01 — Кейс · ML Нейросети

AI-автоматизация B2B-аутрича в Telegram

Мы разработали для B2B-агентства систему, которая ведёт аутрич в Telegram от начала до конца. Она находит лидов по идеальному профилю клиента, собирает о них данные и проверяет контакты, пишет персональные сообщения с помощью нескольких языковых моделей и учится на ответах — подбирает тон, первую фразу, время отправки и порядок повторных касаний. Доля положительных ответов от руководителей и основателей компаний — 36,4 %.

NDA

Обновлено: 22 октября 2026 г.

Смотреть кейс

функциональных модулей: 6
этапов разработки: 5
ключевых технологий: 6

02 — Контекст

Задача проекта

Исходная ситуация, ограничения и проблемы, которые должна была решить новая система.

В начале 2024 года к нам обратилось B2B-агентство: ему нужен был масштабируемый инструмент для выхода на ценных лидов в Telegram. Задача — автоматизировать первые касания и при этом сохранить персональный тон, чтобы руководители и основатели компаний отвечали как можно чаще.

Агентству нужно было писать лицам, принимающим решения, в большом объёме, не теряя в качестве и персонализации. Ручной аутрич отнимал слишком много времени и никак не подстраивался под реакцию получателей. Требовалась система, которая сама находит квалифицированных лидов, пишет сообщения с учётом контекста и улучшает результат по ответам.

Отдельное условие — работать в рамках лимитов и антиспам-защиты Telegram: доставляемость должна оставаться высокой, а аккаунты не должны попадать под блокировки.

Ручной аутрич не масштабируется
Поиск лидов, сбор данных о них и персональные сообщения вручную отнимали слишком много времени. Увеличить охват без потери качества переписки не получалось.
Нет обучения на ответах
Привычный аутрич не учитывал, как получатели реагируют на сообщения. Какие формулировки, время отправки и повторные касания работают лучше, оставалось догадкой.
Лимиты и антиспам Telegram
Массовая отправка упирается в ограничения частоты и антиспам-защиту мессенджера. Без контроля нагрузки аккаунты блокируются, и кампания останавливается.

03 — Возможности

Что делает система

Ключевые сценарии и рабочие модули, собранные в единую систему.

Поиск и обогащение лидов
Модуль сбора данных сам находит потенциальных клиентов по идеальному профилю агентства. Из нескольких источников он извлекает сведения о компании, роли и профессиональном контексте и собирает полный профиль каждого лида. Для сбора используются ротируемые прокси и аккуратные шаблоны запросов, чтобы не срабатывала защита сайтов от ботов.
Проверка и оценка лидов
До первого сообщения система проверяет контактные данные и оценивает каждого лида по вероятности ответа. Рассылка сосредоточена на самых перспективных получателях, поэтому кампании работают эффективнее, а сообщений «в пустоту» становится меньше. Оценка опирается на собранный профиль: компанию, роль и профессиональный контекст лида.
Сообщения от нескольких LLM
Тексты пишут несколько языковых моделей: GPT от OpenAI, Claude от Anthropic и дообученные локальные модели. Система проверяет разные тона, структуры и стили и выясняет, что лучше заходит каждому сегменту аудитории. Сообщения персонализируются под конкретного получателя и учитывают контекст его компании и роли.
Доставка через Telegram
Модуль отправки рассылает сообщения через Telegram API и сам следит за лимитами частоты. Он работает с несколькими аккаунтами и ротирует их, чтобы сохранять доставляемость и не попадать под блокировки. Каждая переписка отслеживается, поэтому система знает, кто ответил, а кому пора отправить следующее касание.
AutoML-оптимизация
Слой AutoML анализирует ответы и сам меняет стратегию сообщений. Он выясняет, какие первые фразы вызывают больше откликов, в какое время получатели чаще отвечают и в каком порядке отправлять повторные касания. A/B-тесты запускаются автоматически, а модели прогнозируют вероятность ответа и предлагают, как улучшить текст.
Аналитическая панель
Команда агентства видит результаты кампаний в реальном времени: вовлечённость, долю ответов, содержание переписок и окупаемость. Это общая картина по всем кампаниям, которые агентство ведёт одновременно. Мониторинг, логирование и оповещения помогают держать работу системы стабильной и быстро находить и разбирать сбои.

04 — Архитектура

Технологический стек

Технологии выбраны под нагрузку, интеграции и дальнейшее развитие продукта.

Зачем в проекте · 01 / 06

Python

На Python написаны серверная обработка и вся автоматизация: сбор лидов, отправка сообщений и ML-конвейер. Один язык для всех слоёв упрощает связку компонентов и сопровождение системы.

Зачем в проекте · 02 / 06

Telegram API

Через Telegram API идёт вся доставка сообщений. Встроенный контроль частоты и ротация аккаунтов сохраняют доставляемость и защищают от блокировок, а отслеживание переписок даёт данные для оптимизации.

Зачем в проекте · 03 / 06

OpenAI GPT, Anthropic Claude, local LLMs

Несколько моделей вместо одной позволяют сравнивать тон, структуру и стиль сообщений и выбирать лучший вариант для каждого сегмента аудитории. Дообученные локальные модели дополняют облачные.

Зачем в проекте · 05 / 06

NLP + ML Pipeline

Конвейер машинного обучения обрабатывает переписки в реальном времени и извлекает признаки из текста сообщений, времени отправки и профилей получателей. На них работают модели, которые прогнозируют вероятность ответа.

05 — Процесс

Как шла разработка

Последовательность работ от исследования задачи до запуска и проверки результата.

Поиск лидов по профилю клиента
Построили модуль сбора данных вокруг идеального профиля клиента агентства: поиск потенциальных клиентов, обогащение профилей данными о компании и роли, проверка контактов и оценка лидов по вероятности ответа.
Сообщения на нескольких моделях
Подключили GPT, Claude и дообученные локальные модели и проверили на них разные тона, структуры и стили сообщений, чтобы понять, что работает для каждого сегмента аудитории.
Доставка без блокировок
Собрали модуль отправки на Telegram API с контролем лимитов, поддержкой нескольких аккаунтов, их ротацией и отслеживанием переписок, чтобы держать доставляемость в рамках антиспам-правил мессенджера.
Самообучающаяся оптимизация
Запустили ML-конвейер, который в реальном времени обрабатывает переписки, прогнозирует вероятность ответа и через AutoML меняет первые фразы, время отправки и порядок повторных касаний.
Аналитика и масштабирование
Добавили аналитическую панель, мониторинг, логирование и оповещения и развернули систему на инфраструктуре, которая выдерживает рост объёма рассылок вместе с клиентской базой агентства.

06 — Итог

Результаты

Что создано в рамках проекта: рабочий контур, реализованные возможности и подтверждённые факты.

положительных ответов от руководителей и основателей: 36,4 %
GPT, Claude и локальные модели подбирают тон под сегмент: Multi-LLM
кампании улучшаются от недели к неделе без ручной настройки: AutoML
поиск лидов, сообщения, время отправки и повторные касания: Полный цикл

Система получила 36,4 % положительных ответов от руководителей и основателей компаний — заметно выше привычных показателей холодного аутрича. AI-оптимизация снизила долю блокировок: система постоянно учится на реакции получателей и меняет подход.

Агентство ведёт несколько кампаний одновременно и сохраняет в них персональные сообщения с учётом контекста. Благодаря AutoML результаты растут от недели к неделе без ручной настройки. Поиск лидов, написание сообщений, выбор времени отправки, повторные касания и анализ результатов система выполняет сама — ручной трудоёмкий процесс превратился в масштабируемый канал роста на данных.

Детали проекта

Почему кейс без имени клиента

Название агентства мы не раскрываем. Для компании, которая продаёт клиентам выход на руководителей, база лидов, сценарии сообщений и показатели кампаний — основа бизнеса, поэтому закрытыми остаются имя заказчика, его аудитория и всё, по чему их можно вычислить. Рекомендацию заказчика можем предоставить по запросу в рамках NDA.

При этом устройство системы мы описываем открыто: как собираются и оцениваются лиды, как несколько языковых моделей пишут сообщения, как AutoML учится на ответах и как доставка остаётся в рамках лимитов Telegram. Как такой контур ляжет на вашу воронку продаж, разберём на встрече.

FAQ

Вопросы о проекте

Модуль отправки сам следит за лимитами частоты Telegram, работает с несколькими аккаунтами и ротирует их, чтобы нагрузка не копилась на одном. Слой AI-оптимизации учится на реакции получателей и меняет подход, поэтому доля блокировок со временем снижается. Сбор данных о лидах идёт через ротируемые прокси и аккуратные шаблоны запросов, чтобы не срабатывала защита сайтов от ботов.

Разные сегменты аудитории по-разному реагируют на тон, структуру и стиль сообщения. Поэтому тексты пишут GPT от OpenAI, Claude от Anthropic и дообученные локальные модели, а система сравнивает, какой вариант лучше работает для каждого сегмента. Результаты сравнения уходят в слой AutoML, который закрепляет удачные подходы и отказывается от слабых.

ML-конвейер в реальном времени обрабатывает переписки и извлекает признаки из текста сообщений, времени отправки и профилей получателей. Модели прогнозируют вероятность ответа и подсказывают, как улучшить сообщение. AutoML выясняет, какие первые фразы вызывают больше откликов, когда получатели чаще отвечают и в каком порядке отправлять повторные касания, и сам запускает A/B-тесты.

Модуль сбора данных ищет потенциальных клиентов по идеальному профилю агентства и собирает из нескольких источников сведения о компании, роли и профессиональном контексте. До первого сообщения система проверяет контакты и оценивает каждого лида по вероятности ответа. Рассылка сосредоточена на самых перспективных получателях, а сообщений, которые некому прочитать, становится меньше.

Доля положительных ответов от руководителей и основателей компаний составила 36,4 % — заметно выше привычных показателей холодного аутрича. Агентство ведёт несколько кампаний одновременно, не теряя персонального тона сообщений, а благодаря AutoML результаты улучшаются от недели к неделе без ручной настройки.

Аналитическая панель в реальном времени показывает вовлечённость, долю ответов, содержание переписок и окупаемость кампаний. Мониторинг, логирование и оповещения помогают держать работу системы стабильной и быстро находить и разбирать сбои. Инфраструктура масштабируется, поэтому объём рассылок может расти вместе с клиентской базой агентства.

Далее