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

Для крупной металлургической компании мы внедрили универсального AI-агента, который работает поверх сервис-деска и базы знаний, понимает запросы пользователей и либо находит ответ в документации, либо направляет обращение в нужную команду. Решение автоматизировало типовые обращения, ускорило первые ответы и снизило нагрузку на экспертов поддержки.

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

1. Анализ и архитектураПровести 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.
2. Подготовка данных и моделейСобрать и очистить документацию и исторические тикеты, разметить выборки; развернуть векторный поиск (эмбеддинги, индекс), обучить модели интентов/классификации/маршрутизации и настроить RAG-пайплайн для ответов.
3. Разработка и интеграция сервиса AI-агентаРеализовать backend-оркестратор и коннекторы к ITSM/порталам, встроить агента в интерфейс операторов и пользователей, настроить логику: автоответ, маршрутизация, эскалация на экспертов.
4. Качество, дообучение и безопасностьНастроить 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. 
5. Мониторинг и аналитикаВвести технический мониторинг компонентов и метрики работы поддержки/агента (доля автоответов, эскалаций, SLA), настроить дашборды и отчётность для дальнейшей оптимизации процессов.

Что сделали

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

AI-агент

1. 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.
2. Ищет ответ в документации и базе знаний. Использует LLM/семантический поиск, чтобы быстро находить релевантные статьи, инструкции, регламенты и прошлые решения.
3. Отвечает пользователю автоматически, если находит однозначный и проверенный ответ в базе знаний.
4. Классифицирует и маршрутизирует сложные кейсы: определяет тип обращения и отправляет его сразу в нужную рабочую группу, минуя лишние пересылки.
5. Эскалирует нестандартные ситуации: помечает кейсы, где требуется участие эксперта, и передаёт их на 2-ю линию вместе с подборкой релевантных материалов.
6. 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.

Результаты и аналитика

Технологический стек