Коротко

Хорватская компания RIS d.o.o., разработчик бизнес‑ПО с численностью 10–49 человек, вместе с EDIH Adria протестировала цифрового помощника для службы поддержки. Система принимает обращения из почты, определяет тему и приоритет, находит сведения в подготовленной базе знаний и предлагает оператору черновик ответа. Решение построено как RAG: языковая модель не должна отвечать только «из памяти», а получает релевантные фрагменты FAQ, руководств и истории обращений.

Авторы опубликованного кейса оценивают потенциальное сокращение ручной нагрузки на 50–60%, ускорение стандартных ответов более чем на 70% и уменьшение числа эскалаций до 40%. Эти показатели полезны как ориентир, но не как гарантированный бизнес‑результат: в публикации нет исходного объёма обращений, длительности измерения и методики расчёта. Для другой компании эффект нужно подтверждать на собственной очереди писем.

Какую проблему решали

У небольшой службы поддержки есть знакомая ловушка. Простые вопросы повторяются, но всё равно требуют открыть письмо, определить клиента и продукт, найти актуальную инструкцию, собрать ответ и решить, можно ли закрыть обращение без специалиста второй линии. Когда поток растёт, сотрудники тратят время не только на сложные случаи, но и на поиск одних и тех же сведений.

По описанию EDIH, команда RIS получала много типовых запросов по электронной почте и телефону. Целью пилота было не убрать человека из процесса, а сократить механическую часть работы: первичную сортировку, поиск по знаниям и подготовку ответа. Это важное ограничение. Клиент получает сообщение только после проверки сотрудником, а спорные или нестандартные случаи остаются у специалиста.

Что было в демонстраторе

Опубликованная схема включает несколько практических компонентов:

  • подключение к почтовому ящику по IMAP;
  • классификацию входящих писем и определение приоритета;
  • подготовленную базу знаний из FAQ, руководств и исторических взаимодействий;
  • поиск релевантных фрагментов и генерацию черновика ответа;
  • интерфейс, в котором оператор может просмотреть, изменить и подтвердить результат;
  • панель для контроля потока обращений.

Демонстратор был собран на Python и Streamlit. Это не означает, что такой стек обязателен для промышленной эксплуатации. Он удобен для проверки гипотезы, но рабочему контуру дополнительно потребуются управление доступами, наблюдаемость, резервирование, журнал действий и интеграция с системой заявок или CRM.

В первоисточнике архитектура названа защищённой, но подробная модель угроз не опубликована. Также нет указания, что языковая модель работала локально. Поэтому переносить на кейс утверждение о полностью локальном контуре нельзя.

Как перенести идею в российскую компанию

Для малого или среднего бизнеса безопасный пилот можно собрать как последовательность из семи узлов.

1. **Входящий канал.** Отдельный сервис читает одну очередь поддержки по IMAP или через API тикет‑системы. На первом этапе ему не дают права отправки. Письмо получает стабильный идентификатор, чтобы повторная обработка не создала несколько заявок или ответов. В IMAP для этого лучше использовать UID, а не меняющиеся порядковые номера сообщений.

2. **Предобработка.** Система удаляет подписи и цитаты, распознаёт типы вложений, выделяет клиента и продукт, маскирует лишние персональные данные. Вложения не должны автоматически становиться доверенными инструкциями для модели.

3. **Маршрутизация.** Классификатор определяет тему, срочность и очередь. Жёсткие правила остаются выше модели: например, обращения о безопасности, платежах, претензиях и персональных данных сразу направляются человеку.

4. **Поиск знаний.** RAG ищет только в опубликованной версии базы знаний с датами, владельцами документов и правами доступа. Для каждого фрагмента сохраняются источник и версия. Если подходящего подтверждения нет, система должна воздержаться от уверенного ответа.

5. **Черновик.** Модель получает письмо, выбранные фрагменты и шаблон ответа. Вместе с текстом оператор видит ссылки на источники, уровень уверенности и причины эскалации. Полезнее короткий проверяемый черновик, чем длинный «вежливый» текст без опоры на документы.

6. **Решение человека.** Сотрудник принимает, редактирует или отклоняет предложение. Отправка выполняется отдельным компонентом только после явного подтверждения. Для повторной операции используется идемпотентный ключ, чтобы сетевой сбой не превратился в два одинаковых письма клиенту.

7. **Обратная связь.** Система фиксирует не содержимое всех переписок без разбора, а необходимые события: какие источники были найдены, что изменил оператор, был ли ответ принят, возникла ли эскалация. Эти данные нужны для оценки качества и обновления базы знаний.

Какие данные и интеграции понадобятся

Минимальный набор — не «вся корпоративная почта», а одна ограниченная очередь и документы, которые уже используются сотрудниками:

  • 30–50 проверенных FAQ и инструкций с владельцем и датой актуальности;
  • 300–500 обезличенных или разрешённых к обработке обращений для тестового набора;
  • категории и правила приоритета;
  • список случаев, где автоматический черновик запрещён;
  • доступ только на чтение к входящей почте либо тестовой копии тикетов;
  • отдельный тестовый контур для базы знаний, модели и журналов;
  • механизм подтверждения человеком перед отправкой.

Исторические ответы нельзя без проверки загружать в базу знаний. Они могут содержать устаревшие условия, исключения, персональные данные и удачные только для одного клиента формулировки. Сначала их нужно очистить, сгруппировать и превратить в утверждённые статьи.

Где уместен локальный контур

Локальная модель или частное облако полезны, когда письма содержат договорные условия, сведения о клиентах, конфигурации систем или другую чувствительную информацию. Тогда в контролируемом периметре можно разместить векторную базу, сервис эмбеддингов, модель генерации и журналы. Наружу не передаются тексты обращений и фрагменты внутренних документов.

Но локальное развёртывание не решает само по себе три ключевые проблемы: устаревшие знания, ошибочную уверенность модели и чрезмерные права интеграций. Нужны разграничение доступа, фильтрация вложений, защита от инструкций внутри входящего письма, версия базы знаний и человеческое подтверждение. «Работает на нашем сервере» — характеристика размещения, а не сертификат правильности ответа.

Как считать экономику

Проценты из кейса RIS нельзя напрямую переносить в бюджет. Сначала нужна исходная линия: число обращений, среднее время обработки, доля типовых запросов, стоимость часа сотрудника и цена эскалации. После пилота стоит считать не количество сгенерированных текстов, а стоимость принятого результата.

Полезные метрики:

  • доля черновиков, принятых без правок и после небольших правок;
  • среднее и 95‑й перцентиль времени до первого качественного ответа;
  • доля корректных маршрутизаций и обоснованных эскалаций;
  • число ошибок по устаревшим или нерелевантным источникам;
  • стоимость инфраструктуры и сопровождения на один принятый ответ;
  • время, которое сотрудники действительно высвободили для сложных обращений.

Простой модельный расчёт: если очередь получает 1 000 типовых писем в месяц, на каждое уходит восемь минут, а помощник экономит четыре минуты только в 60% случаев, высвобождается 40 часов. Из этой выгоды нужно вычесть проверку, поддержку базы знаний, инфраструктуру и исправление ошибок. Если принятых черновиков мало, более дешёвая модель не спасёт экономику.

Риски, которые важно проверить

Главный риск — не «ИИ заменит поддержку», а тихая ошибка в правдоподобном черновике. Неверная цена, срок или инструкция могут пройти быстрее именно потому, что текст выглядит аккуратно. Поэтому в пилоте полезно отдельно тестировать конфликтующие версии документов, отсутствие ответа в базе и намеренно вредоносные указания во вложениях.

Второй риск — утечка между клиентами. Поиск должен учитывать права доступа до извлечения фрагментов, а не после генерации. Третий — автоматизация плохого процесса: если категории не определены, инструкции противоречат друг другу, а эскалации никто не разбирает, модель лишь ускорит хаос.

Практичный пилот на четыре недели

Неделя 1: выбрать одну повторяющуюся категорию, назначить владельца знаний, собрать тестовый набор и зафиксировать исходные метрики.

Неделя 2: подключить чтение тестовой почты, настроить классификацию и поиск, запретив отправку. Проверить права доступа и источники каждого ответа.

Неделя 3: запустить теневой режим. Операторы отвечают как обычно, а система параллельно готовит черновики. Сравниваются правильность, время и объём правок.

Неделя 4: допустить предложения в рабочий интерфейс только для безопасной категории, сохранив подтверждение человеком. Решение о расширении принимать по доле принятых ответов и стоимости результата, а не по числу обработанных писем.

Вывод для руководителя

Кейс RIS показывает подходящий масштаб первого шага: одна очередь, ограниченная база знаний, черновик вместо автоматической отправки и измеримые показатели. Для российского бизнеса разумный следующий шаг — взять 300–500 реальных обращений, провести теневой тест и выяснить, сколько качественных ответов система действительно экономит. Если база знаний не готова, первым проектом должен стать её порядок, а не закупка более крупной модели.