AI-Bot für Lead-Generierung in Telegram: Automatisierung für 60 $/Monat

## Automatisierung der Lead-Generierung in Telegram: Wie ein KI-Bot manuelles Monitoring für 60 $ im Monat ersetzt

Russische Digital-Agentur uForce hat ein System zur automatischen Sammlung kommerzieller Anfragen aus Telegram-Chats mit KI implementiert. Die Lösung, in 8 Stunden entwickelt und für 60 $/Monat betrieben, filtert Zehntausende von Nachrichten und liefert bis zu 22 qualifizierte Leads monatlich. Wir zerlegen die Architektur des Bots und die wichtigsten Datenverarbeitungsalgorithmen.

Vom Nachrichtenflut zu kommerziellen Anfragen: Systemstruktur

Telegram-Chats für Unternehmer und Entscheidungsträger sind längst mehr als nur Kommunikationsplattformen. Täglich tauchen dort direkte Anfragen nach Dienstleistungen auf: von Werbeeinrichtung bis zur Suche nach Auftragnehmern. Manuelles Überwachen solcher Kanäle ist ineffizient – Manager können Hunderte aktiver Chats nicht mithalten. Das uForce-Team hat das mit einem dreistufigen System gelöst:

• Datensammlung – Bot verbindet sich über Telegram API mit einem offenen Pool von Business-Chats
• Vorfilterung – Entfernen von Spam und irrelevanten Inhalten
• Tiefe Analyse – Erkennen kommerzieller Absichten mit KI

Wichtig: Das System arbeitet gesetzeskonform: Es überwacht nur öffentliche Chats ohne Zugriff auf private Nachrichten. So werden GDPR-Verstöße und russische Datenschutzgesetze vermieden.

Dreistufiges Filtern: Wie KI Relevanz bestimmt

Die Effizienz des Systems basiert auf einer Kombination aus klassischen NLP-Methoden und modernen KI-Modellen. Jede Nachricht durchläuft drei Verarbeitungsstufen:

Musterbasierter Anti-Spam-Filter

• Erkennen von Emoji-Ketten (z. B. «🔥🔥🔥»)
• Identifizieren von Vorlagenstrukturen («Looking for: — targeting specialist — designer»)
• Stilistische Analyse (viele Leerzeilen, übermäßige Formatierung)

Lemmatisierung für semantische Analyse

Das System reduziert Wörter auf die Grundform mit der pymorphy2-Bibliothek:

from pymorphy2 import MorphAnalyzer
morph = MorphAnalyzer()
lemma = morph.parse(word)[0].normal_form

Das findet Anfragen unabhängig von Groß-/Kleinschreibung und Zeiten («set up», «was setting up», «setup» → «set up»). Die Datenbank mit Schlüssel-Lemmata umfasst über 200 Begriffe zu digitalen Dienstleistungen.

Analyse kommerzieller Absichten

Die finale Stufe nutzt einen Prompt-Engine basierend auf GPT-3.5:

• Suche nach Trigger-Phrasen («need», «looking for», «help»)
• Kontextbewertung («Who did the audit?» vs. «I did the audit myself»)
• Abstimmung mit dem Dienstleistungsprofil des Unternehmens

Das System erreicht 95 % Genauigkeit bei der Vorfilterung und reduziert die zu verarbeitenden Daten von über 10.000 auf 800–1.000 Nachrichten pro Tag.

Projektökonomie: Warum 60 $/Monat manueller Arbeit überlegen ist

Kostenaufteilung in drei Komponenten:

• Entwicklung: 100 USD (8 Stunden Arbeit eines Business-Analysten mit ChatGPT)
• Infrastruktur: 5 USD/Monat (VPS-Server bei Hetzner)
• API-Aufrufe: 20–50 USD/Monat (OpenAI + Telegram Bot API)

Dagegen würde manuelles Überwachen eines ähnlichen Chat-Volumens zwei VZA (Vollzeitäquivalente) à 1.500 USD/Monat erfordern. Wichtige Effizienzkennzahlen:

| Kennzahl | Wert |

|------------------------|------------|

| Verarbeitete Nachrichten/Monat | 300.000+ |

| Gefiltert in Stufe 1 | 80 % |

| Qualifizierte Leads | 15–22 |

| Abschlussquote | 50–60 % |

Wichtig: Direkte CRM-Integration wurde abgelehnt wegen der Gefahr, die Datenbank mit irrelevanten Daten zu verschmutzen. Alle Leads durchlaufen eine finale Prüfung durch den Manager via Unternehmens-Messenger.

Anwendbarkeitskriterien: Für welche Unternehmen das funktioniert

Die Lösung eignet sich nur für B2B-Segmente mit aktiver Zielgruppenpräsenz in Telegram. Wichtige Voraussetzungen:

• Thematische Chats mit regelmäßigen kommerziellen Anfragen
• Klar definierte Dienstleistungsliste mit einzigartigen Begriffen
• B2B-Modell, bei dem Cold Outreach per Direktnachricht angemessen ist

Nicht empfohlen für B2C: In Massenchats (z. B. zu Kochen oder Hobbys) haben Anfragen selten kommerzielle Absicht, und direkte Angebote gelten als Spam. Das System ist in Nischen am effektivsten: Digital Marketing, IT-Outsourcing, Beratung, Immobilien.

Wichtige Punkte

• Dreistufiges Filtern reduziert den Manager-Aufwand um das 10-Fache
• Flexibilität via Google Sheets erlaubt schnelle Updates von Wörterbüchern und Regeln
• Keine CRM-Integration hält die kommerzielle Datenbank sauber
• B2B-Fokus ist entscheidend für akzeptable Abschlussquoten
• Kosten unter manueller Arbeit selbst bei minimalem Lead-Volumen

— Editorial Team