Un agente de IA en el soporte técnico: el caso de MTS

MTS Web Services ha creado un agente de IA para analizar automáticamente los tickets de soporte técnico y ha abandonado su sistema de búsqueda basado en RAG, que exigía a los ingenieros formular bien las consultas.

Por qué se construyó el RAG y por qué no bastó

El equipo de SRE de segunda línea del clúster de tecnologías publicitarias de MTS Web Services trabaja a diario con cuatro fuentes de datos: Jira con el historial de incidentes, Confluence con la documentación, los registros del sistema y las bases de datos. Al resolver incidentes complejos, los ingenieros dedicaban mucho tiempo a buscar casos similares y a analizar las soluciones ya adoptadas.

La primera respuesta fue un sistema RAG: los datos de Jira y Confluence se unificaron en una única base de búsqueda con soporte para consultas en lenguaje natural. Los ingenieros podían preguntar y el sistema devolvía documentos y registros de incidentes relevantes. El efecto fue notable y el equipo recibió comentarios positivos.

Sin embargo, con el tiempo apareció una limitación estructural. El RAG es una herramienta de búsqueda: para que funcione, el usuario debe saber qué buscar. En la investigación de incidentes esa condición no se cumple: se desconoce la causa del problema y no está claro qué datos hacen falta ni en qué orden pedirlos. Como resultado, la herramienta quedó sin uso justo donde más se necesita ayuda: al comienzo de la investigación.

El segundo problema fue la imposibilidad de medir el efecto real. Había comentarios positivos, pero no se lograron obtener métricas objetivas, como cuánto tiempo se ahorraba por ticket o cómo cambió el MTTR.

Cómo el agente asume la primera fase

«Si el sistema ya sabe buscar información y analizar lo que encuentra, ¿por qué no encargarle por completo la primera fase de la investigación de un incidente?», afirma

Vladimir Drobot, líder de SRE en MTS Web Services.

En lugar de una herramienta pasiva que espera una consulta, el equipo construyó un agente que conduce la investigación por sí mismo. El agente recibe un ticket y completa de forma autónoma la primera fase:

• Analiza la descripción del incidente y elabora un plan de investigación
• Determina por su cuenta qué datos necesita para el análisis
• Formula y ejecuta consultas de búsqueda en Jira y Confluence
• Agrega información de varias fuentes
• Entrega al ingeniero un análisis inicial estructurado con hipótesis sobre las causas

La diferencia con el RAG es fundamental: el agente no espera que una persona haga la pregunta correcta, sino que decide qué buscar a partir del contexto del ticket.

Qué significa

La experiencia de MTS Web Services muestra la diferencia clave entre una herramienta de apoyo y un agente autónomo en un entorno corporativo. El RAG complementa al ingeniero cuando ya sabe dónde mirar. El agente asume la parte del trabajo que más tiempo consumía, la formulación inicial de hipótesis y la recopilación de datos, y libera la costosa atención de los especialistas de L2 para el análisis real. Eso indica que la arquitectura basada en agentes ya es práctica hoy para herramientas corporativas internas, y no solo para productos públicos.

¿Por qué las empresas incorporan IA al soporte técnico?

Para automatizar el análisis inicial de los tickets y ahorrar tiempo a los ingenieros. MTS pasó a un agente de IA porque su anterior sistema RAG exigía que los especialistas supieran formular correctamente las consultas de búsqueda.

¿Cómo analiza los tickets el agente de IA de MTS?

El agente procesa cuatro fuentes de datos: el historial de incidentes en Jira, la documentación en Confluence, los registros del sistema y las bases de datos del clúster de tecnologías publicitarias.

¿Qué fuentes de datos usa el agente de IA en el soporte técnico?

El agente de IA de MTS trabaja con cuatro fuentes: Jira con el historial de incidentes, Confluence con la documentación, los registros del sistema y las bases de datos.