AI-агент для маркетплейсов: автоматизация карточек, отзывов и ответов

AI агент для маркетплейсов нужен селлеру не для того, чтобы «управлять магазином сам», а чтобы снять с человека рутину: описания для сотен карточек, ответы на однотипные отзывы, разбор причин возвратов. Все эти задачи текстовые и повторяющиеся, поэтому хорошо ложатся на дешёвые модели через API. Ниже: какие задачи отдавать, как собрать пайплайн с проверкой человеком, как считать стоимость и чем модель не заменит аналитику.

Что отдавать агенту, а что нет

Подходят задачи, где есть входной текст или таблица и понятный формат результата:

Не отдавайте без проверки: цены, скидки, условия доставки и гарантии, любые обещания покупателю, медицинские и юридические утверждения. Правила площадок по оформлению карточек и ответов меняются, поэтому актуальные требования смотрите в документации самого маркетплейса.

Лучшая нейросеть для маркетплейсов: как выбирать

Универсальной «лучшей» модели нет, есть баланс цены, контекста и качества на ваших текстах. Практичный подход:

1. Возьмите 30–50 реальных примеров (отзывы, карточки).
2. Прогоните через две-три модели разной цены.
3. Попросите сотрудника выбрать приемлемые ответы вслепую.
4. Посчитайте цену на ваш объём и выберите самую дешёвую из приемлемых.

Ориентиры из каталога (цены на 18 октября 2026, $ за 1M токенов, вход / выход, индекс силы): deepseek-v4.1-flash 0.013 / 0.038 (39), glm-5.3-flash 0.04 / 0.04 (42), claude-sonnet-5-5 0.4 / 2 (48). Подробнее про выбор по индексу: индекс силы моделей↗.

Схема пайплайна

Работающий вариант для небольшого селлера:

1. Выгрузка. Вы экспортируете отзывы или характеристики из личного кабинета площадки в CSV (способ выгрузки смотрите в справке маркетплейса).
2. Обработка. Скрипт отправляет каждую строку в модель по правилам из системного промпта.
3. Проверка. Результат попадает в таблицу со статусом «на проверке»: человек читает, правит, ставит «ок».
4. Публикация. Утверждённые тексты вы публикуете сами или загрузкой файла, как позволяет площадка.

Публикацию без человека мы не советуем: ответ клиенту от вашего имени должен проверяться хотя бы выборочно.

Пример: ответы на отзывы и классификация

Просим модель одним запросом классифицировать отзыв и подготовить черновик. Код на OpenAI SDK, подробности в документации по Python↗:

import csv
import json
from openai import OpenAI

client = OpenAI(base_url="https://api.zukko.pro/v1", api_key="fetch_ваш_ключ")

SYSTEM = """Ты помогаешь продавцу отвечать на отзывы покупателей.
Для отзыва верни JSON: {"тема": "качество|доставка|размер|упаковка|цена|другое",
"тональность": "позитивная|нейтральная|негативная", "нужен_человек": true|false, "ответ": "..."}.
Правила: вежливо, без оправданий, не обещай возврат, скидку или компенсацию,
не придумывай фактов о товаре. Если есть жалоба на брак или здоровье, поставь нужен_человек = true.
Только JSON."""

def process(review: str, product: str, model: str):

Поле нужен_человек решает главную проблему: сложные и жалобные отзывы автоматически попадают на ручную обработку. Для больших объёмов запросы лучше отправлять параллельно, а не по одному.

Нейросеть для аналитики маркетплейсов

Здесь важно разделение труда. Числа считает код: выручку, конверсию, остатки, динамику по таблице считайте в pandas или Excel. Модели можно поручить интерпретацию: сгруппировать комментарии покупателей по темам, кратко описать, что изменилось, предложить гипотезы, которые вы потом проверите по данным. Если отдать модели большую таблицу целиком и просить «посчитай», ошибки в арифметике вероятны.

Каскад: дешёвая модель сначала, сильная по необходимости

Экономичная схема: все отзывы обрабатывает дешёвая модель, а те, где нужен_человек равно true или ответ получился сомнительным, переотправляются сильной модели, и только потом человеку. Принцип описан в статье каскад моделей↗.

Сколько это стоит

Допущения для примера: отзыв с инструкцией занимает 800 токенов входа, ответ 150 токенов выхода; 5 000 отзывов в месяц. Итого 4M токенов входа и 0.75M выхода.

• deepseek-v4.1-flash: 4 × 0.013 + 0.75 × 0.038 = 0.052 + 0.0285 = $0.0805
• claude-sonnet-5-5 (OpenAI-формат, без скидки за кэш): 4 × 0.4 + 0.75 × 2 = 1.6 + 1.5 = $3.10

Каскад: все 5 000 на deepseek-v4.1-flash ($0.0805), 500 сложных повторно на claude-sonnet-5-5: 0.4 × 0.4 + 0.075 × 2 = 0.16 + 0.15 = $0.31. Итого около $0.39.

Карточки: 1 000 штук, по 1 200 токенов входа и 700 выхода, то есть 1.2M и 0.7M.

• deepseek-v4.1-flash: 1.2 × 0.013 + 0.7 × 0.038 = 0.0156 + 0.0266 = $0.0422
• claude-sonnet-5-5: 1.2 × 0.4 + 0.7 × 2 = 0.48 + 1.4 = $1.88

Это арифметика цен, а не гарантия качества: хватит ли дешёвой модели для вашего тона и категории, покажет тест на реальных примерах. Свежие цены всегда в ответе GET https://api.zukko.pro/v1/models.

Чтобы попробовать, создайте ключ в кабинете↗ и прогоните скрипт на 30 своих отзывах.

Частые вопросы

Может ли агент сам отвечать на отзывы на маркетплейсе?

Технически можно, если площадка даёт для этого интерфейс, но мы советуем оставить проверку человеку, хотя бы выборочную. Правила автоматических ответов смотрите в документации маркетплейса.

Подойдёт ли нейросеть для аналитики продаж?

Для интерпретации и группировки текста да, для арифметики нет: суммы и динамику считайте кодом, а модель просите описать результат и предложить гипотезы.

Какая модель нужна для описаний карточек?

Начните с дешёвой и сравните с более сильной на 30–50 карточках вашей категории. Выбирайте самую дешёвую из тех, чьи тексты проходят вашу проверку.

Как не отправить в модель лишние данные?

Передавайте только текст отзыва и название товара. Имена покупателей и контакты убирайте до отправки.