ИИ для обработки писем в поддержке: сортировка и ответы в 2026

Обновлено: 19 июня 2026 года. Разобрал заново сценарий работы с почтой в поддержке, убрал устаревшие упоминания инструментов и добавил практическую схему обработки писем.

Я часто вижу одну и ту же картину: сотрудник поддержки открывает почту утром, видит 70–120 новых писем и начинает вручную решать, что срочно, где нужен шаблонный ответ, а где требуется коллега из бухгалтерии, логистики или аккаунт-команды. Сама переписка при этом редко бывает сложной. Сложность копится в переключениях: прочитать, понять контекст, найти номер заказа, выбрать тон, не забыть вложение, поставить метку, вернуться к старому диалогу.

Эта статья обновлена потому, что подход к нейросетям в почтовой работе стал взрослее. Раньше многие пытались заменить ими оператора целиком. На практике сильнее работает другая схема: нейросеть сортирует входящие, сжимает длинные цепочки, предлагает черновик, а человек принимает решение. Если вы только выстраиваете базовые сценарии, полезно начать с общей логики внедрения, я разбирал её в статье про нейросети в рабочих процессах. Здесь сфокусируемся на почте.

Что изменилось в обновлённой версии

В прежней редакции слишком много внимания уходило на отдельные инструменты и мало, на сам процесс. Я перестроил статью вокруг трёх действий, которые реально повторяются в почте каждый день: сортировка, приоритизация и подготовка ответа.

Факты тоже пришлось обновить. В 2026 году языковые модели уверенно работают с длинными письмами, таблицами в тексте, вложенными инструкциями и несколькими вариантами тона. При этом они всё ещё ошибаются в деталях: могут неверно прочитать дату, перепутать условия возврата, пропустить оговорку в договоре. Поэтому схема «модель написала, человек отправил без чтения» остаётся рискованной.

Для рабочих команд я бы закладывал такой контроль: все ответы про деньги, сроки, юридические условия, персональные данные и конфликтные ситуации проходят ручную проверку. Простые ответы, например «пришлите номер заказа», «мы получили обращение», «уточните ИНН», можно ускорять сильнее. Разница заметна даже без полной автоматизации почтового ящика.

Какие письма лучше всего отдавать нейросети

Не все входящие одинаково подходят для обработки. Я делю письма на четыре группы.

Повторяющиеся письма дают самый быстрый эффект. В поддержке это вопросы про доступ, оплату, закрывающие документы, статус заявки, перенос встречи, обновление реквизитов. Аккаунт-менеджеры чаще сталкиваются с письмами «напомните условия», «пришлите презентацию», «когда будет отчёт», «зафиксируйте договорённость». Офис-менеджеры обрабатывают пропуска, командировки, закупки, счета, бронирования.

Для примера: если сотрудник получает 80 писем в день и 35 из них относятся к повторяемым темам, даже черновик на 60–70% готовности экономит десятки микрорешений. Не надо каждый раз заново выбирать приветствие, структуру, порядок уточняющих вопросов. Человек редактирует смысл, а не борется с пустым экраном.

Схема: как нейросеть обрабатывает входящее письмо

Рабочая схема выглядит проще, чем кажется. Я бы описал её в шесть шагов.

1. Получить текст письма и тему.
2. Определить тип обращения: вопрос, жалоба, запрос документа, ошибка, согласование.
3. Выделить срочность: дедлайн, деньги, простой сервиса, негатив, VIP-клиент, повторное обращение.
4. Сжать контекст: кто пишет, чего хочет, какие данные уже есть, чего не хватает.
5. Предложить действие: ответить, уточнить, передать коллеге, создать задачу, поднять приоритет.
6. Сформировать черновик письма в нужном тоне.

В этой схеме нет магии. Нейросеть выполняет роль внимательного помощника, который не устаёт от одинаковых формулировок. Её сильная сторона, быстро разложить текст по полкам. Слабая сторона, ответственность за факты. Поэтому я всегда закладываю контрольные поля: «какие данные взяты из письма», «какие данные модель предположила», «что нужно проверить перед отправкой».

Если команда уже использует шаблоны, полезно связать их с понятными промптами. О базовых приёмах формулировки запросов я писал в материале про искусство промптинга. Для почты особенно хорошо работают запросы с ролью, форматом ответа и запретом на догадки.

Как сортировать письма по срочности

Срочность нельзя определять только по словам «срочно» и «ASAP». Люди часто пишут эмоционально, а реальная проблема может быть небольшой. Бывает и обратное: спокойное письмо «уточните, пожалуйста, статус оплаты» на деле означает блокировку отгрузки на несколько миллионов рублей. Поэтому классификатору нужны признаки.

Я использую такую сетку приоритетов:

Условный пример: письмо «Не можем войти в кабинет, счёт нужно оплатить до 15:00» получает P1, потому что в нём есть блокировка доступа и конкретный дедлайн. Письмо «Коллеги, добрый день, пришлите акт за май» обычно получает P3, если нет просрочки, претензии или финансового риска.

Для классификации лучше просить модель вернуть структурированный ответ: категория, приоритет, причина, рекомендуемое действие, черновик. Тогда сотруднику проще быстро просмотреть 20 писем подряд. Он видит не длинную простыню, а короткую карточку решения.

Как получать черновики, которые не звучат шаблонно

Плохой черновик приходится переписывать с нуля. Хороший черновик экономит время, потому что в нём уже есть структура: приветствие, подтверждение сути, действие, срок, вопрос или закрытие.

Мне нравится такой формат запроса:

«Составь черновик ответа клиенту. Тон спокойный и деловой. Не обещай срок, если его нет в письме. Если данных не хватает, задай до трёх уточняющих вопросов. Не выдумывай номера, даты, суммы и ссылки. В конце добавь список фактов, которые нужно проверить перед отправкой».

Такой промпт резко снижает риск фантазий. Модельный кейс: для письма «Здравствуйте, не получили закрывающие документы за апрель, оплата была 6 мая» нейросеть может предложить ответ с извинением за ожидание, запросом ИНН или номера договора и обещанием проверить статус, но без выдуманного номера акта. Сотрудник добавляет реальные реквизиты и отправляет.

Если нужно писать тексты для разных ситуаций, помогает библиотека заготовок. Разницу между генерацией черновика и готовым текстом я подробно разбирал в статье про нейросеть для генерации текста. В почте принцип тот же: модель готовит черновик, человек отвечает за точность.

Где здесь может помочь SoftChat

SoftChat не нужно приписывать роль почтового клиента или системы тикетов. Я бы смотрел на него как на рабочее пространство для подготовки ответов, разбора длинных цепочек и настройки повторяемых запросов.

В чате SoftChat можно вести диалоги с разными моделями и переключать модель внутри разговора. Это удобно, когда сначала нужно быстро классифицировать письмо, а затем аккуратно отредактировать ответ. История диалогов сохраняется в рамках организации, поэтому можно возвращаться к прошлым разборам и не собирать контекст заново каждый раз.

Для повторяемых задач подходят системные промпты, пользовательские ассистенты и шаблоны промптов. Например, команда поддержки может завести отдельный сценарий для писем о возврате, отдельный для документов и отдельный для жалоб. Формально это не автоматическая сортировка почты, а подготовка стабильных черновиков в чате. Разница принципиальна: письмо не «уходит само», сотрудник контролирует результат.

В SoftChat есть улучшение запроса перед отправкой: черновик запроса можно переписать через функцию «Улучшить запрос», посмотреть предварительный вариант и принять его или отклонить. Для офисной переписки это полезно, когда сотрудник вставил письмо клиента слишком кратко и забыл указать формат ответа.

Ещё один практичный момент, ответы отображаются с поддержкой Markdown, включая таблицы. Поэтому модель может вернуть карточку письма в виде таблицы: «тип обращения», «приоритет», «недостающие данные», «черновик ответа». Если выбранная модель не дала пригодный ответ, SoftChat может получить ответ на резервной модели и показать аккуратную пометку «Ответ получен на резервной модели». Если не сработал и резервный вариант, попытка не списывается, и её можно повторить бесплатно.

Минимальный процесс для команды из 3–10 человек

Не начинайте с большой автоматизации. Я бы запустил пилот на одной папке входящих и трёх типах писем. Например: документы, доступ, статус заявки.

План на первую неделю:

1. Соберите 30–50 типовых писем без персональных данных.
2. Выпишите 5–7 категорий обращений.
3. Для каждой категории подготовьте эталонный ответ.
4. Сделайте промпт для классификации и промпт для черновика.
5. Проверьте 20 новых писем вручную и сравните результат модели с решением сотрудника.
6. Исправьте категории, если модель путает похожие темы.

Гипотетический пример: команда поддержки из 6 человек обрабатывает 300 писем в рабочий день. Если 40% входящих относятся к трём повторяемым категориям, пилот можно строить не на всей почте, а на 120 письмах. Даже при ручной проверке каждого черновика сотрудник получает готовую структуру ответа и тратит меньше внимания на однотипные фразы.

Для маленькой команды достаточно таблицы с колонками: дата, тема письма, категория модели, категория сотрудника, ошибка, комментарий. Через 2 недели обычно видно, где модель помогает, а где мешает. Если ошибок много в теме денег или договоров, эту категорию лучше оставить в режиме «суммаризация и подсказка», без готового ответа.

Типичные ошибки при внедрении

Первая ошибка, просить модель «ответь клиенту красиво». Такой запрос даёт гладкий текст, но не гарантирует точность. Лучше задавать рамки: какие факты брать из письма, что запрещено додумывать, какой формат вернуть.

Вторая ошибка, смешивать все письма в одну категорию. Запрос на акт, жалоба на задержку и просьба поменять контактное лицо требуют разной логики. Модель должна знать, что для документов нужны реквизиты, для жалобы нужен статус решения, для доступа нужны шаги проверки.

Третья ошибка, не хранить удачные формулировки. Если сотрудник каждый раз пишет промпт заново, качество будет плавать. Готовые шаблоны запросов экономят время и помогают выровнять стиль команды.

Четвёртая ошибка, забывать про конфиденциальность. Перед вставкой письма в любой ИИ-инструмент убирайте лишние персональные данные, номера карт, пароли, токены доступа, медицинские сведения и внутренние коммерческие условия, если они не нужны для ответа. Для большинства черновиков хватает обезличенного контекста: тип клиента, суть вопроса, дедлайн, желаемый тон.

Как понять, что процесс стал лучше

Смотрите не на ощущение «стало удобнее», а на измеримые признаки. Подойдут четыре метрики:

Для примера: если из 100 черновиков 25 приходится переписывать полностью, проблема может быть не в модели, а в слабом промпте или слишком широкой категории. Если фактические ошибки встречаются в письмах про счета, добавьте отдельный шаг проверки реквизитов и запрет на любые финансовые выводы без данных из письма.

Хороший процесс не убирает человека из переписки. Он снимает с него механическую часть: классификацию, первый вариант структуры, вежливые формулировки, краткое резюме длинной цепочки. Решение остаётся за сотрудником.

Заключение: что изменилось после обновления

В обновлённой версии я сместил фокус с разговоров про отдельные инструменты на устойчивый рабочий процесс. Для поддержки, аккаунт-менеджеров и офис-менеджеров ценность нейросетей в почте измеряется не громкими обещаниями, а простыми вещами: быстрее понять письмо, не пропустить срочное, подготовить черновик и проверить факты перед отправкой.

Начните с малого: 3 категории писем, 30–50 примеров, один шаблон классификации и один шаблон ответа. Через пару недель станет понятно, где нейросеть экономит время, а где пока лучше оставить ручную обработку. Такой подход спокойнее, дешевле и безопаснее, чем попытка сразу автоматизировать весь почтовый поток.