Semantyczne wyszukiwanie dokumentów: jak działa i kiedy pomaga

2026-10-22 · SzopaLabs

Jak działa semantyczne wyszukiwanie dokumentów, dlaczego po polsku potrzebna jest hybryda i jak sprawdzić narzędzie na SWZ, umowach i aktach.

Szef firmy przegląda dokumenty przetargowe

Semantyczne wyszukiwanie dokumentów to sposób przeszukiwania plików po znaczeniu pytania, a nie po dokładnie wpisanych słowach. Pytasz „jakie doświadczenie muszę wykazać?”, a system znajduje w 80-stronicowej SWZ akapit o „wykonaniu co najmniej dwóch robót budowlanych polegających na…”, choć słowo „doświadczenie” w nim nie pada. Poniżej wyjaśniamy, jak to działa od środka, gdzie realnie oszczędza czas firmie wykonawczej, gdzie zawodzi i jak sprawdzić narzędzie, zanim oprzesz na nim ofertę.

Krótko mówiąc

Wyszukiwanie semantyczne zamienia fragmenty tekstu na liczby (wektory) i szuka fragmentów najbliższych znaczeniem do pytania, więc radzi sobie z synonimami, odmianą i parafrazą.
W polskich dokumentach najlepiej działa hybryda: wektory do sensu, klasyczne wyszukiwanie pełnotekstowe do NIP-ów, kodów CPV, numerów postępowań i dat.
O jakości wyników decyduje głównie przygotowanie danych: czytelny tekst zamiast złego skanu i podział dokumentu na logiczne fragmenty, np. punkty SWZ.
Każda odpowiedź powinna wskazywać plik i miejsce, z którego pochodzi. Odpowiedź bez źródła odrzucasz.
System skraca zbieranie faktów. Decyzja o starcie w przetargu, podpisaniu umowy czy zakupie nadal należy do Ciebie.

Spis treści

Czym różni się od zwykłego wyszukiwania
Jak to działa krok po kroku
Dlaczego w polszczyźnie potrzebna jest hybryda
Gdzie firma wykonawcza zyska najwięcej
Czego taki system nie zrobi
Jak sprawdzić narzędzie, zanim mu zaufasz
Gdzie trzymać dokumenty i co z RODO
Nasze zdanie: najpierw fakty ze źródłem, potem decyzja
Gdy nie chcesz budować własnej wyszukiwarki
Najczęstsze pytania
Źródła

Czym różni się od zwykłego wyszukiwania

Klasyczne wyszukiwanie, czyli Ctrl+F w PDF-ie albo wyszukiwarka w systemie plików, porównuje ciągi znaków. Jeśli wpiszesz „kara umowna”, znajdzie „kara umowna”, ale może pominąć „kary umowne”, „karę umowną” czy „Wykonawca zapłaci Zamawiającemu 0,2% wynagrodzenia za każdy dzień zwłoki”. W języku polskim, z jego siedmioma przypadkami i bogatą słowotwórczością, to poważne ograniczenie.

Wyszukiwanie semantyczne działa inaczej. Model językowy zamienia każdy fragment dokumentu na wektor, czyli długi ciąg liczb opisujący jego znaczenie. To samo robi z Twoim pytaniem. Wyszukiwarka zwraca fragmenty, których wektory leżą najbliżej wektora pytania. Zdanie o 0,2% za dzień zwłoki trafi w wyniki na pytanie o kary, bo znaczeniowo o nich mówi.

Słabość jest odwrotna: wektory „rozmywają” precyzyjne ciągi. Numer postępowania, NIP czy kod CPV 45261000-4 nie mają „znaczenia” w sensie językowym, więc czysto semantyczny system potrafi je przeoczyć. Dlatego profesjonalne narzędzia łączą oba podejścia.

Cecha	Pełnotekstowe (słowa kluczowe)	Semantyczne (wektory)	Hybrydowe
Znajduje synonimy i parafrazy	Nie	Tak	Tak
Radzi sobie z polską odmianą	Częściowo, z lematyzacją	Tak	Tak
Trafia w NIP, CPV, sygnatury, daty	Tak	Zawodnie	Tak
Pytania zadane pełnym zdaniem	Słabo	Dobrze	Dobrze
Ryzyko „podobnych, ale nie tych” wyników	Niskie	Wyższe	Niskie
Typowe zastosowanie	Szukanie znanej frazy	Szukanie sensu	Praca na dokumentacji zawodowej

Jak to działa krok po kroku

Niezależnie od tego, czy korzystasz z gotowego narzędzia, czy ktoś buduje je dla Twojej firmy, pod spodem dzieje się mniej więcej to samo:

Odczyt tekstu. PDF z warstwą tekstową czyta się bezpośrednio. Skan trzeba przepuścić przez OCR. Pieczątki, tabele i odręczne dopiski to miejsca, gdzie najczęściej coś ginie.
Podział na fragmenty (chunking). Dokument tnie się na kawałki. Sztywne bloki po 1000 znaków potrafią rozciąć warunek udziału w połowie zdania. Lepiej dzielić logicznie: rozdział SWZ, paragraf umowy, punkt OPZ.
Wektoryzacja. Model embeddingów zamienia każdy fragment na wektor. Dla polskiego tekstu ma znaczenie, czy model był trenowany na polszczyźnie.
Indeks. Wektory trafiają do bazy wektorowej, a równolegle tekst do zwykłego indeksu pełnotekstowego (np. BM25).
Wyszukiwanie. Pytanie przechodzi przez oba indeksy, wyniki są łączone, a często jeszcze raz sortowane przez dokładniejszy model (tzw. reranking).
Odpowiedź z cytatem. W systemach typu RAG (Retrieval-Augmented Generation) model językowy dostaje znalezione fragmenty i na ich podstawie formułuje odpowiedź, wskazując plik i stronę.

Krok szósty jest opcjonalny. Sama wyszukiwarka semantyczna zwraca fragmenty, a Ty je czytasz. Czat na dokumentach dodaje warstwę, która streszcza i odpowiada. Więcej o tej różnicy piszemy w tekście o wyszukiwaniu w PDF z pomocą AI.

Dlaczego w polszczyźnie potrzebna jest hybryda

Najlepiej udokumentowanym porównaniem metod dla naszego języka jest benchmark PIRB, opublikowany na konferencji LREC-COLING 2024. Autorzy zebrali 41 zadań wyszukiwania informacji w języku polskim i porównali na nich metody gęste (wektorowe) oraz hybrydowe, łączące wektory z klasycznym wyszukiwaniem leksykalnym. Wniosek praktyczny dla użytkownika jest prosty: sama „inteligencja” modelu nie wystarcza, liczy się też to, czy system umie znaleźć dokładne dopasowanie.

W dokumentacji budowlanej widać to codziennie. Pytanie „czy wymagają ubezpieczenia OC?” jest semantyczne. Pytanie „co zamawiający odpowiedział w piśmie z 14 października na pytanie nr 7?” wymaga trafienia w datę i numer. Pytanie „czy firma o NIP 1234567890 była już wykonawcą tej gminy?” to zadanie dla bazy danych, nie dla modelu językowego. Dobre narzędzie obsługuje wszystkie trzy, a Ty powinieneś wiedzieć, które pytanie jest którego rodzaju.

Trzy pytania i właściwe metody wyszukiwania

Gdzie firma wykonawcza zyska najwięcej

Dokumentacja przetargowa

Jedno postępowanie to często SWZ, opis przedmiotu zamówienia, projekt umowy, przedmiar, kilka załączników i seria odpowiedzi na pytania wykonawców, które zmieniają treść SWZ. Wyszukiwanie semantyczne pozwala zapytać przez cały ten zestaw naraz: jakie są kryteria oceny i ich wagi, jakiego doświadczenia wymaga zamawiający, jaka jest wysokość wadium i do kiedy trzeba je wnieść, jakie dokumenty składa się z ofertą, a jakie dopiero na wezwanie.

Dane o samych postępowaniach pochodzą z publicznych źródeł. Platforma e-Zamówienia udostępnia interfejsy API do pobierania informacji o postępowaniach, w tym ogłoszeń z Biuletynu Zamówień Publicznych. Narzędzia, które budują na nich wyszukiwarki, muszą liczyć się z limitem zapytań, według stanu na październik 2026 r. 30 na minutę z jednego adresu IP, więc rzetelny system przechowuje dane u siebie i odświeża je cyklicznie, a nie odpytuje platformy przy każdym Twoim pytaniu.

Dokumentacja przetargowa — overview diagram

Umowy z inwestorem i podwykonawcami

Projekt umowy w przetargu i umowa podwykonawcza to miejsca, gdzie kryją się kary umowne, terminy zgłaszania wad, zasady waloryzacji i warunki zatrzymania kaucji. Wyszukiwanie po znaczeniu pozwala zebrać wszystkie postanowienia o karach w jednym widoku, nawet jeśli rozsiane są po pięciu paragrafach i dwóch załącznikach. Szerzej opisujemy to w tekście o tym, jak szybko sprawdzić ryzyka i kluczowe daty w umowie. Zestawienie postanowień to nie ocena prawna: przy umowie z wysokimi karami albo nietypowym podziałem ryzyka zanieś ją radcy prawnemu lub adwokatowi, który zajmuje się zamówieniami publicznymi.

Akty notarialne i ceny nieruchomości

Sektor publiczny już korzysta z tej technologii na dokumentach, które znasz. Urząd Miasta i Gminy Międzyzdroje wdrożył narzędzie ExtrAct, które automatycznie analizuje akty notarialne i inne dokumenty urzędowe, opracowane przez naukowców z Instytutu Badawczego IDEAS. Według relacji z wdrożenia system pięciokrotnie skraca pracę urzędników przy tych dokumentach.

Dla kupujących mieszkanie lub działkę ważniejsze jest to, co dzieje się z danymi z aktów po stronie państwa. Rejestr Cen Nieruchomości został uwolniony z opłat i opublikowany w serwisie geoportal.gov.pl, a GUGiK zbiera w module RCN informacje o cenach z całego kraju. Tu zresztą widać granicę semantyki: ceny transakcyjne to dane strukturalne (cena, powierzchnia, data, powiat), więc szuka się w nich filtrami, a nie pytaniem w języku naturalnym. Jak łączymy jedno z drugim, opisujemy w tekście o analizie aktów notarialnych i benchmarkingu cen.

Rejestry publiczne o kontrahencie

KRS, biała lista VAT czy rejestr pozwoleń na budowę GUNB to bazy z polami, nie zbiory tekstów. Pytanie „czy ta spółka ma zaległości albo zmieniała ostatnio zarząd?” wymaga zestawienia kilku rejestrów po NIP, a nie wektorowego dopasowania. Semantyka przydaje się dopiero wtedy, gdy do tych danych dochodzą dokumenty opisowe, np. sprawozdania finansowe czy uchwały.

Czego taki system nie zrobi

Centralny Ośrodek Informatyki, opisując budowę wirtualnego asystenta dla obywateli, przypomina, że duże modele językowe są probabilistyczne i mogą podawać informacje niezgodne z rzeczywistością. Im lepsze dane i model, tym mniejsze ryzyko, ale nie zero. W praktyce oznacza to trzy rzeczy:

Zły skan daje złą odpowiedź. Jeśli OCR przeczytał „30 dni” jako „80 dni”, model nie poprawi błędu. Zbuduje na nim płynne, przekonujące zdanie.
Brak fragmentu to nie brak wymogu. Jeśli wyszukiwarka nie znalazła warunku dotyczącego potencjału kadrowego, to nie znaczy, że go nie ma. Może siedzieć w załączniku, którego nie wgrałeś, albo w odpowiedzi na pytania opublikowanej wczoraj.
Odpowiedź to nie interpretacja. System wskaże, co jest napisane w SWZ. Nie oceni, czy Twoje referencje spełniają warunek ani czy klauzula jest zgodna z Prawem zamówień publicznych.

Złota zasada: przy każdej informacji, od której zależy złożenie oferty, otwórz wskazany fragment i przeczytaj go sam. Dobre narzędzie robi z tego jedno kliknięcie.

Jak sprawdzić narzędzie, zanim mu zaufasz

Nie potrzebujesz wiedzy technicznej. Wystarczy godzina i jedno postępowanie, które znasz na pamięć, bo już w nim startowałeś.

Weź dokumentację, którą znasz. Wgraj SWZ, umowę i odpowiedzi na pytania z przetargu, w którym brałeś udział.
Zadaj 10 pytań, na które znasz odpowiedź. Pół z nich opisowych („jakie doświadczenie?”), pół precyzyjnych („ile wynosi wadium?”, „jaki kod CPV?”).
Sprawdź cytaty. Czy każda odpowiedź wskazuje plik i miejsce? Czy wskazany fragment naprawdę mówi to, co odpowiedź?
Zapytaj o coś, czego nie ma. Np. o wymóg certyfikatu, którego zamawiający nie stawiał. Dobre narzędzie odpowie, że nie znalazło. Złe wymyśli.
Wgraj słaby skan. Zobacz, czy system ostrzega o problemie z odczytem, czy udaje, że wszystko jest w porządku.
Sprawdź zmiany. Zapytaj o termin składania ofert po jego przesunięciu w odpowiedziach na pytania. To częsta pułapka: system cytuje pierwotną SWZ.

Jeśli narzędzie przejdzie punkty 3, 4 i 6, możesz go używać do pierwszego przeglądu dokumentacji. Jeśli nie, traktuj je jak szybsze Ctrl+F, nic więcej.

Gdzie trzymać dokumenty i co z RODO

Dokumentacja przetargowa jest publiczna, ale Twoja kalkulacja, oferty podwykonawców i umowy już nie. Zanim wgrasz je do jakiegokolwiek narzędzia, ustal, gdzie fizycznie trafiają pliki, czy dostawca używa ich do trenowania modeli, kto ma do nich dostęp i jak je usunąć. Gdy w dokumentach są dane osobowe (np. CV kierownika budowy w wykazie osób), potrzebujesz umowy powierzenia przetwarzania z dostawcą. Przy wątpliwościach co do podstawy przetwarzania zapytaj inspektora ochrony danych albo prawnika od RODO, zanim wgrasz pliki. Praktyczne warianty opisujemy w tekstach o RODO przy czacie AI oraz o tym, kiedy czat AI widzi pliki na dysku firmowym.

Nasze zdanie: najpierw fakty ze źródłem, potem decyzja

Na co dzień przygotowujemy raporty z polskich rejestrów publicznych dla małych i średnich firm, głównie budowlanych. Wnioski z tej pracy są mniej efektowne niż obietnice z reklam narzędzi AI, ale bardziej przydatne.

Po pierwsze, najwięcej czasu traci się nie na czytanie, lecz na szukanie. Właściciel firmy remontowej, który startuje w kilku postępowaniach miesięcznie, nie potrzebuje streszczenia SWZ. Potrzebuje pięciu konkretów: termin, wadium, warunki udziału, kryteria oceny, wymagane dokumenty, i przy każdym numeru strony, żeby mógł sprawdzić.

Po drugie, cytat jest ważniejszy niż model. Dlatego w każdym naszym raporcie każda pozycja ma wskazane źródło: KRS, białą listę VAT, rejestr pozwoleń GUNB, Biuletyn Zamówień Publicznych albo Rejestr Cen Nieruchomości. Jeśli czegoś nie da się podeprzeć dokumentem, nie trafia do raportu.

Po trzecie, połowa „wyszukiwania w dokumentach” to w rzeczywistości zapytania do rejestrów. Kto stoi za kontrahentem, ile pozwoleń ma grupa deweloperska, po ile naprawdę sprzedawano mieszkania w powiecie: tu wektory nie pomogą, pomaga porządne połączenie danych po NIP i numerze działki. Nasze raporty są zestawieniem faktów, a nie doradztwem prawnym czy podatkowym. Decyzję podejmujesz Ty, ale na podstawie danych, które możesz sprawdzić.

— Michał

Gdy nie chcesz budować własnej wyszukiwarki

Jeśli potrzebujesz faktów z jednego postępowania, a nie systemu do całej firmy, przygotowujemy raport z przetargu: terminy, warunki udziału, kryteria oceny, wymagane dokumenty i dane zamawiającego, każda pozycja ze wskazaniem źródła. Usługa jest w przygotowaniu i przyjmujemy zgłoszenia, cena to 149 zł. Zobacz przykładowy raport z przetargu w Koronowie. Przed podpisaniem umowy możesz też sprawdzić kontrahenta po NIP: wstępny wynik jest za darmo, pełny raport kosztuje 49 zł. Jeśli kupujesz mieszkanie, Raport Pro IleZaMetr z realnymi cenami transakcyjnymi kosztuje 49 zł za powiat, a jego bezpłatny przykład obejrzysz przed zakupem. Wszystkie raporty znajdziesz na stronie raportów SzopaLabs. Kupujesz online w kilka minut, bez abonamentu i bez rozmowy z handlowcem, a ceny są kwotami końcowymi, bo jesteśmy zwolnieni z VAT.

Najczęstsze pytania

Co to jest wyszukiwanie semantyczne?

To wyszukiwanie po znaczeniu, a nie po dokładnym brzmieniu słów. System zamienia tekst i pytanie na wektory liczbowe i zwraca fragmenty najbliższe znaczeniem. Dzięki temu znajduje odpowiedź także wtedy, gdy dokument używa innych słów niż Ty.

Czy wyszukiwanie semantyczne to to samo co czat z dokumentami?

Nie do końca. Wyszukiwarka semantyczna zwraca pasujące fragmenty, a czat (RAG) dodatkowo przekazuje je modelowi językowemu, który formułuje odpowiedź. Czat jest wygodniejszy, ale tylko wtedy wiarygodny, gdy każdą odpowiedź podpiera cytatem z konkretnego pliku.

Czy mogę na tym oprzeć decyzję o złożeniu oferty?

Możesz oprzeć na tym przegląd dokumentacji, ale nie samą decyzję. Każdy warunek, od którego zależy dopuszczenie oferty, sprawdź we wskazanym fragmencie SWZ i w najnowszych odpowiedziach na pytania wykonawców. Przy niejasnych warunkach udziału skonsultuj się z prawnikiem od zamówień publicznych.

Czy narzędzie poradzi sobie ze skanami?

Tylko tak dobrze, jak dobrze zadziała OCR. Wyraźny skan zwykle odczytuje się poprawnie, ale tabele, pieczątki i odręczne dopiski bywają gubione lub przekręcane. Przy ważnych liczbach z takich dokumentów zawsze porównaj odpowiedź z oryginałem.

Źródła

Rekomendacje

← Wszystkie wpisy