AI ticket triage szervizcégnél: mit automatizálhatsz (és mit nem)

Human-in-the-loop elv szervizben

A szerviz- és létesítményüzemeltetés nem chatbot-demo. Egy rosszul kiosztott hűtőgép-javítás, egy félreolvasott prioritás vagy egy rossz telephelyre küldött technikus azonnal pénzbe, reputációba és SLA-ba kerül. Ezért a ticket triage AI-nak nem „autonóm döntéshozónak”, hanem gyors asszisztensnek kell lennie: javasol, strukturál, kitölt — a diszpécser vagy a műszakvezető elfogadja, javítja vagy elveti.

A human-in-the-loop (ember a folyamatban) elv itt konkrét szabály: az AI soha ne zárjon le ticketet, ne indítson számlázást, és ne küldjön technikust a helyszínre emberi rábólintás nélkül. Amit automatizálhatsz: a szövegértelmezést, a mezők előtöltését, a prioritás- és hozzárendelési javaslatot. Amit nem: a felelősséget és a végleges döntést.

Gyakorlati határok: ha a levél egyértelmű („2. telephely, 3. emelet, lift A nem indul, sürgős”), a diszpécser 5–10 másodperc alatt rábólint a javaslatokra. Ha a levél homályos („valami zúg a gépteremben”), az AI vázlatot ad, de a megerősítéshez emberi értelmezés kell — telephely, eszköz, prioritás. A cél nem a 100%-os autonómia, hanem a 70–80% adminidő-csökkenés a triage-ben, miközben a hibás kiosztások aránya nem nő.

Ha a marketing „teljesen automatikus ticketkezelést” ígér, kérdezd meg: ki felel, ha a rendszer rossz ügyfélhez köti a bejelentést? A válasz mindig az ember kell legyen. Az AI a triage sebességét növeli; a felelősségi láncot nem cseréli le.

Mit olvasson ki az AI a levélből

Egy jól beállított triage-modell a beérkező e-mailből (tárgy + törzs + feladó) strukturált ticket-mezőket javasol. A mezők listája legyen szűk és auditálható — ne „mindent kitalál”, hanem a diszpécser munkáját másolja strukturált formába.

Összefoglaló: 1–2 mondatos, semleges leírás a hibáról, felesleges udvariaskodás és aláírás nélkül. Ügyfél: elsősorban a feladó e-mail domainje és címe alapján, a CRM / partnerlistához illesztve. Telephely: a levélben szereplő cím, épületnév, „2. telephely” jellegű utalások és az ügyfélhez tartozó ismert helyszínek alapján. Eszköz: gépnév, gyári szám, helykód, QR/ID, ha a szövegben van. Prioritás: kulcsszavak (leállás, veszély, hideg lánc, lift utasokkal) + ügyfél SLA szabályok, nem „érzés”.

Hozzárendelési javaslat: szakértelem (pl. HVAC, lift, elektromos) és telephely-ismeret (ki járt ott legutóbb, ki van a közelben, ki van szabadságon) alapján. Ez is javaslat: a diszpécser látja a indoklást („HVAC + utolsó 3 javítás ezen a telephelyen”), és dönt.

A SafetyPro ticketing AI-ja épp ezeket a mezőket tölti elő: összefoglaló, ügyfél a feladóból, telephely, eszköz, prioritás, és hozzárendelési javaslat — minden esetben emberi megerősítéssel. Nem „fekete doboz lezárás”, hanem vázlat, amit a műszakvezető egy kattintással elfogad vagy szerkeszt.

• →Összefoglaló: 1–2 mondat, tények, nem marketing-szöveg
• →Ügyfél: feladó e-mail + partneradatbázis egyeztetés
• →Telephely: szövegbeli helyszín + ügyfélhez kötött helyszínek
• →Eszköz: azonosító, típus, helykód, ha a levélben szerepel
• →Prioritás: SLA + kulcsszavak (leállás, biztonság, hideg lánc)
• →Hozzárendelés: szakértelem + telephely-ismeret javaslatként

Hamis pozitívok és minőségellenőrzés

Az AI nem „okosabb a diszpécsernél” — mintákat illeszt. Ahol a szöveg kétértelmű, ott téved. Tipikus hamis pozitívok szerviz-leveleknél: e-mail cím vagy sorszám telefonként kiolvasva; más ügyfél domainje a CC-ben „ügyfélként” azonosítva; „urgent” a marketing aláírásban prioritás-emelésként; alkatrész-katalógusszám eszközazonosítóként; a „2. emelet” a telephely neve helyett önálló helyszínként.

Egy közepes szervizcsapatnál, ha napi 40 bejövő ticketből 3–5 mezőhibás (kb. 8–12%), az emberi megerősítés nélkül ez 3–5 rossz kiosztás vagy késleltetett SLA. A megerősítés 10–20 másodperc ticketenként; a rossz kiosztás 30–90 perc felesleges út + ügyfélhívás. A minőségellenőrzés ezért nem „felesleges kattintás”, hanem a megtakarítás védelme.

Mit érdemes mérni az első 30 napban: mező-elfogadási arány (hány javaslatot fogad el változtatás nélkül a diszpécser), javítási arány mezőnként (melyik mező a leggyengébb: eszköz? prioritás?), és a hamis kiosztások száma (technikus rossz helyre / rossz ügyfél). Ha az elfogadási arány 60% alatt van, a modell vagy a partner/eszköz-adat minősége gyenge — ne az AI-t „erőltessd”, hanem az adatot tisztítsd.

Szabályok, amik a hamis pozitívokat csökkentik: soha ne írd felül a manuálisan beállított mezőt automatikusan; jelöld láthatóan, hogy mi AI-javaslat; tiltsd a „magas prioritás” automatikus elfogadását emberi rábólintás nélkül; és tartsd frissen az ügyfél–telephely–eszköz törzsadatot. Az AI annyira jó, amennyire a master data.

Perc/ticket ROI példa számokkal

A triage megtérülése percekben és forintban mérhető — nem „AI varázslatban”. Vegyünk egy 6 fős szerviz-diszpécs + technikus csapatot, napi átlag 35 bejövő e-mail tickettel (kb. 770 ticket/hó, 22 munkanap). Manuális triage: e-mail elolvasása, ügyfél keresése, telephely és eszköz megkeresése, prioritás, kiosztás — tipikusan 4–7 perc ticketenként. Középérték: 5,5 perc.

AI-vázlat + emberi megerősítés: 45–90 másodperc ticketenként, ha a törzsadat rendben van. Számoljunk konzervatívan 1,5 perccel. Megtakarítás: 5,5 − 1,5 = 4 perc/ticket. Havi szinten: 770 × 4 = 3080 perc ≈ 51 óra. Ha a diszpécser-óra költsége 6500 Ft (bér + járulék + overhead), a havi megtakarítás kb. 331 500 Ft, éves szinten kb. 4 millió Ft — még mielőtt az elkerült rossz kiosztásokat számolnád.

Második tétel: a rossz kiosztás költsége. Ha havi 8 esetben a technikus rossz telephelyre megy, és átlag 50 perc felesleges út + hívás esik rá, az 400 perc ≈ 6,7 óra. Emberi megerősítéssel a cél a 8 → 2–3 esemény/hó. A különbség (kb. 5 eset × 50 perc) önmagában ~4 óra/hó, de az ügyfélbizalom és az SLA-büntetés gyakran nagyobb tétel, mint az óradíj.

Harmadik tétel: a válaszidő. Ha a bejelentés beérkezésétől a kiosztott ticketig a medián 28 percről 9 percre csökken, a P1 (leállás) ticketeknél ez közvetlen kiesés-csökkenés az ügyfélnél — a te SLA-d és a te következő tendereid mérik. A ROI tehát nem csak belső adminóra: a triage sebessége eladható minőség.

Ne számolj 100%-os mezőpontossággal. Ha a javaslatok 75%-át változtatás nélkül elfogadják, és a maradék 25%-nál 2 perc szerkesztés kell, a súlyozott átlagos triage-idő még mindig ~2 perc alatt marad. A megtérülés akkor esik el, ha az AI-t emberi ellenőrzés nélkül engedik „dönteni”, és a hamis pozitívok elszívják a spórolást.

• →Alapvonal: ~5,5 perc manuális triage / ticket
• →AI + megerősítés: ~1,5 perc / ticket (konzervatív)
• →35 ticket/nap → ~51 óra/hó megtakarítás
• →6500 Ft/óra → ~331 500 Ft/hó, ~4 M Ft/év adminoldalon

Bevezetés 2 hét alatt

Az AI ticket triage nem féléves „transzformációs projekt”. Ha a ticketing és a partner/telephely/eszköz törzs már él, két hét alatt bevezethető egy kontrollált pilot — feltéve, hogy nem az egész cégre kapcsolod rá az első napon.

1. hét: hatókör és adat. Válassz 1–2 ügyfélcsoportot vagy 1 diszpécsersort (napi 15–25 ticket). Ellenőrizd, hogy a feladó e-mailekhez van ügyfél-rekord, a telephelyek és a kritikus eszközök azonosíthatók. Kapcsold be a javaslatokat csak vázlat módban: a diszpécser látja a mezőket, de semmi sem megy automatikusan a technikushoz.

2. hét: mérés és szabályok. Naponta 10 perc: mely mezőket javították, mi volt a tipikus hiba. Állíts be prioritás-szabályokat (mi számít P1-nek nálatok), tiltsd az automatikus kiosztást, hagyd meg a hozzárendelést javaslatnak. A hét végén dönts: kiterjesztés, adatjavítás, vagy finomhangolás. Ha az elfogadási arány 70% felett van, bővítheted a forgalmat.

A SafetyPro-nál a ticketing AI ugyanezt a logikát követi: javaslat, nem autonóm lezárás. A pilot sikere nem a „wow” demo, hanem az, hogy a diszpécser kevesebbet gépel, és a technikus kevesebbszer megy rossz helyre.

• →Válassz szűk pilotkört: 1 sor / 1–2 ügyfélcsoport, 15–25 ticket/nap
• →Tisztítsd az ügyfél–e-mail, telephely és kritikus eszköz törzset
• →Kapcsold be csak vázlat + emberi megerősítés módot
• →Mérj elfogadási és javítási arányt mezőnként naponta
• →Definiáld a P1/P2 kulcsszavakat és SLA-szabályokat írásban
• →Tilos az automatikus technikus-kiküldés emberi rábólintás nélkül
• →Heti zárás: 70%+ elfogadás → bővítés; alatta → adatjavítás
• →Dokumentáld a tipikus hamis pozitívokat egy közös listán

Audit trail és felelősség

Ha az AI javasol, de az ember dönt, az audit trailnek mindkettőt rögzítenie kell: mi volt a javaslat, ki erősítette meg, mit módosított, és mikor. Ez nem bürokrácia — ez a felelősség védelme vitás ügyfélnél, SLA-vitánál vagy belső minőségellenőrzésnél.

Minimális napló: beérkező levél azonosítója; AI által javasolt mezők időbélyeggel; elfogadó / módosító felhasználó; a végső ticket-állapot; későbbi státuszváltások (kiosztva, helyszínen, lezárva). Ha később kiderül, hogy a prioritás rossz volt, látni kell: az AI javasolta-e, vagy a diszpécser írta felül — és milyen indokkal ment tovább a folyamat.

A felelősség sora egyértelmű legyen a belső szabályzatban: az AI nem „aláíró”, a diszpécser / műszakvezető a triage gazdája, a technikus a helyszíni végrehajtásé, a vezetőség a szabályoké (SLA, P1 definíció, partnerprioritás). Ha ez a lánc elmosódik, az AI csak ürügy lesz a hibákra („a rendszer csinálta”).

Compliance és ügyfélbizalom: sok partner szerződése kimondja, ki és mennyi időn belül reagál. A ticket időbélyegei és a triage napló bizonyíték — nem csak belső KPI. Ha a rendszer minden lépést rögzít, a „nem kaptunk választ” panaszok nagy része percek alatt eldönthető. Ha a napló hiányzik, a vita e-mail-láncok és emlékezet alapján megy — ez a drága út.

Összefoglalva: automatizáld a kitöltést és a javaslatot, ne a felelősséget. Az AI ticket triage akkor éri meg, ha gyorsabb triage-t, mérhető perc/ticket megtakarítást és tisztább audit trailt ad — emberi megerősítéssel, hamis pozitívok tudatos kezelésével, és 2 hetes, szűk pilotból indított bevezetéssel.

Összegzés és következő lépés

A cikkben összefoglalt gyakorlati lépések akkor működnek tartósan, ha egy központi rendszerben futnak a munkalapok, az eszköznyilvántartás, a preventív ütemezés és — ahol kell — a tűzvédelmi ellenőrzések is. A szétszórt Excel-fájlok és papír naplók hosszú távon nem adják az auditálhatóságot és a valós idejű átláthatóságot.

A SafetyPro CMMS ezeket egy platformon egyesíti: QR/NFC azonosítás, mobil app offline módban, riportok és emlékeztetők. A Basic csomag 24 900 Ft/hó-tól indul; 14 napos ingyenes próba egyeztethető személyesen, a bemutató után.

Ha a témában leírt folyamatokat szeretnéd élesben látni a saját telephelyed példáján, kérj bemutatót — az értékesítési csapat általában 1 munkanapon belül válaszol.