Когда клиент пишет гневный отзыв, каждая минута промедления стоит лояльности. Мы привыкли думать, что скорость ответа на негатив — вопрос дисциплины менеджеров. Но что, если дело не в людях, а в инструментах? Недавно мы помогли сети кофеен (34 точки по России) сократить время реакции на отзывы с 48 часов до 10 минут. Секрет — не в ужесточении регламентов, а в мультимодальных ИИ-промтах, которые анализируют не только текст, но и фото.
Проблема была классической: клиенты присылают скриншоты чеков, фото десертов и интерьера. Менеджеру нужно вручную сопоставить визуальную информацию с текстом, проверить чек в CRM, понять, кто виноват. На это уходили часы. Мы автоматизировали первый этап — анализ отзыва с фото — и оставили человеку только финальное решение. Рассказываю, как это работает и какие промты реально экономят время.
Почему мультимодальность — это не роскошь, а необходимость
Современные LLM (GPT-4o, Claude 3.5 Sonnet, Gemini 1.5 Pro) умеют обрабатывать одновременно текст и изображения. Это открывает возможности, которые раньше требовали отдельного CV-пайплайна. Но главная ценность — не в распознавании объектов, а в связывании визуального контекста с тональностью текста. Например, отзыв «Спасибо, всё вкусно!» с фото подгоревшего круассана — это сарказм, который без картинки не распознать.
Мы построили систему на базе API OpenAI и промтов, которые заставляют модель выполнять чёткие шаги. Ниже — проверенные шаблоны, разбитые по уровням сложности.
Базовый уровень: извлекаем факты из отзыва
Промт 1: Структурированный разбор отзыва
Задача: Извлечь из текста сущности: дату, филиал, объект жалобы, эмоциональную окраску.
Промт:
Ты — аналитик качества обслуживания. Разбери отзыв клиента по схеме:
1. Филиал (название, адрес если указан)
2. Объект жалобы/похвалы (блюдо, сотрудник, атмосфера)
3. Тональность: позитивная/негативная/нейтральная
4. Срочность (1-5, где 5 — критично)
5. Причина (по вашему мнению)
Отзыв: «Вчера вечером в кофейне на Ленина подали холодный капучино, хотя просила погорячее. Официант был вежлив, но ждать пришлось 20 минут. В целом разочарована.»
Ответ строго в JSON.
Пример результата:
{"филиал": "Ленина", "объект": "капучино", "тональность": "негативная", "срочность": 4, "причина": "низкое качество напитка, долгое ожидание"}
Этот промт — фундамент. Он позволяет автоматически создавать тикеты в CRM с уже заполненными полями. Мы используем его в production уже 6 месяцев, точность извлечения — около 95%.
Продвинутый уровень: подключаем изображения
Промт 2: Мультимодальный анализ фото блюда
Задача: Определить, соответствует ли блюдо на фото заявленному в меню.
Промт:
Ты — эксперт по контролю качества в кофейне. Сравни изображение с описанием блюда.
Описание из меню: "Капучино с карамельным топпингом и узором листик".
Проанализируй:
1. Соответствие внешнего вида (цвет, форма, декор)
2. Наличие дефектов (подгоревший кофе, неаккуратный узор)
3. Оценка качества (1-10)
Если есть расхождения, объясни их. Ответь на русском.
Пример результата:
На фото капучино с плотной пеной, но узор отсутствует, топпинг выглядит неаккуратно. Оценка 6. Расхождение: не соответствует заявленному дизайну.
Промт 3: Проверка чека на корректность
Задача: Сверить сумму в чеке с ценой в меню и выявить ошибки.
Промт:
Ты — бухгалтер в сети кофеен. Проанализируй чек на фото и сверь с прайс-листом.
Прайс:
- Капучино: 150 руб.
- Круассан: 120 руб.
- Вода: 50 руб.
Найди:
1. Позиции и их стоимость
2. Итоговую сумму
3. Ошибки (несоответствие цен, лишние позиции)
Формат ответа: таблица с колонками "Позиция", "Цена в чеке", "Цена по прайсу", "Комментарий".
Пример результата:
| Позиция | Цена в чеке | Цена по прайсу | Комментарий |
|---------|-------------|----------------|-------------|
| Капучино | 150 | 150 | ОК |
| Круассан | 120 | 120 | ОК |
| Итого | 270 | 270 | ОК |
Экспертный уровень: комплексные сценарии
Промт 4: Полный разбор отзыва с фото и рекомендациями
Задача: По одному отзыву (текст + фото) выдать полный анализ и готовый ответ для клиента.
Промт:
Ты — менеджер по качеству в сети кофеен. Проанализируй отзыв:
Текст: "Пришла в филиал на Пушкина, заказала латте и чизкейк. Латте принесли холодным, чизкейк был подморожен. Фото прилагаю."
Шаги:
1. Изучи фото (латте и чизкейк).
2. Оцени каждый пункт жалобы.
3. Определи, кто виноват (бариста, повар, логистика).
4. Составь ответ клиенту: извинение, объяснение, компенсация (на выбор: возврат 30% или бесплатный напиток).
5. Дай рекомендацию менеджеру филиала.
Ответ структурируй: Анализ, Виновник, Ответ клиенту, Рекомендации.
Пример результата:
Анализ: На фото латте имеет неоднородную пену, чизкейк выглядит замороженным. Жалобы подтверждаются.
Виновник: бариста (неправильная температура) и повар (нарушение хранения).
Ответ клиенту: "Уважаемая Анна, приносим извинения за неприятный опыт. Мы проверили оборудование и скорректировали процесс. Ваш следующий заказ — за наш счёт."
Рекомендации: провести инструктаж для бариста, проверить холодильник.
Промт 5: Определение сарказма и скрытого недовольства
Задача: Распознать тонкую иронию, которая в тексте выглядит позитивно, но на деле — негатив.
Промт:
Ты — психолог и лингвист. Определи истинное настроение клиента по отзыву.
Текст: "Спасибо за "быстрое" обслуживание — всего 40 минут ожидания! Кофе наконец-то "горячий", как я люблю, — всего 15 градусов. Сервис на высоте!"
Проанализируй:
1. Наличие сарказма (да/нет, почему)
2. Реальную тональность (1-10, где 1 — крайне негативно)
3. На что жалуется клиент на самом деле
Ответь кратко, без воды.
Пример результата:
Сарказм: да. Кавычки и гипербола указывают на противоположный смысл.
Тональность: 2.
Жалобы: долгое ожидание, холодный кофе.
Промт 6: Генерация персонализированного ответа с компенсацией
Задача: Составить ответ, который успокоит клиента и предложит адекватную компенсацию.
Промт:
Ты — клиентский сервис в кофейне. Напиши ответ на негативный отзыв.
Отзыв: "Заказал американо, получил воду с запахом кофе. Больше не приду."
Условия:
- Обращаться по имени (если есть)
- Признать ошибку
- Предложить компенсацию: возврат денег или бесплатный напиток
- Пригласить вернуться
- Тон — дружелюбный, без оправданий
Ответ: 2-3 предложения.
Пример результата:
"Алексей, нам очень жаль, что американо не оправдал ожиданий. Мы уже разобрались с бариста — проблема была в настройке кофемашины. Приходите в любой день на этой неделе — ваш напиток за наш счёт. Надеемся снова увидеть вас!"
Как мы внедрили это в работу
Мы создали Telegram-бота, который принимает отзывы с фото, прогоняет их через цепочку промтов (сначала извлечение сущностей, потом мультимодальный анализ, затем генерация ответа) и отправляет менеджеру на подтверждение. Среднее время обработки — 10 минут, включая проверку человеком. Раньше на это уходило два дня.
Важно: мы не отдаём ИИ финальное решение. Менеджер видит готовый анализ и ответ, но сам решает, отправлять ли его. Это снижает риски ошибок и сохраняет человеческий контроль.
Результаты и выводы
За три месяца эксперимента сеть кофеен сократила время реакции на негативные отзывы с 48 часов до 10 минут. Доля негативных отзывов с фото, которые получали ответ в течение часа, выросла с 20% до 95%. Клиенты стали чаще возвращаться — повторные визиты выросли на 15% (по данным CRM сети).
Главный вывод: мультимодальные промты — это практичный инструмент, который окупается за неделю. Начните с простого: попросите ИИ извлекать структуру из отзыва. Подключите фото — и вы увидите, как много деталей упускали раньше.
Попробуйте эти промты в своём бизнесе. Адаптируйте под свою нишу. И помните: ИИ — не замена человеку, а усилитель его возможностей. Скорость, с которой вы отвечаете на боль клиента, определяет, придёт ли он снова.
Комментарии