Automatización de Tickets en GLPI con IA: Mejora en Soporte IT

La Dirección de TI propuso automatizar la clasificación y asignación inicial de los tickets, integrando GLPI con un motor de inteligencia artificial basado en lenguaje natural (NLP).

Análisis semántico del ticket

• Se conectó GLPI con un modelo de clasificación entrenado en Python (basado en scikit-learn o modelos GPT), que analizaba:
  • Título del ticket.
  • Cuerpo del mensaje.
  • Palabras clave técnicas y contexto.
• El modelo determinaba:
  • Categoría correcta (hardware, software, red, acceso, etc.).
  • Nivel de prioridad.
  • Grupo responsable.

API de integración con GLPI

• Se usó la API REST de GLPI para enviar los datos del ticket al motor de IA y recibir la categoría sugerida.
• El sistema podía:
  • Asignar automáticamente el ticket.
  • Solicitar validación humana solo si el nivel de confianza era bajo.

Entrenamiento del modelo con datos reales

• Se utilizaron miles de tickets históricos para entrenar y validar el modelo de clasificación.
• Se mejoró el modelo cada 30 días mediante entrenamiento incremental.

Panel de precisión y revisión humana

• Se habilitó un panel para que los técnicos revisaran errores de clasificación y retroalimentaran el modelo.
• Se mantenía un log de decisiones para auditoría.

Resultados

• 80% de los tickets nuevos fueron clasificados y asignados automáticamente con más de 90% de precisión.
• Reducción del tiempo de enrutamiento de tickets de 4 horas a menos de 5 minutos.
• Menor frustración del usuario final al evitar respuestas “no corresponde a este grupo”.
• Mayor eficiencia operativa del equipo de soporte, enfocados ahora en resolver y no reenviar.
• Capacidad de escalar la operación sin necesidad de contratar más personal para clasificación.

Lecciones aprendidas

• El análisis semántico con IA es mucho más efectivo que las reglas estáticas.
• GLPI ofrece conectividad suficiente para integraciones IA si se conoce bien su API.
• La validación humana sigue siendo clave al principio, pero se reduce con el tiempo.
• No necesitas una gran inversión: modelos entrenados internamente pueden ser muy precisos.
• La retroalimentación constante mantiene la precisión del sistema en entornos cambiantes.