Тикет ушёл не туда — почему одна модель только выбирает, а не пишет ответ

«Тикет ушёл не туда» — почему одна модель только выбирает, а не пишет ответ

Тикет из поддержки: «Не могу войти в личный кабинет, пишет ошибка 403». Один инструмент сразу отправляет его в технический отдел. Другой — сочиняет клиенту письмо с извинениями и инструкцией. За этими действиями стоят разные типы ИИ-моделей.

Decision-модель (модель принятия решений) не пишет текст. Она получает обращение и список заранее заданных вариантов — например, «техническая проблема», «вопрос по оплате», «жалоба», «другое» — и возвращает вероятность для каждого. Это не свободный ответ, а типизированный результат, который подставляет ваш код: маршрутизировать тикет, запустить эскалацию или передать вопрос человеку.

Пример. Тот же тикет с ошибкой 403: техническая проблема — 0.92, оплата — 0.03, жалоба — 0.02, другое — 0.03. Система видит наибольшую вероятность и направляет обращение в техническую поддержку. Никакого текста клиенту она не сочиняет.

Генеративная LLM — противоположность. Она порождает свободный текст токен за токеном, слово за словом, и именно она пишет клиенту персонализированный ответ. Разница на бытовом уровне: классификатор тикетов решает, в какую очередь отправить обращение, чат-бот пишет ответ клиенту.

Где граница. Модель решений работает только с тем набором вариантов, который вы задали схемой. Появилась новая задача — набор нужно расширять, а модель дообучать или перенастраивать. Если нужен свободный ответ или решение с открытым концом, эта модель не подойдёт — там работает генеративная.

Разбор