Нейросеть для отзывов: ответы и разбор

Запрос «нейросеть для отзывов» ведёт к двум разным задачам. Первая — писать отзывы за покупателей, и она плохо кончается. Вторая — отвечать на отзывы, считать тональность и вытаскивать из потока жалоб список того, что чинить в товаре. Про вторую и пойдёт речь.

Что нейросеть умеет делать с отзывами?

Три вещи: готовит черновик ответа в нужной интонации, размечает тональность массива отзывов и собирает из них список повторяющихся претензий.

Задача	Что делает модель	Что делает человек
Ответ на отзыв	Черновик в заданном тоне и объёме	Сверяет факты по заказу, отправляет
Тональность	Размечает сотни отзывов на позитив, нейтраль, негатив	Решает, где порог для эскалации
Разбор жалоб	Группирует претензии по темам, считает частоту	Меняет товар, упаковку или описание
Тон и стиль	Убирает канцелярит из черновика	Задаёт голос бренда

Оценивать точность на глаз не нужно, эту работу уже проделали. В научной статье «Sentiment Analysis in the Era of Large Language Models: A Reality Check» 2023 года авторы прогнали языковые модели через 13 задач и 26 датасетов и получили внятную картину: на малом числе примеров модели заметно обходят специализированные классификаторы, но проседают там, где нужна структурная разметка тональности по аспектам. Для селлера это означает простое правило — грубая сортировка «хорошо / плохо» работает из коробки, а «претензия именно к упаковке» требует нормального промпта с примерами.

Почему генерировать отзывы за покупателей — плохая идея?

Потому что площадка их вычищает, а вы платите репутацией и рисками. Топ выдачи по этому запросу забит генераторами отзывов, и почти никто из них не пишет, чем это заканчивается.

Ловится это просто. Отзывы на маркетплейсах привязаны к выкупленному заказу, накрутка требует реальных покупок, а поведенческие паттерны у таких «покупателей» одинаковые. Тексты от одной модели похожи друг на друга сильнее, чем живые: та же длина, та же структура, те же обороты. Дальше идут санкции площадки и удаление всей пачки разом.

Есть и вторая сторона. Отзыв, который хвалит несуществующее свойство товара, — это недостоверные сведения о продукте. Российский закон «О рекламе» (№ 38-ФЗ от 13 марта 2006 года) в статье 5 прямо запрещает недостоверную рекламу, и ложные утверждения о характеристиках товара под этот запрет попадают. Экономия на паре десятков отзывов такой хвост не окупает.

Какие факты собрать перед генерацией ответа?

Пять штук, и без них ответ получится вежливой пустотой: что именно купили, что пошло не так, дата и номер заказа, что вы уже сделали, что предлагаете дальше.

Разница видна сразу. «Спасибо за отзыв, мы работаем над качеством» — это ответ ни о чём, его пишет модель, когда ей нечего дать. «Кружка приехала с трещиной на ручке, партия от 12 июля, мы заменили поставщика упаковки и отправили вам замену» — это ответ, который читает следующий покупатель и решает, брать ли товар.

Поэтому промпт всегда начинается с фактов, а не с задания. Модель не знает вашего склада и вашей логистики: всё, чего вы ей не сказали, она либо пропустит, либо выдумает.

Как написать промпт для ответа на негативный отзыв?

По схеме из пяти строк: роль, текст отзыва, факты, тон, ограничения. Ограничения в конце — они важнее всего остального.

Рабочий вариант: «Ты отвечаешь от лица продавца на маркетплейсе. Отзыв покупателя: [текст]. Факты по заказу: [дата, что произошло, что уже сделано, что предлагаем]. Тон: спокойный, без оправданий и без заискивания. Ограничения: до 600 знаков, обращение на «вы», без ссылок и контактов, без обвинений в адрес доставки, не обещать того, чего нет в фактах. Структура: признать проблему, объяснить причину одной фразой, назвать решение».

Строка про доставку тут не случайна: перекладывать вину на склад площадки в ответе нельзя, такой текст просто не пройдёт модерацию.

Что модерация не пропустит в ответе продавца?

У Wildberries требования к ответам расписаны в справке для продавцов, и это тот самый список, которого нет в статьях про «лучшие нейросети для отзывов».

Максимум на ответ — 5 000 символов, столько же в шаблоне ответа. Каждый ответ проходит премодерацию. Не публикуют тексты с матом и неуважением, с контактами и внешними ссылками, набранные КАПСОМ, с избыточной пунктуацией, с обвинениями в адрес склада и логистики, а также с большим количеством ошибок.

Последний пункт напрямую бьёт по автоматизации: черновик от модели, отправленный без вычитки, попадает под него легко. Там же описаны шаблоны с тегом [Имя], который подставляет имя покупателя, — но в массовых ответах подстановка не работает, и «Здравствуйте, [Имя]» уезжает в публикацию как есть.

Отдельно про жалобы на отзыв: удаляют только те, что нарушают правила площадки. Негативная оценка сама по себе основанием не считается, сколько бы раз вы ни жаловались.

Как разобрать сотню отзывов за один запрос?

Пакетом и со строгим форматом ответа. Просить у модели связный текст на сотне отзывов бессмысленно — нужна таблица, которую вы потом отсортируете.

Промпт: «Ниже 100 отзывов, каждый с новой строки. Для каждого верни строку JSON с полями: номер, тональность (позитив / нейтраль / негатив), тема претензии одним словом из списка [качество, размер, упаковка, доставка, несоответствие описанию, цена], цитата-подтверждение до 10 слов. Никакого текста вне JSON». Дальше выгружаете результат в таблицу и считаете частоты.

Ограничивать модель списком тем обязательно. Без него на сотне отзывов вы получите семьдесят разных формулировок одной и той же претензии, и группировать их придётся руками. О том, как заставить модель отдавать строго заданную структуру, подробно написано в документации OpenAI по структурированному выводу — приём одинаково работает и на других моделях.

Как убрать из ответа канцелярит и «нейросетевость»?

Тремя правками, которые делаются вторым запросом к той же модели. Первый черновик почти всегда выходит гладким и безликим.

Первое: убрать вводные обороты «хотим отметить», «обращаем ваше внимание», «в связи с вышеизложенным». Второе: заменить абстракции на конкретику — не «приняли меры», а «сменили поставщика упаковки». Третье: сократить вдвое. Промпт для второго прохода: «Перепиши короче в два раза, убери канцелярит и вводные конструкции, оставь все факты и цифры, не добавляй новых».

Практика Anthropic по написанию промптов советует ровно это — давать модели явные ограничения и примеры желаемого результата вместо общих пожеланий вроде «пиши живее». Один образец хорошего ответа в промпте меняет результат сильнее, чем три абзаца требований.

Какую модель взять и сколько это стоит?

Для ответов на отзывы хватает быстрой текстовой модели: задача короткая, контекст небольшой. Разбор сотни отзывов пакетом требует модели с длинным контекстом.

Работа в чате с нейросетью стоит 20 токенов за запрос — это тот случай, когда ответ на один отзыв обходится в считаные копейки. Модель под задачу можно выбрать в каталоге моделей: для разметки тональности берите ту, что держит большой контекст, для ответов — самую быструю.

Первую партию отзывов можно прогнать на приветственном бонусе, до оплаты. Регистрация с подтверждением почты обязательна, оплата рублями, VPN не нужен.

Чего нейросети в отзывах доверять нельзя

Отправки без вычитки — в первую очередь. Дальше по списку: обещаний компенсации, ссылок на условия возврата, признания брака партии и любых цифр, которых вы не давали в промпте.

Отдельная ловушка — ответ на отзыв, где покупатель уже получил решение. Модель этого не знает и напишет «мы свяжемся с вами», хотя деньги вернули три дня назад. Такой ответ выглядит хуже, чем молчание. Поэтому факты по заказу подставляются в промпт всегда, а не «когда есть время».

Как работать с остальным контентом карточки, разобрано в статье про нейросеть для карточек товара; общий обзор задач селлера — в материале про нейросеть для маркетплейса.

Источники

• Wildberries, справка для продавцов: «Отзывы покупателей» — проверено 7 августа 2026.
• Zhang W. и др. «Sentiment Analysis in the Era of Large Language Models: A Reality Check», arXiv, 2023 — проверено 7 августа 2026.
• OpenAI, документация: Structured outputs — проверено 7 августа 2026.
• Anthropic, документация: Prompt engineering overview — проверено 7 августа 2026.
• Федеральный закон «О рекламе» № 38-ФЗ от 13 марта 2006 года, статья 5 — проверено 7 августа 2026.