Привет. Я — основатель небольшой студии разработки и внедрения AI, 12 человек в команде. В 2023 году у нас была одна постоянная боль: где брать новых клиентов. Реклама в директе съедала бюджет быстрее, чем приносила лидов. Холодные звонки давали 2 встречи из 100. Рекомендации шли волнами: то густо, то пусто. Мы попробовали Telegram-чаты — и через полтора года эта история обернулась отдельным продуктом. Расскажу, как мы шли по этому пути — со всеми ошибками.
С чего всё началось
Один из наших разработчиков заметил: в профильных чатах для предпринимателей и IT-руководителей каждую неделю появляются сообщения вроде «нужна команда, чтобы обучить нейросеть отвечать на типовые вопросы клиентов» или «ищем подрядчика на интеграцию AI в CRM». Это были именно те задачи, которые мы умели решать. Только сообщений было много, а свободных людей на чтение чатов — ноль.
Первый подход — руками. Менеджер взяла 12 чатов и читала их по два раза в день. За первый месяц получили 4 заявки и закрыли 2 контракта. Деньги хорошие, ROI кратный. Но сам процесс жрал часов 15 в неделю одного человека.
Что мы пробовали
Шаг 1. Расширили охват. Подключили 30 чатов. Время на чтение выросло до 25–30 часов в неделю — нужен был уже отдельный сотрудник, и он быстро начал выгорать. Половина сообщений — флуд, треть — реклама других исполнителей, и только малая часть — реальные запросы.
Шаг 2. Попробовали фильтры по ключевым словам внутри Telegram. Помогло немного, так как запрос «ищу разработчика» — это и реальный заказчик, и человек, который ищет «разработчика-друга на халтуру», и репост вакансии. Шумно.
Шаг 3. Прикрутили ChatGPT через API. Скрипт скачивал сообщения за день и спрашивал у LLM: «это лид или нет?». Точность поднялась, но всё ещё нужно было сидеть и копировать сообщения. И обработка шла батчем раз в день, а быстрых лидов мы при этом упускали.
Шаг 4. Собрали свой пайплайн. Worker, который сам читает Telegram-чаты через клиентский протокол (важный момент: это не привычный бот — у бота нет доступа к большинству нишевых чатов, а подключение через MTProto к личному аккаунту). AI-классификатор с промптом, заточенным под нашу нишу. Доставка отобранных лидов в наш рабочий чат — буквально через пару минут после публикации сообщения.
В этот момент менеджер начал тратить на лиды не 25 часов в неделю, а 3. И большая часть этих 3 часов уходила теперь не на поиск, а на качественные ответы.
Что получилось за 1,5 года
Главное наблюдение: лидов в чатах больше, чем кажется. Но «лид» — это не сообщение со словом «ищу». Это сообщение с конкретным запросом, бюджетом или сроком, без признаков рекламы и не от коллеги-конкурента. Чтобы это распознать, нужна не только фильтрация по словам, но и понимание контекста.
У нас сложилась внутренняя воронка: подключили 40 чатов, получали поток качественных потенциальных обращений в месяц, доводили до встречи десяток, закрывали несколько сделок. Стоимость одного лида с учётом времени менеджера и инфраструктуры вышла в разы ниже, чем у нас же из директа.
Что не сработало и стало уроком
Самая болезненная ошибка — мы целый месяц спорили с фильтром «лид или нет». Пытались жёстко прописать правила: если есть слово «бюджет» — лид, нет — не лид. Это давало много ложных пропусков: половина клиентов формулирует запрос без слова «бюджет». Сдвинуть процесс получилось, только когда мы перешли от правил к классификации через LLM на примерах: модель сама училась на нескольких сотнях размеченных нами сообщений.
Вторая ошибка — пытались масштабировать чаты в первый же месяц. Подключили 50 чатов сразу. Получили лавину сообщений, на которые менеджер не успевал реагировать. Тогда поняли простую вещь: ширина охвата работает только при наличии нужной скорости обработки. Иначе она бессмысленна.
Третья — мы недооценили качество откликов. Сначала радовались «вот, лид пришёл», и менеджер отвечал шаблонами. Конверсия в диалог была низкой. Когда сделали 5 разных шаблонов под типы запросов и ввели правило «обязательно добавить пару предложений про конкретную задачу», конверсия выросла значительно. Это бесплатное удвоение, но оно стоило нам полугода понимания.
Почему мы вообще решили это отдать другим
Полтора года инструмент жил у нас как внутренний. Мы показывали его клиентам на встречах — и каждый второй спрашивал, можно ли поставить себе. У одних — юристов — была та же проблема: пропускали запросы в нишевых чатах по банкротству. У других — преподавателей — пропускали запросы в чатах ЖК и районных группах. У третьих — продуктовых агентств — заказы уходили конкурентам в профильных чатах для CPO.
В начале 2025 года мы выделили это в отдельный сервис — pulsar-tg. Сейчас он подключается к Telegram-аккаунту через QR-код или номер, читает выбранные чаты, AI отбирает потенциальные лиды и присылает их в нужный чат. Можно даже маршрутизировать разные категории по разным веткам обсуждения — например, лиды по ЕГЭ идут в одну ветку, по начальной школе в другую. На выходе — CRM-лента, фильтры, выгрузка в Excel со всеми деталями.
Что изменилось внутри команды
Самое неочевидное наблюдение касается не клиентов, а нас самих. Когда лиды стали приходить системно, изменился ритм работы. Раньше менеджер сидел в Telegram «всегда», пытаясь не пропустить. Это создавало фоновую тревогу: ушёл на встречу — могло уйти что-то важное. После автоматизации стало достаточно открывать чат с подобранными лидами 3 раза в день. Уменьшилось «выгорание от ленты».
Второе изменение — отдел продаж стал тратить время не на поиск, а на качество диалогов. Реальная конверсия в сделку выросла не потому, что лидов стало больше, а потому, что менеджер успевал думать над каждым ответом.
Третье — мы начали честнее смотреть на каналы. Когда видно, откуда какой лид пришёл, сразу понятно, какие чаты приносят деньги. Часть чатов, в которых мы сидели месяцами, оказались пустыми. Их мы отключили — и стало только лучше.
Если кратко
Telegram — рабочий канал для лидов, особенно в нишах услуг и B2B. Главное препятствие — не отсутствие клиентов, а невозможность физически отслеживать чаты. Снимите эту проблему любым способом — таблицей, помощником, автоматизацией или в нашем сервисе с бесплатным пробным периодом — и поток заявок появится. Мы пробовали 1,5 года и сами, и десятки клиентов после нас. Работает.