Искусственный интеллект всё активнее интегрируется в процессы ITSM. Сегодня вопрос уже не в том, нужен ли ИИ, а в том, как выстроить процессы так, чтобы он работал эффективно. Эксперты компаний SimpleOne, Т1 Интеграция и Ainergy рассказали о роли ИИ в службе поддержки и Service Desk, обеспечении безопасности данных и практических сценариях применения ИИ-инструментов в бизнесе.

Почему ИИ критичен для клиентского сервиса и службы поддержки

Бизнес требует от службы поддержки быстрых ответов, минимальных ошибок, соблюдения SLA и устойчивости к росту числа обращений. При этом каналы коммуникации расширяются — почта, порталы, телефония. Компании сталкиваются с необходимостью масштабировать сервис без потери качества.

ИИ помогает решать эти задачи в нескольких направлениях:

• Быстрый доступ к решениям — ИИ-ассистенты и RAG-поиск (генерация с дополненным поиском) формируют ответы на основе корпоративной базы знаний, а не вымышленной информации.
• Снижение нагрузки на сотрудников — типовые операции автоматизируются с помощью ИИ-агентов.
• Стабильность и качество — стандартизация ответов и автоматическое обновление базы знаний уменьшают количество ошибок.
• Поддержка без границ — ИИ обеспечивает многоканальность и мультиязычность, включая перевод и адаптацию ответов под пользователя.

Таким образом, ИИ повышает скорость, снижает себестоимость и стабилизирует качество поддержки.

«Если приземлять эту тему на процессы поддержки, ценность дают не абстрактные умные ответы, а сценарии, встроенные в поток работы. ИИ в ITSM — это не отдельная фича, а ускоритель всей сервисной модели»‎, — Роман Носенко, менеджер по развитию бизнеса, Ainergy.

Что изменилось в вопросе безопасности данных с приходом ИИ

Возможности ИИ полезны, но их внедрение требует особого внимания к безопасности. ИИ может быть использован как для автоматизации поддержки, так и для генерации фишинговых писем, вредоносного ПО и deepfake. Поэтому выбор архитектуры ИИ-решения напрямую влияет на защиту корпоративных данных.

Ключевые типы моделей и их риски:

• Публичные LLM (ChatGPT, Claude, GigaChat) — подходят для экспериментов, но неприемлемы для корпоративных данных. Передача рабочих файлов в такие сервисы может привести к утечке персональных данных, ключей доступа, коммерческой тайны и другой конфиденциальной информации.
• Облачный API (Azure OpenAI, Bedrock) — промежуточный вариант с корпоративной интеграцией, но требует строгих политик безопасности из-за передачи данных через внешние каналы.
• Собственная модель в стороннем облаке (LLaMA на AWS, Falcon на GCP) — больше контроля, но данные всё ещё находятся за пределами корпоративного контура.
• Локальные модели on-premises (LLaMA, Mistral, GPT4All) — наиболее безопасный вариант, данные остаются внутри компании.
• LLM-агенты (Auto-GPT, LangGraph) — автономные системы, требующие жёсткого контроля, так как могут выполнять непредсказуемые действия.
• Встроенные модели (Ollama, TinyLlama) — обработка данных на устройстве пользователя, максимальная приватность.

«Если вы планируете или уже развернули большую языковую модель у себя в компании, то лучше, чтобы это была локальная модель. Тогда сотрудники спокойно могут загружать туда данные, ваш отдел информационной безопасности видит, что происходит, и, собственно, никаких проблем не возникает. Или, по крайней мере, эти проблемы становятся гораздо сложнее устроить, и риск утечки данных становится значительно меньше», — Павел Николаев, руководитель направления по кибербезопасности, Т1 Интеграция.

Конкретные сценарии применения в службе поддержки

На примере платформы SimpleOne эксперты продемонстрировали, как ИИ-инструменты работают в реальных процессах. Все функции доступны «из коробки» и настраиваются через визуальный редактор рабочих процессов.

Нулевая линия поддержки

Система автоматически классифицирует простые запросы, определяет их суть и назначает на нужную группу. Если проблема типовая, ИИ отправляет пользователю пошаговую инструкцию — без участия оператора.

Так автоматизируются стандартные сценарии, а ответы формируются на основе базы знаний.

Помощь инженерам первой и второй линии

ИИ-ассистент помогает инженерам находить решения, выбирать шаги диагностики и оформлять ответы. Он опирается на базу знаний, историю инцидентов и внутренние регламенты. Сложные кейсы передаются на вторую линию, где ИИ также поддерживает работу с профильными знаниями.

Интеллектуальная маршрутизация и автоматическое создание обращений

ИИ обрабатывает запросы из любых каналов: портала, почты, телефонии, мессенджеров. Система автоматически создаёт обращения из писем, звонков и файлов, анализирует их содержание, классифицирует, распределяет по приоритетам и исполнителям.

Одновременно подбираются похожие обращения. В результате заявка попадает к нужному специалисту, а у него уже есть готовое решение.

Нейропоиск и чат-боты

Нейропоиск позволяет сотрудникам задавать вопросы и получать точные ответы из базы знаний, документации и регламентов.

Чат-бот работает как полноценная поддержка. Он формирует ответы на основе векторной базы данных, соответствующей актуальной информации компании. В зависимости от настроек, бот может отправить ссылку на статью, создать заявку или выполнить другие действия в рамках процессов.

Problem Management и предиктивная аналитика

Система автоматически выявляет массовые инциденты и формирует проблемы. ИИ предсказывает риски, задержки и сбои. Это позволяет управлять не последствиями, а причинами.

Например, ИИ-агент Ainergy запускается в период низкой нагрузки и анализирует закрытые инциденты. При достижении порога похожих обращений система создаёт проблему и выявляет узкие места.

Генерация статей базы знаний

ИИ превращает опыт решения проблем в корпоративные знания. По закрытым обращениям он формирует черновики статей. Менеджер проверяет и утверждает материал. После синхронизации новая информация попадает в векторную базу чат-бота.

Нейросеть не только создаёт содержание, но и стилизует статью под корпоративный брендбук: форматирует текст, добавляет пошаговую инструкцию и оформление.

Это особенно полезно для компаний с большой клиентской базой знаний. Интеграция с ИИ снижает нагрузку на контент-мейкеров — остаётся только проверить текст и добавить изображения.

Автоматическая обработка данных

ИИ автозаполняет карточки, анализирует обращения и генерирует тексты. Операции, занимавшие минуты, теперь выполняются за секунды. При объёме в 100–1000 заявок в день экономия становится стратегической.

Платформенный подход к внедрению ИИ — SimpleOne + Ainergy

SimpleOne — единая платформа оркестрации с технологиями Ainergy. Она обеспечивает централизованный и безопасный доступ к ИИ внутри корпоративного контура и позволяет собирать процессы в Low-code/No-code формате.

«Мы автоматизируем то, что съедает время больших команд ежедневно», — команда SimpleOne.

В платформе уже работают в продакшене такие инструменты, как интеллектуальная маршрутизация, нейропоиск, чат-боты, предиктивная аналитика и автоматическая обработка данных.

ИИ с технологией RAG подключается к корпоративным данным — документации, инструкциям, базе знаний. Это гарантирует, что ответы соответствуют правилам и стандартам компании.

Платформа гибко интегрируется с другими ИИ-моделями и корпоративными системами. Есть готовые коннекторы к Confluence, SharePoint, GitLab. Также можно создавать коннекторы к любым внешним хранилищам — система открыта для интеграций.

SimpleOne поддерживает развертывание в форматах SaaS и on-premise и соответствует современным стандартам безопасности:

• Ролевая модель и контроль доступа — платформа учитывает права пользователей. При генерации ответов фильтруется контент, недоступный конкретному сотруднику.

Доступ к чатам и ИИ-процессам строго регламентируется в зависимости от роли пользователя.

• Защита персональных данных — встроена система детекции, фильтрации и маскирования персональных данных, особенно при гибридных сценариях с облачными ИИ.

• Полное логирование операций — все действия с ИИ подробно фиксируются. Администраторы видят, кто, как и куда отправил данные. Информация остаётся под контролем и не покидает нейросетевые процессы.

Сквозной процесс: воронка автоматизации поддержки

Отдельные инструменты полезны, но максимальная эффективность достигается при объединении их в единый процесс — от поступления заявки до обновления базы знаний.

Воронка автоматизации в SimpleOne + Ainergy работает так:

На верхнем уровне — до 80% обращений обрабатываются ИИ-агентами. Ответы формируются на основе корпоративных знаний и истории инцидентов. Если требуется участие человека, заявка направляется на нужную группу.

Оставшиеся 10–20% — нетиповые обращения. Их обрабатывают инженеры первой линии с помощью ИИ-ассистента, который подсказывает решения и помогает оформить ответ.

Самые сложные кейсы передаются на вторую линию, где ИИ работает с профильными знаниями отдела.

Бизнес-эффект сквозной автоматизации:

• быстрая обработка обращений;
• снижение времени ожидания;
• стабильное качество и соблюдение SLA при росте нагрузки;
• меньше ручной работы и ошибок — специалисты занимаются сложными задачами;
• база знаний становится системным активом;
• улучшение клиентского опыта.

Управляемое внедрение возможно

Рынок перешёл от экспериментов с публичными LLM к промышленным решениям с локальным развертыванием и полным контролем. Компании, выбравшие платформенный подход с учётом безопасности, получают конкурентное преимущество: их поддержка работает быстрее, точнее и дешевле, а знания превращаются в актив, который делает систему умнее с каждым решённым обращением.

Демонстрация SimpleOne показала, что пропасть между теорией и практикой применения ИИ исчезла. Визуальные редакторы, готовые ИИ-агенты и интеграция с корпоративными системами превращают сложную технологию в инструмент, который администратор может настроить самостоятельно.

Искусственный интеллект сегодня всё активнее проникает в ITSM-процессы. Теперь вопрос стоит иначе: не «нужен ли нам ИИ», а «как выстроить процессы так, чтобы искусственный интеллект работал эффективно». ЭкспертыSimpleOne,Т1 ИнтеграцияиAinergyна вебинаре рассказали о роли ИИ в службе поддержке и Service Desk, о том, как обеспечить безопасность корпоративных данных, а также о сценариях применения ИИ-инструментов в бизнесе.

Почему ИИ критичен для клиентского сервиса и службы поддержки

В поддержке запрос бизнеса очень прикладной: быстрее отвечать, делать меньше ошибок, выполнять SLA, выдерживать рост обращений при расширении каналов — почта, порталы, телефония. Компании сталкиваются с необходимостью масштабировать сервис, сохраняя при этом стабильное качество.

Искусственный интеллект в таком случае полезен в нескольких направлениях:

1. Быстрое получение ответов и решений за счет ИИ-ассистентов и RAG-поиска по корпоративным знаниям. Технология RAG (генерация с дополненным поиском) позволяет формировать ответы, опираясь на регламенты и базу знаний компании, а не выдумывать информацию.
2. Сокращение времени на обработку обращений и снижение нагрузки на сотрудников поддержки, поскольку типовые операции закрываются ИИ-агентами.
3. Качество и стабильность, меньше ошибок за счет стандартизации ответов службы поддержки и автоматизированного наполнения базы знаний.
4. Поддержка без границ: многоканальность и мультиязычность, включая перевод и адаптацию ответа под пользователя.

Таким образом, ИИ помогает одновременно в вопросах скорости, себестоимости и стабильности качества.

«Если приземлять эту тему на процессы поддержки, ценность дают не абстрактные умные ответы, а сценарии, встроенные в поток работы. ИИ в ITSM — это не отдельная фича, а ускоритель всей сервисной модели»‎, —Роман Носенко, менеджер по развитию бизнеса, Ainergy.

Что изменилось в вопросе безопасности данных с приходом ИИ

Хотя возможности современного ИИ приносят пользу уже сейчас и смогут приносить её в будущем, важно правильно внедрять ИИ-инструменты в ИТ-инфраструктуру компании. Всё дело в безопасности данных — к сожалению, любой ИИ может нести в себе определенные риски для компании.

Действительно, ИИ облегчает написание и модификацию вредоносного программного обеспечения, генерацию фишинговых писем, создание реалистичных deepfake. Атаки как происходили, так и происходят, но искусственный интеллект их автоматизирует и увеличивает их количество. То, что ИИ делает для «хороших» целей, он точно так же делает для «плохих».

При выборе архитектуры AI-решения критически важно понимать разницу между типами больших языковых моделей — от этого напрямую зависит безопасность корпоративных данных. Все они различаются уровнем риска и сценариями использования в компании:

• Публичные LLM(ChatGPT, Claude, GigaChat) — самый опасный вариант. Подходят для быстрых экспериментов и генерации контента, но категорически не подходят для работы с корпоративными данными. Когда сотрудник берет рабочий файл и отправляет его в публичный сервис, данные могут быть обработаны сторонними сервисами и потенциально использоваться для обучения моделей, что повышает риски утечки. Персональные данные, ключи доступа, коммерческая тайна, банковская информация, данные о контрагентах — утечка любой из этих категорий несет риски. Люди, которые интересуются вашей компанией, хакеры, получат дополнительное окно входа в инфраструктуру, будут знать, что у вас происходит. Не стоит облегчать им работу.
• Облачный API(Azure OpenAI, Bedrock) — промежуточный вариант, который обеспечивает корпоративную интеграцию и определенный уровень контроля. Однако использование тоже сопряжено с рисками, поскольку есть канал связи и передачи данных, и в этот канал при желании могут встроиться злоумышленники. Требует тщательной настройки политик безопасности.
• Собственная модель в стороннем облаке(LLaMA на AWS, Falcon на GCP) — настраиваемая облачная среда с большей степенью контроля, но данные всё ещё находятся за пределами корпоративного контура.
• Локальные модели on-premises(LLaMA, Mistral, GPT4All) — наиболее безопасный вариант, обеспечивают защищенный внутренний контур.
• LLM-агенты(Auto-GPT, LangGraph) — автономные системы для автоматизации задач. Агенты, которые действуют самостоятельно, могут быть небезопасны, пока нет точной уверенности в том, что они смогут сделать. Требуют особого контроля и ограничений.
• Встроенные модели(Ollama, TinyLlama) — локальная обработка данных на устройстве, максимальная приватность для работы с чувствительной информацией.

«Если вы планируете или уже развернули большую языковую модель у себя в компании, то лучше, чтобы это была локальная модель. Тогда сотрудники спокойно могут загружать туда данные, ваш отдел информационной безопасности видит, что происходит, и, собственно, никаких проблем не возникает. Или, по крайней мере, эти проблемы становятся гораздо сложнее устроить, и риск утечки данных становится значительно меньше», —Павел Николаев, руководитель направления по кибербезопасности, Т1 Интеграция.

Конкретные сценарии применения в  cлужбе поддержки

На примереплатформы SimpleOneэксперты продемонстрировали, как ИИ-инструменты работают в реальных процессах поддержки. В ходе живой демонстрации системы показали настройку и работу различных сценариев — от автоматического закрытия типовых обращений до генерации статей базы знаний. Все продемонстрированные возможности доступны «из коробки»‎ и настраиваются в несколько кликов через визуальный редактор рабочих процессов.

Нулевая линия поддержки

Если запрос достаточно простой, система его классифицирует, определяет степень недоступности услуги, понимает, к какой услуге относится обращение, и назначает заявку на нужную группу. Если система может сразу решить проблему, она отправляет пользователю инструкцию по шагам.

Так можно автоматизировать типовые сценарии, отправлять быстрые ответы по базе знаний и готовым решениям без участия операторов.

Помощь инженерам первой и второй линии

ИИ-ассистент помогает инженерам найти решение, выбрать следующие шаги диагностики и оформить ответ, опираясь на материалы базы знаний, релевантные инциденты и обращения в системе. Самые сложные кейсы уходят на вторую линию, где ИИ-ассистент также может работать по профильным знаниям и внутреннему опыту отдела.

Интеллектуальная маршрутизация и автоматическое создание обращений

ИИ автоматизирует первичную обработку запросов из любых каналов: портала самообслуживания, почты, телефонии, корпоративных мессенджеров (VK Мессенджер, Express, Telegram).

Система сама создает обращения из писем, звонков, вложений и файлов — ничего не теряется и не требует ручного ввода. Затем ИИ анализирует содержание обращения, классифицирует его и распределяет по приоритетам и исполнителям. Одновременно система подбирает похожие обращения из истории. В результате запрос сразу попадает к нужному специалисту, а у инженера под рукой уже есть похожий кейс с готовым путем решения проблемы.

Нейропоиск и чат-боты

Инструмент нейропоиска позволяет сотруднику задать вопрос и получить релевантный ответ из базы знаний, документации и регламентов.

Чат-бот работает как полноценная поддержка пользователей. Он формирует ответы на основе данных из векторной базы — тех консистентных данных, которые верны для вашего стенда. В зависимости от настроек он может просто отдавать пользователю ссылку на статью, автоматически генерировать заявку, если не может помочь сам, или действовать любым другим способом в рамках ваших процессов.

Problem Management и предиктивная аналитика

Система автоматически выявляет массовые инциденты — по схожим обращениям вовремя формируется проблема. ИИ может заранее подсказать, где растут риски, где возможны задержки, где вероятны сбои. Руководители начинают управлять не последствиями, а причинами.

Например, в одном из кейсов компании Ainergy ИИ-агент запускается по расписанию в время низкой нагрузки на GPU. Он анализирует закрытые инциденты и запросы на обслуживание, находит похожие запросы и группирует их. Когда количество похожих инцидентов достигает определенного порога, система автоматически создает проблему и подсвечивает существование узких мест.

Генерация статей базы знаний

ИИ помогает превратить опыт решения проблем в корпоративное знание. По закрытым обращениям агент собирает решения и формирует черновик статьи для базы знаний. Затем менеджер базы знаний проверяет и утверждает материал. После обновления базы знаний при следующей синхронизации новая информация попадает в векторную коллекцию чат-бота.

Нейросеть не только создает содержание статьи, но и стилизует её согласно корпоративному брендбуку: добавляет правильное форматирование, создает пошаговую инструкцию с нужными стилями и оформлением.

Это особенно актуально для компаний с объемной клиентской базой знаний по сопровождению продуктов, когда поток материалов большой, и контент-мейкеры тратят значительное время на оформление. Интеграция с нейросетью существенно снижает нагрузку — остается только проверить статью, дополнить изображениями, и материал готов к публикации.

Автоматическая обработка данных

ИИ обеспечивает автозаполнение карточек, анализ обращений и генерацию текстов. То, что раньше занимало минуты, может занимать несколько секунд. Если у вас 100 или 1000 заявок в день, экономия становится стратегической.

Платформенный подход к внедрению ИИ — SimpleOne + Ainergy

SimpleOne— это единая корпоративная платформа оркестрации, использующая технологииAinergy, которая дает централизованный и безопасный доступ к искусственному интеллекту внутри контура, а также позволяет собирать процессы и пайплайны в Low-code, No-code формате.

«Мы автоматизируем то, что съедает время больших команд ежедневно», — так команда SimpleOne формулирует главную задачу платформы. Речь идет о конкретных инструментах, которые уже работают в продакшене: интеллектуальная маршрутизация обращений, нейропоиск, чат-боты для поддержки пользователей, предиктивная аналитика, автоматическая обработка данных.

Еще один важный элемент фундамента — искусственный интеллект с помощью технологии RAG подключается к корпоративным данным: документации, инструкциям, базе знаний. Это нужно для того, чтобы ответы нейросети строго соответствовали правилам и стандартам компании.

Платформа поддерживает гибкую интеграцию с другими ИИ-моделями и интегрируется с различными корпоративными системами. Например, есть готовые коннекторы к Confluence, SharePoint, GitLab. При этом можно писать коннекторы к любым базам — система полностью открыта к интеграциям с внешними хранилищами знаний и информационными системами.

Платформа поддерживает развертывание в форматах SaaS и on-premise и соответствует всем современным стандартам безопасности:

• Ролевая модель и контроль доступа

Главный механизм защиты, встроенный в платформу, — ролевая модель плюс фильтрация результатов поиска контента перед генерацией. Это помогает обеспечить, чтобы ИИ в поддержке учитывал права доступа и не использовал информацию, которую пользователь не должен видеть. Доступность работы с чатами и нейросетевыми процессами строго регламентируется между пользователями в зависимости от их роли в процессе и участия в нем.

• Защита персональных данных

Платформа включает контур детекции, фильтрации и маскирования персональных данных при гибридных сценариях доступа к искусственному интеллекту — когда некоторым подразделениям позволено обращаться в облачные провайдеры нейросетей.

• Полное логирование операций

Все операции с нейросетью подробно логируются. Система фиксирует, кто использовал услугу, каким образом, куда отправил данные. Эта информация никогда не теряется. Администраторы всегда видят, что данные не утекают за рамки нейросетевых процессов, и могут отследить, происходит ли это в рамках конкретного workflow или через открытый чат. Данные остаются под контролем.

Сквозной процесс: воронка автоматизации поддержки

Отдельные ИИ-инструменты дают эффект, но максимальная ценность достигается, когда они объединены в единый сквозной процесс — от входа заявки до пополнения базы знаний.

Логика в комбинации SimpleOne + Ainergy построена как воронка: максимум типовых обращений закрывается автоматически на нулевой линии ИИ-агентами, а специалисты концентрируются на нетиповых и сложных случаях. При этом система постоянно наращивает базу знаний, со временем закрывая всё больше запросов без участия людей.

Как это работает:

На верхнем уровне воронки большая часть обращений — до 80% — обрабатывается ИИ-агентами. Ответы формируются на основе корпоративных знаний, типовых решений и релевантных инцидентов из истории. Параллельно все обращения автоматически классифицируются, и, если требуется участие инженера, система назначает заявку на нужную группу.

Оставшиеся 10-20% нетиповых обращений обрабатывают инженеры первой линии, но с ИИ-ассистентом. Он подсказывает решение, следующие шаги диагностики и помогает оформить ответ, опираясь на материалы базы знаний, релевантные инциденты и данные из систем.

Самые сложные кейсы уходят на вторую линию, где ИИ-ассистент работает с профильными знаниями и внутренним опытом отдела.

Бизнес-эффект сквозной автоматизации в поддержке с помощью ИИ:

• быстрая обработка обращений;
• меньше время ожидания для пользователей;
• единый уровень качества независимо от нагрузки и канала обращения, устойчивое соблюдение SLA при росте обращений;
• меньше ручной работы и ошибок за счет автоматизации — специалисты занимаются сложными задачами, а не рутиной;
• база знаний развивается как системный актив компании;
• более высокое качество клиентского опыта.

Управляемое внедрение возможно

За последние годы рынок прошел путь от единичных экспериментов с публичными LLM до промышленных решений с локальным развертыванием и полным циклом управления. Компании, которые сегодня выбирают платформенный подход с контролем безопасности, получают конкурентное преимущество: их службы поддержки работают быстрее, точнее и дешевле, а накопленные знания превращаются в постоянно обновляемый актив, который делает систему умнее с каждым решенным обращением.

Демонстрация платформы SimpleOne показала, что между теорией применения ИИ и практической реализацией больше нет пропасти. Визуальные редакторы workflow, готовые ИИ-агенты из репозитория и интеграция с корпоративными системами превращают сложную технологию в рабочий инструмент, который администратор настраивает самостоятельно.