Un agent IA au support technique : le cas de MTS

MTS Web Services a construit un agent IA qui analyse automatiquement les tickets du support technique, et abandonné son système de recherche fondé sur le RAG, qui obligeait les ingénieurs à formuler correctement leurs requêtes.

Pourquoi le RAG a été construit, et pourquoi il ne suffisait pas

L'équipe SRE de deuxième ligne du cluster des technologies publicitaires de MTS Web Services travaille chaque jour avec quatre sources de données : Jira avec l'historique des incidents, Confluence avec la documentation, les journaux système et les bases de données. Pour les incidents complexes, les ingénieurs passaient beaucoup de temps à chercher des cas similaires et à analyser les solutions déjà retenues.

La première réponse a été un système RAG : les données de Jira et de Confluence ont été réunies dans une base de recherche unique, avec prise en charge des requêtes en langage naturel. Les ingénieurs pouvaient poser des questions, et le système renvoyait les documents et les fiches d'incidents pertinents. L'effet a été sensible, et l'équipe a reçu des retours positifs.

Avec le temps, pourtant, une limite structurelle est apparue. Le RAG est un outil de recherche : pour qu'il fonctionne, l'utilisateur doit savoir ce qu'il cherche. Dans l'analyse d'incidents, cette condition n'est pas remplie : la cause du problème est inconnue, et l'on ne sait pas quelles données sont nécessaires ni dans quel ordre les demander. Résultat, l'outil restait inutilisé précisément là où l'aide est la plus utile : au début de l'enquête.

Le second problème tenait à l'impossibilité de mesurer l'effet réel. Les retours étaient positifs, mais l'équipe n'a pas réussi à obtenir de métriques objectives, comme le temps gagné par ticket ou l'évolution du MTTR.

Comment l'agent prend en charge la première étape

«

Si le système sait déjà chercher de l'information et analyser ce qu'il trouve, pourquoi ne pas lui confier toute la première étape de l'enquête sur un incident ? » — Vladimir Drobot, responsable SRE chez MTS Web Services.

Plutôt qu'un outil passif qui attend une requête, l'équipe a construit un agent qui mène lui-même l'enquête. L'agent reçoit un ticket en entrée et accomplit de façon autonome la première étape :

• Il analyse la description de l'incident et élabore un plan d'enquête
• Il détermine seul de quelles données il a besoin pour l'analyse
• Il formule et exécute des requêtes de recherche dans Jira et Confluence
• Il agrège l'information de plusieurs sources
• Il remet à l'ingénieur une analyse initiale structurée, avec des hypothèses sur les causes

La différence avec le RAG est fondamentale : l'agent n'attend pas la bonne question d'un humain, il décide lui-même de ce qu'il faut chercher à partir du contexte du ticket.

Ce que cela signifie

L'expérience de MTS Web Services illustre la différence essentielle entre un outil d'assistance et un agent autonome en environnement d'entreprise. Le RAG seconde l'ingénieur quand il sait déjà où regarder. L'agent prend en charge la partie du travail qui demandait le plus de temps, la formulation des premières hypothèses et la collecte des données, et libère l'attention coûteuse des spécialistes L2 pour l'analyse proprement dite. Cela montre que l'architecture à base d'agents est déjà praticable aujourd'hui pour les outils internes d'entreprise, et pas seulement pour les produits grand public.

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

Pour automatiser l'analyse initiale des tickets et faire gagner du temps aux ingénieurs. MTS est passée à un agent IA parce que son ancien système RAG exigeait des spécialistes qu'ils sachent formuler correctement leurs 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 des technologies publicitaires.

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

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