Мы посадили ИИ-бота в Telegram-группы клиентов: как Gemini 3 Flash создаёт задачи из хаоса переписки

В любой веб-студии есть Telegram-группы с клиентами. И в каждой из них — хаос. Обсуждение дизайна переплетается с правками текста, вопрос о сроках тонет в 50 сообщениях про цвет кнопки, а нерешённые проблемы забываются через час.

Мы решили это автоматизировать. Добавили в клиентские группы Telegram-бота на Gemini 3 Flash, который слушает переписку, выделяет нерешённые вопросы и создаёт структурированные задачи прямо в нашей CRM. Бот — часть CRM-системы, которую мы сами разработали и которая автоматизирует нам 90% рутинных процессов. Рассказываю, как устроено и какие подводные камни пришлось обойти.

Типичная рабочая группа. За день приходит 50–200 сообщений. Из них:

Эти 5% тонут в остальных 95%. Руководитель проекта читает всю переписку, выцепляет проблемы, руками создаёт задачи в CRM, описывает каждую. На это уходит 30–60 минут в день. У нас таких групп 8.

Бот живёт в Telegram-группе и отвечает только когда его тегают по имени. Он не спамит, не комментирует, не лезет с советами — просто молча слушает и ждёт обращения.

В первых версиях пользователи писали запросы текстом. Но быстро стало понятно, что одни и те же команды повторяются каждый день. Поэтому мы сделали короткие команды. Например, команда /g разворачивается в промпт для модели: «Найди все нерешённые вопросы за сегодняшний день, выведи их список с номерами». Бот анализирует контекст переписки и отвечает:

Нерешённые вопросы за 13.03: 1. Фильтр каталога на мобильных перекрывает кнопку «Показать» (скриншот от клиента 11:23) 2. Не согласовано: добавлять поле «артикул» в карточку товара или нет 3. Неясно, кто готовит контент для раздела «О компании»

Дальше пользователь указывает, на какие темы создать задачи — например, «1 и 2». Бот сам формирует задачи с заголовком, подробным описанием, контекстом из переписки, назначает правильных ответственных — и создаёт их в CRM.

Telegram Bot API не даёт боту доступ к истории сообщений группы. Бот видит только те сообщения, которые пришли после его добавления, и только те, которые он получил через webhook. Если бота спросить «что обсуждали вчера?» — он не может просто прочитать историю чата. У него её нет.

Бот получает каждое сообщение группы через Telegram webhook и сохраняет его в Redis. Хранятся последние 300 сообщений на группу, старые вытесняются автоматически. Это даёт боту «память» — он может анализировать последние дни обсуждений, даже если его спросили только сейчас.

Передавать все 300 сообщений в каждый запрос к модели — дорого и неэффективно. Модель «тонет» в контексте и начинает пропускать важное.

Решение: накопительное саммари каждые 300 сообщений. Бот вызывает Gemini 3 Flash и просит сформировать сжатую базу знаний группы — до 6 000 символов. Это не пересказ переписки, а структурированная выжимка:

Каждое следующее саммари не создаётся с нуля — оно дополняет уже существующую базу знаний важной информацией из новой порции сообщений. Так бот накапливает контекст проекта на протяжении недель и месяцев.

Когда бота тегают, он передаёт в модель: саммари (~6 000 символов) + последние 50 сообщений (~4 000–8 000 символов). Итого ~14 000 символов контекста — достаточно для качественного ответа.

Цена. $6–10 в месяц через Google AI Studio на все 8 групп. Это стоимость одного бизнес-ланча.

Скорость. Flash отвечает за 1–2 секунды. В чате это критично — никто не хочет ждать.

Качество после обновления. На предыдущей версии (2.5) бот иногда путал роли участников и не всегда правильно назначал ответственных, даже при хорошо прописанных инструкциях. После обновления на версию 3 эта проблема исчезла — модель заметно прибавила в понимании контекста при почти той же цене.

В первых версиях бот видел только текст. Мы думали, что передавать скриншоты из обсуждений в модель будет дорого и медленно — десятки картинок в каждом запросе.

Но на практике оказалось, что клиенты часто скидывают скриншот бага и одно слово — «смотри». Без картинки контекст терялся, и бот не мог корректно описать проблему при создании задачи.

Решение: у бота появился инструмент, с помощью которого он сам решает, нужны ли ему картинки для ответа. Обычно для контекста достаточно распознать 3–5 последних изображений из обсуждения. Это добавляет копейки к стоимости запроса, но кардинально улучшает качество создаваемых задач.

Когда пользователь подтверждает список, бот для каждой проблемы формирует:

Пример созданной задачи:

#4521 «Исправить фильтр на мобильных» Ответственный: Петров Описание: В обсуждении 11.03 клиент сообщил, что фильтр каталога на iPhone перекрывает кнопку «Показать результаты». Скриншот из чата прикреплён. Проблема воспроизводится на экранах < 390px.

Поскольку бот — часть нашей CRM, задачи создаются напрямую, без внешних API и интеграций. Разработчик открывает задачу в CRM — и видит всю картину с контекстом, не копаясь в чате.

Стоимость LLM: $6–10/мес (Google AI Studio).

Экономия времени: ~4 часа в день на 8 групп. Раньше 30–60 минут на группу, сейчас 5–10 минут на проверку предложенных задач.

При ставке руководителя 3 000 ₽/час: экономия ~264 000 ₽/мес.

Бот окупился в первый день работы.

Если у вас похожая ситуация — десятки клиентских чатов и ощущение, что половина задач теряется в переписке — начните с малого. Бот, который сохраняет сообщения и делает саммари, — это пара дней разработки. Добавьте короткие команды вроде /g — и вы почувствуете разницу в первый день. А создание задач в CRM можно прикрутить следующим шагом, когда поймёте, что бот действительно понимает контекст вашей работы.