Maya HTT uruchamia asystenta RAG na serwerach klienta. Rynek ma urosnąć do 43,75 mld dol.

M-Bot działa w infrastrukturze klienta. Maya HTT twierdzi, że asystent trzyma wrażliwe dane inżynierskie w systemach kupującego.

Kupujący dostają dwie obietnice. Wrażliwe dane inżynierskie zostają na ich własnej infrastrukturze, a koszty są ustalone z góry, a nie rozliczane za token. Ten drugi punkt ma znaczenie, bo projekty RAG często kopiują pliki do osobnej bazy wektorowej. Taki proces gubi uprawnienia i zostawia duplikaty. Nikt publicznie nie pokazał, czy asystent działający lokalnie odpowiada dokładnie na złożone pytania techniczne w dużej skali. Dla zespołów inżynierskich korzyść jest jasna. Mogą przeszukiwać wewnętrzne dokumenty bez wysyłania ich do zewnętrznego modelu. Otwarte zostaje pytanie o dokładność w skali. Tę lukę kupujący muszą zamknąć sami, testując system na własnych dokumentach.

M-Bot łączy się z wewnętrzną wiedzą z działów inżynierii, produkcji i operacji przemysłowych. Według firmy zwraca odpowiedzi w kilka sekund.

Architektura RAG powstała z myślą o treściach technicznych. Chodzi o tekst, obrazy, tabele i wykresy, których, jak twierdzi Maya HTT, konwencjonalne LLM-y nie potrafią odczytać. System podłącza się do Teamcenter i innych środowisk PLM, a także do SharePoint i Confluence. Każdą odpowiedź wiąże z dokumentem źródłowym. Maya HTT twierdzi, że wyszukiwanie jest do 60 razy szybsze niż ręczne: pięciominutowe poszukiwania zamieniają się w około pięć sekund. Te liczby pochodzą od dostawcy, nie z niezależnych testów. Firma dodaje, że M-Bot nie generuje opłat za tokeny, więc klient zna rachunek przed wdrożeniem.

Remi Duquette jest wiceprezesem Maya HTT ds. sztucznej inteligencji przemysłowej. Powiedział, że organizacje inżynierskie mają dużo wiedzy technicznej. Nie potrafią jednak dostarczyć właściwej informacji właściwej osobie na czas, żeby wpłynęła na decyzję.

Docelowe branże to lotnictwo, obronność i produkcja. Zasady ochrony własności intelektualnej skłaniają kupujących ku systemom działającym lokalnie albo w infrastrukturze kontrolowanej przez klienta.

Rynek stojący za premierą

Raport ResearchAndMarkets opublikowany 30 października wycenia globalny rynek platform RAG na 4,00 mld dol. w 2025 r. i 5,52 mld dol. w 2026 r.. Do 2036 r. przewiduje 43,75 mld dol., co daje 23,0% średniorocznego tempa wzrostu w dekadzie. Zakres jest szeroki. Raport liczy bazy wektorowe i wyszukiwarki, modele embeddingów i rerankingu, frameworki orkiestracji, narzędzia do wczytywania i parsowania dokumentów, konektory, platformy ewaluacji i guardrails, zarządzane usługi RAG w chmurze oraz firmowe asystenty wiedzy. Nie obejmuje opłat za korzystanie z modeli bazowych ani baz ogólnego przeznaczenia bez funkcji wyszukiwania. Ta definicja ma znaczenie dla kupujących, którzy porównują dostawców.

Według raportu najwięcej wdrożeń jest w prawie, finansach i ochronie zdrowia, gdzie odpowiedzi muszą mieć cytowania. Popyt napędzają też agenci AI. Wieloetapowe procesy potrzebują stałego dostępu do danych, aplikacji i narzędzi. Raport wskazuje Elastic jako dowód popytu. Elastic podał, że w pierwszym kwartale roku obrachunkowego 2026 ponad 2 200 klientów Elastic Cloud uruchamiało obciążenia generatywnej AI. Firma podała też wzrost przychodów w trzecim kwartale o 18%, do 450 mln dol..

Raport traktuje firmowe asystenty wiedzy jako część tego rynku. To kategoria, w której mieści się M-Bot, a nie osobna warstwa narzędzi.

Dokładność i bezpieczeństwo zostają najtrudniejsze

Dokładność to miejsce, w którym argument sprzedażowy spotyka się z dowodami. Badanie Stanforda zarejestrowane przed rozpoczęciem wykazało, że produkty do badań prawnych oparte na RAG od LexisNexis i Thomson Reuters halucynowały w 17% do 33% zapytań. Użyty samodzielnie GPT-4 halucynował w 43% przypadków w tym samym badaniu. Wyszukiwanie pomogło. Nie zamknęło luki. Badanie odnotowało zmyślone orzeczenia, niepełne odpowiedzi i błędnie odczytane prawo. Zakres to od 17% do 33%, nie jedna liczba. Te wyniki wyznaczają poprzeczkę dla każdego dostawcy, który sprzedaje wyszukiwanie jako sposób na halucynacje.

Bezpieczeństwo ma własną historię. Microsoft załatał EchoLeak, CVE-2025-32711, w czerwcu 2025 r.. To była luka typu zero-click oceniona na 9,3 w skali CVSS. Złośliwa treść pobrana z maila mogła manipulować Microsoft 365 Copilot i ujawnić wrażliwe informacje. Według raportu firmy odpowiadają, stawiając na wyszukiwanie uwzględniające uprawnienia, wykrywanie prompt injection, zapobieganie wyciekom danych, pochodzenie treści i ścieżki audytu. Microsoft testuje teraz Copilot na firmach syntetycznych. Jego Industry Evaluation Data Generation Platform buduje symulowane środowiska korporacyjne ze źródeł publicznych, w tym danych zawodowych O*NET, ogłoszeń o pracę i dokumentów składanych do SEC. Żadne dane klientów nie wchodzą do tego obiegu. Microsoft twierdzi, że chodzi o pierwszą standaryzowaną bazę odniesienia do oceny Copilota.

RAG czy dostrajanie: wybór architektury

Każdy firmowy zakup RAG trafia na to samo porównanie. RAG zmienia informacje, które model dostaje w momencie odpowiedzi; dostrajanie zmienia sposób, w jaki model odpowiada, modyfikując wyuczone zachowanie. Pierwsze pasuje do dokumentów i polityk, które często się zmieniają. Drugie do powtarzalnego wykonywania zadań i stałych formatów wyjścia. Metody oszczędne pod względem liczby parametrów, takie jak LoRA, zmniejszają zapotrzebowanie na moc obliczeniową, bo trenują mniejszy zestaw dodatkowych parametrów zamiast całego modelu. Dostrajanie nadal nie daje modelowi niezawodnego dostępu do najnowszych informacji firmy. Nie należy go traktować jako gwarancji usunięcia halucynacji.

Obsługa danych rozstrzyga resztę. Dell AI Data Platform pozwala modelom przeszukiwać pliki lokalnie, bez tworzenia duplikatów i bez zmiany kontroli dostępu do plików. IT Pro opisał to 29 października. Platforma łączy oprogramowanie NVIDIA AI Enterprise z akceleracją GPU. Kopiowanie plików do osobnego magazynu wektorowego tworzy ukryte kopie danych, zużywa przepustowość i gubi pierwotne uprawnienia, podał IT Pro.

Co dalej

Maya HTT podaje, że M-Bot jest dostępny do demonstracji i wdrożeń w firmach.

Prognoza ResearchAndMarkets sięga 2036 r., kiedy rynek ma być wart 43,75 mld dol. wobec 5,52 mld dol. w 2026 r.. Microsoft opisuje swoją platformę syntetycznej ewaluacji jako początek standaryzowanej bazy odniesienia dla Copilota. To nie jest gotowy benchmark.