История кейса, где мы не просто «научили ИИ отвечать на отзывы», а спроектировали для команды саппорта отдельный модуль тикет-системы с правилами, несколькими моделями (ChatGPT и Gemini) и контролем качества со стороны реальных специалистов.
Почему важно работать с отзывами
Пользовательский фидбэк кормит целые индустрии. Геймдев, фудтех, маркетплейсы, SaaS, e-commerce, доставка – их успехи и провалы строятся на том, что что клиенты постоянно что-то говорят о бизнесе: ставят оценки, пишут отзывы, задают вопросы, жалуются на плохой сервис или благодарят. Каждое их действие – сигнал о том, куда движется ваш продукт.
И таких сигналов становится все больше: по данным исследования HubSpot’s Annual State of Customer Service Report, 75% представителей службы поддержки в 2025 году столкнулись с самым большим количеством обращений в службу поддержки за всю историю существования клиентского сервиса.
Когда поток обращений управляемый – беспокоиться не о чем. Но, если вы выпустили новый флагманский продукт или заказы начинают оформляться с ошибками, объём отзывов будет расти быстрее, чем команды поддержки.
По-хорошему ответить нужно каждому: и довольному пользователю, и недовольному. Потому что цена молчания может быть слишком высока:
- 75% клиентов готовы тратить больше на услуги и продукты компаний, которые предлагают хороший сервис (Zendesk Benchmark Data);
- 43% клиентов заявили, что плохой опыт обслуживания отбивает у них желание снова покупать повторно (Salesforce Data Research);
- Негативный опыт ежегодно ставит под угрозу продажи компаний по всему миру на сумму 3,7 трлн долларов. (Qualtrics XM Consumer Study).
Упорядочить хаос компаниям помогают тикет-системы и хелп-дески – цифровые платформы, которые собирают обращения клиентов из всех каналов, упаковывают их в тикеты (записи с детальной информацией), распределяют между агентами, отслеживают статусы, а заодно собирают аналитику.
На рынке уже существует ряд готовых решений, но бизнес продолжает сталкиваться с вопросами:
- Где найти систему, которая собирает отзывы из сторов, обращений по e-mail и других источников, формирует данные по ним и оформляет в тикеты для дальнейшей работы?
- Какой инструмент совмещает аналитику и работу с обращениями, без необходимости переключаться между разными сервисами?
- Почему приходится выбирать между автоматизацией и аналитикой фидбэка, если нужно и то и другое сразу?
Поэтому для нашего клиента, паблишера Malpa Games, мы спроектировали собственную тикет-систему, которая закрыла оба разрыва сразу: и сбор отзывов, и аналитику. Уже после первых релизов продукт хорошо показал себя в работе. Дальше мы решили проверить: сможет ли искусственный интеллект снять с команды поддержки часть рутинных задач и вывести продуктивность отдела на новый уровень? Спойлер – он все смог.
ИИ и тикет-системы: от обработки отзывов до продуктовой аналитики
Эффективность работы саппорта чаще всего оценивают по трём ключевым метрикам клиентского опыта (CX). Согласно исследованиям 2025 года, приоритеты бизнеса распределились так:
- CSAT (Customer Satisfaction Score) – показатель удовлетворенности клиентов. Его назвали главным 31% респондентов;
- Удержание клиентов — метрика, напрямую связанная с ростом прибыли. Также в приоритете у 31% компаний;
- Время отклика — скорость, с которой пользователь получает ответ. На неё делают ставку 29% опрошенных. (HubSpot’s Annual State of Customer Service Report)
В геймдеве поток отзывов стабильно огромный и при этом очень разнородный: часть — короткие «5 ⭐️, всё супер», часть — развёрнутый негатив с деталями, часть — конкретные вопросы. Ручная обработка таких тикетов отнимает у саппорта массу времени, тогда как для бизнеса решающими остаются два критерия: скорость реакции и консистентность ответов.
Именно эти показатели напрямую отражаются на ключевых метриках CX: CSAT падает, если игроки ждут ответа дольше привычного, а удержание снижается, если ответы разрозненные или противоречивые. Поэтому без автоматизации такие объёмы просто невозможно обрабатывать – слишком велик риск потерять качество и доверие аудитории. К тому же ее приветствуют и сами клиенты: 46% пользователей отметили, что они готовы к помощи ИИ-агента, если он действительно решит их вопрос (Salesforce Data Research).
Для тикет-системы Malpa Games интеграция с ИИ должна была решить четыре прикладные задачи:
- Определить тональность отзыва (негативный/позитивный/нейтральный). Это позволяет быстро приоритизировать поток: критические тикеты отправлять на ручную обработку в первую очередь, а положительные отзывы – закрывать автоматически.
- Выявить причину негатива (например, «слишком много рекламы» или «вылеты на Android 14»).Такой анализ нужен не только саппорту, но и продуктовой команде: он показывает системные баги и точки раздражения игроков, а значит, помогает быстрее вносить изменения.
- Присвоить тег для систематизации отзывов. Это упрощает аналитику: можно видеть распределение тикетов по темам, отслеживать динамику и готовить отчёты без ручной разметки.
- Сформировать ответ – сгенерировать черновик или выбрать готовый шаблон для стандартных случаев, чтобы специалисты не тратили время на однотипные ответы и больше уделяли внимание сложным обращениям, где важен реальный человеческий контакт.
Чтобы протестировать подход, мы интегрировали в систему сразу две модели – ChatGPT и Gemini. Нам важно сравнить их по качеству классификации и стилю ответов в реальных сценариях. В дальнейшем мы планируем оставить только одну модель, но пока тестируем, какая справляется лучше и даёт большую ценность для команды поддержки.
Как работает автоматизация тикетов с помощью ИИ
Мы начали с самых простых сценариев, где ценность автоматизации очевидна. Сейчас ИИ помогает закрывать:
- Пустые тикеты, где пользователь оставил только оценку без текста, и обращение содержит только технические данные – устройство, операционная система, версия приложения;
- Короткие позитивные отзывы, в которых нет вопросов или пожеланий.
Модель анализирует отзыв, проверяет, подпадает ли он под заданные параметры, и автоматически подбирает подходящий ответ из заранее подготовленной директории.
Как искусственный интеллект меняет мир e-commerce и как с этим справиться
Читать статьюДля каждой группы тикетов мы создали несколько вариантов готовых ответов – они выбираются случайным образом, чтобы для клиента коммуникация не выглядела механической и неестественной.
Представим, что игрок оставил отзыв «5 ⭐️. Всё отлично!». ИИ распознаёт: язык – русский, длина – менее 50 символов, оценка – 5, вопросов нет. После чего система автоматически выбирает один из шаблонов:
- Спасибо за отзыв! Рады, что вам нравится игра 😊
- Благодарим за высокую оценку! Отличной игры!
- Спасибо, что играете с нами – это очень вдохновляет!
В итоге тикет закрывается без участия человека, а игрок получает быстрый и персонализированный ответ.
Вот как выглядит этот процесс пошагово:
- Тикет попадает в систему. Если он состоит только из оценки, ответ на него отправляется автоматически.
- Если в тикете с хорошей оценкой есть текст, ИИ определяет язык и контекст обращения, после чего обе модели генерируют готовые варианты ответов.
- При необходимости, ответ можно перегенерировать или перевести на другой язык. Итоговый вариант менеджер копирует, отправляет пользователю и закрывает тикет.
Правила автоматизации
Вместо того чтобы без разбора отправлять все отзывы в модель, мы сделали работу ИИ прозрачной и управляемой через справочник с автоматическими ответами – Auto-reply directory.
Он позволяет задавать конкретные сценарии в логике работы ИИ с тикетами:
- по языку – автоответ возможен только для отзывов на поддерживаемых языках;
- по длине текста – короткие отзывы можно закрывать шаблоном, длинные идут на анализ;
- по оценке – позитивные можно автоматизировать, негативные требуют ревью.
Назначать правила также можно выборочно: для конкретных проектов компании.
Результаты интеграции
За год работы ИИ в системе Malpa Games обработал 10 000 «пустых» тикетов (где пользователь оставил только оценку) и ещё 8 000 коротких стандартных отзывов. Всего это 18 000 обращений из 47 000 – почти 40% от общего потока обращений.
Если посчитать время, то экономика действительно впечатляет. Допустим, что на обработку одного простого тикета у менеджера уходит около двух минут: открыть, прочитать, присвоить тег, выбрать ответ, отправить. ИИ снял с команды необходимость делать это вручную 18 000 раз. В пересчёте это составляет около 600 рабочих часов – почти четыре месяца работы одного саппорт-менеджера.
Три урока об автоматизации поддержки с ИИ
На примере Malpa Games мы убедились, что даже базовая автоматизация повышает скорость ответа на отзывы и улучшает пользовательский опыт:
- Отработка самых простых кейсов даёт измеримый эффект – закрытие пустых и коротких отзывов снимает с команды сотни часов рутины и стабилизирует метрики отклика.
- Классификация отзывов создаёт продуктовую ценность – определение тональности и причин негативного обращения становится основой для продуктовых решений и приоритизации багов.
- ИИ усиливает, а не заменяет команду – автоматическая подготовка черновиков ответов снижает время реакции и делает работу менеджеров более осмысленной: они занимаются сложными кейсами, где важны эмпатия и контекст.
И дальше сценарии могут усложняться: от прогнозирования нагрузки на команду и автоматического распределения тикетов между агентами до динамической генерации ответов на основе базы знаний или анализа поведения пользователей в продукте. Такие возможности превращают ИИ в полноценный инструмент стратегического управления саппортом, а не просто помощника в рутинных задачах.
