Как зумеры внедряют ИИ в техническую поддержку

02.07.25

Программная инженерия - Сопровождение

Рост обращений в техподдержку, очереди, перегруженные сотрудники, задержки в ответах на простые вопросы — знакомые реалии для многих компаний. Традиционные решения (базы знаний, контекстные подсказки) часто не справляются с объемом или слишком дороги в разработке и поддержке. К счастью, современные большие языковые модели предлагают мощный инструмент для автоматизации этого пласта работы. Можно ли применить их к специфике платформы 1С? Давайте разберемся.

Это статья о том, как команда из четырех человек за два дня создала бота, который берет на себя 40% работы с обращениями в техническую поддержку.

 

 

Толчком к созданию проекта стал пост во ВКонтакте о хакатоне «Атомикхак 2.0». Одна из тем звучала так: «Создание системы технической поддержки пользователей с использованием искусственного интеллекта в контексте 1С». Для меня это было пересечением двух ключевых интересов: ИИ и платформы 1С.

Нам предстояло решить следующую задачу: в государственной корпорации все обращения пользователей регистрируются в единой информационной системе (ЕИС). У каждого обращения есть краткое наименование, описание проблемы от пользователей и идентификатор.

Наша цель: уменьшить количество обращений пользователей к линии ИТ поддержки.

 

Проблемы

 

Пользователи не используют инструкции для самостоятельного решения проблемы. Детально рассмотрев проблему, предложенную на хакатоне, мы выяснили, что почти у каждой компании имеются написанные инструкции, предоставляемые к разработанному функционалу. Но пользователи не хотят «рыться в стоге документов» ради нескольких строк, решающих их проблему.

Обращение к коллегам неэффективно. При возникновении проблемы можно обратиться за помощью к коллегам. Однако если коллега погружен в рабочий процесс, такое обращение отвлечет его от задачи. Для восстановления концентрации ему потребуется до двадцати минут, что снижает общую эффективность команды. При удаленной работе ситуация усугубляется: в ответ на сообщение часто приходит «отвечу позже», и сотруднику приходится тратить время на ожидание решения.

 

 

Техподдержка перегружена. Только 19% обращений закрываются за первые два часа. Остальные накапливаются в очереди. Получение оперативного ответа на простой вопрос отнимает много времени как у службы поддержки, так и у пользователя. Особенно критична ситуация, когда решение необходимо немедленно.

 

Типовые подходы к решению

 

Контекстные подсказки. Хотя метод эффективен, его разработка сложна: помимо основного функционала требуется прогнозировать все возможные сценарии ошибок и варианты поведения. Это существенно увеличивает стоимость реализации.

Поиск по ключевым словам в существующих инструкциях. Пользователь, столкнувшийся с проблемой, часто не знает, какие термины использовать для поиска. Кроме того, система не анализирует контекст запроса. В результате выдается несколько вариантов ответа, среди которых пользователь вынужден выбирать вручную, тратя дополнительное время.

База знаний на основе часто задаваемых вопросов. Она позволяет систематизировать экспертные решения, предотвращать повторные обращения и служит материалом для обучения пользователей. Однако база знаний на основе часто задаваемых вопросов не покрывает все возможные проблемы пользователей.

Видеоинструкции. Несмотря на улучшение первоначального понимания функционала, пользователь, как правило, просматривает их однократно. При возникновении конкретной проблемы необходим повторный поиск нужного фрагмента, что требует знания временных меток и значительно увеличивает время решения.

 

Искусственный интеллект

 

В этой статье мы хотим рассказать, как современные технологии преодолевают описанные ограничения. Первым решением, приходящим на ум, неизбежно становится искусственный интеллект — технология, интегрируемая повсеместно: от смартфонов и автомобилей до бытовой техники. ИИ, работающие с текстом, демонстрируют впечатляющие результаты: они способны анализировать запросы, формулировать осмысленные ответы и порой неотличимы от человека в диалоге.

Альтернативным подходом является применение алгоритмов анализа больших данных для формирования комплексной базы знаний на основе истории обращений в техподдержку. Однако такой подход потребует разработки дополнительных инструментов для классификации входящих запросов и их сопоставления с историей обращений. Это трудоемкий и ресурсоемкий процесс. В сравнении с ним решения на основе ИИ предлагают более простой и интересный путь.

 

Большие языковые модели

 

Многие знакомы с ChatGPT, YandexGPT и GigaChat. Эти модели обучаются на огромных массивах данных, подготовленных Data-инженерами. Они обычно предоставляются по платной подписке, а их API тарифицируется за каждый запрос.

Альтернатива — открытые модели с лицензиями вроде Apache. На хакатоне мы выбрали Llama 3.0 — предварительно обученная большая языковая модель среднего масштаба (7 млрд параметров), способная качественно обрабатывать базовые запросы. Но ключевая проблема осталась: даже продвинутые ИИ, включая ChatGPT, не разбираются в специфике платформы 1С.

Теоретически модель можно дообучить на информации про 1С. Однако дообучение языковых моделей — один из самых ресурсоемких и дорогостоящих этапов разработки искусственного интеллекта. Даже при готовности к значительным финансовым затратам на дообучение модели возникает принципиальная проблема: при изменении функционала системы обучение на статических инструкциях теряет актуальность. Это приводит к нерелевантным ответам модели, которые дезориентируют пользователей и усугубляют проблему вместо решения.

 

RAG

 

Нашим решением стал подход RAG (Retrieval Augmented Generation). Его суть — программное обогащение запроса пользователя актуальными данными из надежных источников перед передачей в языковую модель.

Рассмотрим на примере запроса о курсе доллара. Сама по себе языковая модель не имеет доступа к реальным данным. Через поисковик (например, Яндекс) мы уточняем текущий курс доллара. После того, как поисковая система выдаст нам результат, вставляем страницу с ответом поиска в запрос языковой модели.

 

 

Преимущество подхода в том, что отсутствует необходимость создавать шаблоны ответов вручную. В сценарии техподдержки, когда пользователь задает вопрос в техподдержку, она перенаправляет вопрос боту. В это время система RAG ищет информацию по написанным ранее инструкциям и адаптирует запрос. Затем запрос уходит нейронной сети, которая формирует ответ.

Ключевым недостатком решения является то, что этап Retrieval воспроизводит классическую проблему точности поисковых систем. Как отмечалось ранее, критически важно разработать механизм поиска, гарантирующий релевантность найденных данных пользовательскому запросу. Таким образом, RAG представляет собой не радикально новую технологию, а комбинацию нового и старого подхода.

 

Насколько это эффективно?

 

Для оценки эффективности ответов языковой модели необходим практический инструментарий. Сгенерированный моделью ответ на заданный на хакатоне вопрос «Как оформить выпуск продукции в документе "Заказ на производство"?» приведен на рисунке ниже.

 

 

Для оценки эффективности модели необходимо самостоятельно сформировать тестовую выборку вопросов и примерные ответы. Далее производится сравнение ответов модели с экспертными.

На хакатоне для тестирования системы были предоставлены 15 вопросов: 10 с ответами в инструкциях и 5 — из смежных или не описанных в документации областей. Система корректно ответила на 8 из 10 вопросов (по инструкциям).

 

Внедрение в 1С

 

Для интеграции решения в 1С мы доработали форму создания обращения в техподдержку, добавив чат. Перед тем, как отправить обращение в поддержку, вам предлагается задать вопрос в чате. В нем вам отвечает бот. Если вас устроит ответ, то достаточно нажать на кнопку «Вопрос решен», и обращение автоматически закроется. Если ответ вас не устроит, то вы можете переспросить бота в чате или нажать на кнопку «Вопрос не решен», после чего обращение самостоятельно оформится и отправится специалистам поддержки. В случае, если бот не смог ответить на вопрос, запрос перенаправляется специалисту техподдержки автоматически.

 

 

Еще один вариант использования — внедрить в систему взаимодействия. Так мы сможем накопить решения в базу знаний по каждому объекту метаданных.

 

 

Что мы получаем?

 

Ключевой результат внедрения — снижение нагрузки на отдел техподдержки за счет уменьшения числа обращений. Это обеспечивает качественный рост сервиса: специалисты смогут перераспределить ресурсы с обработки рутинных запросов на решение сложных задач и разработку инструментов для их обработки.

Параллельно достигается значительная экономия времени пользователей — ключевой показатель эффективности ИТ-сервисов.

 

 

Для внедрения решения потребуется:

  1. Разработать и внедрить RAG-решение в 1С;

  2. Обеспечить сервер для размещения больших языковых моделей;

  3. Адаптировать часть бизнес-процессов компании под использование разработанного решения.

Для оптимизации работы требуется реорганизация процессов, которая включает внедрение нулевой линии техподдержки и детальную проработку сценариев использования (Use Case) решения. Также необходима подготовка сотрудников для работы с системой. Реализация этих изменений не требует много времени — достаточно двух недель.

 

Экономика

 

Разработка одной инструкции в среднем занимает 16 часов (интенсивный режим). Такие трудозатраты обусловлены тем, что качество ответа нейросети напрямую зависит как от качества написанных инструкций, так и от разработанного механизма поиска.

Для расчета экономической эффективности были установлены следующие временные нормативы:

  • Обработка входящего обращения (маршрутизация) — 15 минут. Это интервал между отправкой заявки пользователем и принятием ее в работу специалистом.

  • Подготовка ответа на типовой вопрос с использованием инструкций — 15 минут.

 

 

Ежедневно в техподдержку «Гринатома» поступает от 200 до 300 обращений при количестве ежедневно активных пользователей системы 10–13 тысяч человек. Для расчетов использовано среднее значение в 250 обращений в день. В разработке инструкций участвуют два технических писателя. В расчет также включены затраты на администрирование бота: 2 часа в неделю (с учетом интеграции новых инструкций в систему).

Прогнозируемые результаты внедрения:

  1. За 160 дней непрерывной работы будет создано 160 новых инструкций;

  2. С учетом существующей базы знаний бот сможет обрабатывать до 40 обращений ежедневно.

При постепенном внедрении инструкций ожидается, что за 133 дня будет сэкономлено достаточно времени, чтобы полностью окупить затраты на их создание, а также достигнута общая экономия в 4025 человеко-часов. Начиная с 134-го дня решение выйдет на полную проектную мощность и начнет приносить прямую финансовую экономию компании.

Вопреки распространенному мнению, искусственный интеллект не так сложен. Ключевая ошибка — воспринимать ИИ как «черный ящик». Наш опыт доказывает: внедрение искусственного интеллекта в техподдержку доступно даже небольшим командам. За два дня мы создали решение, которое способно обрабатывать до 40% обращений в техподдержку.

 

*************

Статья написана по итогам доклада (видео), прочитанного на конференции INFOSTART TECH EVENT.

См. также

Внедрение изменений Россия Бесплатно (free)

Недавно появилась новость "SAP дал сбой. "Сегежа Групп" отсудила 430 млн за цифровую трансформацию - Рамблер/личные финансы”. Очень примечательная, поскольку позволяет на реальном примере увидеть изнанку консалтинга в больших бюджетах: только факты, без слухов, без NDA и неофициальной информации. Мне эта тема особенно близка, поскольку я имею опыт работы в двух мирах — 1С и SAP , “ел устриц” и на kick – off и на разных стадиях проекта. Поэтому пристегивайтесь, вас ждет увлекательный разбор судебного решения А40-299276-2022__20250120. Цель статьи не потоптаться на костях SAP в России, а показать сообществу 1С, что влияет на успех проекта на больших масштабах. И заодно ответить на вопрос — светит ли успех 1С в узком, но богатом сегменте больших корпораций.

30.06.2025    2043    0    1CUnlimited    54    

37

Тестирование Сопровождение Коммуникации Бесплатно (free)

В статье пойдет речь о том, как в управлении оценивается зрелость команд разработки. Несмотря на распространенное мнение, что 1С-разработчики работают по своим особым правилам, подход к оценке их зрелости ничем не отличается от подхода в других командах. Единая модель зрелости, применяемая ко всем командам, включает шесть ключевых направлений: разработка, эксплуатация, качество, процессы, управление персоналом и вклад в профессиональное сообщество. Каждое из них оценивается по трем уровням — начальному, стандартному и экспертному, причем для подтверждения уровня необходимы конкретные артефакты. Автор рассказывает, как начался путь к повышению зрелости в его команде, какие практики внедрялись, как развивались ключевые направления и каких результатов удалось достичь.

30.06.2025    503    0    a_borodavko    2    

5

Внедрение изменений Бизнес-аналитик Руководитель проекта 1С v8.3 1С:ERP Управление предприятием 2 Россия Бесплатно (free)

Даже при хорошем планировании внедрение 1С:ERP часто сопряжено с неожиданными трудностями — прежде всего, из-за перегрузки сотрудников и недооценки организационных рисков. Практические наблюдения о том, что важно предусмотреть заказчику заранее, чтобы проект не зашёл в тупик.

20.06.2025    866    0    Adapta    16    

7

Внедрение изменений Бесплатно (free)

1С:ERP имеет сложную внутреннюю структуру, но очень слабую «защиту от дурака». Пользователи легко могут совершать ошибки, приводящие к «расползанию» регистров и проводок. Пока проект сопровождают внедренцы, контроль за корректностью ведётся, но как только система передаётся в руки локальной ИТ-службы, начинают появляться проблемы. Новые пользователи могут невнимательно изучать инструкции, некорректно заполнять документы, да и сама программа меняется от версии к версии, что усложняет ситуацию вплоть до того, что количество ошибок и расхождений данных возрастает до уровня «ваша программа вообще не работает». Расскажем о том, как проходит процесс внедрения 1С:ERP, и что происходит после завершения проекта.

19.06.2025    14463    40    VeraPikuren    6    

12

Внедрение изменений Бесплатно (free)

Разберемся, чем отличаются конструкторская, технологическая и производственная спецификации – и почему их путаница приводит к ошибкам. Узнаем, какие бывают виды материалов в спецификациях и почему фраза «НСИ у нас в актуальном состоянии» не гарантирует готовности к работе. А также поразмышляем о том, на какие подводные камни стоит обратить внимание, чтобы избежать срывов сроков и переделок.

19.06.2025    808    0    VeraPikuren    1    

6

Оптимизация бизнес-процессов Проектирование бизнес-процессов Внедрение изменений 1С v8.3 1С:ERP. Управление холдингом Бесплатно (free)

Как создать систему планирования на реальном производстве с нуля, не используя готовые ERP-решения? В этой статье программист делится опытом внедрения собственной системы планирования в условиях крупного производства очистных сооружений. Рассказано о том, как начать с понимания процессов, спроектировать документ «Планирование производства», реализовать механизм распределения задач между бригадами и интегрировать всё с учётом материалов и выпуском продукции. Статья покажет, что даже в сложных условиях можно сделать простое и рабочее решение — без излишней автоматизации, но с фокусом на реальные потребности пользователей.

10.06.2025    738    0    KHoroshulinAV    6    

8

Внедрение изменений Бесплатно (free)

Внедрение ERP на базе 1С требует значительных аппаратных ресурсов и стабильной инфраструктуры, что не всегда доступно небольшим организациям. Одним из вариантов решения этой проблемы может стать облачный сервис 1С:Fresh, который позволяет развернуть ERP-систему без затрат на собственные серверы. Рассмотрим ключевые преимущества и сложности такого подхода, а также определим, каким компаниям облачное решение подойдет лучше, а кому стоит остаться на классическом варианте с локальным развертыванием.

09.06.2025    373    0    amenotori    0    

1

Внедрение изменений Реклама, PR и маркетинг Россия Бесплатно (free)

Нейросети стремительно проникают в маркетинг, но что это значит для 1С-компаний? В статье — 10 ключевых инсайтов из международного (американского) исследования STATE OF MARKETING AI REPORT 2025 и конкретные рекомендации, как можно использовать эти тренды в маркетинговой стратегии 1С-компании: от упаковки решений до построения HR-бренда.

06.06.2025    592    0    Adapta    0    

2
Комментарии
Подписаться на ответы Инфостарт бот Сортировка: Древо развёрнутое
Свернуть все
1. Altez50 1 02.07.25 16:22 Сейчас в теме
Ваши бы наработки да в публичный доступ, может тогда желтыми книжками наконец можно будет топить буржуйку под хиты Кадышевой. Пока ЛЛМки в средней сложности отчетах Экселя путаются, довольным пользователя будут делать массажистки.
Оставьте свое сообщение