NexTool Solutions

ИИ не заменит специалиста поддержки, но специалист, который умело им пользуется, заменит того, кто его игнорирует. В GLPI это не лозунг: это процесс, который вы настраиваете, измеряете и корректируете. Сопровождая службы поддержки на GLPI у клиентов, мы видели, как ИИ проваливается двумя способами: его внедряют без измерений (никто не знает, помог ли он) и используют на автопилоте (ошибочная подсказка вставляется прямо в решение). В этом руководстве показано, как встроить ИИ в повседневную работу с заявками, с запросами и настройками, которые мы применяем на практике.

Начните с измерения того, где ИИ окупается, а не где он впечатляет

Распространённая ошибка — направлять ИИ на сложную и редкую заявку, ту, что эффектно смотрится на демонстрации, вместо повторяющихся заявок большого объёма, где он действительно экономит время. Прежде чем что-либо подключать, выясните, где сосредоточен объём и сколько он стоит. Этот запрос выводит категории с наибольшим числом заявок за последние 90 дней и среднее время до решения — кандидатов с наибольшей отдачей для ответов с помощью ИИ, статей базы знаний и автоматической сортировки:

-- Categorias de maior volume e tempo medio de resolucao (90 dias).
-- solve_delay_stat esta em segundos; /3600 converte para horas.
SELECT c.completename            AS categoria,
       COUNT(t.id)               AS chamados,
       ROUND(AVG(t.solve_delay_stat)/3600, 1) AS horas_ate_resolver
FROM glpi_tickets t
JOIN glpi_itilcategories c ON c.id = t.itilcategories_id
WHERE t.date >= DATE_SUB(NOW(), INTERVAL 90 DAY)
  AND t.is_deleted = 0
  AND t.solvedate IS NOT NULL
GROUP BY t.itilcategories_id, c.completename
HAVING chamados >= 10
ORDER BY chamados DESC
LIMIT 15;

Верх этого списка — ваша карта: это темы, где автоматическое резюме, черновик ответа или статья базы знаний дают наибольший эффект. Категория с большим объёмом и долгим временем решения — это то место, где ИИ в роли помощника сильнее всего разгружает очередь; категория с малым объёмом и высокой сложностью остаётся работой человека, и попытка её автоматизировать — пустая трата сил.

Сначала детерминированная сортировка, потом ИИ

Самая дорогая путаница, которую мы встречаем, — просить у ИИ то, что бизнес-правила GLPI уже делают лучше. Определение категории, установка приоритета и назначение группы по шаблону темы, инициатору или организации — это работа бизнес-правил для заявок (RuleTicket): детерминированная, проверяемая и воспроизводимая. Генеративный ИИ подключается там, где задача нечёткая и не обязана быть воспроизводимой: резюмировать ветку из 50 взаимодействий, набросать ответ на основе истории, определить тон инициатора. Смешение этих двух ролей — источник отчётов по SLA, которые никто не может объяснить. Матрица, по которой мы решаем, кто что выполняет:

Никогда не вызывайте ИИ синхронно в жизненном цикле заявки

Именно эта ловушка стоила больше всего часов при сопровождении. Когда интеграция с ИИ — или любой внешний webhook — синхронно отправляет HTTP-запрос внутри хука создания или обновления заявки, сохранение у специалиста зависает в ожидании ответа внешнего API. Мы видели, как кнопка сохранения подвисала на 30–60 секунд, потому что хук выполнял запрос немедленно, а специалист был уверен, что «GLPI тормозит». Обогащение с помощью ИИ должно быть асинхронным: ставить в очередь и обрабатывать вне запроса, через внешний cron GLPI. И этот cron должен быть настоящим (режим CLI/внешний), а не запускаемым при обращении к странице:

# Cron externo do GLPI (MODE_EXTERNAL) - roda as tarefas em fila,
# inclusive notificacoes e enriquecimento assincrono.
# Rode como o usuario do servidor web (www-data / apache), a cada minuto:
* * * * * www-data /usr/bin/php /var/www/html/glpi/front/cron.php >/dev/null 2>&1

Распространённая ошибка — оставлять автоматические задачи во внутреннем режиме, который срабатывает, когда кто-то открывает страницу. Нет посещений — ничего не выполняется; под нагрузкой длинная задача блокирует состояние, и остальные не запускаются. Переведите задачи в GLPI в режим CLI и обеспечьте приведённый выше crontab — иначе автоматизация будет работать «иногда», а это то же самое, что не работать.

Что остаётся работой человека

ИИ делает черновик; человек решает и подписывает. Диагностика проблемы с недокументированными переменными, переговоры с раздражённым пользователем, решение эскалировать или найти обходной путь, политический контекст, определяющий реальный приоритет, — ничего из этого ИИ не решит. И есть деталь, которую замечает только тот, кто работает в эксплуатации: поле решения заявки пополняет базу знаний, а она, в свою очередь, питает следующую подсказку ИИ. Вставить сгенерированный ответ без проверки — это не разовая ошибка: он попадает в базу и возвращается усиленным в следующей подсказке. Специалист эпохи ИИ — это рецензент, который не даёт этому циклу ухудшать качество поддержки.

Технические навыки, которые становятся ценными

1. Промпт с контекстом заявки: указание объекта, истории и точной ошибки даёт полезный ответ; общий промпт даёт общий текст.
2. Чтение и настройка RuleTicket: понимание детерминированной сортировки, на которой держится SLA, ценнее любого трюка с ИИ.
3. Измерение с помощью SQL: приведённые выше запросы доказывают цифрами, где ИИ дал результат, а где лишь добавил работы.
4. Курирование базы знаний: подсказка ИИ хороша ровно настолько, насколько хороша питающая её база знаний; устаревшая статья превращается в ошибочную подсказку.
5. Проверка перед вставкой: решение подписываете вы, а не ИИ. Именно эта граница отличает специалиста, который приносит ценность.

Хотите, чтобы ИИ работал внутри GLPI измеримо, с модулем AI Assist, интегрирующим OpenAI GPT и Google Gemini прямо в заявку? Узнайте о сопровождении GLPI от NexTool и заставьте ИИ приносить результат, не ломая то, что уже работает.

Проверено командой NexTool Solutions.