4 маркетплейса, 600 отзывов в месяц, 95% автомат: что мы поняли, когда подключили AI к отзывам

Мы продаём книги на четырёх маркетплейсах. На круг получается около 600 отзывов в месяц — двадцать в день. На 20 отзывов не нужно четыре часа, как любят писать в SaaS-кейсах. Силы съедало другое.

В статье — про что именно, как мы это автоматизировали и какие грабли собрали в первые три недели. Цифры в конце реальные, за последний месяц.

Утро понедельника. После выходных в очереди — 60 отзывов. Сорок из них в духе «всё ок, спасибо». Остальные двадцать — вопросы, мелкие жалобы, претензии к доставке, перепутанный товар, помятая обложка, не та редакция. На каждый из этих двадцати нужно подумать.

«Подумать» — это не «нажать кнопку». На каждый отзыв из этих двадцати уходит пять-семь минут: прочитать, открыть карточку товара, понять контекст, написать ответ, перечитать, отправить. И в эти пять минут реально упаковано пять отдельных решений:

· что произошло (читаем отзыв и заглядываем в карточку товара);

· чьи это деньги (постоянный покупатель / новый);

· на что он реально жалуется (на товар, на упаковку, на доставку);

· что мы можем предложить (замена / возврат / просто извиниться);

· как это сформулировать так, чтобы будущий покупатель, читающий ответ через месяц, видел нормальный магазин, а не корпоративный контакт-центр.

К пятнадцатому отзыву голова уже не очень. Менеджер начинал писать одно и то же: «Здравствуйте, спасибо за обратную связь, передадим в логистику, ждём вас снова». Технически отвечено, по делу — ничего не сказали и нового лица не показали.

Главная проблема была не в часах. Она была в двух вещах.

Первое — нагрузка. Двадцать переключений в день между разными отзывами на разные книги (а у нас тысячи позиций) — это как двадцать маленьких писем в техподдержку, только публичных. После получаса такой работы мозг уходит в шаблон. К двадцатому отзыву вы перестаёте писать ответы и начинаете отгружать формулировки.

Второе — окно для извинения короткое. Покупатель оставил отзыв в четверг вечером, мы ответили в понедельник к обеду. Через четыре дня. К тому моменту он либо забыл, либо расстроился окончательно. «Свежие» извинения работают совсем не так, как извинения через сутки.

Вот это, а не часы, нас и доканывало.

Шаблоны в Excel. Делили отзывы на категории (положительный, нейтральный, негатив с доставкой, негатив с товаром, вопрос) и под каждую держали заготовку. Подставляли имя и пару деталей. Стало быстрее, но ответы зазвучали как автоответчик. Несколько раз получили в комментариях «у вас бот пишет?». А отвечал живой менеджер.

Найм отдельного человека. Стоит как минимум 50 тысяч в месяц на полную ставку. Для нашего объёма — слишком жирно. На полставки невозможно найти адекватного, кто будет вкатываться в специфику книжного магазина и помнить, чем «Шар» отличается от «РБП» (это серии у одного из наших издательств).

Сторонние сервисы. Тестировали два российских (без названий, чтобы не пинать). Оба брали отзывы из API маркетплейса и выдавали ответы. Проблема была одна: тон чужой. У одного — формальный, как у банка. У другого — приторно-дружелюбный, как у кофейни. Мы — книжный магазин со своей интонацией где-то посередине, и под неё ни один сервис не настраивался.

Если коротко: написали свой инструмент.

Главный вопрос был про тон. Сгенерировать связный ответ умеет любая современная модель. Сделать так, чтобы он звучал по-нашему — другая история. То, что в индустрии называют tone of voice, на практике — это то, что мы инстинктивно чувствуем, когда читаем чужой текст и думаем: «нет, мы бы так не написали».

Внутри — Claude (модель от Anthropic). На вход ему идёт:

· текст отзыва;

· рейтинг;

· название и описание товара;

· наш системный промпт — пять-шесть абзацев про то, как мы общаемся.

Системный промпт мы переписывали много раз. Финальная версия начинается со слов «представь, что ты Лена, наш менеджер, которая вышла из отпуска». Звучит наивно, но работает лучше, чем «отвечай вежливо и профессионально». Лена — конкретный персонаж, у неё есть тон.

Дальше — два режима:

· позитивные отзывы (4–5 звёзд) уходят на автопилот, отправляются сразу;

· негативные (1–3 звезды) или отзывы со стоп-словами попадают в очередь на ручную проверку. Мы видим предложенный ответ, можем отредактировать или отклонить.

Это важная развилка. На «всё пришло отлично, спасибо!» AI отвечает безопасно. На «пришла книга с порванной обложкой и без вкладыша» лучше пусть смотрит человек: от ответа зависит репутация. Полностью автоматизировать негатив мы попробовали в первую неделю. Об этом ниже.

Самое полезное во всей этой истории — три недели, когда модель регулярно лажала. Расскажу пять историй, которые сильнее всего повлияли на финальную версию.

Покупатель: «Книга пришла с пятном на обложке, разочарована. Содержание хорошее, но вид испорчен.»

AI первой версии: «Здравствуйте! Спасибо за тёплый отзыв! Рады, что содержание вам понравилось!»

Технически модель зацепилась за «содержание хорошее» и решила, что это позитивный отзыв. После такого мы добавили в промпт явное правило: «если в отзыве есть негативная составляющая — даже минимальная — приоритет негативу. Извинение должно быть первым, до благодарности за позитив». Помогло.

В никнеймах на маркетплейсах что угодно: «M.K.2019», «Ольга», «Пользователь_38291», «алина 🌸». AI первой версии писал «Уважаемая M.K.2019, благодарим за…». Звучало роботически.

Решили так: если ник — реальное имя (по списку наиболее распространённых), используем. Если нет — без обращения, просто «Здравствуйте,». Простое правило, но снимает 90% странных конструкций.

Покупатель: «норм».

AI: три абзаца про важность обратной связи и приглашение возвращаться.

Покупатель видит этот ответ и понимает: тут бот. Подкрутили промпт: «длина ответа должна быть пропорциональна длине отзыва. На одно слово — одно-два предложения». Сейчас на «норм» получается «Спасибо! Будем рады вас видеть снова». Этого хватает.

Самое раздражающее. AI любит писать «Безусловно», «Несомненно», «Особенно отмечаем», «В свою очередь». Через два дня работы мы начали узнавать его за два слова. Покупатели бы тоже узнали — не сразу, но года через полтора у людей выработается чутьё на AI-канцелярит.

Пришлось делать пост-обработку — отдельный фильтр, который вычищает три десятка таких оборотов и заменяет их на нейтральные. Без этой пост-обработки ответы выглядели как ChatGPT по умолчанию и выдавали себя.

AI отвечал в духе «приятного чтения!» на отзыв к руководству по ремонту автомобиля. Звучит мило, но не в кассу: с такой книгой не на диване с чаем, а в гараже с гаечным ключом. Стали добавлять в промпт тип издания (руководство по ремонту, справочник, каталог запчастей, альбом со схемами) и для каждой категории — свои допустимые формулировки. После этого ответы перестали звучать «универсально-книжно» — стало видно, что мы понимаем, что именно купил человек.

Подъём среднего рейтинга на 0.2 балла — это не AI «делает магию». Это побочный эффект двух вещей: ответы стали приходить в первые 24 часа (а не на четвёртый день), и в негативе мы перестали отделываться формальными «передадим в логистику». Часть покупателей, получив адекватное извинение и решение, удаляет свой негативный отзыв; новые покупатели, листая карточку и видя живые ответы магазина, охотнее ставят пятёрки.

И ещё одна цифра, не таблицей: за всё время работы AI мы получили ноль комментариев формата «у вас бот отвечает». Это, на наш взгляд, лучшая метрика из всех.

Главное от AI — стабильное качество. Скорость тоже выросла, конечно, но менеджеру важнее, что он не пишет двадцать отзывов подряд и не теряет голову к двадцатому. Усталость переехала с человека на машину.

Полная автоматизация негатива — плохая идея. Даже когда промпт отшлифован, мы оставляем около 5% на ручную модерацию. Туда падает всё, что ниже четырёх звёзд, плюс ответы с юридически чувствительными словами и ситуации, где модель сама показывает низкую уверенность. Это именно те 5%, на которых легко проиграть репутацию.

Тон бренда — это всегда итерация. Первая версия нашего промпта была в один абзац. Финальная — на полстраницы, с примерами. Мы переписывали её раз пятнадцать и продолжаем править, когда видим неудачный ответ.

Если вы продавец на маркетплейсах с потоком от 200–300 отзывов в месяц — стоит подумать про автоматизацию ответов. Час-другой в день вы, может, и сэкономите. Главный выигрыш — качество и скорость отклика.

Несколько практических заметок, если решитесь делать сами:

· Пишите промпт от лица конкретного человека. «Представь, что ты [имя], наш менеджер с трёхлетним стажем» работает лучше, чем «отвечай вежливо».

· Дайте AI явный приоритет негатива. Если в отзыве есть жалоба, она первая. Иначе модель залипает на похвале.

· Делайте пост-обработку. AI любит свои словечки. Простой фильтр на 30 строк убирает «AI-привкус».

· Не автоматизируйте негатив. Совсем. Хотя бы первые три месяца — пусть всё, что ниже 4 звёзд, идёт на ручную проверку.

· Замеряйте качество руками. Раз в неделю команда читает 20–30 случайных пар «отзыв + ответ» и ставит балл. Цифра в дашборде в десять раз честнее метрики «% автоматизации».

* * *

Из этого опыта у нас получился отдельный продукт — otvet.im .

Открыли его для других селлеров: регистрация свободная, на старт даём 300 ответов бесплатно, без карты. Подключаются Озон, Wildberries, Яндекс Маркет и Авито.

В следующей статье разберём техническую часть: как делать ту самую пост-обработку, чтобы AI не звучал как AI.