Auto-route
Обычный billing-кейс
идёт в рабочую очередь
В трекере сразу появляется рабочая задача, а не сырой входящий запрос.
Маршрут обращения уже определён, команде не нужно делать первичный разбор вручную.
Кейс
AI Triage Bot
Автоматизация первичного разбора обращений в поддержке: классификация, приоритизация и маршрутизация за ~3 секунды вместо 3–8 минут ручной работы.
Проблема
Ручной триаж не масштабируется
Customer support команды в SaaS-компаниях вручную читают, категоризируют, приоритизируют и маршрутизируют каждое входящее обращение. При 200+ тикетах в день это создаёт серьёзные проблемы:
- 3–5 минут на разбор одного тикета до начала реальной работы
- 15–25% ошибок в маршрутизации, увеличивающих время решения на 30–60 минут
- Нет единых правил — разные агенты классифицируют одинаковые кейсы по-разному
- Нет audit trail — невозможно анализировать и оптимизировать процесс
Главный риск — операционный. Критичный инцидент может просидеть в неправильной очереди, пока команда обрабатывает рутинные запросы.
Решение
Два кейса, два маршрута
Обычные кейсы система отправляет в рабочую очередь сама, а рискованные переводит в review-сценарий.
Обычный billing-кейс
Review
Рискованный кейс
передаётся на проверку
Критичный кейс не идёт в финальную очередь без проверки человеком.
Система подготавливает контекст и переводит кейс в review-сценарий.
Вся логика у вас перед глазами
Цепочка работает в n8n: видно, как обращение проходит разбор, где создаётся задача и в каких точках включается ручная проверка.
Процесс остаётся прозрачным и управляемым для менеджера.
Архитектурные решения
Почему именно такой стек
Почему n8n?
Оркестрация и логика маршрутизации остаются визуальными, редактируемыми и отделёнными от тикетинговой системы. Менеджер видит весь процесс без чтения кода.
Почему Yandex Tracker?
Делает маршрутизацию осязаемой: видна финальная очередь, review-очередь и точка передачи команде. Реалистичный support-сетап для российского рынка.
Почему Google Sheets?
Не как хранилище данных, а как audit log. Мгновенная видимость каждого решения без развёртывания базы данных.
Почему DeepSeek V3?
Прямой доступ из России, низкая стоимость ($0.0001/тикет), OpenAI-совместимый API. Достаточное качество для пилотного триажа.
Результаты
Evaluation на 50 тестовых кейсах
| Метрика | Результат | vs. ручной baseline |
|---|---|---|
| Точность категоризации | 92% | +12 п.п. от ~80% вручную |
| Точность маршрутизации | 92% | +12 п.п. |
| Точность триггера review | 94% | надёжный guardrail |
| Точность приоритета | 76% | +30 п.п. через итерацию промпта |
| Время обработки | ~3 сек | vs 3–5 мин вручную |
| Стоимость на тикет | ~$0.0001 | vs $0.50–2 стоимость труда |
Выводы
Что я понял
Модель может быть уверенно неправа
Поэтому review-слой существует. Confidence полезен, но недостаточен для рискованной автоматизации.
Важно, куда тикет реально попадает
Использование Yandex Tracker вместо только Google Sheets сделало систему реалистичнее. Стало очевидно, как тикет двигается по очередям и зачем n8n существует.
Eval перед rollout важнее очередного твика промпта
Следующие доказательства качества должны прийти из контролируемого пилота и корректировок ревьюера, а не из спекулятивных изменений промпта.
Хотите обсудить проект?
Расскажу подробнее про архитектуру, evaluation framework или любой другой аспект проекта.