Представьте утро диспетчера сервисной службы: в очереди 40 заявок, каждая написана по-своему. «Не работает кондей на 3 этаже», «течёт труба в серверной, срочно», «плановое ТО насосной станции, не горит». Три разных приоритета, три разных исполнителя — и ни одна заявка не содержит явного тега. Диспетчер читает, думает, набирает имя исполнителя в чате. На каждую уходит от двух до пяти минут живого внимания.
При 30–50 заявках в день это 1–4 часа операционного времени только на первичную сортировку. Ошибки приоритета — заявка «течёт труба» попала в плановые — превращаются в инциденты. Это не проблема людей; это проблема архитектуры процесса.
Почему ручная сортировка не масштабируется
Когда компания растёт, число заявок растёт быстрее числа диспетчеров. Три характерных симптома:
- Приоритет зависит от опыта конкретного человека. Новый диспетчер ставит «средний» там, где опытный сразу видит «критический».
- Распределение непрозрачно. Кто и почему получил заявку — в голове диспетчера, не в системе.
- Пиковая нагрузка не сглаживается. Утром 20 заявок за час; диспетчер не успевает, часть уходит на следующий цикл.
Добавить ещё одного диспетчера — линейное решение с линейной стоимостью. ИИ-классификация — это изменение архитектуры: один раз настроить, потом масштабировать без пропорционального роста затрат.
Как устроена ИИ-классификация свободного текста
Схема работает в три слоя.
Слой 1 — приём и нормализация
Заявка поступает любым каналом: форма на сайте, письмо, сообщение в корпоративном мессенджере. Микросервис принимает текст, убирает шум (приветствия, подписи, дублирующие слова) и формирует структурированный объект для классификации.
Слой 2 — классификация и приоритизация
Языковая модель получает нормализованный текст и возвращает три поля:
category— тип заявки из заранее согласованного справочника (например: аварийная ситуация, плановое обслуживание, консультация, рекламация);priority— уровень срочности: критический / высокий / средний / плановый;confidence— числовая уверенность модели от 0 до 1.
Если confidence ниже порогового значения (например, 0,75), заявка автоматически уходит на ручную проверку диспетчером — модель не принимает решение в условиях неопределённости.
Слой 3 — маршрутизация
На основе категории и приоритета срабатывает правило маршрутизации: заявка назначается исполнителю или группе согласно матрице ответственности, которую вы определяете при настройке. Матрица хранится отдельно от модели — её можно менять без переобучения.
Демонстрационный сценарий (условные данные)
Ниже — иллюстративный пример того, как выглядит обработка трёх заявок. Это демонстрационный сценарий, не описание реального проекта.
| Входящий текст | category | priority | confidence | Действие |
|---|---|---|---|---|
| «Течёт труба в серверной, всё заливает» | аварийная ситуация | критический | 0,94 | Назначить дежурному инженеру немедленно |
| «Плановое ТО насосной станции на следующей неделе» | плановое обслуживание | плановый | 0,91 | Добавить в очередь планового отдела |
| «Что-то с вентиляцией, не пойму, воняет или нет» | — | — | 0,61 | Флаг «низкая уверенность» → диспетчер |
Третья заявка намеренно неоднозначна: модель не угадывает, она признаёт неопределённость и передаёт управление человеку. Это ключевой элемент контроля качества.
Что нужно подготовить до пилота
Прежде чем запускать классификацию, нужно привести в порядок входные данные. Без этого модель будет работать нестабильно вне зависимости от её качества.
Чеклист исходных данных
- Выгрузка реальных заявок за последние 3–6 месяцев в любом читаемом формате (CSV, Excel, JSON).
- Ручная разметка хотя бы 200–300 заявок: категория и приоритет, как вы их понимаете сейчас.
- Согласованный справочник категорий — не более 8–12 позиций на первый пилот.
- Матрица ответственности: кто получает заявку при каждой комбинации категория × приоритет.
- Описание каналов поступления заявок и их технические параметры (API, вебхук, почта).
Подготовку данных и аудит каналов стоит рассматривать как отдельный этап: это не технический формализм, а условие того, что пилот даст измеримый результат. Похожий подход к аудиту входных данных перед внедрением ИИ разобран в статье «Подготовка каталога и обменов данными к внедрению ИИ».
Ограничения и стоимость владения
Классификация свободного текста — это не магия. Перечислим реальные ограничения, с которыми нужно считаться.
- Модель не знает вашей специфики. Слово «насос» в одной компании — это сантехника, в другой — промышленное оборудование. Без разметки на ваших данных модель будет ошибаться в отраслевых нюансах.
- Справочник категорий нужно поддерживать. Появился новый тип заявок — нужно добавить примеры и при необходимости скорректировать правила.
- Стоимость запросов к модели. При 1 000 заявок в день и среднем тексте 100 токенов это примерно 100 000 входящих токенов в день. Реальная стоимость зависит от выбранной модели и объёма — это условный расчётный ориентир, не коммерческое предложение. Важно заложить мониторинг расходов с первого дня.
- Интеграция с вашей системой — отдельная задача. Если заявки живут в специализированной ITSM или в самописной системе, потребуется адаптер. Это часть разработки, не «из коробки».
О том, как устроен выбор между готовым продуктом и заказной разработкой в подобных сценариях, читайте в статье «Готовый продукт или заказной ИИ-сервис: критерии выбора для компании».
Критерии приёмки пилота
Пилот считается успешным, если выполнены все пункты из следующего чеклиста. Зафиксируйте их письменно до начала работ — это защищает и вас, и команду разработки.
Чеклист приёмки
- Точность классификации ≥ 85% на тестовой выборке из ваших реальных заявок, размеченных вручную (минимум 100 заявок в тестовой части).
- Уровень ложноотрицательных критических заявок ≤ 2%. Критическая заявка не должна попадать в плановые — это операционный риск первого порядка.
- Порог низкой уверенности согласован и работает: заявки с
confidenceниже порога корректно флагируются и уходят на ручную проверку, а не назначаются автоматически. - Маршрутизация соответствует матрице ответственности: 10 тестовых заявок с известным ожидаемым исполнителем назначены верно.
- Время обработки одной заявки ≤ 5 секунд от поступления до назначения при штатной нагрузке.
- Логирование работает: для каждой заявки сохраняются входной текст, результат классификации, значение
confidenceи назначенный исполнитель. - Процедура оспаривания описана: диспетчер знает, как переназначить заявку и как это событие попадает в лог для последующего анализа ошибок.
Как устроен пилот на стороне PORTcore
Для задач классификации, приоритизации и маршрутизации входящих обращений мы используем подход на базе AI-модерации входящих обращений. Это не универсальный продукт «из коробки», а разработка под конкретный процесс: справочник категорий, матрица ответственности и интеграция с вашим каналом поступления заявок проектируются под вашу среду.
Типовой пилот включает три этапа: аудит входных данных и согласование справочника категорий; разработка и тестирование классификатора на вашей разметке; интеграция с каналом заявок и приёмочное тестирование по чеклисту выше. Если в вашей архитектуре уже есть CRM или сервисная система, интеграция рассматривается как отдельный scope — мы обсудим его границы до начала работ.
Следующий шаг
Если процесс узнаваем — пришлите обезличенный фрагмент из 20–30 реальных заявок и опишите, как сейчас выглядит ваш справочник категорий. Это позволит оценить объём разметки, сложность классификатора и реалистичные сроки пилота без общих слов. Перейдите на страницу AI-модерации входящих обращений и оставьте запрос на разбор процесса.
Связанные материалы
Подходящие офферы
Если статья попала в вашу задачу, вот два оффера, с которых можно перейти к внедрению без лишнего discovery.
AI pipeline для извлечения данных из документов
Строим pipeline извлечения данных из документов: исходник сохраняется, поля приводятся к структуре, сомнительные значения попадают на проверку. OCR подключается, если он нужен типу входа.
Запуск B2B-клиентского портала
Запускаем клиентский портал с нужными ролями, документами и рабочими действиями. Архитектура должна учитывать границы компаний и источник данных.