Les chats Telegram sont devenus un canal stable de génération de leads avec un bot AI à 5 000 roubles

Telegram-чаты могут быть не только местом для флуда, но и рабочим каналом продаж. Автор кейса показал, как агентство собрало AI-бота, который отслеживает открытые бизнес-чаты, отбирает запросы на услуги и приносит стабильный поток квалифицированных лидов примерно за 5000 рублей в месяц.

Где искать спрос

Идея выросла из простого наблюдения: в отраслевых Telegram-чатах регулярно появляются запросы на подрядчиков, советы и помощь. Для b2b-команд это почти живая доска объявлений, где общаются предприниматели, менеджеры и люди, принимающие решения. Проблема в том, что такие запросы тонут в тысячах реплик.

Читать десятки чатов вручную дорого и долго, а выделять отдельного сотрудника только под мониторинг невыгодно. Поэтому канал есть почти у всех, но системно используют его немногие. Вместо готового сервиса с непонятной окупаемостью команда решила проверить гипотезу своими силами.

Внутри компании бизнес-аналитик за один рабочий день собрал бота, который слушает открытые чаты из общей базы, прогоняет сообщения через набор фильтров и отправляет менеджерам только то, что похоже на реальную потребность в услуге. После этого уже человек решает, стоит ли вступать в диалог и делать предложение в личных сообщениях.

Как устроен отбор

Главная ценность системы оказалась не в самом факте чтения чатов, а в логике отсечения шума. В Telegram слишком много мусора: вакансии, рекламные простыни, болтовня, шутки и рассылки. Поэтому бот работает в несколько этапов и не пытается отправить воронкой всё подряд в CRM. Сначала он чистит поток, потом проверяет смысл текста, а затем оценивает, есть ли в сообщении именно запрос на помощь, а не просто обсуждение темы.

«Бот слушает только открытые бизнес-чаты из моей личной базы и базы,

которую собрали сотрудники».

• Антиспам-фильтр отсеивает сообщения с избытком эмодзи, рекламным стилем и шаблонными списками вакансий.
• Лемматизация приводит слова к начальной форме и помогает ловить смысл, даже если автор пишет с ошибками или жаргоном.
• База из примерно 200 ключевых лемм связывает сообщения с услугами агентства: от performance-маркетинга до аудита и аналитики.
• Анализ намерения ищет формулировки вроде «нужен», «ищу» и «посоветуйте», чтобы отделить реальный спрос от болтовни. После скоринга сообщение проходит финальную проверку через промт с перечнем услуг агентства. Если модель считает запрос релевантным, бот отправляет его в корпоративный мессенджер, а не сразу в CRM. Это важная деталь: менеджеры получают компактную очередь для ручной валидации и при необходимости могут менять логику без разработчика. По словам автора, команды и промты вынесены в Google-таблицы, поэтому сотрудники сами добавляют новые услуги, ключевые леммы и управляют включением или остановкой бота.

Экономика и результат Экономика у проекта получилась почти микросервисной по бюджету.

На запуск ушло около 100 долларов работы бизнес-аналитика, сервер обходится примерно в 5 долларов в месяц, а расходы на OpenAI составляют 20–50 долларов в месяц. В пересчёте это и даёт примерно 5000 рублей ежемесячных затрат. Для сравнения, отдельный менеджер или внешний разработчик обошлись бы заметно дороже, особенно если учитывать постоянный мониторинг десятков тысяч сообщений.

На выходе бот читает десятки тысяч сообщений в месяц, после двух уровней фильтрации оставляет около 800–1000, а затем помогает менеджерам находить 15–22 квалифицированных запроса ежемесячно. Из сообщений, которые дошли до ручной обработки, релевантными оказываются 5–8%, а уже среди них 50–60% превращаются в лиды для агентства. Из-за большого объёма шума авторы сознательно не стали связывать инструмент с CRM напрямую: иначе мусор испортил бы статистику и отнимал бы время у продаж.

Что это значит

Кейс показывает, что Telegram-чаты можно превратить в недорогой канал b2b-лидогенерации, если не пытаться автоматизировать всё до конца, а оставить человеку финальное решение. Лучше всего такой подход работает там, где клиенты сидят в тематических чатах: маркетинг, реклама, недвижимость, консалтинг. Главный актив здесь не модель сама по себе, а правильно настроенная логика фильтрации и дешёвая операционная схема, которую команда умеет поддерживать без постоянного участия разработчика.