В Екатеринбурге прошла третья встреча сообщества «ИТ-практика Урала» — «AI в ITSM: от экспериментов к реальной эксплуатации». Эксперты обсудили, какие задачи управления ИТ-сервисами искусственный интеллект уже способен брать на себя, где автоматизация дает измеримый экономический эффект и что пока остается зоной ответственности человека.
Встреча состоялась 30 сентября на площадке Контур Университета. Центральной темой стало практическое применение искусственного интеллекта в ITSM — управлении ИТ-сервисами. В отличие от общего разговора о возможностях генеративных моделей участники сосредоточились на уже работающих сценариях: автоматической обработке обращений, корпоративных базах знаний, AI-агентах, инвентаризации, аналитике и интеграции ИИ с внутренними системами компаний.
Проведение встречи поддержала Ассоциация инновационных решений и искусственного интеллекта «Регионы XXI ВЕК», выступив информационным партнёром мероприятия. Для Ассоциации участие в подобных профессиональных дискуссиях является частью работы по продвижению практических сценариев применения искусственного интеллекта в корпоративных и производственных процессах, обмену опытом между разработчиками и бизнесом, а также поиску решений, которые могут быть масштабированы на предприятия и в регионы.
В экспертной дискуссии приняли участие Сергей Вещугин («Контур»), Вячеслав Чукреев (OnlinePBX), Алексей Оносов («Юнисофт») и Станислав Озорнин (Naumen). Модератором встречи выступила основатель сообщества «ИТ-практика Урала» Валентина Лазичная.
Участники обсудили, какие ITSM-процессы уже сегодня целесообразно передавать искусственному интеллекту, где AI способен полностью закрывать первую линию поддержки, какие ограничения создают требования информационной безопасности и как оценивать реальный экономический эффект от автоматизации.
Одним из ключевых кейсов встречи стал опыт «Контура». Сергей Вещугин, отвечающий за развитие внутренней технической поддержки компании, рассказал об эволюции корпоративного сервис-деска и применении ИИ в службе поддержки сотрудников.
Сегодня через сервис проходит около 160 тыс. заявок в год. Используемая в компании система на основе ИИ распределяет порядка 62–63% обращений с точностью 96,6%. Следующий этап — переход от маршрутизации заявок к их автоматическому решению.
По словам Вещугина, проведенные испытания показывают, что ИИ потенциально способен закрывать первым ответом около половины всех поступающих обращений. Однако добиться такого результата удалось не просто подключением языковой модели. Для работы системы компании пришлось практически полностью переработать более 300 пользовательских инструкций и адаптировать корпоративную базу знаний под машинную обработку. Подготовительная работа заняла больше года.
Этот пример стал одним из главных выводов дискуссии: эффективность корпоративного ИИ определяется не только качеством самой модели. Не меньшее значение имеют данные, структура базы знаний, архитектура решения и готовность внутренних процессов компании к автоматизации.
Еще один практический кейс «Контура» связан с инвентаризацией оборудования. В компании используется более 40 тыс. единиц техники. В ходе предыдущей инвентаризации сотрудники прислали около 6,5 тыс. фотографий с данными оборудования, которые требовалось обработать. После подключения внутреннего AI-инструмента более 60% изображений удалось распознавать автоматически. По оценке компании, полученный эффект эквивалентен примерно трем штатным единицам трудозатрат в год.
От ответа на заявку — к проактивному сервису
При этом участники встречи говорили уже не только об автоматизации первой линии поддержки. Следующая стадия развития ITSM — переход к системам, которые способны самостоятельно анализировать контекст пользователя и предлагать решение еще до того, как тот сформулирует обращение.
Сергей Вещугин привел пример снабжения сотрудников техникой. Сейчас данные о закупках, согласовании заявок, наличии оборудования, сотрудниках и бюджете часто находятся в разных корпоративных системах. AI-агент может объединить эту информацию и вместо обычной формы заявки предложить руководителю готовый сценарий.
Например, система видит, что подразделение собирается купить новый компьютер, одновременно знает о высвободившейся технике после увольнения сотрудника и может предложить использовать уже имеющееся оборудование. При этом она способна сразу показать экономический эффект такого решения.
Фактически речь идет о переходе от классического принципа «у пользователя появилась проблема — он создал заявку» к проактивному сервису, когда система самостоятельно обнаруживает ситуацию, предлагает действие, а в перспективе может выполнить его и только сообщить человеку о результате.
Первая линия поддержки становится одной из главных зон автоматизации
В ходе экспертной дискуссии участники сошлись в том, что наиболее очевидная зона применения ИИ сегодня — массовые повторяющиеся процессы: Service Desk, обработка инцидентов, поиск по корпоративным знаниям и типовые действия пользователей.
Представитель Naumen рассказал о нескольких направлениях применения AI в сервисном управлении. Среди них — автоматизация первой линии поддержки, анализ и развитие баз знаний, управление каталогом услуг, рекомендательная аналитика и создание интерфейсов, позволяющих работать с Service Desk через AI-агентов.
Один из перспективных подходов — подключение корпоративных систем через MCP, при котором пользователь или специалист может взаимодействовать с Service Desk непосредственно из привычной AI-среды: получать данные, менять ответственного по заявке, работать с активами и выполнять другие операции без постоянного перехода в интерфейс самой ITSM-системы.
Такой подход меняет само представление о корпоративном программном обеспечении. Если раньше сотрудник должен был знать, в какую систему войти и где находится нужная функция, то теперь точкой входа потенциально становится AI-агент, а корпоративные приложения превращаются для него в набор доступных инструментов.
ИИ должен окупаться, а не внедряться ради ИИ
Отдельной темой стала экономика автоматизации.
Участники дискуссии отмечали, что технологическая возможность автоматизировать процесс еще не означает экономической целесообразности такого проекта. Стоимость разработки, инфраструктуры, токенов, интеграции, обеспечения информационной безопасности и последующего сопровождения необходимо сопоставлять с реальным эффектом.
В ходе встречи прозвучал практический принцип оценки процессов, которые имеет смысл передавать искусственному интеллекту. Среди основных критериев — повторяемость процесса, его предсказуемость, приемлемая цена ошибки и приемлемая стоимость автоматизации.
Именно цена ошибки остается одной из границ автономности AI-систем. Чем выше возможные последствия решения, тем важнее сохранять человеческий контроль.
Безопасность становится главным ограничителем
Еще одним серьезным барьером внедрения ИИ участники назвали доступ моделей к корпоративным данным.
Чтобы AI-агент действительно мог решать сложные задачи, ему требуется контекст: сведения о пользователях, инфраструктуре, документах, оборудовании, внутренних процессах и истории обращений. Но чем шире этот доступ, тем выше требования к информационной безопасности.
Особенно осторожно крупные компании относятся к персональным данным, финансовой информации, коммерческой тайне и сведениям об архитектуре внутренних систем.
Одним из вариантов становится использование локально развернутых моделей, при котором данные не покидают корпоративный контур. Однако даже в этом случае бизнесу необходимо решать вопросы разграничения доступа, документирования процессов, ответственности и контроля действий AI-агентов.
Поэтому дальнейшее распространение искусственного интеллекта в ITSM будет зависеть не только от развития самих нейросетей. Не менее важными становятся архитектура корпоративных данных, информационная безопасность и правила доступа AI к внутренним системам.
ITSM меняется вместе с ожиданиями пользователей
Один из выводов встречи заключается в том, что искусственный интеллект не отменяет саму логику ITSM — управление услугами остается необходимым. Однако меняется то, какой должна быть услуга.
Пользователь все меньше хочет разбираться, куда направить заявку, какой раздел открыть и какую форму заполнить. Он ожидает, что система поймет контекст, найдет необходимые данные и предложит решение самостоятельно.
Поэтому развитие корпоративных сервисов движется от обычных чат-ботов к персонализированным AI-агентам, связанным сразу с несколькими информационными системами и способным не только отвечать на вопросы, но и выполнять действия.
Практика российских ИТ-компаний показывает, что этот переход уже начался. Вопрос для бизнеса постепенно меняется: вместо «можно ли применять ИИ в ITSM» компании начинают считать, какие процессы стоит передавать AI в первую очередь, сколько это будет стоить и какой измеримый эффект даст автоматизация.
Именно переход от эксперимента к экономически обоснованной эксплуатации становится следующим этапом развития корпоративного искусственного интеллекта.
