MTS Web Services Est Passée de RAG à un Agent IA pour le Triage Initial des Tickets de Support

MTS Web Services a construit un agent IA pour traiter automatiquement les tickets de support technique — et a abandonné son système de recherche basé sur RAG, qui exigeait que les ingénieurs formulent correctement les requêtes.

Pourquoi ils ont construit RAG — et pourquoi ce n'était pas suffisant

L'équipe SRE de la deuxième ligne de support du cluster technologie publicitaire de MTS Web Services travaille quotidiennement avec quatre sources de données : Jira avec l'historique des incidents, Confluence avec la documentation, les journaux système et les bases de données. Lors de l'analyse d'incidents complexes, les ingénieurs passaient un temps considérable à chercher des cas similaires et analyser les solutions déjà adoptées.

La première solution était un système RAG : les données de Jira et Confluence ont été combinées dans une base de connaissances unique et consultable qui supportait les requêtes en langage naturel. Les ingénieurs pouvaient poser des questions — et le système retournait des documents pertinents et des enregistrements d'incidents. L'effet était notable, et l'équipe recevait des retours positifs.

Cependant, avec le temps, une limitation structurelle s'est avérée évidente. RAG est un outil de recherche : pour qu'il fonctionne, l'utilisateur doit savoir ce qu'il cherche. Lors de l'analyse d'incidents, cette condition n'est pas remplie : la cause du problème est inconnue, il n'est pas clair quelles données sont nécessaires et dans quel ordre les demander. En conséquence, l'outil restait sous-utilisé précisément là où l'aide était la plus nécessaire — au début de l'investigation.

Le deuxième problème était l'impossibilité de mesurer l'impact réel : il y avait des retours positifs, mais on ne pouvait pas obtenir des métriques objectives — combien de temps a été économisé par ticket, comment le MTTR a changé.

Comment l'agent prend en charge la première étape

"Si le système peut déjà rechercher des informations et analyser ce qu'il trouve, pourquoi ne pas lui faire gérer entièrement la première étape de l'investigation d'incident ?" —

Vladimir Drobot, SRE Lead chez MTS Web Services.

Au lieu d'un outil passif attendant une requête, l'équipe a construit un agent qui mène des investigations de façon autonome. L'agent reçoit un ticket en entrée et effectue indépendamment la première étape :

• Analyse la description de l'incident et formule un plan d'investigation
• Détermine indépendamment quelles données sont nécessaires pour l'analyse
• Formule et exécute des requêtes de recherche vers Jira et Confluence
• Agrège les informations provenant de plusieurs sources
• Fournit à l'ingénieur une analyse préliminaire structurée avec des hypothèses sur les causes

La différence avec RAG est fondamentale : l'agent n'attend pas la bonne question d'un humain — il décide ce qu'il faut chercher en fonction du contexte du ticket.

Ce que cela signifie

L'expérience de MTS Web Services démontre une distinction clé entre un outil d'assistance et un agent autonome dans un environnement corporatif. RAG complète un ingénieur au stade où il sait déjà où chercher. L'agent prend en charge le travail qui consommait le plus de temps — la formulation initiale d'hypothèses et la collecte de données — et libère l'attention précieuse des spécialistes L2 pour l'analyse réelle. Cela démontre que l'architecture agentielle est déjà pratique aujourd'hui pour les outils corporatifs internes, pas seulement pour les produits publics.

Pourquoi les entreprises implémentent-elles l'IA pour le support technique ?

Pour automatiser le traitement initial des tickets et économiser le temps des ingénieurs. MTS a adopté un agent IA car l'ancien système RAG exigeait que les spécialistes sachent formule correctement les requêtes de recherche.

Comment l'agent IA de MTS analyse-t-il les tickets ?

L'agent traite quatre sources de données : l'historique des incidents dans Jira, la documentation dans Confluence, les journaux système et les bases de données du cluster de technologie publicitaire.

Quelles sources de données l'agent IA utilise-t-il dans le support technique ?

L'agent IA de MTS fonctionne avec quatre sources : Jira avec l'historique des incidents, Confluence avec la documentation, les journaux système et les bases de données.