AI · 9 мин чтения

Нейросеть для ответов на отзывы: черновики и контроль человека

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.

  1. Роль и тон. Кто отвечает (представитель магазина, автор блога, сервис), на «вы» или на «ты», допустимы ли смайлы, как обращаться к автору.
  2. Запреты. Не обещать компенсацию, не называть сроки, не спорить, не обвинять покупателя, не упоминать конкурентов, не раскрывать данные заказа в публичном ответе.
  3. Факты. Название товара, дата заказа, статус доставки, политика возврата в одном абзаце. Без этого блока модель начинает сочинять.
  4. 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:

  1. 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.
  2. Классификация. Короткий запрос к модели определяет тему и уровень риска, поверх него работают правила по оценке и словам-маркерам.
  3. 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.
  4. Генерация. Для уровней 1 и 2 модель пишет черновик по промпту, для уровня 3 готовит сводку.
  5. 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.
  6. Публикация. После нажатия кнопки ответ уходит на площадку через API либо менеджер вставляет его вручную из сообщения.
  7. 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.

Есть задача?

Обсудим в мессенджере

Расскажите, что нужно сделать — отвечу в течение 4 часов в рабочее время. Первая консультация бесплатно.

Продолжая пользование настоящим сайтом Вы выражаете своё согласие на обработку Ваших персональных данных (файлов куки) с использованием Yandex.Metrika.
Понятно