Универсальный ИИ-агент для поддержки пользователей и обработки запросов 2-го уровня

1. Вводная задача от заказчика, проблематика, цели

Клиент — крупная металлургическая компания с корпоративной системой, в которой множество ролей и сложная предметная область. Её поддержкой занимаются несколько команд: им приходится разбираться в большом объёме документации и постоянно решать нетривиальные кейсы.

Цель проекта — автоматизировать поддержку клиентов компании с учётом глубокой оргструктуры, сложной документации и необходимости точной маршрутизации.

Задачи

• Анализ и архитектура
• Провести аудит текущей поддержки и источников знаний, сформировать требования и спроектировать архитектуру AI-агента: контур LLM, семантический поиск, интеграции с сервис-деском, порталом, SSO и правами доступа.
• Подготовка данных и моделей
• Собрать и очистить документацию и исторические тикеты, разметить выборки; развернуть векторный поиск (эмбеддинги, индекс), обучить модели интентов/классификации/маршрутизации и настроить RAG-пайплайн для ответов.
• Разработка и интеграция сервиса AI-агента
• Реализовать backend-оркестратор и коннекторы к ITSM/порталам, встроить агента в интерфейс операторов и пользователей, настроить логику: автоответ, маршрутизация, эскалация на экспертов.
• Качество, дообучение и безопасность
• Настроить контур валидации ответов экспертами, сбор фидбэка и дообучение моделей; автоматическое пополнение базы знаний; внедрить контроль доступа к данным, аудит действий агента и требования по инфобезопасности.
• Мониторинг и аналитика
• Ввести технический мониторинг компонентов и метрики работы поддержки/агента (доля автоответов, эскалаций, SLA), настроить дашборды и отчётность для дальнейшей оптимизации процессов.

2. Описание реализации кейса и творческого пути по поиску оптимального решения

Что сделали

Мы развернули универсального AI-агента 2-го уровня, который работает поверх существующей инфраструктуры поддержки и базы знаний металлургической компании.

AI-агент

Понимает тематику и сложность запроса. Из текста обращения определяет, о каком модуле, сценарии или типе задачи идёт речь, и оценивает, можно ли решить её автоматически.

Ищет ответ в документации и базе знаний. Использует LLM/семантический поиск, чтобы быстро находить релевантные статьи, инструкции, регламенты и прошлые решения.

Отвечает пользователю автоматически, если находит однозначный и проверенный ответ в базе знаний.

Классифицирует и маршрутизирует сложные кейсы: определяет тип обращения и отправляет его сразу в нужную рабочую группу, минуя лишние пересылки.

Эскалирует нестандартные ситуации: помечает кейсы, где требуется участие эксперта, и передаёт их на 2-ю линию вместе с подборкой релевантных материалов.

Дообучается на новых шагах решения — успешные кейсы и обновлённые статьи автоматически расширяют базу знаний и повышают качество следующих ответов.

Этапы проекта

1. Обследование и проектирование

Собрали требования бизнеса и службы поддержки, проанализировали текущие процессы и базу знаний, сформировали целевые сценарии работы AI-агента и спроектировали архитектуру решения: LLM-контур, векторный поиск, интеграции с ITSM, порталом и SSO.

2. Подготовка данных и ML-основания

Выгрузили и очистили документацию и тикеты, разметили выборки, настроили пайплайн индексации (chunking, эмбеддинги, метаданные) и векторного поиска, а также провели первичное обучение и настройку моделей интентов, классификации и маршрутизации.

3. Разработка ядра AI-агента и интеграций

Реализовали backend-оркестратор (связка LLM, векторного индекса и бизнес-правил), разработали коннекторы к сервис-деску и порталам, внедрили логику автоответов, маршрутизации и эскалации в реальный поток обработки обращений.

4.Пилот и донастройка качества

Запустили пилот на ограниченном периметре (отдельные очереди и подсистемы), подключили экспертов для валидации ответов и сбора фидбэка, откалибровали пороги уверенности, дообучили модели и настроили пополнение базы знаний по результатам пилота.

5. Промышленный запуск, безопасность и масштабирование

Расширили покрытие на дополнительные очереди и роли, внедрили все требования по инфобезу и аудиту, настроили мониторинг и дашборды, оптимизировали производительность и стоимость, а также утвердили регламент регулярного дообучения и обновления индексов.

3. Результаты сотрудничества

В результате время до первого ответа сократилось с 1-2 часов до считанных минут, количество запросов, решенных на первом уровне поддержи, выросло, а количество повторных обращений упало на 9%.