Как AI находит пробелы в базе знаний по реальным обращениям клиентов

Оператор в десятый раз вручную объясняет клиенту одно и то же. Ответ хороший, вопрос реальный, но в базе знаний подходящей статьи всё ещё нет.

Вот такие моменты мне интереснее общего отчёта о количестве документов. AI может помогать находить пробелы в базе знаний по реальным разговорам: где не нашёл источник, где оператор переписал ответ, где клиент спросил повторно.

Но автоматически превращать каждый сложный тикет в новую статью я бы не стала. Сначала нужно понять, действительно ли знания не хватает, или проблема была в поиске, формулировке или самом процессе.

Первый сигнал — система не смогла найти уверенный источник

Если AI регулярно отвечает `не знаю` на один и тот же intent, это хороший кандидат на knowledge gap. Но отсутствие ответа ещё не означает, что статьи нет.

Возможно, документ существует под другим названием, плохо индексируется или содержит устаревшую формулировку. Я бы сначала сохраняла запрос, найденные кандидаты и причину отказа.

Microsoft Knowledge Management Agent использует обращения и knowledge insights для выявления возможностей обновить базу. Мне близка именно идея начинать с операционного сигнала, а не с календаря редактора.

Проверяемые источники: Microsoft Learn — Use Customer Knowledge Management Agent to update knowledge base · Microsoft Learn — Use knowledge insights for Customer Knowledge Management Agent

Правка оператора иногда важнее низкой уверенности

AI мог найти статью и даже уверенно сформировать ответ. Потом оператор меняет половину текста, потому что знает исключение, которого в базе нет.

Я бы собирала такие существенные corrections отдельно. Если несколько операторов дописывают одинаковое правило, это сильный сигнал, что знание живёт в головах команды.

Здесь важно сохранить связь с исходным диалогом и действующей статьёй. Тогда knowledge owner понимает, что именно пришлось исправлять.

Проверяемые источники: Microsoft Learn — Overview of AI agents and Copilot features · Microsoft Learn — Overview of knowledge management

MEDIA FRAME · PLACEHOLDERИллюстрация будет добавлена позже

Повторный вопрос показывает, что формальный ответ не закрыл пробел

Иногда статья есть, источник найден и ответ формально правильный. Клиент через пять минут задаёт вопрос ещё раз другими словами.

Для меня это тоже knowledge signal. Возможно, статья не отвечает на реальный вопрос, слишком общая или не объясняет следующий шаг.

Я бы связывала repeat intent с использованным источником и проверяла такие цепочки вручную на выборке. Не всякий повтор — проблема базы, но массовый повтор нельзя игнорировать.

Проверяемые источники: Microsoft Learn — Use knowledge insights for Customer Knowledge Management Agent

AI должен группировать вопросы по смыслу, а не создавать сто задач

Десять клиентов могут сформулировать один пробел десятью способами. Если каждый диалог создаёт отдельную editorial task, очередь быстро становится бесполезной.

Я бы группировала похожие intent и показывала примеры живых формулировок, частоту сигналов внутри вашей системы и текущие статьи-кандидаты. После этого knowledge owner решает: обновить материал, создать новый или исправить routing.

Так AI помогает собрать доказательство проблемы, а не заменяет редактора базы знаний.

Проверяемые источники: Microsoft Learn — Use Customer Knowledge Management Agent to update knowledge base · Microsoft Learn — Use knowledge insights for Customer Knowledge Management Agent

Черновик новой статьи не должен публиковаться сам

По собранным диалогам AI легко сделает правдоподобный draft. Но в разговорах могут быть ошибочные действия оператора, старые цены или разовые исключения.

Я бы разрешила системе подготовить структуру и перечислить недостающие факты. Дальше owner знаний выбирает официальный источник, проверяет актуальность и только потом публикует.

Microsoft описывает knowledge-management agent как помощника в создании и обновлении knowledge, но editorial governance всё равно остаётся отдельной задачей.

Проверяемые источники: Microsoft Learn — Use Customer Knowledge Management Agent to update knowledge base · Microsoft Learn — Overview of knowledge management

Пробел считается закрытым после изменения клиентского результата

Опубликовать новую статью недостаточно. Я бы посмотрела, уменьшились ли no-answer события, ручные правки и повторные вопросы по этому intent.

Если ничего не изменилось, возможно, знание всё ещё трудно найти или вопрос относится не к информации, а к отсутствующему действию в продукте.

Мне нравится такой цикл: диалог показывает проблему, команда обновляет knowledge, а следующий диалог проверяет, помогло ли это человеку.

Проверяемые источники: Microsoft Learn — Use knowledge insights for Customer Knowledge Management Agent · Microsoft Learn — Overview of AI agents and Copilot features

Knowledge gap может оказаться проблемой самого продукта

Если клиенты постоянно спрашивают, где отменить действие, возможно, им нужна не ещё одна статья. Возможно, кнопка плохо видна или процесса вообще нет.

Я бы позволяла knowledge owner отметить сигнал как `product gap`, `process gap` или `knowledge gap`. Тогда база знаний не становится складом объяснений того, что лучше исправить в интерфейсе.

Для клиента самый хороший новый ответ иногда выглядит как отсутствие необходимости задавать вопрос вообще.

Проверяемые источники: Microsoft Learn — Use knowledge insights for Customer Knowledge Management Agent · Microsoft Learn — Overview of knowledge management

Что обычно хочется уточнить

Как понять, каких статей не хватает в базе знаний?

Смотрите на повторяющиеся no-answer события, существенные ручные правки операторов, повторные вопросы и темы, которые сотрудники объясняют вручную. Затем группируйте их по intent и проверяйте существующие источники.

Можно ли AI автоматически писать новые статьи базы знаний?

Он может готовить draft и структуру, но факты должны быть проверены по официальному источнику владельцем знания. Диалог с клиентом сам по себе не является достаточным источником истины.

Как отличить knowledge gap от плохого поиска?

Проверить, существует ли правильный материал и мог ли retrieval его найти по реальным формулировкам. Если статья есть, возможно, нужно улучшать структуру, метаданные или retrieval, а не создавать дубль.

Я бы хотела, чтобы база знаний училась не от количества сгенерированных статей, а от разговоров, где человеку было трудно получить решение. Тогда каждое обновление можно проверить следующим обращением: стало ли проще. Если нет, пробел ещё не закрыт.

Если продолжать с точки зрения клиентского опыта для «пробелы в базе знаний»: Как подключить AI к базе знаний компании · Почему AI отвечает уверенно, но неправильно · Метрики клиентской поддержки: почему правильный ответ AI не всегда решает вопрос.