Most use cases are currently published in Thai.
ใช้ AI คัดแยก support ticket ก่อนเข้าทีมจริง
เอา AI มาช่วยจัดกลุ่มความเร่งด่วนและประเภทของ ticket ได้จริง แต่ต้องมี guardrail ชัดและอย่าปล่อยให้ตอบลูกค้าเองเร็วเกินไป.
The problem
ทีม support เสียเวลาไปกับ ticket ที่เข้ามาปะปนกันทั้งเรื่องเร่งด่วน เรื่องซ้ำ และเรื่องที่ควร redirect ไปทีมอื่น ทำให้ SLA แกว่งและคนเก่งต้องใช้เวลาไปกับงานคัดแยกมากเกินจำเป็น.
The result
เวลาที่ใช้กับการคัดแยก ticket ลดลงชัดเจน ทีมเปิดเคสได้เร็วขึ้น และหัวหน้าทีมเห็น pattern ของปัญหาซ้ำได้ง่ายขึ้น แต่ยังต้องมีคนดูเคสขอบ ๆ ที่ confidence ต่ำเสมอ.
The workflow
How the system actually runs.
Workflow
- เมื่อลูกค้าส่ง ticket เข้ามา ระบบจะดึง subject, message body, channel และประวัติล่าสุดของลูกค้าจาก help desk
- n8n ส่งข้อมูลชุดนี้เข้า Claude เพื่อให้ classify ว่าเป็นเรื่องประเภทไหน, ความเร่งด่วนเท่าไร และควรส่งต่อทีมใด
- ถ้าคะแนนความมั่นใจต่ำหรือเจอข้อความอารมณ์รุนแรง ระบบจะ mark ให้คนดูทันทีแทนการ auto-route
- ticket ที่มั่นใจสูงจะถูกติด tag, ตั้ง priority และใส่ suggested next action ให้ agent เห็นก่อนเปิดเคส
- agent ยืนยันหรือแก้ classification แล้ว feedback นี้ถูกเก็บไว้เพื่อปรับ prompt และ rubric ในรอบถัดไป
สิ่งที่ทำให้ workflow นี้รอด
เราไม่ได้ให้ AI ตอบลูกค้าทันที แต่ใช้มันเฉพาะขั้นตอน triage ก่อน จุดนี้สำคัญมาก เพราะการคัดแยกผิดยังแก้ได้ แต่การตอบผิดต่อหน้าลูกค้ามีต้นทุนด้านความเชื่อใจสูงกว่า.
เริ่มจากคัดแยกก่อน อย่าเริ่มจากตอบแทนคน ถ้าคุณยังไม่เข้าใจ ticket pattern ของตัวเองดีพอ
Tools used
The stack behind it.
What worked
Why this setup held up.
- ช่วยลดภาระงานซ้ำในช่วงคัดแยกได้จริง
- ทำให้ priority ชัดขึ้นก่อน ticket จะเข้าคน
- feedback loop จาก agent ทำให้ prompt และ category ดีขึ้นเรื่อย ๆ
What did not
The friction to watch.
- ticket ที่เขียนคลุมเครือหรือใช้ภาษาปนหลายเรื่องยัง classify ผิดได้
- ถ้า taxonomy ภายในทีมไม่ชัด AI จะสับสนตามทีม
- การพยายาม auto-reply เร็วเกินไปทำให้คุณภาพตกทันที
Verdict
The short version.
Working
Notes
The fuller context.
หมายเหตุจากการใช้งาน
use case นี้เวิร์กเมื่อทีม support มีโครงสร้าง ticket category ที่ชัดและยอมให้มนุษย์เป็นคนตัดสินขั้นสุดท้าย. ถ้าองค์กรยังไม่ตกลงกันว่า “urgent” แปลว่าอะไร ต่อให้ model ดีแค่ไหนผลลัพธ์ก็จะไม่นิ่ง.
อีกจุดที่สำคัญคือการวัดผล ควรดูทั้งความเร็ว, ความแม่นของ routing และจำนวน ticket ที่ agent ต้องแก้ classification ย้อนหลัง ไม่อย่างนั้นคุณจะรู้แค่ว่าระบบเร็วขึ้น แต่ไม่รู้ว่ามันพาความผิดพลาดเพิ่มขึ้นหรือเปล่า.