По состоянию на 2026 год объемы заявок продолжают расти, и организациям требуется нечто большее, чем чат-боты, которые просто перенаправляют пользователей к документации. ИТ-запросы сотрудников, такие как сброс паролей и запросы на доступ — это область, где ИИ может выполнять реальную работу, а не просто указывать на готовый ответ.
В этом руководстве объясняется, как работает автоматизированное разрешение заявок, чем реальное разрешение отличается от перенаправления и удержания, какие заявки лучше всего подходят для автоматизации и какие ключевые показатели эффективности (KPI) имеют наибольшее значение.
Основные выводы
Роль ИИ в автоматизированном разрешении заявок подчеркивает его способность обеспечивать полное устранение проблем, высокую окупаемость инвестиций и работать в условиях контролируемой автономности.
- Истинное разрешение вместо перенаправления: автоматизированное разрешение заявок подтверждает, что проблема действительно решена, а не просто перенаправляет пользователя на статью самообслуживания.
- Потенциал высокой окупаемости инвестиций (ROI): решение рутинных запросов без ручной обработки устраняет трудозатраты на одного сотрудника службы поддержки и высвобождает квалифицированный персонал для более ценной работы.
- Контролируемая автономность: пороги уверенности и правила политики определяют, применяется ли исправление автоматически или эскалируется на человека, а агенты ИИ остаются в пределах установленных границ, обеспечивая прозрачность принятых решений и журналы аудита.
- Преимущество Automation Anywhere: решение Automation Anywhere AI for Service Desk добавляет агентный ИИ поверх вашей существующей платформы ITSM (управления ИТ-услугами), чтобы перенаправлять и автоматизировать разрешение заявок в масштабах корпоративных систем и максимизировать ROI.
Автоматизированное разрешение заявок — это ИИ, который проводит заявку весь путь от запроса до устранения: он понимает проблему, принимает решение об исчислении проблемы, выполняет его в ваших системах и закрывает заявку. Сотрудники службы поддержки — люди из вашей ИТ-команды — подключаются тогда, когда для кейса требуется человеческое суждение.
Для достижения этой цели совместно работают два типа ИИ: агенты ИИ, которые решают рутинные запросы посредством автономного устранения проблем, и помощник агента (agent assist), поддерживающий сотрудников службы поддержки в случаях, требующих человеческого вмешательства.
При автономном устранении проблем агенты ИИ используют вашу базу знаний, прошлые решения, контекст заявки и определенные правила для выработки исправления, после чего выполняют утвержденные шаги в подключенных системах, не ожидая ответа человека по каждому из них.
С помощью функции помощи агенту ИИ поддерживает сотрудника службы поддержки, классифицируя заявку, находя нужную статью базы знаний, суммируя историю кейса и предлагая следующий шаг, чтобы человек мог принять решение быстрее. Когда проблема охватывает несколько команд, интеллектуальный роевой подход (swarming) объединяет нужных людей в одном канале Slack или Teams для совместной работы.
Возьмем сотрудника, заблокированного в своей учетной системе. Агент ИИ проверяет пользователя и запрос, запускает утвержденный рабочий процесс сброса, обновляет подключенные системы, подтверждает доступ и закрывает заявку, благодаря чему сотруднику не приходится ждать в очереди, а рабочее время сотрудника службы поддержки направляется на те кейсы, которые в этом действительно нуждаются.
В этом заключается разница между агентами ИИ, которые разрешают запросы, и более ранними чат-ботами и инструментами выдачи знаний, которые могли ответить на вопрос, но оставляли задачу по устранению проблемы человеку.
В этом видео вы увидите, как решение Automation Anywhere AI for Service Desk использует агентный ИИ для разрешения в среднем более 80% ИТ-запросов сотрудников без создания ручных заявок. В нем продемонстрирована автоматизация от запроса до устранения для таких сложных задач, как закупка ноутбуков, что показывает, как предприятия могут сократить объем ручной обработки заявок и снизить операционные ИТ-расходы.
Перенаправление против удержания и автоматизированного разрешения: критическое различие
Критическое различие между автоматизированным разрешением, перенаправлением и удержанием заключается в том, что автоматизированное разрешение учитывает запрос только тогда, когда первопричина действительно устранена — независимо от того, выполнил ли исправление агент ИИ или дал достаточно хороший ответ, при котором заявка вообще не потребовалась. Перенаправление и удержание сами по себе лишь показывают, что запрос не дошел до сотрудников службы поддержки.
Эти результаты часто смешивают. Чат-бот, который отправляет сотрудника к справочной статье, может успешно перенаправить заявку, но оставить сотрудника без возможности работать. Аналогичным образом, взаимодействие может оставаться в рамках бота, но все равно завершаться без удовлетворительного решения.
Именно поэтому перенаправление и удержание следует рассматривать в первую очередь как метрики активности, в то время как разрешение измеряет результат.
Подход
Что происходит
Что это измеряет
Решена ли первопричина?
Перенаправление заявок
Пользователь перенаправляется до создания заявки или обращения к человеку в службе поддержки
Предотвращенные взаимодействия с сотрудниками службы поддержки
Не обязательно
Уровень удержания
Взаимодействие остается в пределах автоматизированного канала
Процент взаимодействий, не переданных сотруднику службы поддержки
Не обязательно
Автоматизированное разрешение
Агент ИИ решает запрос и подтверждает его успешность
Проблемы, успешно решенные без участия человека
Да
Пятиуровневая архитектура автоматизированного разрешения заявок
Пятиуровневая архитектура автоматизированного разрешения заявок проводит запрос на поддержку через пять связанных слоев: прием, диагностика, устранение, эскалация и непрерывное обучение. В следующих разделах они разделены на три шага, причем устранение, эскалация и непрерывное обучение объединены в последнем.
Сначала ИИ интерпретирует потребности пользователя. Затем он объединяет контекст из базы знаний, исторических решений, политик и подключенных корпоративных систем для определения надлежащего действия. Порог уверенности и правила управления определяют, может ли это действие выполняться автономно или требует вмешательства человека.
Затем автоматизация обеспечивает уровень детерминированного выполнения, необходимый для надежного выполнения утвержденных действий в корпоративных приложениях. ИИ может интерпретировать неоднозначность и рассуждать о проблеме, но для разрешения заявки часто требуются регламентированные рабочие процессы, которые фактически сбрасывают пароль, предоставляют доступ, обновляют запись или выполняют другое действие в подключенных системах.
Прием и распознавание намерений
Прием и распознавание намерений предполагают обработку ИИ запросов из чата, электронной почты или голосовых каналов, а также определение точной потребности и приоритета пользователя. Система классифицирует проблему независимо от того, как именно пользователь формулирует ее. Мультимодальная поддержка также может интерпретировать дополнительный контекст, например прикрепленный скриншот с сообщением об ошибке.
Диагностика, сопоставление и пороги уверенности
Диагностика, сопоставление и пороги уверенности возникают, когда система сравнивает проблему с историческими решениями и присваивает оценку уверенности, которая вместе с правилами политик определяет, разрешено ли автономное выполнение.
Порог уверенности помогает управлять дальнейшими действиями. Действия с высокой степенью уверенности и одобренные политикой могут переходить к автоматическому выполнению; кейсы с более низкой уверенностью или более высоким риском могут быть эскалированы. Анализ настроений также может влиять на решения о маршрутизации. Это основа контролируемой автономности.
Автономное устранение, эскалация и непрерывное обучение
Автономное устранение неполадок, эскалация и непрерывное обучение гарантируют, что система выполняет одобренные исправления, перенаправляет неопределенные случаи людям и улучшает будущую производительность ИИ на основе результатов.
Когда у системы есть достаточный уровень уверенности и авторизации, автоматизация выполняет одобренное устранение неполадок в связанных приложениях. Более сложные или неопределенные случаи передаются человеку с сохранением истории беседы, диагностики, предпринятых действий и другого релевантного контекста, а не в виде формальной пересылки без контекста.
Результаты решения и вмешательство человека со временем улучшают будущие рекомендации, маршрутизацию, базу знаний и автоматизацию. Система также может автоматически документировать успешные решения и генерировать или обновлять содержимое базы знаний, фиксируя проверенные шаги по устранению неполадок и пути решения, чтобы будущие тикеты могли использовать прошлый успешный опыт.
Тикеты поддержки, наиболее подходящие для автоматизации
Наиболее подходящими для автоматизации тикетами поддержки являются запросы с высоким объемом, низкой сложностью и низким уровнем риска, такие как сброс паролей, разблокировка учетных записей и запросы на доступ к ПО.
Эти запросы следуют предсказуемым путям с четкими правилами утверждения, поэтому управляемые рабочие процессы могут доводить их от запроса до решения, в то время как люди занимаются исключениями.
Готовые ответы и правила автоматизации в инструментах ITSM показывают, как предопределенные ответы и рабочие процессы на основе правил надежно обрабатывают предсказуемые запросы, в то время как ИИ расширяет автоматизацию на запросы, требующие интерпретации.
Распространенные примеры включают:
- ИТ Уровень 1: Сброс паролей, разблокировка учетных записей, ресинхронизация многофакторной аутентификации (MFA), доступ к программному обеспечению и стандартные запросы на подготовку ресурсов.
- Запросы на оборудование и программное обеспечение: Приобретение ноутбуков, назначение лицензий и другие запросы, проходящие через рабочие процессы утверждения.
- Онбординг и офбординг: Создание учетных записей, предоставление доступа и удаление доступа в связанных системах.
Двусмысленные, эмоционально заряженные, с высокими ставками, чувствительные к соблюдению требований или необычные запросы Уровня 3 должны оставаться под управлением человека.
Ключевые показатели эффективности (KPI) для автоматизированного разрешения тикетов
Наибольшее значение имеют пять KPI: коэффициент автоматического разрешения, среднее время разрешения (MTTR), коэффициент удержания, удовлетворенность сотрудников и стоимость одного тикета. Однако эти метрики не следует рассматривать как взаимозаменяемые. В частности, организациям следует избегать празднования удержания так, будто оно доказывает, что проблема пользователя была решена.
KPI
Что это измеряет
Почему это важно
Коэффициент автоматического разрешения
Процент запросов, полностью решенных без вмешательства человека, в том числе до создания тикета
Измеряет фактические автономные результаты
Среднее время разрешения (MTTR)
Среднее время, необходимое для полного разрешения проблемы
Показывает, ускоряет ли автоматизация обслуживание
Коэффициент удержания
Процент взаимодействий, которые остаются в пределах автоматизированного канала
Полезный индикатор эффективности, но не доказывает разрешение
Удовлетворенность сотрудников
Как сотрудники оценивают свой опыт ИТ-поддержки
Проверяет, переводится ли эффективность в лучший опыт
Стоимость одного тикета
Средняя операционная стоимость, необходимая для разрешения каждого запроса
Измеряет экономический эффект автоматизации
Организациям также требуется строгое определение решенной проблемы. Взаимодействие, которое просто заканчивается, не обязательно является решенной проблемой. Базовая потребность должна быть удовлетворена, требуемое действие выполнено успешно, и в идеале не должно происходить повторных обращений из-за сбоя первоначальной автоматизации.
Что искать в решении для разрешения тикетов с помощью ИИ
Основные возможности решения для разрешения тикетов с помощью ИИ включают глубокую интеграцию с бэкендом, полное разрешение, управляемую политиками автономность и непрерывное обучение.
Глубина интеграции особенно важна. Истинное разрешение требует большего, чем чтение базы знаний или генерация ответа. Решение должно иметь возможность предпринимать утвержденные действия в ITSM и других корпоративных системах, где выполняются запросы.
При оценке решений ищите:
- Истинное разрешение: Может ли оно выполнить исправление, а не просто рекомендовать его?
- Глубина интеграции: Может ли оно работать в ваших системах записей и бизнес-приложениях в сфере ИТ, HR и финансов, а также в инструментах для совместной работы, таких как Slack и Microsoft Teams?
- Управляемая автономность: Могут ли команды определять пороги уверенности, разрешения, утверждения, а также пути вмешательства человека и эскалации, а также просматривать журналы решений и аудиторские следы?
- Непрерывное улучшение: Могут ли результаты разрешения улучшить знания, маршрутизацию и будущую автоматизацию?
- Мультимодальная поддержка: Может ли оно понимать скриншоты и другой контекст помимо текста?
- Доказательства на основе результатов: Сообщает ли вендор о фактическом разрешении, а не полагается в основном на отклонение или удержание?
Разница между ИИ-помощником, который отвечает на вопросы, и агентным ИИ для ITSM следующего поколения часто сводится к тому, может ли он действовать в системах, где реально происходит работа.
Как Automation Anywhere обеспечивает истинное автономное разрешение тикетов
Решение Automation Anywhere's AI for Service Desk представляет собой готовое решение, которое работает поверх уже используемой вами платформы ITSM, остающейся вашей системой записей. Оно разрешает рутинные запросы сотрудников без ручной пересылки с управляемой эскалацией для остальных, поэтому тикеты разрешаются, а не просто отклоняются.
Вместо того чтобы останавливаться на сгенерированном ответе или статье базы знаний, решение AI for Service Desk использует специализированные ИИ-агенты, опирающиеся на ваши корпоративные знания, чтобы понимать каждый запрос, предпринимать управляемые действия в ваших связанных системах и учиться на результатах. Когда случаю требуется человеческое суждение, Agent Assist поддерживает агента службы поддержки человека прямо в тех инструментах, которые они уже используют.
Это означает, что команды могут перейти от реактивного управления тикетами к автономному разрешению без замены инструментов, которые они уже используют.
Распространенные проблемы при автоматизации разрешения тикетов
Распространенные проблемы (и способы их избежать) в автоматизированном разрешении тикетов проистекают из операционных основ, таких как плохо поддерживаемые базы знаний, коллизии тикетов, неправильно откалиброванные пороги уверенности и пробелы в управлении, безопасности и конфиденциальности.
Плохо поддерживаемая база знаний может привести к неточной диагностике. Коллизия тикетов может возникнуть, когда несколько автоматизированных или человеческих процессов действуют над одним и тем же запросом. Неправильно откалиброванные пороги уверенности могут позволить неопределенным действиям продолжиться или излишне эскалировать простые случаи. Слабые элементы управления управлением, безопасностью или конфиденциальностью создают другой риск: ИИ-агенты, способные действовать в разных системах, нуждаются в ограниченных разрешениях, аудиторских следах и тщательной обработке конфиденциальных данных.
Организациям следует объединить развертывание с очисткой знаний, тестированием рабочих процессов, проверкой безопасности и конфиденциальности, четким распределением ответственности и одобрением человека для необратимых действий. Начните с обратимых действий с более низким уровнем риска, проверьте производительность в течение начального периода настройки и расширяйте автономное выполнение по мере роста уверенности.
Заключение: От управления тикетами к управлению результатами
Переход от управления тикетами к управлению результатами требует внедрения автоматизированного разрешения тикетов для выполнения исправлений вместо того, чтобы довольствоваться базовым отклонением.
Автоматизированное решение тикетов создает ценность, когда организации идут дальше простого предотвращения обращений и автоматизируют фактическое устранение первопричины проблемы. Для этого требуются контролируемые рассуждения ИИ, надежное выполнение, четкие пороги уверенности и ключевые показатели эффективности (KPI), ориентированные на результат.
Automation Anywhere помогает предприятиям совершить этот переход, освобождая квалифицированных сотрудников от рутинной работы с очередями и сохраняя при этом контроль над выполнением автономных действий.
Узнайте, как ИИ для службы поддержки от Automation Anywhere может превратить тикеты из запроса в решенную задачу. Запросите персональную демоверсию.
Часто задаваемые вопросы
Что такое автоматизированное решение тикетов?
Автоматизированное решение тикетов — это использование ИИ и автоматизации рабочих процессов для анализа, приоритизации, диагностики и решения ИТ-тикетов с передачей их человеку при низком уровне уверенности или в соответствии с политикой компании.
В чем разница между предотвращением тикетов, удержанием и автоматизированным решением?
Предотвращение тикетов предотвращает попадание запроса к агенту службы поддержки, в то время как удержание сохраняет взаимодействие в рамках автоматизированного канала. Автоматизированное решение учитывает только те запросы, где исходная проблема действительно решена — будь то выполненное исправление или ответ, данный в ходе беседы. Решение является метрикой результата; предотвращение и удержание измеряют преимущественно активность.
Какую роль играет порог уверенности?
Порог уверенности определяет, насколько ИИ должен быть уверен в своих действиях до их выполнения, в то время как правила политик и разрешений определяют, что ему разрешено делать. Запросы, не достигающие порогового значения, передаются человеку, а правила политик направляют конфиденциальные или более рискованные вопросы сотрудникам независимо от уровня уверенности.
Какие KPI измеряют успех автоматизированного решения тикетов?
Ключевые KPI решения тикетов включают коэффициент автоматического решения, среднее время до решения (MTTR), удовлетворенность сотрудников, коэффициент удержания и стоимость одного тикета. Коэффициент автоматического решения должен быть главной метрикой результата, поскольку само по себе удержание или предотвращение не доказывает, что исходная проблема пользователя была решена.
Какими функциями должно обладать решение для автоматического решения тикетов на базе ИИ?
Отдавайте приоритет глубокой интеграции с бэкендом, реальному решению (а не предотвращению), управляемой политиками автономности, порогам уверенности, непрерывному обучению, многомодальной поддержке и быстрой окупаемости. Глубина интеграции особенно важна, поскольку ИИ должен иметь возможность выполнять утвержденные исправления в корпоративных системах, а не просто рекомендовать действия.
