ИИ-сортировка входящих писем: заявки, спам и жалобы — автоматически по своим папкам

Каждую неделю мне присылают один и тот же вопрос: «Женя, у нас на info@ падает по 200-300 писем в день, как понять, где живая заявка, а где спам от очередного SEO-агентства?» Отвечаю сразу: руками — никак. Мы в АйТи-Фреш два года назад сами через это прошли и с тех пор ставим клиентам ИИ-сортировку почты как отдельную услугу. Расскажу, как это работает без магии и маркетингового тумана.

Обычное утро директора: 300 писем и одна потерянная заявка

У одного клиента — торговая компания, оптовые поставки стройматериалов — было так. Менеджер по продажам в отпуске, её обязанности временно на секретаре. В ящике info@ за сутки скапливается 280-320 писем. Из них реальных заявок — штук 15-20. Остальное: рассылки, резюме, предложения от типографий, жалобы на просрочку доставки, письма от бухгалтерии контрагентов, и, конечно, спам с темой «Увеличим продажи на 300%».

Секретарь открывает письма по порядку. На тридцатом устаёт и начинает читать по диагонали. Заявка на партию профнастила на 640 тысяч рублей улетает в темы, которые «посмотрю попозже». Клиент через два дня звонит и уходит к конкуренту — у них ответили за час.

История банальная до зевоты. Но именно из-за неё компании теряют по 3-5 заявок в месяц просто потому, что живой человек физически не в состоянии удерживать в голове приоритет 300 писем подряд. Это не про лень сотрудника — это про предел человеческого внимания.

Почему общий ящик info@ — это чёрная дыра

Общий почтовый ящик придумали для удобства — чтобы клиент не гадал, кому писать. Получилось наоборот: письмо попадает в общую кучу, и ответственность за него размывается между всеми сотрудниками сразу. А когда отвечают все — не отвечает никто.

Плюс формат самих писем — вообще без структуры. Кто-то пишет «Здравствуйте, хочу заказать», кто-то присылает скан счёта без единого слова текста, кто-то жалуется матом в теме письма. Обычные почтовые фильтры по ключевым словам с этим не справляются: слово «претензия» может быть и в жалобе клиента, и в письме от юридической рассылки, и в подписи какого-нибудь агентства недвижимости.

Мы считали для одного клиента-медцентра: при 350 письмах в сутки на разбор одного письма секретарём уходит в среднем 25-40 секунд — просто открыть, прочитать, понять, куда деть. Это два с лишним часа рабочего времени в день, которые тратятся не на клиентов, а на сортировку мусора руками.

Как работает ИИ-сортировка на практике

Схема простая на входе и не очень простая внутри. Письмо приходит на почтовый сервер — у нас это чаще всего mailcow или обычный Exchange — дальше срабатывает правило пересылки на webhook, который отдаёт текст письма языковой модели с чётким промптом: определи тип письма (заявка / спам / жалоба / бухгалтерия / резюме / прочее), выдели контактные данные, оцени срочность.

Модель — сейчас мы используем связку из классификатора попроще для отсева явного спама и более мощную модель для содержательных писем — возвращает структурированный ответ в JSON. Дальше скрипт раскидывает письма: заявки летят в CRM (Bitrix24, amoCRM, у кого-то это вообще самописная система на 1С) с созданием карточки сделки, жалобы — в отдельную папку с пометкой «срочно» и уведомлением руководителю в Telegram, спам — в корзину, но не мгновенно удаляется, а лежит неделю на случай ошибки.

Важный момент: мы не заменяем Rspamd или встроенный антиспам почтового сервера. ИИ-сортировка работает поверх — она разбирает то, что уже прошло базовую спам-фильтрацию, и решает содержательную задачу «что это за письмо и что с ним делать», а не техническую «спам или не спам по заголовкам».

Заявки, спам и жалобы — три потока, которые нельзя мешать

Заявка — это деньги, и с ней всё понятно: чем быстрее реакция, тем выше шанс продажи. У торговых компаний конверсия в сделку при ответе в течение 15 минут в среднем в два раза выше, чем при ответе через три часа. Это не наша статистика, это общее место в продажах, но оно подтверждается на каждом клиенте.

Спам — это не только реклама. Сюда же попадают фишинговые письма, замаскированные под счета от поставщиков — «оплатите, реквизиты изменились». У одной юрфирмы бухгалтер чуть не отправил 180 тысяч рублей на левый счёт именно из такого письма, пришедшего на общий ящик и выглядевшего один в один как обычный счёт от давнего поставщика бумаги. ИИ-фильтр такие письма помечает отдельным флагом «подозрение на подмену реквизитов» — сверяет домен отправителя с историей переписки.

Жалоба — самая болезненная категория. Её нельзя ни терять, ни путать со спамом, ни откладывать. Если клиент клиники написал, что ему не перезвонили после анализов — это письмо должно попасть к администратору в течение пяти минут, а не лежать сутки в общей папке. Мы для жалоб всегда настраиваем двойное уведомление: в CRM и параллельно в Telegram или на почту руководителя, чтобы точно не потерялось.

Как мы внедряли это клиентам: три истории

Бухгалтерская фирма, 40 рабочих мест, обслуживает больше 200 организаций-клиентов. Ящик buh@ получал по 400+ писем в день — запросы клиентов, требования от ФНС, счета, резюме бухгалтеров. Настроили сортировку так, что письма с признаками требования налоговой сразу создают задачу в Планфиксе с дедлайном по закону, а обычные вопросы клиентов идут в общую очередь с пометкой срочности. Число просроченных ответов клиентам упало примерно в три раза за первый месяц.

Медицинская клиника на 12 кабинетов. Тут главная боль была именно с жалobs — до внедрения они терялись среди записей на приём и вопросов про цены. Настроили отдельный маршрут: любое письмо с негативной тональностью, словами «жалоба», «возврат», «недоволен» или упоминанием конкретного врача — сразу к главврачу, минуя общую очередь.

Юридическая фирма — тут наоборот, основная ценность была в отсеве спama. У юристов на info@ прилетает огромное количество предложений от других юрфирм, рассылок про семинары, попыток продать базы контактов. Из 300 писем в день реальных обращений клиентов было от силы 20-30. После настройки фильтрации секретарь стала тратить на разбор почты 20 минут вместо двух часов.

Подводные камни: что может пойти не так

Главный риск — ложные срабатывания. Модель иногда путает вежливую претензию с обычным вопросом, особенно если клиент пишет сдержанно, без восклицательных знаков. Поэтому мы всегда ставим порог: если модель не уверена в классификации больше чем на 80%, письмо не удаляется и не архивируется автоматически, а попадает в папку «на проверку человеком».

Второй момент — нельзя отдавать модели персональные данные клиентов без настройки. Мы обязательно прописываем в промпте и в договоре с клиентом, что обработка идёт через модель с соблюдением требований 152-ФЗ, либо используем модели с российским контуром размещения данных, если у клиента есть такие требования — актуально для медицины и финансов.

Третий — люди расслабляются. Через месяц-два после внедрения секретари перестают вообще заглядывать в папку спама и в папку «на проверку». А там иногда лежит реальная заявка, которую модель просто не смогла уверенно классифицировать. Решается регламентом: папку «на проверку» обязательно кто-то просматривает раз в день, это прописывается как отдельная обязанность, а не «как получится».

Сколько это стоит и с чего начать

Разброс по деньгам большой. Базовая настройка — правила пересылки, интеграция с CRM, классификатор на готовой модели через API — обходится у нас в 60-90 тысяч рублей разово плюс расходы на токены модели, которые при потоке 300 писем в день составляют 3-5 тысяч рублей в месяц. Это не заоблачные суммы для компании, которая теряет одну заявку на 600 тысяч раз в квартал из-за человеческого фактора.

Более сложные сценарии — с отдельными правилами под конкретную отрасль, распознаванием подмены реквизитов, интеграцией с несколькими CRM одновременно — выходят на 150-250 тысяч. Тут уже зависит от того, сколько источников почты и насколько кастомная у клиента система учёта заявок.

С чего начать, если решили попробовать: не пытайтесь сразу автоматизировать всё. Начните с одной категории — например, отсева явного спама и выделения жалоб — на две недели, посмотрите на живых письмах, как модель ошибается, донастройте промпт. И только потом подключайте автоматическое создание карточек в CRM. Мы всегда так делаем, и это экономит клиенту нервы на этапе внедрения.

Частые вопросы

Насколько точно ИИ отличает заявку от спама?
На наших внедрениях точность после двух-трёх недель донастройки промпта держится в районе 92-96%. Оставшиеся спорные письма мы не даём терять — они уходят в отдельную папку на ручную проверку, а не удаляются автоматически.

Можно ли встроить это в уже существующую почту без переезда на новый сервер?
Да, обычно не нужно ничего менять в самой почте. Мы настраиваем правило пересылки или используем API почтового сервера, который передаёт письма на обработку, а результат классификации уже маршрутизируется дальше — в CRM, в Telegram, в конкретные папки.

Что если модель ошибётся и важное письмо попадёт в спам?
Мы принципиально не настраиваем автоматическое удаление — только перемещение с пометкой. Письма, которые модель отнесла к спаму, хранятся минимум неделю, и любой сотрудник может их найти и восстановить в один клик.

Подходит ли это для маленькой компании на 10-15 человек?
Если на общий ящик приходит меньше 50-70 писем в день, экономический эффект будет скромным — разбор такого объёма и руками занимает минут 20. Мы обычно рекомендуем эту услугу от 150 писем в сутки, когда ручная сортировка реально начинает съедать рабочее время и заявки теряются.