Как нейросеть обрабатывает входящие письма
Нейросеть помогает разложить поток писем по категориям, выделить главное и подготовить черновик, который сотрудник проверяет перед отправкой.
Почтовый ящик быстро превращается в рабочую очередь: запросы клиентов, счета, уведомления, уточнения по заказам и внутренние задачи приходят вперемешку. Ручная сортировка отнимает время у поддержки, продаж и операционного отдела. При этом письмо редко требует немедленного полноценного ответа: сначала нужно определить тему, найти факты и понять следующий шаг.
Современные ИИ-модели подходят для этой первичной обработки. Они анализируют тему и текст, извлекают имена, даты, номера заказов, суммы, сроки, а затем предлагают категорию и вариант ответа. Человек сохраняет контроль над отправкой, а повторяющаяся работа превращается в проверку подготовленного результата.
Что именно делает нейросеть с входящим письмом
Нейросеть обычно проходит 4 операции: определяет класс обращения, извлекает суть, находит необходимые поля и формирует черновик ответа. Такой порядок снижает риск, что модель начнёт писать письмо, не разобравшись в задаче.
Сначала система читает тему, отправителя, основной текст и вложения, если они доступны в переданном наборе данных. Формат электронного письма отделяет заголовки от тела сообщения, это закреплено в RFC 5322, опубликованном в октябре 2008 года. Для сортировки чаще всего достаточно таких категорий:
- вопрос о товаре или услуге;
- запрос на оплату, счёт или закрывающие документы;
- проблема с заказом или доставкой;
- претензия и просьба о возврате;
- внутреннее уведомление или автоматическое сообщение;
- письмо, требующее участия руководителя.
После классификации модель сжимает письмо до 1–3 предложений. Затем она может составить структуру ответа: приветствие, подтверждение сути, сведения из исходного сообщения, следующий шаг и запрос недостающих данных. Если в письме нет номера заказа, даты или контакта, хороший запрос к модели должен заставить её явно указать этот пробел, а не заполнять его догадкой.
Например, для отдела поддержки результат можно представить в виде записи: «Категория: доставка. Срочность: высокая. Суть: клиент сообщает о задержке на 2 дня. Нужное действие: проверить статус отправления». Такая запись удобнее длинного пересказа на 15 строк.
Как подготовить письма для обработки
Для первого пилота достаточно 50–100 обезличенных писем и 5–7 устойчивых категорий, иначе результаты будет трудно сравнивать. Подготовка данных занимает меньше времени, если заранее отделить содержимое письма от служебной переписки и подписей.
Перед передачей текста нейросети я убираю или заменяю семь типов сведений: имя, адрес электронной почты, телефон, номер заказа, физический адрес, платёжные реквизиты и ссылки с параметрами отслеживания. Вместо них можно использовать метки «КЛИЕНТ», «НОМЕР_ЗАКАЗА» и «СУММА». Смысл обращения при этом сохраняется, а риск случайного раскрытия персональных данных уменьшается.
Полезно хранить исходную структуру отдельно:
Категория: доставка
Тема: задержка заказа 48371
Текст: посылка должна была прийти 12 мая, статуса нет
Ожидаемый результат: краткий пересказ и черновик ответа
Номер 48371 в таком примере лучше заменить на «НОМЕР_ЗАКАЗА», если он не нужен для самой классификации. Дату 12 мая можно оставить, когда задача требует определить просрочку или составить ответ с конкретным сроком.
Для проверки результата подготовьте эталонную разметку. В ней у каждого письма должны быть категория, краткая суть, обязательные факты и допустимое действие. Если 80 писем разметили два сотрудника по-разному в 20 случаях, проблема находится в правилах классификации, а не обязательно в модели.
Связь между качеством запроса и качеством результата подробно разобрана в материале об искусстве формулировать запросы для нейросетей. Для почтовых задач особенно полезно заранее задать формат ответа и список запрещённых предположений.
Как составить запрос для классификации и черновика
Рабочий запрос состоит из 4 частей: роль, список категорий, формат результата и правила обработки неизвестных данных. Чем меньше двусмысленности в этих блоках, тем проще сравнивать ответы на разных письмах.
Пример шаблона:
Ты помогаешь распределять входящие обращения.
Выбери одну категорию: доставка, оплата, возврат, вопрос о продукте, другое.
Верни результат в пяти полях:
1. Категория.
2. Уверенность от 0 до 1.
3. Суть в одном предложении.
4. Факты из письма, каждый с новой строки.
5. Черновик ответа до 700 знаков.
Не придумывай цены, сроки, номера документов и обещания.
Если данных не хватает, напиши, какой вопрос нужно задать отправителю.
Письмо:
{{текст письма}}
Число 700 здесь является ограничением длины черновика, а шкала от 0 до 1 нужна для сортировки на автоматическую и ручную проверку. Порог 0,85 можно использовать как стартовую настройку: письма выше порога идут в обычную очередь, остальные попадают к сотруднику для дополнительного просмотра. Это не универсальная норма, а рабочая гипотеза, которую проверяют на своей выборке.
Для продаж в запрос добавляют поля «интересующий продукт», «срок принятия решения» и «следующий контакт». Для операционного отдела пригодятся «тип задачи», «ответственный» и «дедлайн». Набор полей лучше ограничить 6–8 пунктами. Длинная форма из 20 полей создаёт больше поводов для неполного или ошибочного заполнения.
В статье о генерации текстов и проверке результата есть полезный принцип: черновик нужно оценивать отдельно от самого факта генерации. Для писем это означает проверку адресата, фактов, тональности, обещаний и призыва к действию.
Где оставить человека в контуре
Человеческая проверка нужна минимум в 4 случаях: есть жалоба, затронуты деньги, требуется юридическое обещание или модель показывает низкую уверенность. Автоматически отправлять письмо без контроля опасно даже при хорошем среднем качестве, потому что один неверный срок может создать новый виток переписки.
Я разделяю поток на три уровня:
- Низкий риск. Уведомления, запросы режима работы, повторная отправка инструкции. Модель готовит черновик, сотрудник быстро сверяет факты.
- Средний риск. Вопросы о доставке, оплате и наличии. Сотрудник проверяет данные в рабочей системе и редактирует ответ.
- Высокий риск. Возврат денег, претензия, конфликт, персональные данные или нестандартное обещание. Модель только пересказывает содержание, а текст создаёт сотрудник.
Модельный кейс: компания из сферы логистики, около 200 сотрудников, получает 300 обращений в день. При разметке на 6 классов можно направить письма с понятной категорией в соответствующие очереди, а 10–15% сообщений с низкой уверенностью оставить для ручного разбора. Это схема для иллюстрации, а не отчёт о конкретном клиенте.
В веб-чате SoftChat ответы приходят потоково, а модель можно менять для конкретного разговора. Это удобно для сравнения нескольких вариантов запроса на искусственных примерах. Почтовую интеграцию, автоматическое чтение ящика или связь с CRM я продукту не приписываю, таких возможностей в доступном каталоге нет.
Какие подходы сравнить перед внедрением
Для небольшого потока выбор обычно сводится к 3 вариантам: ручная работа, фиксированные шаблоны или связка нейросети с правилами. Решение зависит от объёма писем, разнообразия формулировок и цены ошибки.
| Подход | Подходящая задача | Преимущество | Ограничение |
|---|---|---|---|
| Ручная сортировка | До нескольких десятков писем в день | Сотрудник видит контекст и исключения | Результат зависит от загрузки и внимания |
| Шаблоны и правила | Повторяющиеся уведомления и типовые формы | Легко объяснить логику срабатывания | Плохо работают с разными формулировками |
| Нейросеть и правила | Смешанный поток поддержки, продаж и операций | Сжимает длинный текст и готовит черновик | Нужны проверка, эталонные примеры и контроль ошибок |
| Нейросеть без ограничений | Творческие или исследовательские черновики | Быстрый старт | Нельзя без проверки доверять фактам и обещаниям |
Условный пример: если оператор получает 40 писем за смену, а на первичное чтение каждого уходит 3 минуты, только сортировка занимает 120 минут. При сокращении этого этапа на 25 минут высвобождаются почти 2 часа, но такой результат нужно измерять на конкретной очереди, а не обещать заранее.
Для бытовых обращений схема может быть проще. Подходы к планированию, напоминаниям и рутинным запросам разобраны в материале о применении нейросетей в повседневных задачах. В поддержке к этим сценариям добавляются требования к конфиденциальности и точности фактов.
Как измерить пользу без красивых обещаний
Пилот стоит оценивать по 4 показателям: доля верной классификации, время до первого ответа, доля черновиков, принятых после правки, и количество критических ошибок. Одной оценки «ответ выглядит хорошо» мало, потому что приятный стиль не исправляет неверную сумму или дату.
Соберите базовую линию за 5 рабочих дней. Зафиксируйте число входящих писем, среднее время первичной обработки, долю обращений, которые требуют повторного уточнения, и количество эскалаций. После этого прогоните сопоставимую выборку через новую схему.
Для классификации используйте простую формулу: число верных категорий разделить на общее число проверенных писем. Если из 100 писем 87 получили правильный класс, точность равна 87%. Для черновиков добавьте отдельную оценку по четырём критериям, каждый от 0 до 2 баллов: факты, полнота, тон, следующий шаг. Максимум составит 8 баллов на письмо.
Модельный кейс: на выборке из 60 писем получено 51 правильное распределение и 9 ошибок. Точность равна 85%, но этого показателя недостаточно, если все 9 ошибок пришлись на возвраты денег. Поэтому рискованные категории считают отдельно, даже когда общий процент выглядит приемлемо.
Подробная схема внедрения рабочих сценариев и метрик описана в материале о внедрении нейросетей в рабочие процессы. Для почты я бы добавил журнал решений: исходная категория, исправление сотрудника, причина изменения и итоговый текст ответа.
Как начать работу с письмами без большой перестройки
Я бы начал с одной очереди и 2 недель наблюдений, а не с попытки обработать всю почту сразу. В первый день выбрал бы 50–100 обезличенных сообщений, на второй подготовил 5 категорий и эталонные ответы, затем сравнил результаты на одинаковой выборке.
На первой неделе достаточно измерить точность классов и время проверки. На второй можно добавить черновики, но оставить отправку за сотрудником. Если критических ошибок нет, а среднее время проверки снижается, расширяйте набор писем постепенно, например по одному отделу за раз.
Главное правило простое: нейросеть отвечает за разбор формы и подготовку черновика, сотрудник отвечает за решение, факты и обещания. Такая граница сохраняет управляемость процесса и даёт понятный способ остановить автоматизацию, если меняются категории, регламенты или требования к данным.