ИИ в ITSM: уже не эксперимент, а корпоративный стандарт

Искусственный интеллект сегодня всё активнее проникает в ITSM-процессы. Теперь вопрос стоит иначе: не «нужен ли нам ИИ», а «как выстроить процессы так, чтобы искусственный интеллект работал эффективно». Эксперты SimpleOne, Т1 Интеграция и Ainergy на вебинаре рассказали о роли ИИ в службе поддержке и Service Desk, о том, как обеспечить безопасность корпоративных данных, а также о сценариях применения ИИ-инструментов в бизнесе. 

Почему ИИ критичен для клиентского сервиса и службы поддержки

В поддержке запрос бизнеса очень прикладной: быстрее отвечать, делать меньше ошибок, выполнять SLA, выдерживать рост обращений при расширении каналов — почта, порталы, телефония. Компании сталкиваются с необходимостью масштабировать сервис, сохраняя при этом стабильное качество.

Искусственный интеллект в таком случае полезен в нескольких направлениях:

1. Быстрое получение ответов и решений за счет ИИ-ассистентов и RAG-поиска по корпоративным знаниям. Технология RAG (генерация с дополненным поиском) позволяет формировать ответы, опираясь на регламенты и базу знаний компании, а не выдумывать информацию.

2. Сокращение времени на обработку обращений и снижение нагрузки на сотрудников поддержки, поскольку типовые операции закрываются ИИ-агентами.

3. Качество и стабильность, меньше ошибок за счет стандартизации ответов службы поддержки и автоматизированного наполнения базы знаний.

4. Поддержка без границ: многоканальность и мультиязычность, включая перевод и адаптацию ответа под пользователя.

Таким образом, ИИ помогает одновременно в вопросах скорости, себестоимости и стабильности качества.

«Если приземлять эту тему на процессы поддержки, ценность дают не абстрактные умные ответы, а сценарии, встроенные в поток работы. ИИ в ITSM — это не отдельная фича, а ускоритель всей сервисной модели»‎, — Роман Носенко, менеджер по развитию бизнеса, Ainergy.

Что изменилось в вопросе безопасности данных с приходом ИИ

Хотя возможности современного ИИ приносят пользу уже сейчас и смогут приносить её в будущем, важно правильно внедрять ИИ-инструменты в ИТ-инфраструктуру компании. Всё дело в безопасности данных — к сожалению, любой ИИ может нести в себе определенные риски для компании.

Действительно, ИИ облегчает написание и модификацию вредоносного программного обеспечения, генерацию фишинговых писем, создание реалистичных deepfake. Атаки как происходили, так и происходят, но искусственный интеллект их автоматизирует и увеличивает их количество. То, что ИИ делает для «хороших» целей, он точно так же делает для «плохих».

При выборе архитектуры AI-решения критически важно понимать разницу между типами больших языковых моделей — от этого напрямую зависит безопасность корпоративных данных. Все они различаются уровнем риска и сценариями использования в компании:

• Публичные LLM (ChatGPT, Claude, GigaChat) — самый опасный вариант. Подходят для быстрых экспериментов и генерации контента, но категорически не подходят для работы с корпоративными данными. Когда сотрудник берет рабочий файл и отправляет его в публичный сервис, данные могут быть обработаны сторонними сервисами и потенциально использоваться для обучения моделей, что повышает риски утечки. Персональные данные, ключи доступа, коммерческая тайна, банковская информация, данные о контрагентах — утечка любой из этих категорий несет риски. Люди, которые интересуются вашей компанией, хакеры, получат дополнительное окно входа в инфраструктуру, будут знать, что у вас происходит. Не стоит облегчать им работу.

• Облачный API (Azure OpenAI, Bedrock) — промежуточный вариант, который обеспечивает корпоративную интеграцию и определенный уровень контроля. Однако использование тоже сопряжено с рисками, поскольку есть канал связи и передачи данных, и в этот канал при желании могут встроиться злоумышленники. Требует тщательной настройки политик безопасности.

• Собственная модель в стороннем облаке (LLaMA на AWS, Falcon на GCP) — настраиваемая облачная среда с большей степенью контроля, но данные всё ещё находятся за пределами корпоративного контура.

• Локальные модели on-premises (LLaMA, Mistral, GPT4All) — наиболее безопасный вариант, обеспечивают защищенный внутренний контур.

• LLM-агенты (Auto-GPT, LangGraph) — автономные системы для автоматизации задач. Агенты, которые действуют самостоятельно, могут быть небезопасны, пока нет точной уверенности в том, что они смогут сделать. Требуют особого контроля и ограничений.

• Встроенные модели (Ollama, TinyLlama) — локальная обработка данных на устройстве, максимальная приватность для работы с чувствительной информацией.

«Если вы планируете или уже развернули большую языковую модель у себя в компании, то лучше, чтобы это была локальная модель. Тогда сотрудники спокойно могут загружать туда данные, ваш отдел информационной безопасности видит, что происходит, и, собственно, никаких проблем не возникает. Или, по крайней мере, эти проблемы становятся гораздо сложнее устроить, и риск утечки данных становится значительно меньше», — Павел Николаев, руководитель направления по кибербезопасности, Т1 Интеграция.

Конкретные сценарии применения в  cлужбе поддержки

На примере платформы SimpleOne эксперты продемонстрировали, как ИИ-инструменты работают в реальных процессах поддержки. В ходе живой демонстрации системы показали настройку и работу различных сценариев — от автоматического закрытия типовых обращений до генерации статей базы знаний. Все продемонстрированные возможности доступны «из коробки»‎ и настраиваются в несколько кликов через визуальный редактор рабочих процессов.

Нулевая линия поддержки

Если запрос достаточно простой, система его классифицирует, определяет степень недоступности услуги, понимает, к какой услуге относится обращение, и назначает заявку на нужную группу. Если система может сразу решить проблему, она отправляет пользователю инструкцию по шагам.

Так можно автоматизировать типовые сценарии, отправлять быстрые ответы по базе знаний и готовым решениям без участия операторов. 

Помощь инженерам первой и второй линии

ИИ-ассистент помогает инженерам найти решение, выбрать следующие шаги диагностики и оформить ответ, опираясь на материалы базы знаний, релевантные инциденты и обращения в системе. Самые сложные кейсы уходят на вторую линию, где ИИ-ассистент также может работать по профильным знаниям и внутреннему опыту отдела.

Интеллектуальная маршрутизация и автоматическое создание обращений

ИИ автоматизирует первичную обработку запросов из любых каналов: портала самообслуживания, почты, телефонии, корпоративных мессенджеров (VK Мессенджер, Express, Telegram).

Система сама создает обращения из писем, звонков, вложений и файлов — ничего не теряется и не требует ручного ввода. Затем ИИ анализирует содержание обращения, классифицирует его и распределяет по приоритетам и исполнителям. Одновременно система подбирает похожие обращения из истории. В результате запрос сразу попадает к нужному специалисту, а у инженера под рукой уже есть похожий кейс с готовым путем решения проблемы.

Нейропоиск и чат-боты

Инструмент нейропоиска позволяет сотруднику задать вопрос и получить релевантный ответ из базы знаний, документации и регламентов.

Чат-бот работает как полноценная поддержка пользователей. Он формирует ответы на основе данных из векторной базы — тех консистентных данных, которые верны для вашего стенда. В зависимости от настроек он может просто отдавать пользователю ссылку на статью, автоматически генерировать заявку, если не может помочь сам, или действовать любым другим способом в рамках ваших процессов.

Problem Management и предиктивная аналитика

Система автоматически выявляет массовые инциденты — по схожим обращениям вовремя формируется проблема. ИИ может заранее подсказать, где растут риски, где возможны задержки, где вероятны сбои. Руководители начинают управлять не последствиями, а причинами.

Например, в одном из кейсов компании Ainergy ИИ-агент запускается по расписанию в время низкой нагрузки на GPU. Он анализирует закрытые инциденты и запросы на обслуживание, находит похожие запросы и группирует их. Когда количество похожих инцидентов достигает определенного порога, система автоматически создает проблему и подсвечивает существование узких мест.

Генерация статей базы знаний

ИИ помогает превратить опыт решения проблем в корпоративное знание. По закрытым обращениям агент собирает решения и формирует черновик статьи для базы знаний. Затем менеджер базы знаний проверяет и утверждает материал. После обновления базы знаний при следующей синхронизации новая информация попадает в векторную коллекцию чат-бота.

Нейросеть не только создает содержание статьи, но и стилизует её согласно корпоративному брендбуку: добавляет правильное форматирование, создает пошаговую инструкцию с нужными стилями и оформлением.

Это особенно актуально для компаний с объемной клиентской базой знаний по сопровождению продуктов, когда поток материалов большой, и контент-мейкеры тратят значительное время на оформление. Интеграция с нейросетью существенно снижает нагрузку — остается только проверить статью, дополнить изображениями, и материал готов к публикации.

Автоматическая обработка данных

ИИ обеспечивает автозаполнение карточек, анализ обращений и генерацию текстов. То, что раньше занимало минуты, может занимать несколько секунд. Если у вас 100 или 1000 заявок в день, экономия становится стратегической.

Платформенный подход к внедрению ИИ — SimpleOne + Ainergy

SimpleOne — это единая корпоративная платформа оркестрации, использующая технологии Ainergy, которая дает централизованный и безопасный доступ к искусственному интеллекту внутри контура, а также позволяет собирать процессы и пайплайны в Low-code, No-code формате.

«Мы автоматизируем то, что съедает время больших команд ежедневно», — так команда SimpleOne формулирует главную задачу платформы. Речь идет о конкретных инструментах, которые уже работают в продакшене: интеллектуальная маршрутизация обращений, нейропоиск, чат-боты для поддержки пользователей, предиктивная аналитика, автоматическая обработка данных.

Еще один важный элемент фундамента — искусственный интеллект с помощью технологии RAG подключается к корпоративным данным: документации, инструкциям, базе знаний. Это нужно для того, чтобы ответы нейросети строго соответствовали правилам и стандартам компании.

Платформа поддерживает гибкую интеграцию с другими ИИ-моделями и интегрируется с различными корпоративными системами. Например, есть готовые коннекторы к Confluence, SharePoint, GitLab. При этом можно писать коннекторы к любым базам — система полностью открыта к интеграциям с внешними хранилищами знаний и информационными системами.

Платформа поддерживает развертывание в форматах SaaS и on-premise и соответствует всем современным стандартам безопасности:

• Ролевая модель и контроль доступа

Главный механизм защиты, встроенный в платформу, — ролевая модель плюс фильтрация результатов поиска контента перед генерацией. Это помогает обеспечить, чтобы ИИ в поддержке учитывал права доступа и не использовал информацию, которую пользователь не должен видеть. Доступность работы с чатами и нейросетевыми процессами строго регламентируется между пользователями в зависимости от их роли в процессе и участия в нем.

• Защита персональных данных

Платформа включает контур детекции, фильтрации и маскирования персональных данных при гибридных сценариях доступа к искусственному интеллекту — когда некоторым подразделениям позволено обращаться в облачные провайдеры нейросетей.

• Полное логирование операций

Все операции с нейросетью подробно логируются. Система фиксирует, кто использовал услугу, каким образом, куда отправил данные. Эта информация никогда не теряется. Администраторы всегда видят, что данные не утекают за рамки нейросетевых процессов, и могут отследить, происходит ли это в рамках конкретного workflow или через открытый чат. Данные остаются под контролем.

Сквозной процесс: воронка автоматизации поддержки

Отдельные ИИ-инструменты дают эффект, но максимальная ценность достигается, когда они объединены в единый сквозной процесс — от входа заявки до пополнения базы знаний.

Логика в комбинации SimpleOne + Ainergy построена как воронка: максимум типовых обращений закрывается автоматически на нулевой линии ИИ-агентами, а специалисты концентрируются на нетиповых и сложных случаях. При этом система постоянно наращивает базу знаний, со временем закрывая всё больше запросов без участия людей.

Как это работает:

На верхнем уровне воронки большая часть обращений — до 80% — обрабатывается ИИ-агентами. Ответы формируются на основе корпоративных знаний, типовых решений и релевантных инцидентов из истории. Параллельно все обращения автоматически классифицируются, и, если требуется участие инженера, система назначает заявку на нужную группу.

Оставшиеся 10-20% нетиповых обращений обрабатывают инженеры первой линии, но с ИИ-ассистентом. Он подсказывает решение, следующие шаги диагностики и помогает оформить ответ, опираясь на материалы базы знаний, релевантные инциденты и данные из систем.

Самые сложные кейсы уходят на вторую линию, где ИИ-ассистент работает с профильными знаниями и внутренним опытом отдела.

Бизнес-эффект сквозной автоматизации в поддержке с помощью ИИ: 

• быстрая обработка обращений;

• меньше время ожидания для пользователей;

• единый уровень качества независимо от нагрузки и канала обращения, устойчивое соблюдение SLA при росте обращений;

• меньше ручной работы и ошибок за счет автоматизации — специалисты занимаются сложными задачами, а не рутиной;

• база знаний развивается как системный актив компании;

• более высокое качество клиентского опыта.

Управляемое внедрение возможно

За последние годы рынок прошел путь от единичных экспериментов с публичными LLM до промышленных решений с локальным развертыванием и полным циклом управления. Компании, которые сегодня выбирают платформенный подход с контролем безопасности, получают конкурентное преимущество: их службы поддержки работают быстрее, точнее и дешевле, а накопленные знания превращаются в постоянно обновляемый актив, который делает систему умнее с каждым решенным обращением.

Демонстрация платформы SimpleOne показала, что между теорией применения ИИ и практической реализацией больше нет пропасти. Визуальные редакторы workflow, готовые ИИ-агенты из репозитория и интеграция с корпоративными системами превращают сложную технологию в рабочий инструмент, который администратор настраивает самостоятельно.