Заказы из писем без регулярных выражений: как AI разбирает почту для CRM

Часть заказов до сих пор приходит не через сайт и не через API, а обычным письмом на почту: агрегаторы и партнёрские сети без интеграции, сайты-конструкторы, где нельзя вмешаться в код, старые B2B-контрагенты, которые всю жизнь присылали заявку в свободной форме. Если таких писем пять в день — их разбирают руками. Если пятьдесят, с десятком полей в каждом — ручная обработка съедает время менеджера и рано или поздно приводит к ошибке: не тот телефон, не тот артикул, потерянный заказ.

Как эту задачу решали раньше — по шаблону

Классический подход — модуль, который забирает почту по IMAP и разбирает письмо по жёсткому шаблону: по маске темы письма понимает, что это заказ, а дальше регулярными выражениями вытаскивает поля — ФИО, телефон, адрес, способ оплаты и доставки, артикулы и количество товаров. Отдельно настраивается справочник соответствий: как текст «наличными курьеру» из письма превращается в нужный код способа оплаты в CRM.

Это рабочая схема, и мы её используем — у нас есть модуль обработки заказов с почты именно на таком принципе. Но у неё есть системное ограничение: регулярное выражение настроено на конкретный формат письма. Пока отправитель не меняет шаблон — всё работает. Как только он меняет форму заказа, добавляет поле или присылает письмо чуть иначе — разбор ломается, и нужно вручную переписывать регулярку под новый формат.

Что меняет AI в этой задаче

Языковая модель не ищет текст по жёсткому шаблону — она понимает смысл письма. Ей не нужна маска темы и специально настроенное регулярное выражение под каждый формат: она вычленяет те же поля (получатель, телефон, адрес, состав заказа, способ оплаты) из письма, даже если оно написано свободным текстом, с другой структурой или на смеси форматов — например, часть заказа в теле письма, часть во вложенном файле.

Вот как это выглядит на примере одного письма — слева текст, справа то, во что его превращает AI:

Иллюстративный пример: письмо от партнёра без строгого шаблона и то, как AI раскладывает его на поля заказа — клиента, телефон, адрес, товары и оплату распознаёт по смыслу, а не по маске.

Практически это выглядит так:

1. Письмо приходит на почтовый ящик.
2. AI читает текст (и, при необходимости, вложение) и раскладывает его по полям заказа — так же, как это делает блок «AI-структурирование данных»: неструктурированный текст → карточка клиента, состав заказа, теги.
3. Данные попадают в CRM или учётную систему — RetailCRM, 1С, МойСклад — тем же путём, что и заказ с сайта.
4. Если AI не уверен в разборе (адрес неполный, товар не находится в каталоге, поле противоречит другому) — заказ не создаётся автоматически, а уходит на подтверждение менеджеру. Это принципиально: система не должна додумывать данные, которых в письме нет.

Дальше к такому заказу можно применить то же, что и к обычному — например, геокодировать адрес доставки для маршрута курьера, или сразу проверить его на дубль по клиентской базе.

Чем это лучше шаблонного разбора — и чем нет

Сильная сторона AI-подхода — устойчивость к изменению формата и способность работать со свободным текстом, где нет чёткой структуры вообще. Не нужно вручную переписывать регулярку каждый раз, когда контрагент присылает заказ чуть иначе.

Но это не значит, что регулярные выражения устарели как класс. Если формат письма стабилен и не меняется годами (типовой агрегатор с фиксированным шаблоном), шаблонный разбор предсказуем, быстрый и не требует вычислительных ресурсов на каждое письмо. AI-разбор выигрывает там, где форматов много, они нестабильны или заказ приходит в свободной форме — а не как универсальная замена во всех случаях.

Что в итоге

Обработка заказов из почты — старая задача, у которой раньше было одно решение: регулярное выражение под конкретный шаблон письма, требующее ручной перенастройки при любом изменении формата. AI не отменяет эту схему, а закрывает её слабое место — работу со свободным текстом и меняющимися форматами, без необходимости под каждый новый шаблон переписывать правила разбора.

Настроим разбор заказов из почты — по шаблону или через AI, в зависимости от того, насколько стабилен формат у ваших контрагентов → «AI-обработка данных и рутины».