Читайте нас в Тг 
Привет! Я Алексей Фролов, менеджер проектов в OSMI IT. Мы разрабатываем ИИ-решения для бизнеса — агентов, которые могут заполнять документы, анализировать данные и выполнять другие рутинные задачи.
Один из наших проектов — ИИ-система анализа отзывов для топ-1 в РФ и крупного международного бренда по продаже канцелярских товаров. Нейросеть автоматически работает со всеми его маркетплейсами, отвечает на отзывы от имени бренда. Уже в первый месяц система обработала более 52 000 сообщений покупателей.
В этом кейсе я расскажу, как устроена обработка текста отзыва, какие проблемы возникли при запуске и какие результаты получил бизнес после внедрения.
Масштаб задачи: до 1000 отзывов в минуту
Наш клиент — самый крупный дистрибьютор канцелярских товаров в РФ, входит в топ-1 и работает на отечественном и международном рынках более 30 лет. Значительная часть продаж проходит через маркетплейсы, где покупатели каждый день оставляют 1000+ отзывов.
В отзывах содержится информация о качестве товара, упаковке, доставке, ожиданиях. Если эти данные собрать и проанализировать системно, они становятся источником продуктовой аналитики и маркетинговых инсайтов.
В компании клиента работа с отзывами велась не системно. Менеджеры успевали отвечать только на самые заметные жалобы — например, если речь шла о браке товара или серьезной проблеме. Для компании это стало репутационным риском. Негатив постепенно накапливался, и бренд решил изменить ситуацию.
Как мы настроили ИИ-оркестратора агентов и бесшовную интеграцию с CRM заказчика
Компания обратилась в OSMI IT с задачей автоматизировать работу: собирать отзывы из разных площадок, автоматически анализировать их содержание и отвечать, а сотрудникам оставлять сложные случаи. Для этого мы построили систему на базе LLM-моделей и связали ее с существующей инфраструктурой клиента.
Система построена из трех частей.
Шаг 1. Сначала с помощью кода на Python и API маркетплейсов скрипт собирает отзывы, добавляет служебные параметры (оценка, товар, источник) и отправляет их на следующий этап.
Шаг 2. На втором шаге нейросеть через прокси-сервер видит отзыв и анализирует оценку. Если по правилам она может сама ответить, то пишет текст — об этом ниже.
Шаг 3. Финально каждый негативный отзыв приходит на корпоративную почту клиента, после чего автоматически создается задача в Bitrix24 для ответственного менеджера.
На нашей платформе отзыв проходит через LLM-модель. При разработке оркестратора в октябре 2025 года мы анализировали качество и скорость ответов между моделями GPT-4.1 mini, Gemini 1.5 Flash, Llama 4, DeepSeek.
В итоге выбрали GPT-4.1 mini и на март 2026 года она полностью оправдывает себя. Эта модель на 20% лучше остальных понимает текст, выполняет задачу точно по системному промпту и выдает результат по API быстрее других вариантов — за 15 секунд. К тому же, для клиента она оказалась самой выгодной при объемах в 70+ млн токенов в месяц.
Как нейросеть анализирует отзыв и пишет комментарий
За 9 итераций мы разработали алгоритм, по которому нейросеть анализирует текст отзыва. В него входят три параметра.
Рейтинг. На маркетплейсах можно поставить от 1 до 5 звезд. Если покупатель ставит 1–2 звезды, система сразу рассматривает такую оценку как негативный сигнал.
Эмоциональная окраска. Покупатель не всегда оставляет конкретный и однозначный отзыв — в нем может быть ирония, сарказм и в целом нелогичное построение фразы. Поэтому нейросеть смотрит примеры слов, которые обычно сигнализируют об опыте:
- Позитивный выражается как «отлично», «супер», «рекомендую», «доволен», «качественно», «хорошие», «понравились».
- Нейтральный можно определить по «нормально», «средне», «подойдет», «приемлемо».
- Негативный сразу видно из «ужасно», «разочарован», «плохо», «жалею», « не советую».
Структура отзыва. На маркетплейсах часто есть отдельные поля: «достоинства», «недостатки» и текст комментария. Система смотрит не только на одно из них, а на весь отзыв целиком. Если в «достоинствах» ничего не указано, а в «недостатках» написано «коробка пришла мятая», это усиливает негативную окраску.
После этого система рассчитывает итоговую оценку. Так, если покупатель поставил 5 звезд, но в тексте написал жалобу, модель видит противоречие, и отзыв автоматически отправляется менеджеру на разбор — вместе с аналитикой, ключевыми темами и примером ответа от нейросети. Специалисту достаточно решить, публиковать ответ на маркетплейсе или отредактировать.
В 95% случаев модель может уверенно ответить сама. Она всегда пишет подробный и заботливый текст. Несколько примеров ниже.
| Тип отзыва | Текст отзыва | Ответ нейросети |
| Положительный | Хорошие шариковые ручки. Пишут мягко, цвет насыщенный. | Здравствуйте!
Спасибо за отзыв. Рады, что ручки вам понравились и пишут комфортно. Будем рады видеть вас снова среди наших покупателей. |
| Негативный | Пустая готовальня пришла, нет части циркуля | Здравствуйте!
Нам очень жаль, что товар пришел в неполной комплектации. Пожалуйста, обратитесь в поддержку маркетплейса через личный кабинет — специалисты помогут оформить замену или возврат. |
Благодаря API сообщение автоматически публикуется от лица компании в соответствующем ответе на отзыв внутри Ozon или Wildberries. Маркетплейсы сначала блокировали ответы, потому что они публиковались слишком быстро — иногда через 30 секунд после появления отзыва.
Пришлось отдельно согласовать этот режим через поддержку площадок. Администрация лояльно отнеслась к нашему алгоритму, поэтому проблему решили быстро.
Как мы заработали доверие клиента
Переходим к главной сложности — отношение клиента к нейросетям. Когда мы тестировали систему, руководителю было важно проверять каждый ответ, чтобы нейросеть не написала что-то странное и не повлияла на репутацию бренда в худшую сторону.
Компания месяц тестировала нашу систему. Почти все отзывы отправлялись менеджерам, которые отвечали на все вручную. Конечно, так команда оказалась перегружена задачами.
Что в результате
Разработка системы в OSMI IT стоила компании примерно 3 000 000 рублей, но позволила убрать ручную работу с отзывами до уровня ниже 5%. И, главное, ускорить реакцию бренда до 24 часов на негатив.
Только за один месяц ИИ ответила на более 52 000 отзывов. А мы продолжаем работу с клиентом и переходим к доработкам по его пожеланиям.
Среди следующих задач:
- Создать удобный интерфейс для менеджера, где он может редактировать ответы.
- Разработать автоматическое дообучение модели по фидбэку от менеджеров.
- Автоматизировать аналитические дашборды, чтобы руководитель направления постоянно видел проблемные категории товаров.
Также этот проект стал основой для нового продукта OSMI IT. Мы хотим создать универсального ИИ-агента для работы с отзывами, который можно подключать к другим компаниям с минимальными доработками.
Топ-5 советов тем, кто хочет внедрить нейронки
Начинайте с процессов с понятной логикой и высоким объемом. Там, где задачи повторяются, описаны регламентами и по сложности сопоставимы с работой junior+. В нашем случае — это отзывы с маркетплейсов: до 1000 сообщений в минуту, одни и те же сценарии, понятные критерии оценки (рейтинг, тональность, структура).
Тестируйте на небольших прототипах. Лучше собрать минимальный алгоритм, запустить его на ограниченной группе задач или пользователей. Это позволяет быстро находить ошибки и не тратить лишний бюджет.
Не пытайтесь автоматизировать все. Только человек может решить сложные, нестандартные и чувствительные кейсы. Мы изначально задали условия, при которых отзыв уходит на ручную доработку: низкий рейтинг, противоречия в тексте, сомнительные формулировки.
Сразу продумывайте архитектуру безопасности. Данные должны обрабатываться внутри защищенного контура: через прокси, внутренние API или с ограничением доступа. Это особенно важно, если речь идёт о клиентских данных или коммерческой информации.
Давайте бизнесу время на доверие. На старте клиент, тестировщик или оценщик может проверять практически каждый ответ вручную — это нормальный этап. Доверие к ИИ нарабатывается через контроль и прозрачность.