مجموعات Telegram تتحول إلى قناة مستقرة لتوليد العملاء المحتملين بفضل بوت ذكاء اصطناعي يكلّف 5000 روبل

قد لا تكون مجموعات Telegram مجرد مكان للثرثرة، بل قناة مبيعات عملية أيضًا. يعرض صاحب هذه الحالة العملية كيف بنت وكالة بوتًا بالذكاء الاصطناعي يتابع مجموعات الأعمال المفتوحة، ويختار منها طلبات الخدمات، ويجلب تدفقًا مستقرًا من العملاء المحتملين المؤهلين بتكلفة تقارب 5000 روبل شهريًا.

أين نبحث عن الطلب

نشأت الفكرة من ملاحظة بسيطة: تظهر في مجموعات Telegram القطاعية بانتظام طلبات للبحث عن مقاولين وطلبات للنصح والمساعدة. وبالنسبة لفرق B2B، تكاد تكون هذه المجموعات لوحة إعلانات حيّة يتحدث فيها رواد الأعمال والمديرون وأصحاب القرار.

المشكلة أن هذه الطلبات تضيع بين آلاف الرسائل. فقراءة عشرات المجموعات يدويًا مكلفة وتستغرق وقتًا طويلًا، كما أن تخصيص موظف للمراقبة وحدها غير مجدٍ اقتصاديًا. لذلك تملك معظم الشركات هذه القناة، لكن قلّة منها فقط تستخدمها بشكل منهجي.

وبدلًا من اللجوء إلى خدمة جاهزة غير واضحة الجدوى، قرر الفريق اختبار الفرضية بإمكاناته الذاتية. فقد بنى محلل أعمال داخل الشركة، خلال يوم عمل واحد، بوتًا يتابع المجموعات المفتوحة من قاعدة مشتركة، ويمرّر الرسائل عبر مجموعة من المرشِّحات، ثم يرسل إلى المديرين فقط ما يبدو حاجة حقيقية إلى خدمة. بعد ذلك يقرر الإنسان بنفسه ما إذا كان من المناسب بدء حوار وتقديم عرض في الرسائل الخاصة.

كيف تجري عملية الانتقاء

لم تكمن القيمة الأساسية للنظام في مجرد قراءة المجموعات، بل في منطق استبعاد الضجيج. ففي Telegram كمّ هائل من المحتوى عديم القيمة: وظائف شاغرة، ونصوص إعلانية طويلة، وأحاديث جانبية، ونكات، ورسائل جماعية. لذلك يعمل البوت على عدة مراحل، ولا يحاول تمرير كل شيء إلى CRM دفعة واحدة. فهو ينقّي التدفق أولًا، ثم يتحقق من معنى النص، ثم يقيّم ما إذا كانت الرسالة تتضمن طلب مساعدة فعلًا، لا مجرد نقاش حول موضوع ما.

«البوت يستمع فقط إلى مجموعات الأعمال المفتوحة من قاعدتي الشخصية ومن

القاعدة التي جمعها الموظفون».

• يستبعد مرشّح مكافحة الرسائل المزعجة الرسائل التي تحتوي على إفراط في الرموز التعبيرية، أو أسلوب إعلاني، أو قوائم وظائف نمطية.
• تردّ عملية الاشتقاق (Lemmatization) الكلمات إلى صيغتها الأصلية، وتساعد على التقاط المعنى حتى لو كتب صاحب الرسالة بأخطاء أو بلغة عامية.
• تربط قاعدة تضم نحو 200 جذر لغوي رئيسي الرسائل بخدمات الوكالة، من التسويق القائم على الأداء (performance marketing) إلى التدقيق والتحليلات.
• يبحث تحليل النية عن صيغ مثل «مطلوب» و«أبحث عن» و«انصحوني» لتمييز الطلب الحقيقي عن الثرثرة.

بعد التقييم بالنقاط، تخضع الرسالة لفحص نهائي عبر prompt يتضمن قائمة بخدمات الوكالة. وإذا اعتبر النموذج الطلب ذا صلة، يرسله البوت إلى المراسل الداخلي للشركة، لا مباشرةً إلى CRM. وهذه تفصيلة مهمة: فالمديرون يتلقون قائمة انتظار مضغوطة للتحقق اليدوي، ويمكنهم عند الحاجة تغيير المنطق دون الاستعانة بمطوّر.

وبحسب صاحب الحالة، نُقلت الأوامر والـ prompts إلى جداول Google، لذا يضيف الموظفون بأنفسهم خدمات جديدة وجذورًا لغوية جديدة، ويتحكمون في تشغيل البوت أو إيقافه.

الجدوى الاقتصادية والنتيجة

جاءت اقتصاديات المشروع من حيث الميزانية أقرب إلى الخدمات المصغّرة. فقد كلّف الإطلاق نحو 100 دولار هي كلفة عمل محلل الأعمال، ويكلّف الخادم نحو 5 دولارات شهريًا، وتتراوح نفقات OpenAI بين 20 و50 دولارًا شهريًا. وعند التحويل، يعادل ذلك نحو 5000 روبل من النفقات الشهرية.

وللمقارنة، كان مدير مخصص أو مطوّر خارجي سيكلّف أكثر بكثير، خاصة مع احتساب المراقبة المستمرة لعشرات الآلاف من الرسائل.

وعلى مستوى المخرجات، يقرأ البوت عشرات الآلاف من الرسائل شهريًا، ويُبقي بعد مرحلتي التصفية على نحو 800–1000 رسالة، ثم يساعد المديرين في العثور على 15–22 طلبًا مؤهلًا كل شهر. ومن بين الرسائل التي وصلت إلى المعالجة اليدوية، يتبيّن أن 5–8% منها ذات صلة، ومن هذه الرسائل يتحول 50–60% إلى عملاء محتملين للوكالة. وبسبب الحجم الكبير للضجيج، تعمّد الفريق عدم ربط الأداة بـ CRM مباشرة، وإلا لأفسدت المخلفات الإحصاءات واستنزفت وقت فريق المبيعات.

ماذا يعني ذلك

تُظهر هذه الحالة أن مجموعات Telegram يمكن تحويلها إلى قناة منخفضة التكلفة لتوليد العملاء المحتملين في قطاع B2B، بشرط عدم محاولة أتمتة كل شيء حتى النهاية، وترك القرار الأخير للإنسان. ويعمل هذا النهج بأفضل صورة حيث يتواجد العملاء في مجموعات موضوعية: التسويق، والإعلان، والعقارات، والاستشارات.

والأصل الرئيسي هنا ليس النموذج بحد ذاته، بل منطق التصفية المضبوط بشكل صحيح، والمنظومة التشغيلية الرخيصة التي يستطيع الفريق صيانتها دون مشاركة دائمة من المطوّر.