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

Escrito por David Garcia | 4/08/2025 10:45:35 PM

Introducción:

GLPI + IA – Optimización del flujo de soporte mediante análisis inteligente de tickets

“Reducir tiempos de respuesta y errores en la asignación de tickets, usando modelos de inteligencia artificial que analizan el contenido y categorizan automáticamente cada incidente.”

Contexto

Una universidad con más de 20.000 estudiantes y personal técnico limitado gestionaba soporte IT a través de GLPI. Cada semana se abrían más de 700 tickets, pero el 40% eran mal categorizados o mal asignados, lo que generaba cuellos de botella, múltiples reenvíos entre técnicos y tiempos de resolución innecesariamente largos.

Los técnicos de primer nivel debían revisar manualmente cada nuevo ticket, interpretarlo y asignarlo al grupo o categoría adecuada.

Solución implementada:

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.

Ver post completo