Команда центра техподдержки кластера рекламных технологий МТС Web Services под руководством Владимира Дробота представила инновационную систему автоматического анализа тикетов на базе ИИ. Это решение стало логическим продолжением ранее внедрённой RAG-системы поиска информации, которая хотя и ускорила работу инженеров на 30-40%, но требовала от них чёткого понимания, какие именно данные нужно искать. Новая агентная система преодолевает это фундаментальное ограничение, полностью автоматизируя первичный анализ инцидентов и значительно сокращая время реакции на проблемы.

Техническая реализация системы представляет собой сложный гибридный подход, основанный на модели Qwen3.5-35B-A3B, развёрнутой на корпоративной инфраструктуре MWS GPT. Особенностью решения является его способность анализировать не только текстовые данные из Jira, но и работать с вложениями в форматах Office, PDF и даже специализированных форматах вроде tcpdump, для чего используется модель Kimi K2. Система интеллектуально определяет, каких данных недостаёт для полного анализа — будь то логи, информация из базы данных или техническая документация — и автоматически запрашивает их. На выходе формируется не просто отчёт, а полноценная подзадача с готовым решением и комментарий с резюме для пользователя, что сокращает цикл обработки тикета в среднем на 60%.

Архитектурно решение сочетает два передовых паттерна от Anthropic: цепочку промптов и параллельную обработку данных. Основной сервис-оркестратор управляет сложной последовательностью действий, регулярно обращаясь к Jira API (из-за ограничений корпоративной системы вебхуки использовать не удалось). Особенно ценной функцией стала возможность системы повторно анализировать тикеты, остающиеся открытыми более 24 часов с новыми комментариями, что кардинально улучшило обработку сложных, долгоиграющих инцидентов. Среднее время обработки составляет около 10 минут, что в 5-7 раз быстрее ручного анализа инженером.

Разработка стала ответом на ключевую проблему техподдержки второго уровня — необходимость одновременной работы с множеством разрозненных источников информации (Jira, Confluence, логи, БД) при отсутствии чёткого понимания, с чего начинать анализ. Предыдущее решение на базе RAG, внедрённое в 2023 году, хотя и дало заметный эффект, но требовало от инженеров формулировки конкретных запросов, что существенно ограничивало его применение в нестандартных ситуациях. Новая система радикально меняет подход, полностью делегируя ИИ не только поиск, но и первичный анализ проблемы, что особенно ценно для распределённых команд поддержки.

Для российского ИТ-рынка это один из первых примеров промышленного внедрения полноценных агентных систем в сфере техподдержки. Опыт МТС Web Services демонстрирует эволюционный путь от пассивных поисковых решений к активным ИИ-ассистентам, способным самостоятельно проводить расследование инцидентов. Подход особенно актуален для крупных компаний с распределёнными командами поддержки и большим объёмом однотипных запросов, где он может дать экономию до 40% времени специалистов.

Перспективы развития системы включают не только интеграцию с дополнительными источниками данных, но и реализацию более сложных сценариев принятия решений. Особый интерес представляет возможность масштабирования подхода для других бизнес-процессов за пределами техподдержки — например, для автоматического анализа багрепортов или обработки запросов на доработку функционала. Опыт МТС показывает, что даже в корпоративной среде с ограничениями legacy-систем возможно внедрение продвинутых ИИ-решений с измеримым экономическим эффектом. Однако остаётся открытым вопрос адаптации подобных систем для компаний с менее стандартизированными процессами поддержки.