В большой гостинице IT-поддержка — это не только серверы, сети и компьютеры. Это постоянный поток обращений: «Не печатает принтер», «Пропал интернет», «Не запускается программа», «Не работает браслет гостя». Зачастую системный администратор тратит время не на решение проблемы, а на её регистрацию: выясняет, кто обратился, откуда, что именно произошло и кому передать задачу. Я решил автоматизировать эту рутину и начал разрабатывать собственного ИИ-диспетчера для инфраструктуры Luciano Sochi. Как это работает? Сотрудник пишет обычное сообщение в Telegram или MAX. Не нужно заходить в отдельный портал, заполнять форму или выбирать категорию из десятков пунктов. Например: «Не работает принтер на ресепшене». ИИ анализирует текст, обращается к корпоративной базе знаний, при необходимости задаёт уточняющий вопрос и определяет следующий шаг. Если нужен IT-специалист — формирует заявку в GLPI. Причём это не простая пересылка сообщения: система сопоставляет аккаунт мессенджера с сотрудником и подставляет инициатора и местоположение в отдельные поля GLPI. Специалист получает структурированную заявку, а не загадочное «У нас ничего не работает». Что это даёт компании? ✅ Приём обращений 24/7. Написать о неисправности можно в любое время, не разыскивая дежурного администратора. ✅ Привычный интерфейс. Сотрудники уже пользуются мессенджерами. Не нужно обучать их ещё одной системе. ✅ Меньше рутины для IT. Классификация, первичные уточнения и регистрация обращений автоматизируются. Инженеры могут сосредоточиться на решении проблем. ✅ Меньше лишних заявок. Если вопрос решается ответом из базы знаний, ИИ объясняет ситуацию без создания тикета. Если проблема относится к электрикам или другой службе — направляет сотрудника по правильному маршруту. ✅ Контекст вместо догадок. ИИ учитывает внутренние регламенты. Например, не предлагает сотруднику самостоятельно трогать сетевые кабели кассы или вмешиваться в работу критичных систем. ✅ Централизованный контроль. Обращения из двух мессенджеров попадают в общую ITSM-систему, где сохраняются статусы, история и данные для аналитики. ✅ Локальный ИИ. Языковая модель работает на собственном оборудовании. Нет необходимости оплачивать облачный API за каждый диалог, а правила обработки можно настраивать под инфраструктуру предприятия. Что под капотом? Python, локальная модель Qwen3 через Ollama, интеграции Telegram и MAX, GLPI REST API, корпоративная база знаний с RAG, правила маршрутизации и механизм контроля повторных обращений. Отдельная задача — идентификация сотрудников. Уже подготовлена и проверена база из 89 сотрудников и 99 привязок аккаунтов мессенджеров. Это позволяет не просить человека каждый раз писать свои ФИО и отдел. А он уже работает? Основные компоненты системы реализованы. Тестовое создание заявки через GLPI API с заполнением инициатора и местоположения прошло успешно. Сейчас проверяем поведение последних доработок на реальных обращениях: важно убедиться, что всё корректно работает не только на тестах, но и в ежедневной эксплуатации. Дальше планирую оценивать скорость регистрации заявок, долю обращений без ручной диспетчеризации и нагрузку на специалистов. Зачем вообще всё это? Не для того, чтобы заменить инженеров нейросетью. А чтобы убрать с них повторяющиеся действия: принять сообщение, уточнить очевидное, завести тикет и перенаправить его. ИИ должен заниматься диспетчеризацией, а человек — реальным решением технических задач. По-моему, именно так и выглядит полезная автоматизация: не «нейросеть ради нейросети», а конкретный инструмент, который встраивается в рабочий процесс. А у вас первая линия IT-поддержки уже автоматизирована или заявки до сих пор собираются в личных сообщениях? #ИИ #GLPI #ITSM #Автоматизация #Python #Сисадмин #ЛокальныйИИ #Gor_dan