DXC Technology: Агентний AI для сортування й розвʼязання інцидентів; починали з одного…
IT-послуги
Кейс стосується DXC Technology, компанії з IT-послуг, яка впровадила агентний AI у функцію підтримки клієнтів. Система використовувалася для інцидентного триажу та вирішення проблем, що дозволило скоротити середній час відновлення для тікетів першого і другого рівнів на 30–40 %. Це приклад використання агентного AI для обробки виняткових ситуацій, де правила автоматизації не працюють.
Результат
- мінус 30-50 % тривалості складних процесів; мінус 30-40 % середнього часу відновлення для тікетів 1-2 рівня.
Скільки зайняло: Оцінювання фреймворків агентів додає 4–6 тижнів до етапу планування.
Контекст
Компанія працює у сфері IT-послуг, де підтримка клієнтів передбачає обробку великої кількості тікетів. Стандартна rule-based автоматизація давала лише 10–15 % ефективності, оскільки система зламувалася або передавала задачу людині при зіткненні зі сценарієм, що не входив до дерева прийняття рішень. Потрібне рішення повинно було обробляти нові вхідні дані та завершувати workflow без людньої втручання.
Обмеження
Потрібна була можливість обробляти винятки та нові вхідні дані, які rule-based системи не вміють обробляти. Впровадження вимагало оцінювання фреймворків агентів, архітектури пам'яті та інструментальних викликів, що додає 4–6 тижнів до етапу планування.
Що зробили
Початок з одного чітко визначеного workflow перед розширенням обсягу агентів. Впровадження охоплювало workflow інцидентного триажу та вирішення проблем. Людину залишили для обробки сценаріїв, з якими агент не впорався. Агентні системи мають менші постійні витрати на обслуговування порівняно з rule-based автоматизацією, оскільки адаптуються до змін у процесах за дизайном.
Що могло провалитись
Агентні впровадження мають вищі початкові витрати на оцінювання через вибір фреймворку, пам'яті та архітектури інструментальних викликів. Rule-based системи зламувалися або ескалювали задачу при зіткненні зі сценарієм поза деревом прийняття рішень. Організації з широкими початковими мандатами на агентний AI постійно документували неудачі, а не ефективність.
Що з цього переноситься
Агентний AI дає ефект, коли починають з одного вузького workflow з чіткими критеріями успіху, а не з широкого мандата. Підхід працює для процесів з великою кількістю винятків і не працює, коли спрямований одразу на декілька процесів без базової метрики.
Кому це релевантно
Релевантно для українських компаній на 10–100 людей, які мають функцію підтримки клієнтів або IT-послуг і стикаються з великою кількістю нетипових тікетів. Різниця масштабу: у великій компанії це розгортання на корпоративному рівні з фреймворками агентів, а у маленькій компанії достатньо одного чітко обмеженого workflow з людиною в контурі перевірки.