Entrada de datos CRM con IA para Telegram: rellena campos y etiquetas con MCP

Todo equipo que lleva ventas o soporte por Telegram acaba topándose con el mismo problema. Montas un CRM para Telegram, diseñas un conjunto sensato de columnas —fase, prioridad, tamaño del trato, idioma, origen— y durante unas dos semanas todo el mundo las rellena. Luego llega un martes ajetreado, entran cuarenta chats nuevos y nadie vuelve a actualizar nada. Seis meses después tienes 1.400 conversaciones y un tablero que está vacío en un 80 %.

Las columnas no son el problema. Nadie quiere abrir un chat, leerse 200 mensajes hacia atrás, deducir que esta persona es un revendedor turcohablante que preguntó por precios por volumen en abril, y luego escribir eso en cuatro campos distintos. Son quince minutos de trabajo por chat y no produce nada que el cliente llegue a ver. Así que no se hace.

Pero la información no falta. Está toda en los mensajes. Cada chat ya te dice qué idioma habla la persona, más o menos en qué punto del embudo está, si es un comprador o un caso de soporte, y cuánta urgencia tiene. Lo que pasa es que nunca ha sido legible para nada que no fuera un humano con tiempo de sobra.

Ese es exactamente el hueco que cierra MCP. Con el servidor MCP de Telegram de Entergram conectado, un agente de IA puede leer esos mensajes, decidir cuáles deben ser los valores, crear las columnas si aún no existen y escribir los valores de vuelta en tu CRM: para 1.400 chats, de una sentada, mientras tú haces otra cosa.

Este artículo va justo de eso: usar un agente de IA como motor de entrada de datos para tu CRM de Telegram. No de «chatear con tu bandeja», sino de rellenar de verdad un esquema estructurado sobre el que después puedas filtrar, informar y difundir.

El Model Context Protocol es el estándar que permite a los clientes de IA llamar a sistemas externos. Entergram expone un servidor MCP alojado, y la superficie de herramientas que publica es lo que determina qué puede hacer realmente un agente. Para este trabajo importan cuatro grupos:

• Chats y descubrimiento — entergram_list_workspace_chats, entergram_get_workspace_chat. Es la vista CRM de una conversación: valores actuales de los campos, tickets vinculados, notas internas.
• Mensajes — entergram_list_messages, entergram_send_message. Son las pruebas sobre las que razona el agente y el canal por el que responde.
• Campos personalizados del CRM — entergram_list_custom_columns, entergram_create_custom_column, entergram_create_custom_column_option, entergram_patch_chat_custom_fields. Leer el esquema, ampliarlo, escribir valores.
• Notas internas y tickets — entergram_create_chat_comment, entergram_create_ticket. Donde el agente deja su razonamiento y donde escala.

Lo importante es que create_custom_column exista siquiera. La mayoría de integraciones dejan que una máquina escriba en campos que diseñó otra persona. Aquí el agente también puede diseñar el campo —elegir el tipo (text, textarea, number, date, select, multiselect, checkbox), definir la lista de opciones, asignar un color a cada una— y ponerse a rellenarlo de inmediato. Eso cambia el flujo de «configura y luego automatiza» a «describe el resultado que quieres y deja que construya la estructura».

La configuración lleva unos minutos: copia la URL de tu servidor MCP en Ajustes → Desarrolladores → Conectores (API y MCP), pégala en Claude, ChatGPT, Cursor, n8n o el cliente que uses, y autoriza los scopes. La página de ayuda sobre conectores MCP y nuestra guía para conectar cualquier cliente de IA cubren los detalles de cada plataforma. Todo lo que sigue asume que esa conexión ya está activa.

Empieza por la que se amortiza de inmediato, sobre todo si vendes fuera de tu país.

No tienes ni idea de qué idioma prefiere la mayoría de tus contactos. Tu equipo escribe en inglés por defecto, recibe respuestas cortas y lo interpreta como poco interés. La mitad de las veces no es poco interés: es alguien escribiendo en su tercer idioma y siendo breve porque le cuesta.

Este es el flujo completo, en forma de prompt:

Crea una nueva columna personalizada de chat en mi espacio de Entergram llamada «Idioma», tipo select, con estas opciones: Inglés (en), Ruso (ru), Español (es), Turco (tr), Portugués (pt), Farsi (fa), Árabe (ar), Chino (zh), Alemán (de), Francés (fr) y Mixto/Poco claro (unclear). Dale a cada una un color distinto.

Después recorre todos los chats del espacio de trabajo. En cada uno, lee los últimos 100 mensajes, fíjate solo en lo que escribió el contacto (ignora mis propios mensajes y cualquier salida de bot) y determina el idioma dominante en el que escribe. Escríbelo en el campo Idioma. Si hay menos de cinco mensajes del contacto, o si escribe en dos idiomas más o menos por igual, pon unclear en lugar de adivinar.

Antes de escribir nada, muéstrame los primeros 20 chats con el valor que propones y una justificación de una línea. Yo confirmo y después haces el resto.

Lo que hace el agente, paso a paso:

1. Llama a entergram_list_custom_columns para comprobar si ya existe una columna Idioma, de forma que una segunda ejecución no cree un duplicado.
2. Llama a entergram_create_custom_column con type: "select" y el array de opciones, cada entrada con su label, un value estable y un color en hexadecimal.
3. Llama a entergram_list_workspace_chats para enumerar las conversaciones, usando items[].telegramId como id canónico del chat.
4. Para cada chat, llama a entergram_list_messages y recupera el historial reciente.
5. Decide el valor y llama a entergram_patch_chat_custom_fields con { language: "tr" }.

Hay unas cuantas cosas que marcan la diferencia entre una columna realmente útil y otra en la que dejas de confiar:

Filtra tus propios mensajes. Si el agente lee el hilo entero incluyendo tu parte, un equipo de soporte que escribe en inglés sesgará todos los resultados hacia el inglés. La instrucción «fíjate solo en lo que escribió el contacto» está haciendo un trabajo real.

Separa alfabeto de idioma. El cirílico no es automáticamente ruso: puede ser ucraniano, búlgaro o serbio. La escritura árabe no es automáticamente árabe: el farsi y el urdu también la usan. Dilo explícitamente en el prompt si vendes en esos mercados, y el agente leerá vocabulario en lugar de reconocer el alfabeto.

Dale una salida de emergencia. La opción unclear es lo que impide que la columna se llene de disparates dichos con seguridad. Un campo relleno al 90 % y correcto vale más que uno relleno al 100 % con un 15 % de errores, porque el segundo envenena en silencio cada difusión que construyas encima.

Añade un campo de confianza si te juegas mucho. Una segunda columna —Confianza de idioma, tipo number— permite al agente registrar un 0–100 junto a cada decisión. Luego filtras todo lo que baje de 70 y lo revisas tú. Cuarenta chats en lugar de 1.400.

Una vez existe, esa columna no es decoración. Decide quién recibe qué plantilla de respuesta, qué compañero atiende el chat y —como verás más abajo— qué variante de difusión le llega a cada contacto.

Misma mecánica, criterio más difícil. Esta es la columna que tus comerciales debían mantener y nunca mantuvieron.

Crea una columna select «Fase del pipeline» con las opciones: Lead nuevo, Cualificando, Demo agendada, Propuesta enviada, Negociación, Ganado, Perdido, Inactivo.

En cada chat, lee los últimos 100 mensajes y elige la fase que la conversación realmente sostiene. Usa pruebas, no intuición: «Propuesta enviada» solo si envié precios o un documento; «Demo agendada» solo si se acordó una llamada con hora; «Ganado» solo si hay confirmación de pago o de arranque; «Perdido» solo si lo rechazaron explícitamente. Si el último mensaje del contacto tiene más de 45 días y no hay un desenlace claro, pon Inactivo.

Para cada chat que etiquetes, deja además una nota interna citando el mensaje concreto que justifica la fase, con su fecha.

Esa última línea es la que lo vuelve fiable. entergram_create_chat_comment escribe una nota que solo ve tu equipo, nunca el cliente. Así cada chat etiquetado lleva su propio rastro de auditoría: «Propuesta enviada, según el 12 de junio: "aquí tienes el presupuesto para 200 licencias"». Cuando un comercial no está de acuerdo con una etiqueta, ve en dos segundos por qué la eligió el agente, y corrige la etiqueta en lugar de perder la fe en toda la columna.

Variantes útiles cuando la versión básica ya funciona:

• Una columna de fecha Último contacto real, rellenada con la marca de tiempo del último mensaje no trivial, excluyendo «ok», «gracias», stickers y reacciones. Ordena por ella y tendrás una cola de seguimiento de verdad, no una contaminada por emojis de pulgar arriba.
• Una columna number Valor del trato, con cualquier cifra que el contacto haya mencionado de verdad. Vacía si no se habló de nada. De repente tu pipeline tiene un número asociado, sacado de conversaciones que nadie registró.
• Un textarea Bloqueo, una frase sobre por qué cada trato no se ha cerrado. Lee esa columna en veinte chats y aprenderás más de tu embudo que con cualquier panel.

Si haces prospección a volumen, combina esto con el enfoque de nuestra guía de automatización de ventas en Telegram: la columna de fase es lo que hace direccionable el resto del pipeline.

Soporte necesita otra forma distinta a ventas, y es el caso donde el multiselect se gana el sueldo, porque una conversación es a menudo una duda de facturación y un reporte de bug.

Crea una columna multiselect «Tipo de incidencia» con las opciones: Facturación, Bug, Onboarding, Petición de función, Integración, Acceso a la cuenta, Reporte de abuso. Crea una columna checkbox «Requiere humano». Crea una columna select «Sentimiento» con las opciones: Contento, Neutral, Frustrado, Enfadado.

Para cada chat con actividad del contacto en los últimos 14 días, lee los mensajes recientes y rellena los tres campos. Marca «Requiere humano» cuando el contacto haya hecho una pregunta que nunca se respondió, o cuando el sentimiento sea Frustrado o Enfadado.

Después, para todo lo que tenga «Requiere humano» marcado y sentimiento Enfadado, abre un ticket de prioridad alta, titúlalo con un resumen de una línea del problema y vincúlalo al chat.

Los valores multiselect se envían como arrays de valores de opción —["billing", "bug"]—, no como etiquetas, y por eso el agente debe leer siempre el esquema antes de escribir. Los campos checkbox aceptan booleanos reales. Los de fecha aceptan cadenas ISO 8601. Si te equivocas en alguno, la escritura se rechaza en vez de deformarse en silencio, que es justo el comportamiento que quieres.

Lo que te queda al final es una cola de soporte ordenada por algo mejor que la hora de llegada. Filtra por Requiere humano = verdadero, ordena por sentimiento y estarás atacando la lista en el orden que de verdad reduce la fuga de clientes. Combínalo con un tablero Kanban de tickets y las escalaciones que abrió el agente aparecen en el mismo carril donde tu equipo ya trabaja.

Los dos anteriores son los obvios. Estos son los que sorprenden.

Horario activo. Una columna number, Hora activa, con la hora del día (en UTC) a la que el contacto suele enviar mensajes, calculada a partir de las marcas de tiempo de los últimos 100 mensajes. Al agente no le cuesta nada extra —ya tiene las marcas de tiempo— y te dice cuándo esa persona está realmente en su mesa. Escribir a un comprador de Dubái a las 07:00 UTC y a uno de São Paulo a las 19:00 UTC significa una tasa de respuesta notablemente mayor por cero esfuerzo adicional.

Patrón de respuesta. Una columna select —Responde rápido, Responde en un día, Responde en días, Responde rara vez— derivada de la mediana del tiempo entre tu mensaje y su respuesta. Este es el campo que te dice si el silencio significa algo. Un contacto que siempre tarda cuatro días no se está enfriando; uno que responde en la misma hora y lleva una semana callado, sí.

Empresa y cargo. Columnas de texto, rellenadas con lo que la persona dijo sobre sí misma en la conversación: su firma, su presentación, aquel mensaje del primer mes que decía «somos un exchange de 40 personas en Singapur». Está ahí, en el historial, y nadie lo copió jamás a un campo.

Origen de la recomendación. Una columna select, rellenada con lo que el contacto contó sobre cómo dio contigo: una comunidad, un partner, un canal concreto. Pásala por todo el espacio de trabajo y tendrás un informe de atribución para un canal que nunca ha tenido uno.

Marcas de cumplimiento. Una checkbox Pidió no recibir marketing, activada cuando alguien ha pedido alguna vez que no le contacten con promociones. Ejecútala una vez sobre todo tu historial y habrás construido una lista de supresión a partir de mensajes que tu equipo recuerda a medias. Antes de tu próxima campaña, ese único campo ya justifica todo el ejercicio.

Nada de esto exige funciones nuevas del producto. Son todo columnas más una pasada de lectura, que es precisamente lo que hace que valga la pena conectar MCP.

Y ahora la recompensa. Las columnas de arriba no son un fin en sí mismas: existen para que puedas actuar sobre grupos en lugar de sobre individuos.

Una vez rellenados Idioma, Fase del pipeline y Último contacto real, una petición como esta se vuelve posible:

Encuentra todos los chats donde la Fase del pipeline sea Inactivo, el Idioma sea Ruso, «Pidió no recibir marketing» no esté marcado y el Último contacto real tenga más de 60 días. Muéstrame la lista con nombres y lo último que dijeron.

Redacta un mensaje breve de reactivación en ruso: dos frases, sin emojis, mencionando que la última vez hablamos de precios. Enséñame el borrador y la lista de destinatarios. No envíes nada todavía.

Tú revisas. Ajustas la redacción. Entonces:

Envíalo, chat a chat, desde la cuenta de ventas, con una pausa entre cada uno. Salta a quien nos haya escrito en las últimas 48 horas. Después de enviar, cambia la Fase del pipeline a Cualificando y deja una nota interna con la fecha y la campaña.

Eso es una difusión segmentada, ajustada al idioma y consciente de la lista de supresión, que además actualiza tu CRM como efecto secundario, construida con campos que no existían una hora antes. La guía de mensajes de difusión cubre el mismo trabajo desde la interfaz de Entergram; la vía MCP es la que quieres cuando el segmento se define por algo que solo una pasada de lectura podía determinar.

Tres reglas importan aquí más que en ningún otro punto del artículo:

Exige siempre una prueba en seco. «Muéstrame la lista y el borrador, no envíes» debería estar en cada prompt de difusión que escribas. Enviar es la única acción que no puedes deshacer, y messages.write permite a un agente enviar en tu nombre.

Márcale el ritmo. El propio antispam de Telegram reacciona a las ráfagas. Un mensaje cada vez con una pausa entre medias no es teatro de la prudencia: es cómo mantienes la cuenta sana. Nuestra guía sobre enviar mensajes masivos en Telegram entra en detalle sobre los límites.

Escribe variantes por idioma, no traducciones de un mensaje en inglés. Ahora tienes una columna Idioma. Úsala bien: un mensaje ruso escrito como ruso rinde más que uno inglés traducido a máquina, y el agente es perfectamente capaz de redactar el primero si se lo pides.

Unas notas prácticas para el primer relleno masivo.

Hazlo por lotes. Pide 50 chats cada vez en lugar de 1.400 en una sola instrucción. El contexto del agente es finito, y una ejecución por lotes que informa del avance es una que puedes parar, corregir y reanudar. «Haz los chats 1–50, muéstrame una tabla resumen y espera» es mejor instrucción que «hazlo todo».

Ordena por valor. Empieza por los chats activos, no por orden alfabético. Si la ejecución se rompe a la mitad, quieres que la mitad útil esté hecha.

Haz que las repeticiones sean idempotentes. Dile al agente que salte los chats donde el campo ya está puesto, salvo que le pidas explícitamente una actualización. Así puedes lanzar el mismo prompt cada semana para capturar conversaciones nuevas sin que rehaga trabajo.

Concede solo los scopes necesarios. Para una pasada de leer y etiquetar bastan chats.read, messages.read y chat_custom_fields.write. Deja messages.write desactivado del todo hasta que llegues a la fase de difusión. Los scopes son la frontera de seguridad real: mira qué ven los compañeros y los clientes conectados.

Mantén a una persona en el bucle para todo lo irreversible. Las etiquetas son baratas de corregir. Los mensajes enviados a 300 personas, no.

¿De verdad puede una IA leer mis chats personales de Telegram?
A través del servidor MCP de Entergram, sí: opera sobre tu cuenta conectada, no sobre un bot, así que ve los mismos DMs, grupos y canales que tú. De eso se trata: los bots no pueden ver las conversaciones donde ocurre tu negocio real. La distinción está explicada en Telegram MCP frente a la Bot API.

¿Funciona con un bot de Telegram en su lugar?
No. La Bot API solo puede leer mensajes enviados al bot. Todos los flujos de este artículo dependen de leer historial real de conversaciones desde una cuenta normal.

¿Qué clientes de IA lo soportan?
Cualquiera compatible con MCP: Claude, ChatGPT, Perplexity, Cursor, Cline, Windsurf, Zed, Goose, Raycast, además de n8n y Make. La configuración es una URL y una autorización OAuth; mira conectar Claude a Telegram MCP o la lista completa de conectores.

¿Qué pasa cuando el agente etiqueta algo mal?
Corriges el valor en la tabla de chats como cualquier otro campo. Por eso importa la costumbre de la nota interna: ves el razonamiento, detectas el patrón y ajustas el prompt en lugar de abandonar la columna.

¿Los campos que creo por MCP aparecen en la interfaz normal?
Sí. Son columnas personalizadas corrientes: filtrables, ordenables, visibles para tu equipo y utilizables en analítica y en la construcción de segmentos. MCP es una segunda puerta al mismo esquema, no un sistema paralelo.

El error es intentar diseñar un esquema perfecto de doce columnas el primer día. No lo hagas. Coge Idioma, pásalo por todo tu espacio de trabajo y comprueba qué se siente al filtrar la bandeja por él. Cuesta un prompt y un café, y enseguida se ve si los valores son correctos.

Después añade Fase del pipeline. Después las etiquetas de soporte. Después las raras —hora activa, patrón de respuesta, origen de la recomendación— que ningún CRM trae de serie porque ningún CRM podía saber que las ibas a querer.

Lo que se desbloquea no es que la IA escriba en tu base de datos. Es que una conversación se convierte por fin en un objeto consultable: algo que puedes etiquetar, contar, segmentar y trabajar, sin que nadie tenga que leerse 200 mensajes hacia atrás para recordar quién era esta persona.

Conecta tu servidor MCP de Telegram y empieza con una columna.