Нейросеть для ответов на отзывы хорошо справляется с рутиной: разбирает, о чём написал клиент, подбирает тон и выдаёт готовый черновик за несколько секунд. Плохо она справляется с ответственностью. Модель не знает, что курьер вчера действительно потерял заказ, и охотно извинится за то, чего не было, или пообещает компенсацию, которую вы не планировали. Поэтому я строю такие системы по одному принципу: модель пишет черновик, человек решает, что уйдёт на площадку. Ниже схема, которую я собираю на практике, с промптом, уровнями риска и очередью согласования.
Что делает нейросеть для ответов на отзывы, а что остаётся за человеком
Я делю работу с отзывом на пять шагов: прочитать, понять суть, найти факты по заказу, написать ответ, опубликовать. Первые два и четвёртый шаги модель делает быстро и ровно. Третий шаг зависит от того, что вы ей дали: без доступа к данным заказа она будет писать общие слова. Пятый шаг я не отдаю модели, пока не накоплена статистика по качеству черновиков, и даже потом оставляю его человеку для всего негатива.
Типичная ошибка при внедрении: подключить модель напрямую к площадке и включить автопубликацию. Через неделю в ответах появляются одинаковые фразы, бренд звучит как робот, а на жалобу про сломанный товар приходит бодрое «Спасибо за ваш отзыв!». Публичный ответ читают не только автор отзыва, но и будущие покупатели, поэтому глупый ответ бьёт по репутации сильнее, чем его отсутствие.
Вторая ошибка противоположная: человек переписывает каждый черновик с нуля, потому что не доверяет модели. Тогда выигрыша по времени нет. Хорошо настроенный черновик правится в одну-две фразы, и вся настройка нужна ради этого.
Что модель делает надёжно
- определяет тональность и тему отзыва: доставка, качество, цена, сервис;
- пишет ответ в заданном стиле бренда, на «вы», без канцелярита;
- подставляет в текст имя автора и название товара, если они есть во входных данных;
- предлагает два-три варианта ответа разной длины;
- помечает отзывы, где в тексте есть угроза, юридические слова или упоминание здоровья.
Что я оставляю человеку
- любые обещания денег, замены, возврата, скидки;
- ответы на отзывы с разбором конкретного случая, где нужно поднять заказ и проверить, что произошло;
- публикацию ответов на низкие оценки;
- решение, отвечать ли вообще: часть отзывов с оскорблениями лучше жалобой на площадку, а не ответом.
Автоответчик или помощник: три уровня риска отзывов
Чтобы контроль не превратился в ручную работу над каждым отзывом, я сортирую поток на три уровня. Уровень определяет либо простое правило (оценка и слова-маркеры), либо сама модель отдельным коротким запросом-классификатором. Я предпочитаю комбинацию: правила ловят очевидное, модель разбирает остальное, а при сомнении отзыв уходит на уровень выше.
| Уровень | Какой отзыв | Что делает модель | Кто публикует |
|---|---|---|---|
| 1. Низкий риск | Высокая оценка, благодарность, короткий текст без претензий | Пишет ответ и складывает в очередь с пометкой «готово» | Менеджер одним кликом подтверждает; после проверки качества можно перейти на автопубликацию |
| 2. Средний риск | Смешанная оценка, вопрос по товару, мелкая претензия без денег | Пишет черновик и показывает, какие факты использовала | Менеджер читает, правит и публикует |
| 3. Высокий риск | Низкая оценка, упоминание возврата, здоровья, суда, роспотребнадзора, оскорбления | Не пишет ответ автору, а готовит сводку для менеджера: суть жалобы, номер заказа, что проверить | Только человек, ответ пишет он сам или правит черновик модели |
На третьем уровне я сознательно убираю готовый ответ. Когда черновик лежит перед глазами, его хочется опубликовать почти как есть, а на жалобах это самое опасное. Сводка с фактами экономит время не хуже, но заставляет подумать.
С автопубликацией на первом уровне я не спешу. Сначала неделю-две смотрю, как менеджер правит такие черновики. Если правок почти нет, перевожу на автоматику только положительные отзывы с оценкой выше средней и без вопросов в тексте, а в очереди оставляю выборочную проверку.
Как настроить промпт и базу фактов для черновиков
Качество ответа на 80% определяется тем, что вы положили в запрос. Я собираю его из четырёх блоков.
- Роль и тон. Кто отвечает (представитель магазина, автор блога, сервис), на «вы» или на «ты», допустимы ли смайлы, как обращаться к автору.
- Запреты. Не обещать компенсацию, не называть сроки, не спорить, не обвинять покупателя, не упоминать конкурентов, не раскрывать данные заказа в публичном ответе.
- Факты. Название товара, дата заказа, статус доставки, политика возврата в одном абзаце. Без этого блока модель начинает сочинять.
- Формат на выходе. Длина ответа, структура (благодарность, суть, следующий шаг), отдельное поле для внутренней пометки менеджеру.
Корпоративный язык лучше вычищать примерами. Я беру десять-пятнадцать реальных ответов, которые бренд считает удачными, и кладу их в запрос как образцы. Модель перенимает манеру быстрее, чем из описания вроде «дружелюбный, но профессиональный». Так же полезно дать два-три примера плохих ответов с пометкой «так не писать».
Пример структуры системного запроса
Текст ниже я адаптирую под клиента, а не использую как есть:
Ты отвечаешь на отзывы от имени магазина. Пиши на «вы», коротко, 2-4 предложения. Не обещай возврат денег, замену и скидки, не называй сроки. Если в отзыве жалоба, признай проблему одной фразой и напиши, что менеджер свяжется по указанному в заказе контакту. Используй только факты из блока «Данные заказа». Если данных нет, не выдумывай. В поле «заметка_менеджеру» напиши, что нужно проверить перед публикацией.
Отдельное поле для заметки менеджеру я использую всегда. В нём модель честно сообщает, чего ей не хватило: «в отзыве упомянут брак, статус возврата неизвестен». Это заметно снижает число опубликованных ответов с выдуманными деталями.
Персональные данные в запросе
Отзыв часто содержит имя, телефон или номер заказа. Перед отправкой в языковую модель я вырезаю всё лишнее: в запрос идёт текст отзыва, оценка и обезличенные факты по товару. Имя автора подставляется в готовый ответ уже на моей стороне, после генерации. Контакты клиентов не храню в иностранных облачных таблицах и базах, очередь и журнал ответов держу на сервере в России, чтобы не спорить с требованиями о локализации персональных данных по 152-ФЗ.
Бесплатный материал
🎁 Полезный скрипт в подарок
Подпишитесь на Telegram - пришлю готовый скрипт по этой теме.
Без спама. Отписка в 1 клик.
Схема автоматизации: от нового отзыва до опубликованного ответа
Схему я строю в n8n. Это задача как раз для него: цепочка из внешних источников, вызова модели и уведомлений, без собственного интерфейса. Если у клиента только сайт на Tilda или WordPress, сценарий n8n работает отдельно от сайта и обращается к нему только там, где нужно достать данные заказа. Отдельный сервер под n8n стоит денег, его нужно обслуживать и обновлять, поэтому для одного магазина я сначала проверяю, хватит ли облачной версии сервиса или уже имеющегося у клиента окружения.
Цепочка выглядит так:
- Триггер. Новый отзыв поступает из площадки. Если у площадки есть API или уведомления о новых отзывах, беру их. Если нет, отзывы попадают в систему копированием или выгрузкой, и это тоже рабочий вариант для небольшого потока.
- Классификация. Короткий запрос к модели определяет тему и уровень риска, поверх него работают правила по оценке и словам-маркерам.
- Данные заказа. По номеру заказа сценарий запрашивает статус в CRM или на сайте. На магазине с WooCommerce это запрос к REST API магазина, на Tilda данные приходят из заявки и CRM.
- Генерация. Для уровней 1 и 2 модель пишет черновик по промпту, для уровня 3 готовит сводку.
- Очередь согласования. Черновик приходит менеджеру в Telegram с кнопками «Опубликовать», «Править», «Отклонить». Бот на aiogram здесь нужен, если кнопки должны запускать сложную логику, для простой очереди хватает штатных узлов n8n.
- Публикация. После нажатия кнопки ответ уходит на площадку через API либо менеджер вставляет его вручную из сообщения.
- Журнал. В базу пишутся отзыв, черновик, финальный текст и кто подтвердил. Это пригодится для разбора ошибок.
Если у вас нет времени собирать такой сценарий самостоятельно, я делаю автоматизацию в n8n под конкретные площадки и CRM, цена от 25 000 ₽. Когда нужна более глубокая работа с моделью, базой знаний и обработкой контекста, это уже AI-интеграции, они стартуют от 50 000 ₽.
Выбор модели
Под такую задачу подходит любая современная языковая модель с хорошим русским. Конкретную я выбираю по трём критериям: качество тона на ваших образцах, стабильность формата ответа (нужен разбор в поля без ручной чистки) и юридические условия работы с данными. Названия и тарифы моделей быстро меняются, поэтому сравнивать их надо на ваших же двадцати-тридцати реальных отзывах, а не по рейтингам. Я гоняю один и тот же набор отзывов через два-три кандидата и показываю заказчику результаты вслепую, без названий моделей.
Контроль человека: очередь согласования и метрики качества
Контроль нужен не на словах, а как встроенная часть процесса. Я закладываю три механизма.
Очередь и владелец
У каждого отзыва есть ответственный, срок реакции и статус. Черновик без подтверждения не публикуется никогда, кроме отдельно разрешённого сегмента первого уровня. В сценарии это условие, а не договорённость: если флаг «подтверждено» не стоит, узел публикации просто не запускается.
Что смотрит менеджер
Чтобы проверка занимала секунды, черновик приходит в одном формате:
- текст отзыва и оценка;
- предложенный ответ;
- факты, которые модель использовала;
- заметка модели о том, чего не хватило;
- ссылка на заказ в CRM.
Как понять, что система работает
Первый месяц я считаю три простых показателя. Доля черновиков, опубликованных без правок. Доля черновиков, отклонённых целиком. Среднее время от появления отзыва до ответа. Если без правок уходит меньше половины, дорабатываю промпт и образцы, а не заставляю менеджера терпеть. Когда доля правок на первом уровне падает почти до нуля, обсуждаем автопубликацию для него. Порогов ради порогов я не ставлю: у каждого бренда своя манера, и цифры нужно сравнивать с его же начальными значениями.
Правки менеджера тоже полезны. Раз в месяц я просматриваю журнал, нахожу повторяющиеся исправления («убрать слово „к сожалению“ в начале», «не благодарить дважды») и добавляю их в запрещающий блок промпта.
Риски и правила безопасности при работе с отзывами
Первая группа рисков репутационная. Модель может звучать шаблонно: если сто ответов начинаются с одной фразы, читатели замечают. Помогает список запрещённых зачинов и вариативность образцов. Вторая группа юридическая: любое обещание в публичном ответе воспринимается как обязательство магазина. Поэтому запрет на компенсации я прописываю в промпте и дополнительно проверяю результат простым фильтром по словам «вернём», «компенсируем», «бесплатно заменим» до попадания в очередь.
Третья группа связана с данными. В публичный ответ нельзя выносить детали заказа, адрес, телефон и состав покупки. Модели это нужно сказать явно, а фильтр на выходе должен искать в ответе телефонные номера и адреса электронной почты.
Четвёртая группа касается правил самих площадок. Многие из них ограничивают или не приветствуют автоматические ответы, отличают ответ бренда от ответа владельца и по-разному относятся к шаблонным текстам. Перед запуском я читаю правила конкретной площадки и, если есть сомнения, оставляю публикацию ручной.
Пятая: не скрывайте, что вы пользуетесь помощником, если об этом спросят. Скрывать нечего, ведь ответ всё равно подтверждает человек.
Условия и возможности площадок с отзывами, языковых моделей и n8n меняются, поэтому перед запуском я уточняю их у первоисточника.
Частые вопросы
Можно ли отдать ответы на отзывы нейросети полностью?
Технически можно, но я так не делаю для негатива. Для коротких положительных отзывов автопубликация оправдана после пробного периода, когда менеджер видит, что правок почти нет. Всё, что связано с претензиями, деньгами и здоровьем, должно проходить через человека.
Сколько отзывов нужно, чтобы окупить такую настройку?
Я не считаю окупаемость по чужим цифрам, у каждого потока своя стоимость часа менеджера. Ориентир простой: если человек тратит на ответы заметную часть рабочего дня и половина отзывов повторяется по темам, автоматизация даст эффект. Для трёх отзывов в неделю проще писать вручную.
Нужно ли обучать модель на моих ответах?
Дообучение обычно не нужно. Хватает десяти-пятнадцати удачных ответов в качестве образцов прямо в запросе и понятных запретов. Дообучение имеет смысл только при очень большом потоке и жёстко закреплённом фирменном стиле.
Что делать, если модель написала неверный факт?
Этот случай и нужен для очереди согласования: менеджер исправляет текст до публикации. Дальше я смотрю журнал, добавляю недостающий факт в блок данных либо запрет в промпт, чтобы ошибка не повторялась. Публиковать без проверки такие ответы нельзя.