Как создать базу знаний с помощью ИИ‑агента

Распространенная проблема внедрения ИИ‑агентов поддержки — отсутствие структурированной базы знаний, которая помогает отвечать на вопросы пользователей. Такая база либо неактуальная, либо и вовсе отсутствует. Ее создание с нуля требует больших ресурсов. Однако есть решение: создание базы на основе отработанных тикетов в хелпдеске и других источниках.

72% компаний признают проблему управления знаниями

Опрос специалистов по управлению знаниями, проведенный Unisphere Research и eGain, показал, что компании продолжают жить в режиме информационного беспорядка. 36% респондентов отметили, что знания хранятся в трех и более системах, еще 31% респондентов не смогли назвать точное количество хранилищ. 72% участников исследования признают, что стратегии объединения данных у них нет. То есть информация остается разбросанной по разным источникам, поиск усложняется, а сотрудники редко пользуются базами знаний.

Как ИИ‑агенты создают базы знаний

Компании много лет сталкивались с одним и тем же парадоксом: тикетов становится все больше, а знаний — все меньше. Операторы закрывают обращения, но решения не превращаются в статьи, база знаний быстро устаревает, поиск по ней работает плохо, опыт сотрудников остается в головах, а не в системе. Появление ИИ‑агентов меняет этот цикл. Они снимают сразу несколько инфраструктурных барьеров, которые долгое время считались неизбежными издержками поддержки. Ниже список задач, которые выполняют ИИ‑агенты.

Определяют, какие тикеты нужно превращать в статьи. ИИ‑агенты просматривают историю обращений, группируют повторяющиеся сценарии и предлагают темы, которые действительно следует оформить в виде статей. Так работает, например, Zendesk — один из крупнейших в мире поставщиков хелпдеск‑систем. Его модуль Zendesk AI / Knowledge Builder самостоятельно выявляет популярные темы и создает черновики статей. Фактически агент снимает вопрос, о чем писать. Он выделяет устойчивые паттерны, а редкие, случайные кейсы не включает в базу знаний.

Создают KCS‑шаблоны статей. Диалоги часто растягиваются на множество сообщений, включают уточнения и внутренние комментарии. ИИ‑агенты выступают в роли редактора, переводя такой тред в единообразный формат статьи. Они формулируют проблему, описывают контекст, перечисляют шаги решения и фиксируют результат. ServiceNow — глобальная платформа для управления корпоративными сервисами — использует собственный GenAI‑модуль, способный создавать статьи по KCS‑шаблонам (Knowledge‑Centered Service). Шаблоны задают правильную структуру статьи, включая проблему, вводные, шаги и результат.

Фиксируют знания прямо в процессе работы. В большинстве компаний база знаний всегда отстает от реальности, потому что написание статей откладывается. ИИ‑агенты встраиваются прямо в рабочий процесс и устраняют задержки. ServiceNow предлагает создать статью в один клик прямо из карточки инцидента. Zendesk Knowledge Builder генерирует черновики на основе свежей истории тикетов. Таким образом новые знания фиксируются прямо в процессе работы, а не когда‑нибудь после.

Объединяют знания из нескольких источников. Ответы на одинаковые вопросы лежат в тикетах, Confluence, Google Docs или почте. ИИ‑агенты подключаются ко всем источникам сразу. Moveworks объединяет статьи, формы, FAQ и документы из разных корпоративных систем, Zendesk и Fini формируют единый слой знаний из истории поддержки и внешних хранилищ, RelevanceAI автоматически связывает категории тикетов с релевантными статьями. В итоге сотруднику больше не важно, где физически хранится знание.

Осуществляют семантический поиск. Классические системы работают по ключевым словам, и пользователю нужно угадать точную формулировку. ИИ‑агенты используют семантический поиск. Они понимают смысл запроса и подбирают релевантные материалы, даже если слова не совпадают. Moveworks Copilot выдает ответы на естественном языке, Zendesk AI рекомендует подходящие статьи прямо в тикете, а RelevanceAI автоматически связывает обращение с полезным контентом.

Сохраняют неформализованный опыт. Когда сотрудники увольняются, вместе с ними теряется и экспертиза. ИИ‑агенты впервые дают возможность сохранить ее. Moveworks строит знания на основе многолетних историй тикетов, HubSpot превращает прошлые обращения в живую документацию, которая помогает новичкам, ServiceNow автоматически переносит решения из инцидентов в структуру базы знаний. Опыт команды перестает зависеть от конкретных людей и становится частью корпоративной памяти.

Риски

MCP устроен по принципу «разрешено все, что не запрещено», поэтому без API‑шлюза нельзя контролировать, какие запросы агент выполнит, а какие — должен игнорировать. Это создает прямой риск утечки данных и некорректных правок.

Также требуется полноценная техническая инфраструктура для хранения данных, их векторизации, поиска и развертывания LLM. Выбор модели использования LLM сегодня напрямую зависит от масштаба компании и уровня допустимого риска:

1. Крупный бизнес выбирает on‑prem. Данные остаются внутри корпоративного периметра, а безопасность и контроль важнее экономии. Такие компании готовы инвестировать в собственные кластеры, GPU‑серверы, чтобы исключить трансграничную передачу данных.
2. Средний бизнес действует гибридно. На старте используют российские облака, а при росте нагрузки и ужесточении требований к комплаенсу постепенно переходят на внутренние серверы.
3. Малый бизнес чаще всего работает с глобальными облаками, несмотря на риски. Для них зарубежные модели дешевле, мощнее и требуют минимальных затрат на интеграцию.

Если выбор архитектуры и инфраструктуры сделан неправильно, агент, который должен упростить и удешевить создание базы знаний, превращается в источник новых затрат и инфраструктурных рисков.