Нейросеть в поддержке: почему начинать лучше с черновика, а не с автоответа?

Самая заметная ошибка AI-поддержки — уверенно пообещать клиенту то, чего компания не делает. Поэтому первый полезный шаг часто скромнее автоответчика: нейросеть готовит черновик, сотрудник видит основания и решает, что отправить. Экономия появляется уже на подготовке текста.

В Чатиуме можно собрать очередь обращений с таким режимом: исходное сообщение, подходящий фрагмент инструкции и редактируемый ответ на одном экране. Начать можно с одного типа вопросов.

Дайте модели три разных вида информации

Первый — сообщение клиента. Второй — проверенные сведения по его ситуации: статус заявки, выбранный продукт или уже выполненные действия. Третий — действующая инструкция команды. Эти источники нельзя смешивать в одну массу без пояснений.

Фраза клиента «мне обещали доставку сегодня» — часть обращения, а не подтверждённое обязательство. Если в системе нет такого срока, модель должна предложить уточнение или проверку, а не повторить обещание от имени компании.

В приложении полезно показывать, какие сведения использованы. Тогда сотрудник проверяет черновик быстрее: ему не нужно гадать, почему нейросеть написала именно такой ответ.

Пример: клиент просит вернуть доступ

Условная ситуация: человек пишет, что оплатил курс, но не видит уроки. В системе подтверждена оплата, однако он вошёл с другой почтой. Инструкция разрешает сначала предложить вход под адресом заказа, а при неудаче передать обращение специалисту.

Черновик должен объяснить следующий шаг без раскрытия лишних данных: «Оплата подтверждена. Проверьте, что вы вошли под адресом, указанным при заказе. Если доступ не появится, сообщите нам — проверим подключение». Он не должен обещать мгновенное исправление или самостоятельно менять аккаунт клиента.

Как избежать черновика, который опасно читать по диагонали

Самые важные утверждения стоит выделять рядом: срок, обещание действия, условие возврата или изменения доступа. Это помогает редактору быстро заметить добавленную гарантию.

Не просите модель писать уверенно любой ценой. Полезная инструкция допускает фразу «нужно уточнить». Если данных нет, ответ должен содержать конкретный вопрос, а не универсальное успокоение. Например, уточнить номер заявки полезнее, чем обещать «мы уже всё исправляем», когда работы ещё не начались.

После ручной правки сохраняйте различие между предложением модели и отправленным текстом. По повторяющимся исправлениям можно улучшать инструкции и базу знаний, не угадывая, что именно не устраивает сотрудников.

Короткий вызов модели в Чатиуме

Для черновиков в примере выбрана GPT-6 Luna. В sourceText должны попасть только сведения конкретного обращения, которые текущий сотрудник вправе использовать.

Это фрагмент серверного обработчика Чатиума. ctx передаёт платформа, sourceText содержит проверенный текст из формы. done и failed — заранее зарегистрированные маршруты app.function для результата и ошибки. Они проверяют, что вызов пришёл от приложения start: caller.type === 'plugin' && caller.appSlug === 'start'.

import { startCompletion } from '@start/sdk'

const { completionId } = await startCompletion(ctx, {
  model: 'openai/gpt-6-luna',
  system: 'Подготовь черновик ответа по сообщению клиента, проверенным данным и инструкции. Не добавляй обещания. Если сведений мало, предложи конкретное уточнение. Ничего не отправляй.',
  messages: [{
    role: 'user',
    content: [{ type: 'text', text: sourceText }],
  }],
  onCompletionCompleted: done,
  onCompletionFailed: failed,
})

Метод возвращает completionId. Сам ответ приходит позже в onCompletionCompleted, ошибка — в onCompletionFailed; до этого приложение показывает ожидание. Это схема вызова, а не полный код приложения.

Готовность генерации и отправка сообщения — разные состояния. Обработчик результата сохраняет черновик, а отдельное действие сотрудника утверждает текст. Даже если нейросеть ответила быстро, не стоит обходить этот шаг незаметно.

Как понять, что помощник полезен

Сравните время до отправленного ответа и долю черновиков, которые приняли с небольшой правкой. Отдельно считайте ошибки фактов и потерянные условия. Если тексты стали гладкими, но сотрудники тратят больше времени на перепроверку, процесс требует доработки.

Начните с понятной темы, например навигации по кабинету. Сложные спорные случаи оставьте в ручной очереди, пока не появятся проверенные правила. Переход к более широкой автоматизации должен опираться на результаты, а не на впечатление от демонстрации.

Частые вопросы