ИИ в поддержке пользователей: конкурент или помощник
Привет, Хабр!Меня зовут Андрей Бирюков. Я — независимый эксперт в области ИТ и ИБ, преподаю в учебных центрах и пишу статьи и книги.Распространение искусственного интеллекта в различных отраслях привело к тому, что на рынке труда у соискателей появился реальный страх того, что ИИ их заменит. В определённой степени это подтверждается и тем, что некоторые крупные компании начали сокращать часть персонала, заменяя их чат‑ботами и нейросетями.Сегодня мы поговорим об использовании ИИ для задач поддержки пользователей, но посмотрим на проблему с точки зрения
Как мы строили и улучшали LLM‑слой для общения с покупателями
Мы начали с бота, который должен был снять с поддержки рутинные напоминания. Затем добавили языковую модель, научились учитывать смысл ответов покупателей и собрали каскад из двух судей и арбитра. По обновлённой сводке экспериментов совпадение действий с разметкой выросло с 74% до 84%, а общее число ошибок сократилось на 38% при примерно прежней средней стоимости решения.
Медиана решения обращений упала с 22 часов до 22 минут. Почему мы всё равно не считаем внедрение завершённым
В предыдущей статье (https://habr.com/ru/articles/1075720/) я рассказывала, как начала внедрять цифровых сотрудников в подразделение поддержки (компания занимается разработкой, внедрением и поддержкой ПО для автоматизации дистрибуции). Сначала сделали помощника инженера, потом стали передавать агентам часть клиентских обращений. Тогда я привела первые результаты: около 45% переданных диалогов завершались без участия инженера.
Пайпы OpenWebUI: зачем писать код там, где «всё уже есть в настройках»
Автор: Александр Казанцев, руководитель отдела документации и контентаOpenWebUI умеет использовать многое: кастомные модели, базу знаний (RAG), инструменты (MCP/tools), навыки и т. д. С каждой версией возможностей у среды всё больше, и кажется, что для ИИ-бота техподдержки достаточно создать кастомную модель на базе чего-то открытого типа Qwen-3.8 или Gemma 4, навесить на неё в настройках нужные инструменты, заполнить и подключить базу знаний — и готово!
Наймите хоть сто человек в поддержку — заявки всё равно не будут решаться на первой линии
Бороться с низким FLR можно по-разному. Иногда, если поддержка не может решать проблемы сама, без второй линии, бизнес делает вывод, что на первой не хватает рук. Нанимаем ещё десяток человек, потом ещё, потом ещё. Полгода спустя штат первой линии вырос на треть, а FLR остался там же, где был до найма. Иногда даже чуть просел, потому что новички чаще передают обращения дальше: знаний и прав у них меньше, чем у опытных коллег.
Искусственным интеллектом должен владеть естественный: кто отвечает за ошибки ИИ
ИИ уже забрал на себя маршрутизацию заявок, типовые ответы и добрую половину работы первой линии — там, где раньше сидел человек и вручную разбирал, кому отправить обращение по сломанному принтеру, а кому по доступу в CRM, теперь справляется алгоритм, который не устаёт к вечеру пятницы и не путает приоритеты. Логичный вопрос: если рутину забрал ИИ, зачем вообще нужен ITSM?Зона ответственности Service Desk перераспределяется. Давайте обсудим, кто отвечает за ИИ-сервисы и что будет, если пустить их на самотёк.
Первая линия ИТ‑поддержки должна решать заявки, а не сортировать
Как выглядит смена оператора техподдержки: две трети дня уходит, чтобы прочитать обращения, понять, что там происходит, и переназначить одинаковые запросы типа «где моя заявка». В оставшееся время можно реально порешать какую‑то проблему.
Как мы внедряли цифровых сотрудников в поддержку: почему начали с помощника инженера
Я руковожу проектом по внедрению цифровых сотрудников в компании, которая занимается разработкой, внедрением и поддержкой ПО для автоматизации дистрибуции. В этой статье расскажу, почему первым большим сценарием мы выбрали поддержку, как начинали с помощника инженера и что получили после выхода в реальный поток.
От NLU-бота к ИИ-агенту: как мы пробили потолок автоматизации в поддержке крупного банка
Привет, Хабр! На связи команда Just AI.Когда NLU-сценарий вырастает до нескольких сотен веток, а процент автоматизации все равно не двигается — это не проблема настройки, это потолок технологии. Рассказываем, как мы помогли крупному банку его пробить: перевели поддержку по кешбэку на LLM-агентов, добавили агента-судью против галлюцинаций и улучшили понимание семантики и контекста пользовательских запросов.Потолок NLU-ботов и цели автоматизации в банковском сервисе

