятно.

**Изоляция данных между муниципалитетами.** При единой платформе критически важно, чтобы документы муниципалитета А не утекали в ответы на запросы муниципалитета Б. Это решается на уровне метаданных и фильтрации при поиске, но требует аккуратной реализации.

**Языковые нюансы.** Японский административный язык насыщен формальными конструкциями и региональными вариациями терминологии. GPT справляется, но edge cases остаются — особенно в диалектных формулировках местных регламентов.

**Зависимость от вендора.** Вся инфраструктура держится на OpenAI. Изменение ценовой политики или условий использования немедленно бьёт по 1 050 муниципалитетам одновременно.

## Что попробовать дальше

Если вы строите похожую систему для корпоративной базы знаний — начните с малого: возьмите один отдел, один тип документов, один сценарий запроса. RAG хорошо масштабируется горизонтально, но плохо прощает ошибки в базовой архитектуре.

Для изоляции данных между подразделениями смотрите на namespace-фильтрацию в Qdrant или row-level security в pgvector. Для версионирования документов — на LlamaIndex с интеграцией систем хранения типа S3.

Если Codex как инструмент внутри инженерного процесса вас интересует отдельно — это уже другая история про AI-ассистированную разработку, где он ускоряет написание бойлерплейта и тестов, а не пишет бизнес-логику.

---

## FAQ

### Что такое QommonsAI и кто им пользуется?

QommonsAI — платформа японской компании Polimill для поиска административных знаний. По состоянию на 2026 год к ней подключены около 1 050 местных органов власти Японии и примерно 550 000 государственных служащих.

### На каких моделях OpenAI работает платформа?

Polimill использует GPT-модели OpenAI для обработки и генерации текста на японском языке, а также Codex — для ускорения внутренней разработки платформы.

### Что такое RAG и почему это подходит для корпоративных баз знаний?

RAG (Retrieval-Augmented Generation) — подход, при котором модель сначала ищет релевантные фрагменты в базе документов, а затем генерирует ответ на их основе. Это позволяет работать с актуальными внутренними данными без дообучения модели.

### Как защитить данные разных подразделений при единой платформе?

Используйте фильтрацию по метаданным при векторном поиске: каждый документ получает тег организации или отдела, и запросы фильтруются до поиска. В pgvector это реализуется через WHERE-условия, в Qdrant — через payload filters.

### Можно ли воспроизвести такую систему без OpenAI?

Да. Архитектура RAG не привязана к конкретному провайдеру. Эмбеддеры и LLM можно заменить на open-source альтернативы (например, Mistral + nomic-embed-text), развёрнутые локально. Это решает проблему зависимости от вендора, но увеличивает операционную сложность.

## Источники

- OpenAI: Polimill builds Japan's next-generation public AI infrastructure