ИИ для разбора входящих заявок и писем: что можно доверить модели и где нужен человек

Коротко. Языковая модель хорошо делает первичный разбор входящего потока. Она определяет тему и срочность, вытаскивает из письма ИНН, позиции и количества, заводит карточку в CRM и передаёт её нужному менеджеру. Ошибается она на редких типах обращений, на вложениях плохого качества и там, где нужно принять решение. Поэтому на старте модель готовит карточку, а человек её подтверждает. Подтверждение убирают по типам обращений, когда доля исправлений становится маленькой.

Что модель делает хорошо

Тема и маршрут. Заявка на расчёт, рекламация, вопрос по оплате, запрос документов, спам. Модель различает их по смыслу, даже когда в письме нет ключевых слов, и отправляет в нужную очередь.

Извлечение данных. Название компании, ИНН, контакт, список позиций с количествами, желаемый срок. Из свободного текста письма и из вложенной таблицы это делается с точностью, которой правила на регулярных выражениях не достигают.

Сопоставление со справочниками. «Кабель ВВГ 3 на 2,5, сто метров» модель сопоставляет с позицией в вашей номенклатуре. Если вариантов несколько, показывает их менеджеру.

Короткая сводка. Длинная переписка сворачивается в три строки: кто, что хочет, к какому сроку.

Где она ошибается

Редкие обращения. Если какой-то тип заявок приходит раз в месяц, модель путает его с похожим частым. Такие типы лучше сразу отправлять человеку.

Плохие вложения. Скан счёта с печатью поверх текста, фото накладной под углом. Текст распознаётся с ошибками, и ошибки переходят в карточку.

Решения. Дать ли скидку, принять ли рекламацию, срочный ли клиент по вашим правилам. Модель может подсказать, но решать должен человек или жёсткое правило в системе.

Как проверять качество

Возьмите несколько сотен реальных обращений за прошлые месяцы и разметьте их вручную: тема, извлечённые поля, кому ушло. Прогоните модель и посчитайте, сколько совпало по каждому полю и каждому типу обращения.

После запуска считайте долю карточек, которые менеджер исправил, отдельно по типам. Там, где исправлений почти нет, подтверждение можно убрать. Там, где их много, смотреть причину: не хватает примеров, плохие вложения или тип слишком редкий.

Что нужно для запуска

Доступ к почтовому ящику или форме, откуда приходят заявки. Справочники номенклатуры и клиентов, лучше выгрузкой из 1С или CRM. Список типов обращений и правила, кому какой тип уходит. И выборка прошлых обращений для проверки.

Если в письмах есть персональные данные клиентов, модель запускают в российском облаке или на своём сервере. Почему так, разобрано в статье можно ли отправлять данные клиентов в ChatGPT.

Частые вопросы

Сколько времени экономит такой разбор? Зависит от потока. Если менеджер тратит на перенос заявки из письма в CRM несколько минут, а заявок десятки в день, экономия видна сразу. Посчитайте это до проекта на своих цифрах.

Нужна ли для этого своя модель? Нет. Хватает готовой модели с хорошими инструкциями и примерами, дообучение нужно редко. Когда оно всё-таки оправдано, мы разбирали в статье RAG или дообучение.

Может ли модель сама отвечать клиенту? На простые вопросы со ссылкой на документ может, остальное лучше оставлять менеджеру. Ошибка в ответе клиенту дороже ошибки во внутренней карточке.

Правило

Отдайте модели разбор и подготовку карточки, а решения оставьте человеку. Подтверждение снимайте по одному типу обращений, когда исправлений по нему почти не осталось.