Прямой ответ
Модель ответов на отзывы маркетплейса - это система, где отзыв сначала сортируется по трём признакам (тон, наличие конкретики, чья зона ответственности), а потом получает один из трёх типов ответа: автоматический, шаблонный с подстановкой или индивидуальный от менеджера. Это позволяет селлеру стабильно обрабатывать сотни отзывов в день и не получать просадку рейтинга карточки.
Когда рейтинг падает, а товар тот же самый
В мае я разбирал процессы у селлера с оборотом около 9 млн ₽/мес. Категория - домашний текстиль. Менеджер по отзывам обрабатывает 80-120 штук в день, тратит на это весь рабочий день и ещё часть вечера. И всё равно за месяц рейтинг одной из топовых карточек уехал с 4,8 до 4,6. Товар тот же. Поставщик не менялся, фотки в карточке тоже. Просели на том, КАК отвечает менеджер: на четыре разных типа отзыва она отвечает примерно одинаково.
Я, Константин Барыбин, разрабатываю AI-модули под ручные узлы бизнеса. До этого сам владел маркетплейс-проектом на 12 млн ₽/мес, который в итоге обанкротился - отчасти потому, что мы относились к отзывам как к второстепенному процессу. Когда работаешь с десятками селлеров, видна одна и та же картина: лента отзывов есть, ответы есть, рейтинг ползёт вниз. Ниже - модель, которой пользуются мои клиенты в проде и которая обрабатывает у одного крупного ретейлера 100 отзывов в день.
Что покупатель на самом деле читает в ответах продавца
Сначала пара механических вещей, на которые многие селлеры закрывают глаза. На Wildberries ответы продавца проходят модерацию, и после публикации они видны всем - и в карточке товара, и в приложении. Модерация снимает ответы с грубостью, нецензурной лексикой, контактами вне платформы. На Ozon и Яндекс Маркете правила похожие: ответы публичные, фильтры есть. Ответ публикуется в карточке, и его читают будущие покупатели, когда решают, брать или нет.
Что они там видят? Не текст конкретного ответа. Они видят паттерн. Если на 30 последних отзывов селлер написал «Спасибо за ваш отзыв! Будем рады видеть вас снова!» - покупатель считывает: тут шаблон, продавцу всё равно. На негативе он считает то же самое. И это не невротическое преувеличение, это видно по поведению карточки: лента однотипных позитивных ответов после серии негативов отталкивает сильнее, чем отсутствие ответов в принципе.
Отсюда главная мысль модели. Тип ответа должен соответствовать типу отзыва, иначе ответы работают против карточки.
Три параметра, по которым сортируется отзыв
Модель начинается до того, как менеджер или AI вообще что-то пишет. Сначала отзыв проходит через три фильтра:
1. Тон - положительный, нейтральный, негативный.
2. Конкретность - есть ли в отзыве деталь (цвет, размер, доставка, упаковка, поведение продукта), или это общая реплика на полстроки.
3. Зона ответственности - чья проблема: селлера (брак, описание не совпадает), маркетплейса (доставка, упаковка склада), покупателя (взял не тот размер, не прочитал описание).
Дальше комбинации этих трёх параметров складываются в четыре основные категории. Я разбираю их в том порядке, в котором они мешают рейтингу: от безобидных к критичным.
1. Короткий позитив - тут можно автоматизировать
Самая безопасная категория. Отзыв вроде «Всё ок, спасибо», «Норм товар», «Дочке понравилось». Тон позитивный, конкретики ноль, никакой ответственности разбирать не надо.
Тут уместен короткий автоматический ответ, но не «спасибо за ваш отзыв, будем рады видеть вас снова». Этот шаблон стал маркером того, что отвечает бот, - покупатель его узнаёт за полсекунды.
Что работает: 3-4 варианта коротких ответов с лёгкой персонализацией под категорию товара. Например: «Спасибо, что выбрали наш плед. Если будете заказывать ещё, попробуйте сочетание с нашим же пододеяльником, под него у нас отдельная карточка». В этой категории AI справляется без участия человека. У среднего селлера это где-то 35-50% потока.
2. Позитив с деталями: шаблон с подстановкой
«Заказывала на годовщину свадьбы, упаковка отдельный кайф, муж не сразу даже понял, что внутри». «Купила сыну на ДР, размер взяли с запасом, как и советовали в карточке - попали идеально». Тон позитивный, конкретики много, разбираться, кто виноват, не нужно.
Тут нельзя автоматом ставить «спасибо». Покупатель потратил три предложения - в ответ нужно вытянуть хотя бы одну его деталь. AI-модуль может работать, но через структурированный промпт: достань из отзыва одну деталь, упомяни её, не ври.
В нашем случае ответ выглядит примерно так: «Спасибо, что выбрали наш текстиль на годовщину - приятно, когда упаковка тоже работает на впечатление. Если будете заказывать ещё на подарок, отметьте это при оформлении, мы вложим открытку». Деталь («годовщина»), реакция на конкретику («упаковка»), бонусная информация («открытка»). Никакого «надеемся, что вы вернётесь».
Эта категория тоже автоматизируется, но в более тонком режиме: AI пишет, человек проверяет выборочно один из пяти ответов - на случай, если в отзыве есть что-то, что бот не считал. Например, сарказм или скрытую иронию.
3. Когда виноват маркетплейс, а не вы
Категория, где селлера часто наказывают за чужие косяки. Звучит обычно так: «Везли 11 дней, коробка пришла мятая, внутри товар в порядке». Или: «Курьер не приехал в окно, пришлось забирать с пункта». Тон негативный, конкретика есть, ответственность - не селлера.
Самая частая ошибка тут - извиняться за то, что ты не делал. «Простите, мы постараемся доставлять быстрее» при том, что доставкой занимается WB или Ozon, - это и ложь, и слабость. Покупатель это видит, и доверие падает с двух концов: вы вроде как извинились, но при этом ничего не исправите, потому что не вы доставляете.
Правильная схема: признать факт проблемы, обозначить чужую зону без перекладывания вины, дать покупателю канал. «Жаль, что коробка пришла в таком виде. Сама доставка работает на стороне Wildberries, но если внутри пострадал и товар - напишите нам в чат площадки, мы оформим возврат или замену. Если с товаром всё ок, спасибо, что нашли время написать: такие отзывы помогают нам выбивать со склада лучшее качество упаковки».
В этой категории AI пишет черновик, а человек проверяет каждый ответ перед публикацией. Полная автоматизация тут опасна: один раз модель скажет лишнее - даст обещание, которое вы не можете выполнить, - и это публичный косяк в карточке.
4. И самое сложное - негатив на ваш товар
«Заявленный размер L, по факту натянул как M, материал жёсткий». «Цвет на фото - бордо, в реальности - грязно-розовый». «Швы кривые, нитки торчат». Тон негативный, конкретика подробная, ответственность - селлера.
Эту категорию автоматизировать нельзя. AI бы справился технически. Просто работа здесь - другого типа: ответ селлера публично фиксирует его позицию по конкретной претензии. На таких ответах ошибаются менеджеры по поддержке с опытом, ставить их на бота безответственно.
Что обязательно должно быть в ответе человека: признание факта без «возможно вам показалось», действие (что вы сделаете), уход в частный канал. И никаких шаблонных извинений: покупатель моментально видит, что его конкретный случай не разобран.
Объём этой категории у нормального селлера - 5-15% потока. Их можно поставить в отдельную очередь и распределить между двумя-тремя обученными менеджерами. Если негатива по существу больше 20% - проблема не в ответах, а в товаре или карточке, и тогда модель ответов вас не спасёт.
Что обычно идёт не так
Три ошибки, которые встречаются почти у всех селлеров, которых я смотрел.
Первая - одинаковые шаблоны на разных типах отзывов. Один и тот же «Спасибо за ваш отзыв» и на «всё круто», и на «развалилось через неделю». Покупатель сравнивает несколько ответов подряд и видит, что селлер не читает.
Вторую часто не замечают даже опытные менеджеры по поддержке: копирование удачного ответа дословно. Модерация Wildberries отслеживает повторы, и через какое-то количество одинаковых формулировок начинает их снимать. Селлер думает, что отвечает, а у него каждый второй ответ ушёл в отказ модерации и до карточки не дошёл.
И отдельная история - длинные оправдания на негатив. Когда покупатель видит абзац из шести предложений в защиту, он считывает за этим попытку прикрыть проблему. На негативе ответ должен быть короче, чем на нейтральном позитиве.
Ограничения метода
Тут несколько важных оговорок, без которых модель работает плохо или не работает совсем.
20 февраля 2026 Wildberries сам запустил инструмент «Автоответы на отзывы» - встроенный AI, который формирует ответ на основе текста отзыва, карточки товара и предыдущих ответов селлера (по данным ppc.world со ссылкой на анонс площадки). Для селлеров на потоке до 30-50 отзывов в день это уже шаг вперёд по сравнению с ручной работой. Описанная модель отличается тем, что разделяет потоки по типам и оставляет негатив по вашей зоне за человеком. Но если у вас 30 отзывов в день и нет менеджера по поддержке, встроенный инструмент WB закроет 80% задачи без необходимости что-то ещё внедрять.
Второе. Модель работает на товарных категориях, где отзывы предсказуемые: одежда, обувь, домашний текстиль, посуда, бытовые мелочи. В сложных категориях (электроника, БАДы, детское питание) добавляется юридический и репутационный риск: часть ответов должна сверяться с инструкцией от юриста, и автоматизация съёживается до категорий 1 и 2.
Третье и самое неудобное. Модель не лечит плохой товар. Если в карточке 30% негатива по самому товару (а не по логистике или размеру), ни один режим ответов не вытянет рейтинг. Сначала надо чинить товар или карточку, и только потом разворачивать модель ответов.
Если коротко
Покупатель оценивает не отдельный ответ, он оценивает поведение продавца как привычку. Когда привычка - отвечать на разное одинаково, рейтинг падает даже на хорошем товаре. Когда привычка - отвечать на разное по-разному, AI делает половину работы, а менеджер занимается тем, ради чего его и нанимали.
FAQ
А если негатив прилетел ночью и до утра висит без ответа?
Окно реакции на WB и Ozon - порядка суток до того, как алгоритм начинает считать карточку нерегулярно обслуживаемой. Один пропущенный негатив за ночь не критичен. Опасно, когда пропусков подряд несколько: тогда падает не только конкретная карточка, но и общий показатель продавца.
Чем эта модель отличается от шаблонов в личном кабинете маркетплейса?
Шаблоны в личном кабинете - заготовленные тексты, которые менеджер выбирает руками. Модель добавляет два слоя поверх: автоматическую сортировку отзывов до выбора шаблона и решение о том, кто отвечает - бот, бот с проверкой человека или только человек. Шаблоны можно использовать внутри модели, но не вместо неё.
Сколько отзывов в день реально отдать AI без потери качества?
По нашим данным с проекта крупного ретейлера, доля автоматизируемых отзывов держится на уровне 65-75% общего потока (категории 1 и 2). Остальное - либо человек, либо человек поверх AI-черновика. То есть из 100 отзывов в день AI закрывает около 70 полностью, ещё 20 идут в режиме «бот пишет, человек правит», и около 10 уходят к менеджеру в очередь.
А если модерация WB снимет AI-ответ?
Чаще всего модерация снимает за дословные повторы и за неуместные обещания. Решается на уровне настройки промпта: бот не должен выдавать ответы, идентичные предыдущим (минимум 4-5 вариаций на категорию), и не должен ничего обещать про сроки, скидки и возвраты без проверки человека.
С чего начать, если внедрять модель самим?
Возьмите последние 100 отзывов своей карточки и распределите их по четырём категориям вручную. Это покажет вашу собственную пропорцию потока. Дальше под две первые категории напишите по 4-5 шаблонов и подключите к ним любой доступный AI с проверкой одного из пяти. Категории 3 и 4 первое время держите за человеком - и только когда поймёте свои типовые ответы, можно собирать AI-черновик и для третьей.