How to
СберМаркетинг
8 часов назад
Материал проходит модерацию
ОСМИ ИТ
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
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.
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
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.
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.
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.
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.
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
Лучшее в блогах
Вам понравится
ГК "Юзтех"
26.02.2026
Итоги бизнес-завтрака «ИИ в промышленности»: коллаборация ГК «Юзтех» и Российского союза химиков
19 февраля прошел бизнес-завтрак «Искусственный интеллект в химической промышленности: от цифровых экспериментов к промышленному масштабированию». В мероприятии приняли участие представители крупнейших производственных площадок в области химической промышленности, представители Российского союза химиков (РСХ), а также эксперты ГК «Юзтех».
Qform
25.02.2026
AVM Technology
19.02.2026
20 профессий в одной VR-гарнитуре: платформа для профориентации
![]()
Профориентация в России — это тесты, лекции и экскурсии на предприятия. Школьник отвечает на вопросы, получает список профессий и… ничего не меняется. Потому что выбирать специальность по результатам теста — как покупать машину по фотографии.
Неделя рекламы 
Новости 
Кейсы 
Интервью и дискуссии 
Маркетинговые исследования 
Просто о сложном 
Энциклопедия обмана 
Проверено ADPASS 
Рекламные кампании