Saisie de données CRM par IA pour Telegram : remplir champs et étiquettes avec MCP

Toute équipe qui gère ses ventes ou son support sur Telegram finit par rencontrer le même problème. Vous mettez en place un CRM pour Telegram, vous concevez un jeu de colonnes cohérent — étape, priorité, montant, langue, source — et pendant deux semaines environ, tout le monde les remplit. Puis arrive un mardi chargé, quarante nouvelles conversations tombent, et plus personne ne met quoi que ce soit à jour. Six mois plus tard, vous avez 1 400 conversations et un tableau vide à 80 %.

Les colonnes ne sont pas le problème. Personne n'a envie d'ouvrir une conversation, de remonter 200 messages, de comprendre que cette personne est un revendeur turcophone qui a demandé des tarifs dégressifs en avril, puis de saisir tout cela dans quatre champs distincts. C'est quinze minutes de travail par conversation, et cela ne produit rien qu'un client puisse voir. Donc ce n'est pas fait.

Pourtant l'information ne manque pas. Elle est entièrement dans les messages. Chaque conversation vous dit déjà quelle langue la personne parle, où elle se situe à peu près dans votre entonnoir, si c'est un acheteur ou un cas de support, et à quel point c'est urgent. Simplement, cette information n'a jamais été lisible par autre chose qu'un humain disposant de temps.

C'est exactement la faille que comble MCP. Avec le serveur MCP Telegram d'Entergram connecté, un agent IA peut lire ces messages, décider quelles valeurs conviennent, créer les colonnes si elles n'existent pas encore, et réécrire les valeurs dans votre CRM — pour 1 400 conversations, d'une traite, pendant que vous faites autre chose.

Cet article porte précisément sur cette tâche : utiliser un agent IA comme moteur de saisie pour votre CRM Telegram. Pas « discuter avec sa boîte de réception », mais réellement peupler un schéma structuré sur lequel vous pourrez ensuite filtrer, analyser et diffuser.

Le Model Context Protocol est le standard qui permet aux clients IA d'appeler des systèmes externes. Entergram expose un serveur MCP hébergé, et la surface d'outils qu'il publie détermine ce qu'un agent peut réellement faire. Pour ce travail, quatre groupes comptent :

• Conversations et découverte — entergram_list_workspace_chats, entergram_get_workspace_chat. C'est la vue CRM d'une conversation : valeurs actuelles des champs, tickets liés, notes internes.
• Messages — entergram_list_messages, entergram_send_message. Ce sont les preuves sur lesquelles l'agent raisonne, et le canal par lequel il répond.
• Champs personnalisés du CRM — entergram_list_custom_columns, entergram_create_custom_column, entergram_create_custom_column_option, entergram_patch_chat_custom_fields. Lire le schéma, l'étendre, écrire des valeurs.
• Notes internes et tickets — entergram_create_chat_comment, entergram_create_ticket. Là où l'agent laisse son raisonnement, et là où il escalade.

Le point important, c'est que create_custom_column existe tout court. La plupart des intégrations laissent une machine écrire dans des champs conçus par quelqu'un d'autre. Ici, l'agent peut aussi concevoir le champ — choisir le type (text, textarea, number, date, select, multiselect, checkbox), définir la liste d'options, attribuer une couleur à chacune — puis le remplir immédiatement. Cela fait passer le flux de « configurer, puis automatiser » à « décrivez le résultat voulu, et laissez la structure se construire ».

L'installation prend quelques minutes : copiez l'URL de votre serveur MCP dans Paramètres → Développeurs → Connecteurs (API et MCP), collez-la dans Claude, ChatGPT, Cursor, n8n ou le client de votre choix, puis autorisez les scopes. La page d'aide sur les connecteurs MCP et notre guide pour connecter n'importe quel client IA détaillent chaque plateforme. Tout ce qui suit suppose cette connexion active.

Commencez par celle qui se rentabilise immédiatement, surtout si vous vendez à l'international.

Vous n'avez aucune idée de la langue que préfèrent la plupart de vos contacts. Votre équipe écrit en anglais par défaut, reçoit des réponses courtes, et interprète cela comme un manque d'intérêt. La moitié du temps, ce n'est pas un manque d'intérêt : c'est quelqu'un qui tape dans sa troisième langue et qui reste bref parce que cela demande un effort.

Voici tout le processus, sous forme de prompt :

Crée une nouvelle colonne personnalisée de conversation dans mon espace Entergram, nommée « Langue », de type select, avec ces options : Anglais (en), Russe (ru), Espagnol (es), Turc (tr), Portugais (pt), Farsi (fa), Arabe (ar), Chinois (zh), Allemand (de), Français (fr) et Mixte/Incertain (unclear). Donne à chacune une couleur distincte.

Parcours ensuite toutes les conversations de l'espace de travail. Pour chacune, lis les 100 derniers messages, ne regarde que ce que le contact a écrit (ignore mes propres messages et toute sortie de bot), et détermine la langue dominante qu'il emploie. Écris-la dans le champ Langue. S'il y a moins de cinq messages du contact, ou s'il écrit dans deux langues à peu près à parts égales, mets unclear plutôt que de deviner.

Avant d'écrire quoi que ce soit, montre-moi les 20 premières conversations avec la valeur que tu proposes et une justification d'une ligne. Je valide, puis tu fais le reste.

Ce que l'agent fait concrètement, étape par étape :

1. Il appelle entergram_list_custom_columns pour vérifier qu'une colonne Langue n'existe pas déjà — afin qu'une seconde exécution ne crée pas de doublon.
2. Il appelle entergram_create_custom_column avec type: "select" et le tableau d'options, chaque entrée portant un label, une value stable et une color hexadécimale.
3. Il appelle entergram_list_workspace_chats pour énumérer les conversations, en utilisant items[].telegramId comme identifiant canonique.
4. Pour chaque conversation, il appelle entergram_list_messages et récupère l'historique récent.
5. Il décide de la valeur, puis appelle entergram_patch_chat_custom_fields avec { language: "tr" }.

Quelques détails font toute la différence entre une colonne réellement utile et une colonne à laquelle vous cessez de vous fier :

Filtrez vos propres messages. Si l'agent lit tout le fil, votre côté compris, une équipe support anglophone fera pencher chaque résultat vers l'anglais. L'instruction « ne regarde que ce que le contact a écrit » fait un vrai travail.

Séparez l'écriture de la langue. Le cyrillique n'est pas automatiquement du russe : cela peut être de l'ukrainien, du bulgare ou du serbe. L'écriture arabe n'est pas automatiquement de l'arabe : le farsi et l'ourdou l'utilisent aussi. Dites-le explicitement dans le prompt si vous vendez sur ces marchés, et l'agent lira le vocabulaire au lieu de reconnaître l'alphabet.

Laissez-lui une porte de sortie. L'option unclear est ce qui empêche la colonne de se remplir d'absurdités assénées avec assurance. Un champ rempli à 90 % et juste vaut mieux qu'un champ rempli à 100 % et faux à 15 %, car le second empoisonne silencieusement chaque diffusion que vous bâtirez dessus.

Ajoutez un champ de confiance si l'enjeu est élevé. Une seconde colonne — Confiance langue, de type number — permet à l'agent de consigner un 0–100 à côté de chaque estimation. Vous filtrez ensuite tout ce qui est sous 70 et vous vérifiez vous-même. Quarante conversations à relire au lieu de 1 400.

Une fois en place, cette colonne n'est pas décorative. Elle détermine qui reçoit quel modèle de réponse, quel collègue prend la conversation et — voir plus bas — quelle variante de diffusion un contact reçoit.

Même mécanique, jugement plus délicat. C'est la colonne que vos commerciaux étaient censés tenir à jour et n'ont jamais tenue.

Crée une colonne select « Étape du pipeline » avec les options : Nouveau lead, Qualification, Démo planifiée, Proposition envoyée, Négociation, Gagné, Perdu, Dormant.

Pour chaque conversation, lis les 100 derniers messages et choisis l'étape que la conversation soutient réellement. Appuie-toi sur des preuves, pas sur une impression : « Proposition envoyée » uniquement si j'ai envoyé des tarifs ou un document ; « Démo planifiée » uniquement si un rendez-vous a été fixé avec une heure ; « Gagné » uniquement s'il y a confirmation d'un paiement ou d'un démarrage ; « Perdu » uniquement en cas de refus explicite. Si le dernier message du contact date de plus de 45 jours et qu'il n'y a pas d'issue claire, mets Dormant.

Pour chaque conversation que tu étiquettes, laisse aussi une note interne citant le message précis qui justifie l'étape, avec sa date.

C'est cette dernière ligne qui rend l'ensemble digne de confiance. entergram_create_chat_comment écrit une note que seule votre équipe voit, jamais le client. Chaque conversation étiquetée porte donc sa propre traçabilité : « Proposition envoyée, d'après le 12 juin : "voici le devis pour 200 postes" ». Quand un commercial conteste une étiquette, il voit en deux secondes pourquoi l'agent a tranché ainsi, et corrige l'étiquette au lieu de perdre confiance dans toute la colonne.

Variantes utiles une fois la version de base opérationnelle :

• Une colonne date Dernier contact réel, remplie à partir de l'horodatage du dernier message non trivial — en excluant « ok », « merci », les stickers et les réactions. Triez dessus et vous obtenez une vraie file de relance, au lieu d'une file polluée par les pouces levés.
• Une colonne number Montant du deal, renseignée avec tout chiffre que le contact a réellement cité. Vide si rien n'a été évoqué. D'un coup, votre pipeline a un montant, extrait de conversations que personne n'a jamais consignées.
• Un textarea Blocage, une phrase sur la raison pour laquelle chaque deal n'est pas signé. Lisez cette colonne sur vingt conversations et vous en apprendrez plus sur votre entonnoir que dans n'importe quel tableau de bord.

Si vous faites de la prospection à volume, associez cela à l'approche de notre guide d'automatisation des ventes sur Telegram : la colonne d'étape est ce qui rend le reste du pipeline adressable.

Le support a besoin d'une autre forme que la vente, et c'est là que le multiselect prend tout son sens, car une conversation est souvent une question de facturation et un signalement de bug.

Crée une colonne multiselect « Type de demande » avec les options : Facturation, Bug, Onboarding, Demande de fonctionnalité, Intégration, Accès au compte, Signalement d'abus. Crée une colonne checkbox « Humain requis ». Crée une colonne select « Ressenti » avec les options : Content, Neutre, Frustré, En colère.

Pour chaque conversation ayant eu une activité du contact au cours des 14 derniers jours, lis les messages récents et renseigne les trois champs. Coche « Humain requis » quand le contact a posé une question restée sans réponse, ou quand le ressenti est Frustré ou En colère.

Ensuite, pour tout ce qui a « Humain requis » coché et un ressenti En colère, ouvre un ticket en priorité haute, intitule-le par un résumé d'une ligne du problème, et lie-le à la conversation.

Les valeurs multiselect s'envoient sous forme de tableaux de valeurs d'options — ["billing", "bug"] — et non de libellés : c'est pourquoi l'agent doit toujours lire le schéma avant d'écrire. Les champs checkbox acceptent de vrais booléens. Les champs date acceptent des chaînes ISO 8601. Si l'un d'eux est mal formé, l'écriture est rejetée plutôt que silencieusement déformée — exactement le comportement souhaité.

Ce que vous obtenez au bout, c'est une file de support triée par quelque chose de plus pertinent que l'heure d'arrivée. Filtrez sur Humain requis = vrai, triez par ressenti, et vous traitez la liste dans l'ordre qui réduit réellement l'attrition. Combinez-le avec un tableau Kanban pour les tickets et les escalades ouvertes par l'agent apparaissent dans la même colonne où votre équipe travaille déjà.

Les deux précédents sont les évidents. Ceux-ci surprennent.

Heures d'activité. Une colonne number, Heure active, remplie avec l'heure de la journée (en UTC) à laquelle le contact envoie le plus souvent des messages, calculée à partir des horodatages des 100 derniers messages. Cela ne coûte rien de plus à l'agent — il a déjà les horodatages — et cela vous dit quand la personne est vraiment à son bureau. Écrire à un acheteur de Dubaï à 07h00 UTC et à un acheteur de São Paulo à 19h00 UTC, c'est un taux de réponse sensiblement supérieur pour zéro effort supplémentaire.

Rythme de réponse. Une colonne select — Répond vite, Répond sous un jour, Répond en plusieurs jours, Répond rarement — dérivée de l'écart médian entre votre message et sa réponse. C'est le champ qui vous dit si un silence signifie quelque chose. Un contact qui met toujours quatre jours ne refroidit pas ; un contact qui répond d'ordinaire dans l'heure et qui se tait depuis une semaine, si.

Société et fonction. Des colonnes texte, renseignées à partir de ce que la personne a dit d'elle-même dans la conversation : sa signature, sa présentation, le message du premier mois disant « nous sommes une plateforme de 40 personnes à Singapour ». C'est là, dans l'historique, et personne ne l'a jamais recopié dans un champ.

Source de recommandation. Une colonne select, remplie avec ce que le contact a dit sur la façon dont il vous a trouvé : une communauté, un partenaire, un canal précis. Passez-la sur tout votre espace de travail et vous obtenez un rapport d'attribution pour un canal qui n'en a jamais eu.

Indicateurs de conformité. Une case à cocher A demandé aucun marketing, activée dès que quelqu'un a demandé à ne pas être démarché. Exécutez-la une fois sur tout votre historique et vous avez construit une liste d'exclusion à partir de messages dont votre équipe ne se souvient qu'à moitié. Avant votre prochaine campagne, ce seul champ justifie tout l'exercice.

Rien de tout cela n'exige de nouvelles fonctionnalités produit. Ce sont juste des colonnes plus une passe de lecture — et c'est précisément ce qui rend MCP digne d'être connecté.

Voici le retour sur investissement. Les colonnes ci-dessus ne sont pas une fin en soi ; elles existent pour vous permettre d'agir sur des groupes plutôt que sur des individus.

Une fois Langue, Étape du pipeline et Dernier contact réel renseignés, une demande comme celle-ci devient possible :

Trouve toutes les conversations où l'Étape du pipeline est Dormant, la Langue est Russe, « A demandé aucun marketing » n'est pas coché, et le Dernier contact réel remonte à plus de 60 jours. Montre-moi la liste avec les noms et la dernière chose qu'ils ont dite.

Rédige un court message de réengagement en russe — deux phrases, sans emoji, faisant référence au fait que nous avions parlé tarifs. Montre-moi le brouillon et la liste des destinataires. N'envoie rien pour l'instant.

Vous relisez. Vous ajustez la formulation. Puis :

Envoie-le, une conversation à la fois, depuis le compte commercial, avec une pause entre chaque. Ignore toute personne qui nous a écrit dans les 48 dernières heures. Après l'envoi, passe l'Étape du pipeline à Qualification et laisse une note interne indiquant la date et la campagne.

C'est une diffusion segmentée, adaptée à la langue, respectueuse des exclusions, qui met en plus votre CRM à jour au passage — bâtie sur des champs qui n'existaient pas une heure plus tôt. Le guide des messages de diffusion traite la même tâche depuis l'interface Entergram ; la voie MCP est celle qu'il vous faut quand le segment est défini par quelque chose que seule une passe de lecture pouvait déterminer.

Trois règles comptent ici plus que partout ailleurs dans cet article :

Exigez toujours un essai à blanc. « Montre-moi la liste et le brouillon, n'envoie pas » devrait figurer dans chaque prompt de diffusion que vous écrivez. L'envoi est la seule action irréversible, et messages.write permet à un agent d'envoyer en votre nom.

Cadencez. Le dispositif antispam de Telegram réagit aux rafales. Un message à la fois avec un intervalle n'est pas de la prudence de façade : c'est ainsi que le compte reste sain. Notre guide sur l'envoi de messages en masse sur Telegram détaille les limites.

Rédigez des variantes par langue, pas des traductions d'un message anglais. Vous avez maintenant une colonne Langue. Utilisez-la correctement : un message russe pensé en russe performe mieux qu'un message anglais traduit automatiquement, et l'agent est parfaitement capable de rédiger le premier si vous le lui demandez.

Quelques notes pratiques pour le premier grand remplissage.

Procédez par lots. Demandez 50 conversations à la fois plutôt que 1 400 en une seule instruction. Le contexte d'un agent est fini, et une exécution par lots qui rend compte de son avancement est une exécution que vous pouvez arrêter, corriger et reprendre. « Fais les conversations 1 à 50, montre-moi un tableau récapitulatif, puis attends » est une meilleure instruction que « fais tout ».

Triez par valeur. Traitez d'abord vos conversations actives, pas l'ordre alphabétique. Si l'exécution casse à mi-chemin, vous voulez que la moitié utile soit faite.

Rendez les relances idempotentes. Demandez à l'agent d'ignorer les conversations dont le champ est déjà renseigné, sauf si vous demandez explicitement une actualisation. Vous pourrez alors relancer le même prompt chaque semaine pour rattraper les nouvelles conversations sans refaire le travail.

N'accordez que les scopes nécessaires. Pour une passe de lecture et d'étiquetage, chats.read, messages.read et chat_custom_fields.write suffisent. Laissez messages.write désactivé tant que vous n'êtes pas à l'étape diffusion. Les scopes sont la vraie frontière de sécurité — voyez ce que voient les coéquipiers et les clients connectés.

Gardez un humain dans la boucle pour tout ce qui est irréversible. Les étiquettes se corrigent pour rien. Des messages envoyés à 300 personnes, non.

Une IA peut-elle vraiment lire mes conversations Telegram personnelles ?
Via le serveur MCP d'Entergram, oui : elle opère sur votre compte connecté, pas sur un bot, elle voit donc les mêmes messages privés, groupes et canaux que vous. C'est tout l'intérêt : les bots ne peuvent pas voir les conversations où se déroule votre activité réelle. La distinction est expliquée dans Telegram MCP contre l'API Bot.

Est-ce que cela marche avec un bot Telegram à la place ?
Non. L'API Bot ne peut lire que les messages envoyés au bot. Tous les flux de cet article reposent sur la lecture de l'historique réel des conversations depuis un compte normal.

Quels clients IA le prennent en charge ?
Tout client compatible MCP — Claude, ChatGPT, Perplexity, Cursor, Cline, Windsurf, Zed, Goose, Raycast, ainsi que n8n et Make. L'installation, c'est une URL et une autorisation OAuth ; voyez connecter Claude à Telegram MCP ou la liste complète des connecteurs.

Que se passe-t-il quand l'agent étiquette mal quelque chose ?
Vous corrigez la valeur dans le tableau des conversations comme n'importe quel autre champ. C'est pourquoi l'habitude de la note interne compte : vous voyez le raisonnement, vous repérez le schéma, et vous ajustez le prompt au lieu d'abandonner la colonne.

Les champs créés via MCP apparaissent-ils dans l'interface normale ?
Oui. Ce sont des colonnes personnalisées ordinaires — filtrables, triables, visibles par votre équipe, utilisables dans les analyses et dans la construction de segments. MCP est une seconde porte vers le même schéma, pas un système parallèle.

L'erreur consiste à vouloir concevoir un schéma parfait de douze colonnes dès le premier jour. Ne le faites pas. Prenez Langue, lancez-la sur tout votre espace de travail, et voyez l'effet que cela fait de filtrer votre boîte de réception dessus. Cela coûte un prompt et un café, et on voit tout de suite si les valeurs sont justes.

Ajoutez ensuite l'Étape du pipeline. Puis les étiquettes support. Puis les bizarres — heure active, rythme de réponse, source de recommandation — qu'aucun CRM ne livre d'origine parce qu'aucun CRM ne pouvait deviner que vous les voudriez.

Le vrai déblocage n'est pas qu'une IA écrive dans votre base. C'est qu'une conversation devient enfin un objet interrogeable : quelque chose que l'on peut étiqueter, compter, segmenter et traiter, sans que personne n'ait à remonter 200 messages pour se rappeler qui était cette personne.

Connectez votre serveur MCP Telegram et commencez par une colonne.