Una agencia convierte los chats de Telegram en un canal estable de captación con un bot de IA de 5000 rublos

Los chats de Telegram pueden ser algo más que un lugar para el parloteo: también pueden funcionar como canal de ventas. El autor del caso explica cómo una agencia creó un bot de IA que rastrea chats empresariales abiertos, selecciona solicitudes de servicios y aporta un flujo estable de leads cualificados por unos 5000 rublos al mes.

Dónde buscar la demanda

La idea surgió de una observación sencilla: en los chats sectoriales de Telegram aparecen con regularidad peticiones de contratistas, consejos y ayuda. Para los equipos B2B es casi un tablón de anuncios en vivo, donde conversan empresarios, gerentes y personas que toman decisiones. El problema es que esas solicitudes se pierden entre miles de mensajes. Leer decenas de chats a mano es caro y lento, y dedicar a un empleado solo a la monitorización no compensa. Por eso casi todos tienen el canal, pero pocos lo usan de forma sistemática.

En lugar de contratar un servicio ya hecho con una rentabilidad poco clara, el equipo decidió probar la hipótesis por sus propios medios. Dentro de la empresa, un analista de negocio montó en una sola jornada laboral un bot que escucha chats abiertos de una base común, pasa los mensajes por un conjunto de filtros y envía a los gerentes solo lo que parece una necesidad real de un servicio. Después, una persona decide si entra en la conversación y hace una oferta por mensaje privado.

Cómo funciona la selección

El principal valor del sistema no resultó estar en el simple hecho de leer chats, sino en la lógica para eliminar el ruido. En Telegram hay demasiada basura: ofertas de empleo, pegotes publicitarios, charla, bromas y envíos masivos. Por eso el bot trabaja en varias etapas y no intenta volcarlo todo en el embudo del CRM. Primero limpia el flujo, luego comprueba el sentido del texto y después evalúa si el mensaje contiene una petición real de ayuda y no solo un debate sobre un tema.

«El bot escucha solo chats empresariales abiertos de mi base personal

y de la base que reunieron los empleados».

• El filtro antispam descarta mensajes con exceso de emojis, estilo publicitario y listas de vacantes de plantilla.
• La lematización reduce las palabras a su forma base y ayuda a captar el sentido aunque el autor escriba con errores o con jerga.
• Una base de unos 200 lemas clave vincula los mensajes con los servicios de la agencia: del marketing de performance a la auditoría y la analítica.
• El análisis de intención busca fórmulas como «necesito», «busco» y «recomienden» para separar la demanda real de la charla.

Tras la puntuación, el mensaje pasa una verificación final mediante un prompt con la lista de servicios de la agencia. Si el modelo considera relevante la solicitud, el bot la envía a un mensajero corporativo y no directamente al CRM. Es un detalle importante: los gerentes reciben una cola compacta para validar a mano y, si hace falta, pueden cambiar la lógica sin un desarrollador. Según el autor, los comandos y los prompts están en hojas de Google, de modo que los empleados añaden por sí mismos nuevos servicios y lemas clave y controlan el encendido o la parada del bot.

Economía y resultado

El presupuesto del proyecto es casi de microservicio. El lanzamiento costó unos 100 dólares de trabajo del analista de negocio, el servidor cuesta unos 5 dólares al mes y el gasto en OpenAI es de 20–50 dólares mensuales. Al cambio, son unos 5000 rublos de gasto mensual. En comparación, un gerente dedicado o un desarrollador externo costarían bastante más, sobre todo por la monitorización constante de decenas de miles de mensajes.

En la práctica, el bot lee decenas de miles de mensajes al mes, tras dos niveles de filtrado deja unos 800–1000 y luego ayuda a los gerentes a encontrar 15–22 solicitudes cualificadas al mes. De los mensajes que llegan al procesamiento manual, el 5–8% resultan relevantes y, de ellos, el 50–60% se convierten en leads para la agencia. Por el gran volumen de ruido, los autores decidieron deliberadamente no conectar la herramienta directamente al CRM: de lo contrario, la basura falsearía las estadísticas y le quitaría tiempo a ventas.

Qué significa

El caso muestra que los chats de Telegram pueden convertirse en un canal económico de generación de leads B2B si no se intenta automatizarlo todo y se deja la decisión final a una persona. Este enfoque funciona mejor donde los clientes están en chats temáticos: marketing, publicidad, inmobiliaria, consultoría. El activo principal no es el modelo en sí, sino una lógica de filtrado bien ajustada y un esquema operativo barato que el equipo sabe mantener sin la participación constante de un desarrollador.