Перейти до вмісту
life sciences

Bayer: Launched “myGenAssist” weeks after ChatGPT as a secure, internal…

Виміряний результат: Platform processes 1.5 million messages per month and KPI surveys show a roughly 20% efficiency gain among users, with the team explicitly avoiding over‑attribution.

Bayer — глобальна компанія із галузі life sciences, яка розгорнула внутрішню генеративну платформу myGenAssist на основі векторної пошукової системи Qdrant. Платформа обробляє понад 1,5 млн повідомлень на місяць, індексує понад 450 тис. завантажених документів і надає пошук у тексті, аудіо, відео та зображеннях. У КІП-опитуваннях зафіксовано наближені 20% приросту ефективності серед користувачів, команда уникає перенадання причин.

Результат

  • Виміряний результат: Platform processes 1.5 million messages per month and KPI surveys show a roughly 20% efficiency gain among users, with the team explicitly avoiding over‑attribution.

    Джерело 1 ↗

Контекст

Компанія
Bayer
Галузь
life sciences
Розмір
000 employees

Дата публікації: 13 Aug 2026. Цитата з атрибуцією: не вказано Дані для калькулятора: 1.5 million messages per month; ~20% efficiency gain among users; ~28,000 assistants; 22,000 artifacts; 20,000 knowledge bases; ~10,000 workflows.

Розвилка

Самостійне розгортання (self-hosted) чи гібридне управління кластером (Hybrid Cloud), щоб одночасно задовольнити вимоги безпеки даних і обмежену операційну здатність невеликої команди.

Обмеження

Дані не повинні виходити за межі сертифікованого хмари Bayer; команда невелика; потреба у низькій затримці (відповіді менше 10 секунд); підтримка багатьох форматів (текст, зображення, аудіо, відео); регуляторні вимоги生命 наук і аудитованість.

Що зробили

Початково використовували саморозгорнутий Qdrant, потім перейшли на Qdrant Hybrid Cloud через Kubernetes-оператора, щоб залишити дані всередині власного середовища та зняти операційне навантаження. Кластер: чотири вузли, близько 135 млн точок у семи колекціях, найбільша — 91 млн точок. Розгортання проходило без жорсткої міграції: паралельно працювали стара і нова колекції, пошук обґрунтувався обома, старі дані вилучалися природним чином. Документи обробляються ліниво: легкий локальний парсер для простих форматів, серверний OCR (Docling) лише на запит агента. Агенти працюють на LangGraph, отримують прямий доступ до Qdrant API, використовують гібридний пошук (dense + sparse), розширення запитів і переранжування BGE. Керування якістю і відстеження реалізовано через Langfuse та Prometheus.

Що могло провалитись

Обробка документів ставала джерелом навантаження: користувачі повторно завантажували і редагували файли, тому вектори потрібно було постійно синхронізувати. Парсинг документів перед векторизацією важкий і регулярно створював навантаження. Підтримка актуальності кешованих даних — відкрита проблема: якщо джерело змінюється після кешування, версія застаріває. Агенти можуть виконати тисячі пошукових запитів, що збільшує вартість викликів зовнішніх API. Кешування пошуку в Qdrant зменшує витрати, але синхронізація кешу з джерелом залишається невирішеною.

Що з цього переноситься

Композитний, відкритий пошуковий рушій працює, коли компанія готова підтримувати власну інтеграцію та контролювати дані, а не купувати чорну скриньку; підхід не підходить, якщо немає команди для обслуговування конвеєра індексації та синхронізації документів.

Кому це релевантно

Релевантно для українських компаній на 10–100 людей, які вже використовують LLM для роботи з документами і стикаються з проблемою пошуку інформації у власних файлах. Різниця масштабу: у джерелі — корпорація з 116 тис. співробітників і власна команда розробників, а менша компанія може почати з одного використання (use case) без власного кластера і складної інфраструктури.

Скільки зайняло: Платформа myGenAssist була розгорнута протягом трьох місяців після появи ChatGPT; гібридна модель використовується більше двох років; гібридний пошук впроваджено два роки тому.

Джерела

  1. 1
    qdrant.tech ↗

    qdrant.tech

Щотижневі кейси на пошту

Нові кейси з цифрами й посиланнями на джерела.