Первая линия ИТ‑поддержки должна решать заявки, а не сортировать
В типичном колл‑центре техподдержки операторы тратят до 66 % рабочего времени на чтение и переназначение запросов. Статья предлагает использовать ИИ‑инструменты для автоматизации триажа.
Что происходит в первой линии ИТ‑поддержки?
По данным исследования, проведённого SimpleOne, две трети рабочего дня операторов уходит на чтение обращений, выяснение их сути и переназначение одинаковых запросов типа «где моя заявка». В оставшееся время они могут действительно решать проблему клиента. Такая модель приводит к низкой эффективности, росту времени отклика и повышенному уровню стресса у сотрудников.
Почему сортировка заявок – плохая идея?
- Потеря времени – вручную классифицировать запросы занимает в среднем 12‑15 минут на тикет.
- Повторяющиеся ошибки – человеческий фактор приводит к неверному переназначению, что удлиняет цикл решения.
- Низкая удовлетворённость – клиенты ждут ответа, а не очередного «перенаправления».
Как ИИ может изменить процесс?
Автоматический триаж с помощью больших языковых моделей (LLM) позволяет:
- Классифицировать запросы в реальном времени с точностью до 92 % (по результатам пилотного проекта SimpleOne).
- Автоматически назначать тикет нужному специалисту или предлагать готовое решение из базы знаний.
- Сократить время обработки до 4‑5 минут, высвобождая до 60 % рабочего времени операторов для решения сложных проблем.
Практические шаги
- Собрать датасет типовых запросов и их меток.
- Обучить или дообучить LLM (например, Claude, GPT‑5) на этой задаче.
- Интегрировать модель в систему тикетинга через API (Jira, ServiceNow).
- Непрерывно мониторить точность и корректировать промпты.
Подробности и примеры кода доступны в оригинальной статье на Habr AI: https://habr.com/ru/companies/simpleone/articles/1082602/.
Для разработчиков AI это шанс продемонстрировать ценность LLM в реальном бизнес‑процессе: автоматизация триажа ускорит работу техподдержки и снизит нагрузку на операторов. Главное – обеспечить конфиденциальность данных и постоянный контроль качества модели.


