Можно ли доверить нейросети ответы на отзывы: что она умеет, а что подделывает

Доверить нейросети ответы на отзывы можно частично. Она хорошо определяет тональность, раскладывает поток отзывов по темам и готовит черновики. Но публиковать её ответы без проверки нельзя: модель не знает, что было на визите, и начинает выдумывать факты. Рабочая схема: ИИ пишет черновик, сотрудник проверяет и отправляет. Мгновенный ответ на картах всё равно не получится, потому что Яндекс проверяет ответы компании в среднем около трёх дней.

Материал информационный и не является юридической консультацией. Нормы приведены по редакции на дату публикации – перед спорной ситуацией сверьтесь с актуальным текстом закона.

Почему «мгновенный ответ» – это не про карты

Главный аргумент продавцов автоматизации звучит так: клиент написал – вы ответили через минуту, площадка это любит, клиент видит внимание. Для маркетплейсов рассуждение рабочее. Для карт – нет, и ломается оно об одну строчку в справке.

Яндекс пишет прямо: «Каждый новый и исправленный ответ проходит модерацию – это занимает в среднем три дня. После успешной модерации ответ появится в профиле компании». То есть между тем, как ваш ответ отправлен, и тем, как его увидит человек, стоит проверка длиной в несколько дней. Ответили вы за минуту или за шесть часов – на карточке разницы не будет никакой.

Отсюда неприятный вывод для тех, кто покупает автоматизацию ради скорости: скорость упирается не в вашего администратора. Экономия в этом месте существует, но она другая, и к ней я вернусь ближе к концу.

Что нейросеть действительно умеет

Начну с честного плюса, потому что скепсиса дальше будет достаточно. Есть три задачи, где модель работает устойчиво и заметно снимает нагрузку.

Разбирать поток по тональности и темам

Когда отзывов десять в месяц, вы читаете их сами. Когда точек пять и отзывов двести, читать всё подряд – это отдельная работа, которую никто не делает регулярно. Модель размечает поток: где негатив, где нейтраль, о чём вообще пишут – про ожидание, про цену, про конкретного администратора. Здесь всё, что нужно для решения, лежит в тексте отзыва, и модель не выходит за его пределы.

Именно из этого получается управленческая картина: не «у нас рейтинг 4,3», а «во второй точке треть негатива про время ожидания, и это тянется третий месяц». Дальше это уже вопрос к процессу, а не к отзывам.

Собирать черновик ответа

Пустое поле – главный тормоз. Человек садится отвечать, зависает на первой фразе и откладывает. Модель за секунду выдаёт болванку нужной длины и тона, и дальше её правят. Это ощутимо быстрее, чем писать с нуля, и на этом участке претензий к автоматизации у меня нет.

Держать единый тон на всех точках

Если у сети десять филиалов, отвечают в них по-разному: где-то сухо, где-то с обидой, где-то не отвечают вовсе. Клиент видит один бренд, а получает десять разных характеров. Общий шаблонный слой поверх ответов эту разницу сглаживает – и это, пожалуй, самая недооценённая польза от автоматизации.

Где она ломается: одно различение, на котором всё держится

Дальше начинается интересное. Все проблемы автоматизации сводятся к одной границе, и если её увидеть, остальное становится очевидным.

Тональность – в тексте. Тема – в тексте. А вот было ли ожидание на самом деле, кто вёл приём, что именно пошло не так и что вы уже исправили – этого в отзыве нет. И когда модели нужно об этом написать, у неё остаются два выхода, и оба плохие.

Первый выход: общие слова

Модель обходит незнание обтекаемой формулировкой. «Приносим извинения за доставленные неудобства, ваше мнение очень важно для нас». Формально ответ есть. По факту это отписка, и читается она как отписка – причём не автором отзыва, а всеми остальными, кто выбирает между вами и соседней компанией. Отписка под негативом хуже молчания: молчание можно списать на то, что руки не дошли, а отписку – нет.

Второй выход: выдумать

Хуже, когда модель заполняет пробел правдоподобной деталью. Просите персонализировать ответ – получаете «мы проверили запись за 14 августа и поговорили с администратором». Никто ничего не проверял. Если человек это прочитает и поймёт, что визит был не 14-го и администратора там нет, вы получите второй отзыв, гораздо злее первого, и уже про враньё, а не про ожидание. Это самый дорогой сценарий из всех.

Причём подталкивает к нему ровно тот совет, который дают все гайды по автоматизации: «упоминайте конкретные детали, чтобы ответ не выглядел шаблонным». Совет верный для человека, который эти детали знает. Для модели, которая их не знает, это прямая инструкция сочинять.

Третий случай: когда дело вообще не в отзыве

Иногда отзыв – это не отзыв, а последний шаг перед жалобой в надзорный орган или иском. Отличается он мелочами: человек пишет сухо, перечисляет даты, употребляет юридические формулировки, требует не извинений, а конкретного действия. Модель этого не считывает – для неё это обычный негатив средней тяжести. И отвечает соответственно, а вежливый шаблонный ответ в такой ситуации иногда работает как признание.

Три режима автоматизации, и работает из них один

Всё, что предлагает рынок, сводится к трём схемам. Других не существует, а любое красивое название – это одна из этих трёх в упаковке.

Полный автомат. Модель генерирует и публикует сама, без человека. Продаётся как максимальная экономия. На картах смысла почти не имеет: скорости, ради которой это берут, всё равно не будет из-за модерации, а риск публичной выдумки остаётся полностью. Единственное место, где я считаю это допустимым, – ответы на пятизвёздочные отзывы без текста, где содержания нет и ошибиться негде. Кстати, Яндекс для оценок 4 и 5 и сам предлагает готовые ответы с благодарностью – отдельная нейросеть для этого не нужна.

Черновик с проверкой. Модель пишет, человек читает, правит и отправляет. Скучно, дешевле всего и работает лучше всего. Проверка занимает секунды на положительных отзывах и минуты на сложных – ровно там, где это и нужно. Лучше всего это работает на ответах на похвалу – как выглядит хороший ответ на пятёрку, разбирал в статье про ответ на положительный отзыв.

Подсказка оператору. Модель не пишет ответ, а даёт контекст: тональность, тема, история этого клиента, похожие случаи. Текст пишет человек. Самый дорогой по времени режим и самый надёжный – имеет смысл там, где один отзыв может стоить дорого.

Закономерность простая и неприятная для продавцов: чем дороже режим позиционируется, тем меньше в нём человека и тем выше риск. Платить имеет смысл за середину.

Площадки сами пришли к той же схеме

Аргумент, который я считаю самым сильным в этом разговоре, лежит не на нашей стороне стола, а на стороне площадки.

2ГИС поставил нейросеть разбирать жалобы на отзывы. Формулировка у них такая: «AI помогает анализировать и обрабатывать жалобы на отзывы – быстро, по правилам и с возможностью передать сложный случай на проверку человеку». Модель определяет категорию жалобы – «Мат и оскорбления», «Спам и реклама», «Это не отзыв» и так далее – и дальше работает по сценарию. Тестировали её на реальных данных до 90% качества.

И вот ключевое, прямо из их описания: «В спорных случаях, как и раньше, решение остаётся за человеком».

Это ровно та схема, к которой я подвожу всю статью, только пришли к ней не консультанты, а компания, которая обрабатывает жалобы миллионами. Если у них ИИ работает на классификации и передаёт сложное человеку – трудно объяснить, почему у вас он должен публиковать неконтролируемые тексты от лица бренда.

Ещё одна деталь оттуда же, полезная для понимания механики: если по тексту непонятно, был ли автор клиентом, компания может запросить подтверждение. Автору даётся 4 дня; не ответил – отзыв уходит в «Неподтверждённые» и перестаёт влиять на рейтинг. Жалобы рассматриваются от 24 часов. Это ручная работа с фактурой конкретного визита, и никакая модель её за вас не сделает: она не знает ни номера записи, ни того, был ли этот человек у вас вообще.

Медицина: совет, который ломает закон

Здесь автоматизация из вопроса удобства превращается в вопрос ответственности, и общие рекомендации перестают работать.

Сам факт обращения в медицинскую организацию – врачебная тайна. Это значит, что ответ «спасибо, что были у нас на приёме 14 августа» – уже проблема, даже если он вежливый и по делу. Вы публично подтвердили, что человек к вам обращался.

А теперь наложите на это универсальный совет всех гайдов по ИИ-ответам: «упоминайте конкретные детали из отзыва, чтобы ответ не выглядел шаблонным». Для салона красоты – нормальная рекомендация. Для клиники – инструкция по нарушению, причём выполненная машиной, быстро и в промышленных масштабах. Модель не отличает деталь, которую можно назвать, от детали, которая является охраняемой тайной, потому что для неё это просто слова в тексте.

Вывод отсюда не «ИИ в медицине нельзя», а более узкий: в медицине автопубликация не обсуждается вообще, а шаблон ответа должен быть построен так, чтобы не подтверждать ни факт визита, ни диагноз, ни специальность врача. Что именно клиника может и не может писать в ответах, я разбирал отдельно – в материале про ответы на отзывы и 323-ФЗ.

Отдельно держите в голове: собранные отзывы нельзя переносить в рекламу медуслуг. На карточке отзыв живёт нормально, в рекламном креативе цитата пациента – нарушение.

Что на самом деле экономит время

Вернусь к обещанию из начала. Экономия от автоматизации существует, просто она не там, где её рисуют.

Написание текста – не самая долгая часть работы с отзывами. Долгая часть – это зайти в кабинет Яндекса, потом в 2ГИС, потом в Google, потом в ПроДокторов, вспомнить пароли, свести всё в голове и не пропустить негатив, который висит третий день. Администратор тратит время не на буквы, а на переключение и на попытку удержать общую картину.

Поэтому считать эффект я советую не в «минутах на ответ», а по трём величинам, которые видно в отчёте: сколько отзывов осталось без ответа, за сколько в среднем отвечаете на негатив и как это отличается по точкам. Если после внедрения доля неотвеченных упала, а разрыв между филиалами сжался – автоматизация окупилась, независимо от того, сколько секунд экономится на генерации текста.

Точную цифру экономии я называть не берусь: она зависит от количества точек и площадок сильнее, чем от модели. Порядок понятен, но выдавать чужие расчёты за закон физики не буду.

Как выстроить процесс, чтобы ИИ помогал

Короткий рабочий порядок, который я советую.

• Разделите поток. Положительные без текста – автомат или готовые ответы площадки. Положительные с текстом – черновик и беглая вычитка. Любой негатив – только через человека.
• Запретите модели факты. В шаблоне должно быть прямо сказано: не упоминать даты, имена сотрудников, номера заказов, услуги и любые обстоятельства визита. Всё это дописывает человек, который знает, как было.
• Держите ответ коротким. Признать, сказать, что делаете, дать канал для связи. Один-два абзаца. Длинные ответы – это почти всегда оправдания, и модель к ним склонна. Короткая формула ответа на негатив у меня разобрана отдельно.
• Уводите детали в личный контакт. Публично – общая часть, конкретика – в мессенджере или по телефону. В Яндексе, кстати, официальный ответ на карточке – единственный способ дотянуться до автора, так что контакт для связи имеет смысл писать прямо в нём.
• Смотрите на отказы. Если ответы не появляются на карточке дольше обычного, причина видна в личном кабинете – её стоит разобрать, а не отправлять то же самое повторно.
• Проверяйте выборочно. Раз в неделю читайте десяток опубликованных ответов подряд. Если начали попадаться одинаковые обороты – шаблон пора менять.

Коротко

• нейросети можно доверить тональность, темы и черновик – всё, что проверяется по тексту отзыва;
• нельзя доверить фактуру визита: модель либо напишет отписку, либо выдумает;
• «мгновенный ответ» на картах невозможен: в Яндексе модерация занимает в среднем три дня;
• из трёх режимов автоматизации рабочий один – черновик с проверкой человеком;
• полный автомат допустим только на оценках 4–5 без текста;
• 2ГИС сам разбирает жалобы нейросетью и оставляет спорные случаи человеку – ориентируйтесь на эту схему;
• в медицине автопубликация исключена: подтверждение факта визита нарушает врачебную тайну;
• измеряйте не секунды на ответ, а долю неотвеченных и разрыв между точками.

Частые вопросы