Использование ИИ в ITSM системах, и эффект от его внедрения для бизнеса

Servicebot

Функционал чата с агентом давно является индустриальным стандартом, чат ботом для создания виртуального агента, который по определённой форме может принять заявку, выдать статус запроса или предоставить информацию, тоже давно никого не удивишь. С внедрением генеративного ИИ в ITSM системы, с виртуальным агентом в чате стало возможно общаться обычным естественным языком. Он по-прежнему помогает пользователям заводить заявки, отслеживать статусы их выполнения, оставлять комментарии или читать статьи базы знаний, но общаться с ботом можно на естественном языке. При этом сам чат-бот может как быть реализован на собственной платформе вендора, как в BMC Helix ITSM, так и использовать интеграции с корпоративными мессенджерами, такими как Slack и Microsoft Teams в случае ITSM системы Freshservice.

За счёт использования генеративного ИИ сервисбот может осуществлять интеллектуальный поиск по внутренним ресурсам службы поддержки (статьи базы знаний, заметки о решённых инцидентах) и компилировать для пользователя по-настоящему осмысленные ответы.

Обработка входящих заявок

Использовать механизмы машинного обучения для задач, связанных с обработкой входящего потока заявок, производители ITSM систем начали задолго до появления генеративного ИИ, однако с появлением LLM возможности и точность распознавания серьёзно улучшились. Здесь искусственный интеллект помогает в следующих задачах:

• Автоматическая маршрутизация и заполнения полей заявки

При попадании заявки в службу поддержки, специалисту первой линии важно правильно определить влияние и срочность заявки, её категорию и команду, которая должна заняться её решением. ИИ может на основе исторических данных проставить значения важных для маршрутизации заявки полей и либо дать оператору первой линии просто утвердить такой выбор, либо непосредственно направить заявку в соответствующую команду поддержки.

Эффект для бизнеса заключается в снижении нагрузки на первую линию поддержки, а зачастую и возможности её полностью или почти полностью расформировать. Это экономия времени сотрудников или прямая экономия ФОТ, а также ускорение обработки заявки, что положительно влияет на работу бизнес-пользователей.

• Автоматическая отправка статьи базы знаний

В случае, если в базе знаний есть статья, которая могла бы быть полезна пользователю, но по какой-то причине он с ней не ознакомился, система может сама проанализировать запрос и отправить ему в ответ ссылку на эту статью, не задействуя специалистов первой линии поддержки.

Множество исследований показывают, что полноценное использование базы знаний существенно снижает нагрузку на Service Desk, увеличивает процент заявок, решённых пользователями самостоятельно, делает работу самих пользователей более быстрой и комфортной.

• Автоматическое распознавание не смысловых ответов пользователей

Благодаря ИИ система может легко распознать письмо, котором пользователь пишет «Спасибо, можно закрывать заявку» или «Благодарю, всё работает», и не открывать тикет заново просто по факту пришедшего ответа пользователя, либо закрывать его автоматически.

Такой механизм позволяет не отвлекать технических специалистов на механические действия и обработку сообщений пользователей, не несущих смысловой нагрузки, и увеличивает эффективность ИТ отдела.

Помощь агенту в работе с заявкой

• Поиск связанных/похожих заявок

Есть ряд ситуаций, в которых техническому специалисту очень полезно было бы иметь возможность быстро найти другие похожие заявки. 

Во-первых, большинство инцидентов не уникальны сами по себе. У всех периодически не подключается Wi-Fi или не работает доступ к какой-нибудь системе. Возможность быстро найти ранее решённые подобные инциденты существенно ускоряет работу оператора.

Во-вторых, в случае возникновения какого-либо массового сбоя, службе технической поддержки важно оперативно определить наличие большого количества одновременно заведённых похожих инцидентов. Это даёт возможность быстро эскалировать возникшую проблему и приступить к устранению с минимальным воздействием на бизнес, а также своевременно оповестить пользователей и избежать потока новых заявок по той же теме.

Эффект для бизнеса заключается в ускорении решения инцидентов и в экономии времени агентов – если система найдёт похожие открытые инциденты, которыми уже кто-то занимается, то в ряде случаев можно оставить заявку и дождаться, пока решат корневую причину всех инцидентов, а в это время заняться другой заявкой, то есть эффективность команды растёт, и можно меньшей командой обрабатывать большее количество заявок.

• Генерация резюме по переписке по тикету

Когда заявка после длительной истории решения попадает к новому специалисту, ему приходится потратить приличное время, чтобы разобраться в том, что же произошло и как заявка обрабатывалась.

Генерация резюме по переписке позволяет агенту существенно быстрее вникнуть в суть заявки и сэкономить время, тем самым ускоряя решение инцидентов.

• Генерация заключений по решённым заявкам

Отчёт о решении инцидента или Resolution note – важный элемент работы с заявкой, которому в то же время уделяется мало времени. Подробный и структурированный отчёт описывает, каким образом был решён тикет, при возврате к нему будет легко понять, что именно было сделано и что нужно делать в случае возникновения похожей заявки (см. пункт 2). К сожалению, задача по описанию решений занимает время и интеллектуальный ресурс агентов, которого всегда мало, и в тикетах они ограничиваются короткими отписками, из которых потом невозможно сделать никакие выводы. 

Генеративный ИИ позволяет автоматизировать написание отчётов, тем самым одновременно экономя время агента и повышая качество процесса управления инцидентами.

Эффект для бизнеса выражается в снижении рисков повторных инцидентов и ускорении решения заявок.

• Написание и перефразирование ответов для агентов

Генеративные ИИ могут перефразировать или структурировать текст, написанный агентом, что улучшает опыт общения пользователей с поддержкой и повышает NPS.

Генерация статей базы знаний

По многим вопросам, которые возникают у пользователей есть стандартные ответы, лишь немногим отличающиеся от компании к компании. ИИ может сгенерировать такую статью, чем сэкономит массу времени ответственному сотруднику, которому останется только подправить под нужды компании.

А наличие и использование базы знаний, как уже упоминалось выше, существенно улучшает показатели службы технической поддержки и делает работу пользователей более эффективной и комфортной, что не может не сказаться на бизнес-результатах.

Взаимодействие с модулем аналитики

Последний в данной статье важный механизм использования ИИ в ITSM-системах, который существенно улучшает пользовательский опыт, особенно для руководителей отделов и департаментов, чьё время крайне ценно для компании.

Зачастую руководитель может нуждаться в получении оперативной информации в определённом разрезе, отсутствующей в стандартных отчётах или требующей подготовки. Раньше руководитель обратился бы к сотруднику с просьбой оперативно предоставить такой отчёт, но с появлением ИИ подобный запрос можно адресовать ему. Если нужно быстро получить и визуализировать данные о статусе тикетов определённой категории или исходящих от определённого отдела, либо серверах с определённой версией ОС и нужной конфигурацией, диалоговый формат взаимодействия с модулем аналитики, использующий ИИ, такой как Freddy Insights во Freshservice или Insight AI в Device42, позволяет получить данные быстро, без особенных знаний и не загружая этой работой других сотрудников.