Почта остаётся основным каналом деловой переписки, и она же — самый недооценённый кандидат на автоматизацию. Про чат-ботов говорят все, про разбор входящей почты почти никто, хотя объём там часто больше, а задача проще: ответа в реальном времени не ждут, есть секунды на обработку.
При этом почта — самый грязный вход из всех. Цитирование, подписи, пересылки, вложения, автоответы, спам, цепочки на двадцать сообщений. Большая часть работы приходится не на понимание письма, а на приведение его в пригодный для разбора вид.
Что делает конвейер
| Шаг | Исполнитель |
|---|---|
| Забрать письма из ящика | код |
| Отсеять автоответы, рассылки, спам | код по признакам |
| Очистить от цитирования и подписей | код |
| Собрать цепочку писем в контекст | код |
| Определить тип, срочность, тему | модель |
| Извлечь данные: контакты, номер заказа, суть | модель |
| Проверить форматы | код |
| Найти клиента и связанную заявку | код |
| Проверить на дубль | код |
| Направить по маршруту | код по правилам |
| Составить черновик ответа | модель |
| Отправить | код, с проверкой |
Модель занята на трёх шагах из двенадцати. Остальное — обычная программа, и именно она определяет, будет система работать или нет. Такие конвейеры я собираю в рамках автоматизации процессов.
Что ломается в реальном потоке
Список, который стоит прочитать до начала проекта, — каждый пункт я встречал.
Цитирование. Ответ на письмо содержит всю переписку. Без очистки модель разбирает не последнее сообщение, а весь ворох и определяет тему по первому письму цепочки, а не по текущему.
Подписи и дисклеймеры. Юридические оговорки на десять строк в каждом письме. Зашумляют разбор и раздувают стоимость обращения.
Цепочки. Письмо «да, подтверждаю» без предыдущих не значит ничего. Нужно собирать цепочку — но не всю, а последние несколько сообщений, иначе контекст раздувается.
Автоответы. «Я в отпуске до 15-го» не является обращением. Отсекается по заголовкам, а не моделью.
Вложения. Часто содержательная часть именно в них: заявка в файле, а в теле «см. вложение». Без разбора вложений система видит пустое письмо.
Пересылки. Внутренняя пересылка «посмотри, что пишут» меняет отправителя: клиентом является не тот, кто прислал.
Несколько тем в одном письме. «И ещё, когда будет счёт?» в конце письма про доставку.
Плохое форматирование. Письма из мобильных клиентов без абзацев, с опечатками, обрывками.
Дубли. Клиент написал и на общий адрес, и менеджеру.
Разбор: 3 000 писем в месяц
Задача. Общий ящик компании. Три человека разбирали входящие: определить тему, найти клиента, создать заявку или переслать.
Первая версия. Забрать письмо → модель определяет тип и извлекает данные → создать заявку.
Заработало и сразу показало проблемы.
Что вскрылось за первые две недели.
Около 30% «обращений» не были обращениями: автоответы, уведомления систем, рассылки. Модель добросовестно классифицировала их и заводила заявки. Решилось отсечением по заголовкам писем — правилами, без модели.
Цитирование ломало разбор систематически. Письмо «Да, подходит» с цитатой на две страницы классифицировалось по цитате. Очистка от цитирования дала самый большой прирост качества за весь проект — и это была работа с текстом обычным кодом.
Вложения. Примерно каждое пятое письмо содержало заявку в файле. Пришлось добавить разбор вложений — «Извлечение данных из документов» — и логику: если тело письма пустое или содержит только «см. во вложении», работать с файлом.
Цепочки. Продолжение переписки заводилось как новая заявка. Решилось связыванием по идентификаторам письма и теме — снова правилами.
Что осталось модели после всех правок. Определить тип и срочность, извлечь суть и данные, составить черновик ответа. Всё остальное — код.
Итог. Около 70% писем стали обрабатываться без человека. Три человека на разборе превратились в одного, занятого частично, — и это, а не «сэкономленные часы», сделало эффект реальным.
Главное наблюдение. Модель работала неплохо с самого начала. Все существенные улучшения пришли от подготовки входа: очистки, отсечения, сборки цепочек, разбора вложений. Соотношение усилий было примерно четыре к одному в пользу обычного кода.
Автоответы: осторожно
Отдельная тема, где легко навредить.
Что можно отправлять автоматически: подтверждение получения с номером обращения и сроком ответа. Это уведомление, а не ответ по существу.
Что нельзя без проверки: ответы по существу вопроса, особенно на претензии. Клиент, получивший вежливый автоматический ответ не по делу на жалобу, становится вдвое недовольнее.
Разумная схема: модель готовит черновик, человек проверяет и отправляет. Экономит время на наборе текста и не создаёт риска.
По мере накопления статистики часть шаблонных ответов можно перевести в автоматические — но по конкретным типам обращений, а не разом.
Что нужно для начала
- Доступ к ящику по стандартному протоколу.
- Архив писем за месяц-два для проверки достижимости — включая мусор и нестандартные случаи.
- Справочник типов обращений — «Классификация обращений».
- Правила маршрутов в явном виде.
- Доступ к CRM для поиска клиентов и создания заявок.
- Решение по обработке персональных данных: в письмах они есть почти всегда, и это определяет, где может работать модель — «152-ФЗ и нейросети».
Последний пункт стоит решить до проектирования, а не после: он влияет на выбор модели и на стоимость.
Частые вопросы
Что можно автоматизировать в обработке входящей почты?
Отсев автоответов и рассылок, очистку от цитирования, определение типа и срочности, извлечение данных, поиск клиента, проверку дублей, маршрутизацию и подготовку черновика ответа. Модель нужна для понимания содержания, всё остальное надёжнее делать обычным кодом.
Почему система неправильно определяет тему письма?
Чаще всего из-за цитирования: если в письме есть вся предыдущая переписка, модель разбирает её целиком и определяет тему по первому сообщению, а не по последнему. Очистка от цитат и подписей обычно даёт самый заметный прирост качества.
Можно ли отвечать клиентам автоматически?
Подтверждение получения с номером обращения — да, это уведомление. Ответы по существу лучше готовить моделью, но отправлять после проверки человеком, особенно если в письме претензия: неуместный автоматический ответ на жалобу усиливает недовольство.
Что делать с заявками во вложениях?
Разбирать вложения так же, как отдельные документы: извлекать текст, при необходимости распознавать сканы, доставать поля. В части потоков содержательная часть находится именно во вложении, а тело письма содержит только «см. файл».
Какая доля писем обрабатывается без человека?
Зависит от однородности потока. Ориентир для смешанного общего ящика — большая часть проходит автоматически, остальное уходит на подтверждение. Значительная доля потока при этом часто вообще не является обращениями — их отсекают правилами до модели.
Куда уходит содержимое писем?
Зависит от того, где работает модель. В письмах почти всегда есть персональные данные, поэтому вопрос обработки нужно решать до проектирования: он определяет, допустима ли облачная модель или нужно развёртывание в своём контуре.
Что дальше
Справочник категорий — «Классификация обращений». Разбор вложений — «Извлечение данных из документов». Что делать с неуверенными случаями — «Человек в контуре проверки». Если письма должны превращаться в заявки с последующими действиями — «ИИ-агент для обработки заявок».
Проектирование и внедрение таких конвейеров — часть работы по автоматизации процессов, которая начинается с разбора потока обращений.