Класифікація замість ChatGPT: як сортувати заявки й листи в рази дешевше

Типова картина в компанії на 20–50 людей: у загальну пошту й форму на сайті падає 150–300 звернень на день. Хтось один їх переглядає і розкидає: це продаж, це рекламація, це бухгалтерія, це спам. На кожне звернення йде хвилина-дві. У сумі виходить 3–6 годин на день, тобто пів ставки або й ціла людина, яка нічого не продає і нічого не вирішує, а просто сортує.

Цю роботу давно можна віддати машині. Причому не ChatGPT, а значно дешевшому інструменту — класифікатору.

Чим класифікатор відрізняється від ChatGPT?

Генеративна модель (ChatGPT, Claude, Gemini) пише текст з нуля. Класифікатор нічого не пише: він читає вхідні дані й обирає відповідь із тих варіантів, які ви дали заздалегідь.

На практиці бізнесу найчастіше треба саме друге. Чи це спам? До якого відділу звернення? Наскільки терміново? Чи клієнт незадоволений? Жодне з цих питань не потребує твору на три абзаци, потрібна лише мітка.

Свіжий приклад такого інструменту — Jev від TypeSafe, який вийшов 15 вересня 2026 року. Він відповідає на три типи питань:

• вибір одного з варіантів (до 255 категорій): «продаж / сервіс / бухгалтерія / спам»
• оцінка за шкалою від 2 до 10 рівнів: «терміновість від 1 до 5»
• так/ні з імовірністю: «чи клієнт погрожує піти — 0,87»

Модель не генерує текст, тому не може «нафантазувати» категорію, якої нема в списку. Для автоматизації це важливіше, ніж здається: не треба писати перевірки на випадок, що модель відповіла щось своє.

Скільки це коштує порівняно з LLM?

Ціни за мільйон вхідних токенів на вересень 2026:

Щоб відчути масштаб: 300 листів на день по ~500 токенів — це близько 4,5 млн токенів на місяць. На Jev це менше $0,20 на місяць. Навіть на GPT-4o mini — менше долара. Основна витрата тут не модель, а налаштування інтеграції, і вона разова.

Швидкість теж інша: класифікатор відповідає за 70–500 мс, генеративна модель — за кілька секунд.

Де класифікація вже окупається

1. Розподіл вхідних листів і заявок

Лист приходить → класифікатор визначає тип і терміновість → у CRM (KeyCRM, SalesDrive, KeepinCRM, Planfix) створюється задача чи угода на потрібного відповідального. Людина бачить уже розкладене.

Що змінюється: сортування займає секунди замість годин, а звернення не губляться в загальній скриньці. Помилки маршрутизації не зникають повністю, тому перші тижні варто перевіряти вибірку вручну і правити список категорій.

2. Скоринг лідів

Нова заявка з сайту: це реальний клієнт, конкурент на розвідці чи студент з курсовою? Класифікатор ставить оцінку, і менеджер спершу дзвонить тим, у кого вона висока. Для відділу продажів на 3–5 людей це помітно скорочує час до першого дзвінка «гарячому» ліду.

3. Фільтр перед генеративною моделлю

Якщо у вас є бот-консультант по базі знань, не обов'язково кожне питання відправляти в дорогу модель. Спершу класифікатор визначає, про що питання і чи воно взагалі по темі, а в LLM іде лише потрібний шматок бази. Відповідь стає і дешевшою, і точнішою.

4. Перевірка даних перед передачею людині

Система витягла з рахунку постачальника суму, дату й назву. Класифікатор перевіряє кожне поле простими питаннями: чи сума в розумних межах, чи дата не з минулого року, чи постачальник є в довіднику. Помилки ловляться на вході, а не в квартальному звіті.

Скільки можна зекономити?

Порахуємо на прикладі служби підтримки, де людина сортує звернення 4 години на день.

Пів ставки оператора в Україні — це 150–250 тис. грн на рік із податками. Якщо сортуванням займаються кілька людей, економія переходить за 300 тис. Людей ніхто не звільняє: вони нарешті відповідають клієнтам, а не розкладають пошту.

Як почати

Крок 1. Оберіть один потік. Не треба «автоматизувати все». Візьміть найбільш рутинне: загальну пошту, форму на сайті або вхідні повідомлення з месенджерів.

Крок 2. Складіть список категорій. 4–8 штук, взаємовиключних, зрозумілих людині. Якщо ви самі не можете однозначно віднести лист до категорії — модель теж не зможе.

Крок 3. Оберіть модель. Jev поки в ранньому доступі (лист очікування), його також можна підключити через Vercel AI Gateway. Поки доступу нема — те саме робить GPT-4o mini чи Claude Haiku через OpenRouter зі строгим списком відповідей. Дорожче, але на таких обсягах різниця в доларах.

Крок 4. Під'єднайте до CRM. Зазвичай це сценарій у n8n: новий лист → запит до класифікатора → задача в CRM з потрібним відповідальним і пріоритетом. Логіка приблизно така (псевдокод):

ticket = read_email()

category = classify(ticket.text,
                    choices=["продаж", "сервіс", "бухгалтерія", "спам"])
urgency = score(ticket.text, levels=5)

if category == "спам":
    archive(ticket)
elif urgency >= 4:
    create_task(ticket, assignee="старший менеджер", priority="high")
else:
    create_task(ticket, assignee=team_for(category))

Крок 5. Перші два тижні перевіряйте. Раз на день відкривайте 20 випадкових звернень і дивіться, чи правильно вони розкладені. Правте категорії, а не модель.

Коли класифікатор не підходить?

Коли категорій немає або вони постійно змінюються. Коли треба не розкласти, а відповісти по суті чи скласти документ, там потрібна генеративна модель. І коли звернень 10 на день: людина впорається швидше, ніж ви налаштуєте інтеграцію.

Коротко про головне

• Класифікатор обирає відповідь із заданих варіантів, а не пише текст. Для сортування, скорингу й перевірки цього достатньо.
• Jev від TypeSafe коштує $0,042 за мільйон вхідних токенів, вихід безкоштовний. Це в десятки разів дешевше за GPT-4o.
• Найшвидше окупається розподіл вхідних листів і заявок по відділах із задачею в CRM.
• Починати варто з одного потоку і 4–8 чітких категорій, під'єднаних до CRM через n8n.
• Якщо звернень менше 100 на день, автоматизація сортування найчастіше не окупиться.

Джерела

• DataCamp — Jev: TypeSafe's System One Model
• Firecrawl — What Is Jev?
• Flavio Copes — A deep dive into Jev