AI wprowadza dane do CRM dla Telegrama: automatyczne uzupełnianie pól i etykiet przez MCP

Połącz serwer MCP dla Telegrama od Entergram z klientem AI, a agent przeczyta wiadomości w każdym czacie, utworzy opisane przez Ciebie kolumny CRM i w jednym przebiegu wpisze właściwą wartość do każdego czatu, do którego ma dostęp. Opisujesz efekt w prompcie ("kolumna Language wypełniona na podstawie ostatnich 100 wiadomości"), przeglądasz próbkę proponowanych wartości i pozwalasz mu zrobić resztę. Ten wpis omawia pięć działających przykładów: rozpoznawanie języka, etap sprzedaży, etykiety wsparcia, pola, których nikt nie wypełnia, oraz broadcast do segmentu, który agent właśnie zbudował.

Ma to znaczenie, bo kolumny CRM pustoszeją w tym tygodniu, w którym zespół ma dużo pracy. Nikt nie chce ponownie czytać długiego czatu, żeby ustalić, że kontakt to turkojęzyczny reseller, który pytał o ceny hurtowe, a potem wpisywać to w cztery pola. Te informacje już są w wiadomościach. Agent z dostępem do MCP może je przeczytać i zapisać z powrotem jako uporządkowane dane, po których możesz filtrować, raportować i wysyłać broadcasty.

Model Context Protocol to standard, który pozwala klientom AI wywoływać zewnętrzne systemy. Entergram udostępnia hostowany serwer MCP, a zestaw narzędzi, który publikuje, decyduje o tym, co agent naprawdę może zrobić. Do tego zadania liczą się cztery grupy:

• Czaty i wyszukiwanie: entergram_list_workspace_chats, entergram_get_workspace_chat. To widok rozmowy w CRM: bieżące wartości pól, powiązane zgłoszenia, notatki wewnętrzne.
• Wiadomości: entergram_list_messages, entergram_send_message. To surowy materiał dowodowy, na którym agent opiera rozumowanie, i kanał, przez który odpowiada.
• Pola niestandardowe CRM: entergram_list_custom_columns, entergram_create_custom_column, entergram_create_custom_column_option, entergram_patch_chat_custom_fields. Odczyt schematu, rozszerzanie schematu, zapis wartości.
• Notatki wewnętrzne i zgłoszenia: entergram_create_chat_comment, entergram_create_ticket. Tu agent zostawia swoje uzasadnienie i tu eskaluje.

Najważniejsze jest to, że create_custom_column w ogóle istnieje. Większość integracji pozwala maszynie zapisywać dane w polach, które zaprojektował ktoś inny. Tutaj agent może też zaprojektować pole: wybrać typ (text, textarea, number, date, select, multiselect, checkbox), zdefiniować listę opcji, przypisać każdej opcji kolor i od razu zacząć je wypełniać. Zmienia to proces z "najpierw skonfiguruj, potem automatyzuj" na "opisz efekt, którego chcesz, i pozwól mu zbudować strukturę".

Konfiguracja zajmuje kilka minut: skopiuj adres URL swojego serwera MCP z Settings → Workspace → Connectors → MCP (Ustawienia, Przestrzeń robocza, Konektory, MCP), wklej go do Claude, ChatGPT, Cursor, n8n lub innego klienta, z którego korzystasz, i zatwierdź zakresy uprawnień. Strona pomocy o konektorach MCP i nasz poradnik łączenia dowolnego klienta AI opisują szczegóły dla każdej platformy. Wszystko poniżej zakłada, że to połączenie działa.

Zacznij od tej, która zwraca się od razu, zwłaszcza jeśli sprzedajesz za granicę.

Nie masz pojęcia, jaki język preferuje większość Twoich kontaktów. Twój zespół domyślnie pisze po angielsku, dostaje krótkie odpowiedzi i odczytuje je jako małe zainteresowanie. W połowie przypadków to nie jest małe zainteresowanie, tylko ktoś piszący w swoim trzecim języku, kto pisze krótko, bo kosztuje go to wysiłek.

Oto cały proces w formie promptu:

Utwórz w mojej przestrzeni roboczej Entergram nową kolumnę niestandardową czatu o nazwie "Language", typu select, z tymi opcjami: English (en), Russian (ru), Spanish (es), Turkish (tr), Portuguese (pt), Farsi (fa), Arabic (ar), Chinese (zh), German (de), French (fr) i Mixed/Unclear (unclear). Nadaj każdej inny kolor.

Potem przejdź przez każdy czat w przestrzeni roboczej. W każdym przeczytaj ostatnie 100 wiadomości, patrz tylko na to, co napisał kontakt (pomiń moje wiadomości i wszystko, co wysłał bot), i ustal dominujący język, w którym pisze. Wpisz go w pole Language. Jeśli kontakt napisał mniej niż pięć wiadomości albo pisze w dwóch językach mniej więcej po równo, ustaw unclear zamiast zgadywać.

Zanim cokolwiek zapiszesz, pokaż mi pierwsze 20 czatów z proponowaną wartością i jednozdaniowym uzasadnieniem. Potwierdzę, a potem zrobisz resztę.

Co agent faktycznie robi, krok po kroku:

1. Wywołuje entergram_list_custom_columns, żeby sprawdzić, czy kolumna Language już istnieje, aby drugie uruchomienie nie utworzyło duplikatu.
2. Wywołuje entergram_create_custom_column z type: "select" i tablicą opcji, w której każdy wpis ma label, stałą wartość value i kolor szesnastkowy color.
3. Wywołuje entergram_list_workspace_chats, żeby wyliczyć rozmowy, używając items[].telegramId jako kanonicznego identyfikatora czatu.
4. Dla każdego czatu wywołuje entergram_list_messages i pobiera najnowszą historię.
5. Ustala wartość, a potem wywołuje entergram_patch_chat_custom_fields z { language: "tr" }.

Kilka rzeczy decyduje o tym, czy kolumna będzie naprawdę przydatna, czy przestaniesz jej ufać:

Odfiltruj własne wiadomości. Jeśli agent czyta cały wątek razem z Twoją stroną, zespół wsparcia piszący głównie po angielsku przechyli każdy wynik w stronę angielskiego. Polecenie "patrz tylko na to, co napisał kontakt" wykonuje tu prawdziwą pracę.

Oddziel alfabet od języka. Cyrylica to nie automatycznie rosyjski, może to być ukraiński, bułgarski albo serbski. Pismo arabskie to nie automatycznie arabski, bo używają go też farsi i urdu. Jeśli sprzedajesz na te rynki, napisz to wprost w prompcie, a agent będzie czytał słownictwo zamiast dopasowywać alfabet.

Daj mu wyjście awaryjne. Opcja unclear sprawia, że kolumna nie zapełnia się pewnymi siebie bzdurami. Pole wypełnione w 90% i poprawne jest lepsze niż pole wypełnione w 100% i w 15% błędne, bo to drugie po cichu zatruwa każdy broadcast, który na nim zbudujesz.

Dodaj pole pewności, jeśli stawka jest wysoka. Druga kolumna, Language confidence typu number, pozwala agentowi zapisać wartość od 0 do 100 obok każdej oceny. Potem filtrujesz wszystko poniżej 70 i sam to przeglądasz. Czterdzieści czatów do sprawdzenia zamiast 1400.

Gdy już istnieje, ta kolumna nie jest tylko ozdobą. Decyduje, kto dostaje który szablon odpowiedzi, który członek zespołu przejmuje czat i (o tym niżej) którą wersję broadcastu otrzymuje kontakt.

Ten sam mechanizm, trudniejsza ocena. To kolumna, którą Twoi handlowcy mieli prowadzić i nigdy tego nie robili.

Utwórz kolumnę select "Pipeline stage" z opcjami: New lead, Qualifying, Demo scheduled, Proposal sent, Negotiation, Won, Lost, Dormant.

W każdym czacie przeczytaj ostatnie 100 wiadomości i wybierz etap, który rozmowa naprawdę potwierdza. Opieraj się na dowodach, nie na wrażeniach: "Proposal sent" tylko wtedy, gdy wysłałem cennik lub dokument; "Demo scheduled" tylko wtedy, gdy uzgodniono rozmowę z konkretną godziną; "Won" tylko wtedy, gdy jest potwierdzenie płatności lub startu; "Lost" tylko wtedy, gdy wprost odmówili. Jeśli ostatnia wiadomość kontaktu jest starsza niż 45 dni i nie ma jasnego wyniku, ustaw Dormant.

Przy każdym oznaczonym czacie zostaw też notatkę wewnętrzną z cytatem konkretnej wiadomości, która uzasadnia etap, razem z jej datą.

To ostatnie zdanie sprawia, że całość jest wiarygodna. entergram_create_chat_comment zapisuje notatkę, którą widzi tylko Twój zespół, nigdy klient. Każdy oznaczony czat ma więc własny ślad audytowy, na przykład "Proposal sent, na podstawie wiadomości z 12 czerwca: 'oto wycena na 200 stanowisk'". Gdy handlowiec nie zgadza się z etykietą, w dwie sekundy widzi, dlaczego agent ją wybrał, i poprawia etykietę zamiast tracić zaufanie do całej kolumny.

Przydatne warianty, gdy podstawowa wersja już działa:

• Kolumna daty Last meaningful contact, wypełniana znacznikiem czasu ostatniej wiadomości, która coś wnosi, z pominięciem "ok", "dzięki", naklejek i reakcji. Posortuj po niej, a dostaniesz prawdziwą kolejkę kontaktów do ponowienia, a nie taką zaśmieconą emoji z kciukiem w górę.
• Kolumna liczbowa Deal value, wypełniana każdą kwotą, którą kontakt faktycznie podał. Pusta, gdy nic nie omawiano. Nagle Twój pipeline ma przypisaną liczbę, wyciągniętą z rozmów, których nikt nigdy nie zapisał.
• Pole Blocker typu textarea, jedno zdanie o tym, dlaczego dana transakcja się nie zamknęła. Przeczytaj tę kolumnę dla dwudziestu czatów, a dowiesz się o swoim lejku więcej niż z jakiegokolwiek dashboardu.

Jeśli prowadzisz outreach na dużą skalę, połącz to z podejściem z naszego poradnika o automatyzacji sprzedaży w Telegramie. Kolumna etapu sprawia, że do reszty pipeline'u można się odwoływać.

Wsparcie potrzebuje innego kształtu niż sprzedaż i to tu multiselect pokazuje swoją wartość, bo jedna rozmowa często jest jednocześnie pytaniem o rozliczenia i zgłoszeniem błędu.

Utwórz kolumnę multiselect "Issue type" z opcjami: Billing, Bug, Onboarding, Feature request, Integration, Account access, Abuse report. Utwórz kolumnę checkbox "Needs human". Utwórz kolumnę select "Sentiment" z opcjami: Happy, Neutral, Frustrated, Angry.

Dla każdego czatu, w którym kontakt był aktywny w ciągu ostatnich 14 dni, przeczytaj ostatnie wiadomości i ustaw wszystkie trzy pola. Zaznacz "Needs human", gdy kontakt zadał pytanie, na które nikt nie odpowiedział, albo gdy sentyment to Frustrated lub Angry.

Następnie dla wszystkiego, gdzie "Needs human" jest zaznaczone, a sentyment to Angry, otwórz zgłoszenie o wysokim priorytecie, nadaj mu tytuł z jednozdaniowym podsumowaniem problemu i powiąż je z czatem.

Wartości multiselect wysyła się jako tablice wartości opcji, czyli ["billing", "bug"], a nie etykiety, dlatego agent powinien zawsze przeczytać schemat przed zapisem. Pola checkbox przyjmują prawdziwe wartości logiczne. Pola daty przyjmują ciągi ISO 8601. Jeśli coś z tego będzie błędne, zapis zostanie odrzucony, a nie po cichu zniekształcony, i właśnie takiego zachowania chcesz.

Na końcu masz kolejkę wsparcia posortowaną według czegoś lepszego niż kolejność przyjścia. Przefiltruj Needs human = true, posortuj według sentymentu i pracujesz nad listą w kolejności, która naprawdę zmniejsza odejścia klientów. Połącz to z tablicą Kanban dla zgłoszeń, a eskalacje otwarte przez agenta pojawią się w tej samej kolumnie, z której Twój zespół już pracuje.

Dwa powyższe przykłady są oczywiste. Te zaskakują ludzi.

Godziny pracy. Kolumna liczbowa Active hour, wypełniana godziną dnia (w UTC), o której kontakt najczęściej wysyła wiadomości, wyliczoną ze znaczników czasu w ostatnich 100 wiadomościach. Agenta nic to dodatkowo nie kosztuje, bo znaczniki czasu już ma, a mówi Ci, kiedy dana osoba naprawdę siedzi przy biurku. Wiadomość do kupującego z Dubaju o 07:00 UTC i do kupującego z São Paulo o 19:00 UTC to wyraźnie wyższy odsetek odpowiedzi bez żadnego dodatkowego wysiłku.

Wzorzec odpowiedzi. Kolumna select z opcjami Replies fast, Replies in a day, Replies in days, Rarely replies, wyliczana z mediany odstępu między Twoją wiadomością a odpowiedzią kontaktu. To pole mówi Ci, czy cisza cokolwiek znaczy. Kontakt, który zawsze odpowiada po czterech dniach, nie stygnie. Ktoś, kto odpowiada w ciągu godziny, a milczy od tygodnia, już tak.

Firma i stanowisko. Kolumny tekstowe wypełniane tym, co dana osoba powiedziała o sobie w rozmowie: podpisem, przedstawieniem się, wiadomością z pierwszego miesiąca w stylu "jesteśmy 40-osobową giełdą w Singapurze". To leży w historii i nikt nigdy nie przepisał tego do pola.

Źródło polecenia. Kolumna select wypełniana tym, co kontakt powiedział o tym, jak Cię znalazł: społeczność, partner, konkretny kanał. Uruchom to na całej przestrzeni roboczej, a dostaniesz raport atrybucji dla kanału, który nigdy go nie miał.

Flagi zgodności. Checkbox Requested no marketing, zaznaczany, gdy ktokolwiek kiedykolwiek poprosił, żeby nie wysyłać mu treści promocyjnych. Uruchom to raz na całej historii, a zbudujesz listę wykluczeń z wiadomości, które Twój zespół ledwo pamięta. Przed następną kampanią samo to pole jest warte całego ćwiczenia.

Żadne z nich nie wymaga nowych funkcji produktu. To po prostu kolumny plus przebieg czytania, i właśnie dlatego warto podłączyć MCP.

Teraz nagroda. Powyższe kolumny nie są celem samym w sobie. Istnieją po to, żebyś mógł działać na grupach, a nie na pojedynczych osobach.

Gdy Language, Pipeline stage i Last meaningful contact są wypełnione, możliwe staje się takie polecenie:

Znajdź każdy czat, w którym Pipeline stage to Dormant, Language to Russian, Requested no marketing nie jest zaznaczone, a Last meaningful contact był ponad 60 dni temu. Pokaż mi listę z imionami i ostatnią rzeczą, którą napisali.

Przygotuj szkic krótkiej wiadomości reaktywacyjnej po rosyjsku: dwa zdania, bez emoji, z nawiązaniem do tego, że ostatnio rozmawialiśmy o cenach. Pokaż mi szkic i listę odbiorców. Jeszcze niczego nie wysyłaj.

Przeglądasz. Poprawiasz treść. Potem:

Wyślij to, po jednym czacie naraz, z konta sprzedażowego, z przerwą między wiadomościami. Pomiń każdego, kto napisał do nas w ciągu ostatnich 48 godzin. Po wysłaniu ustaw Pipeline stage na Qualifying i zostaw notatkę wewnętrzną z datą i nazwą kampanii.

To posegmentowany broadcast, dopasowany do języka i uwzględniający listę wykluczeń, który przy okazji aktualizuje Twój CRM, zbudowany z pól, których godzinę wcześniej nie było. Poradnik o wiadomościach broadcast opisuje to samo zadanie w interfejsie Entergram. Droga przez MCP przydaje się wtedy, gdy segment jest zdefiniowany czymś, co może ustalić tylko przebieg czytania.

Trzy zasady liczą się tu bardziej niż gdziekolwiek indziej w tym wpisie:

Zawsze wymagaj próby na sucho. "Pokaż mi listę i szkic, nie wysyłaj" powinno być w każdym prompcie z broadcastem, który piszesz. Wysyłka to jedyne działanie, którego nie da się cofnąć, a messages.write pozwala agentowi wysyłać wiadomości w Twoim imieniu.

Kontroluj tempo. Mechanizmy antyspamowe samego Telegrama reagują na nagłe serie. Jedna wiadomość naraz z przerwą między nimi to nie teatr ostrożności, tylko sposób na utrzymanie konta w dobrej kondycji. Nasz poradnik o wysyłaniu masowych wiadomości w Telegramie szczegółowo omawia limity.

Pisz wersje dla każdego języka, a nie tłumaczenia jednej angielskiej wiadomości. Masz teraz kolumnę Language. Używaj jej porządnie: wiadomość napisana po rosyjsku jako rosyjska działa lepiej niż maszynowo przetłumaczona angielska, a agent bez problemu przygotuje tę pierwszą, jeśli go o to poprosisz.

Kilka praktycznych uwag do pierwszego dużego uzupełniania wstecz.

Dziel na partie. Proś o 50 czatów naraz, a nie o 1400 w jednym poleceniu. Kontekst agenta jest skończony, a przebieg w partiach, który raportuje postęp, możesz zatrzymać, poprawić i wznowić. "Zrób czaty od 1 do 50, pokaż mi tabelę podsumowania i czekaj" to lepsze polecenie niż "zrób wszystko".

Kolejność według wartości. Najpierw zrób aktywne czaty, a nie alfabetycznie. Jeśli przebieg przerwie się w połowie, chcesz, żeby gotowa była przydatna połowa.

Spraw, żeby ponowne uruchomienia były idempotentne. Powiedz agentowi, żeby pomijał czaty, w których pole jest już ustawione, chyba że wyraźnie poprosisz o odświeżenie. Wtedy możesz co tydzień uruchamiać ten sam prompt, żeby wyłapać nowe rozmowy, bez powtarzania pracy.

Przyznawaj tylko potrzebne zakresy uprawnień. Do przebiegu czytania i oznaczania wystarczą chats.read, messages.read i chat_custom_fields.write. Całkowicie wyłącz messages.write, dopóki nie dojdziesz do etapu broadcastu. Zakresy uprawnień to prawdziwa granica bezpieczeństwa. Zobacz, co widzą członkowie zespołu i połączeni klienci, żeby dowiedzieć się, jak działają uprawnienia w przestrzeni roboczej.

Zostaw człowieka w pętli przy wszystkim, czego nie da się cofnąć. Etykiety łatwo poprawić. Wiadomości wysłanych do 300 osób już nie.

Czy agent AI naprawdę może czytać moje prywatne czaty Telegram?
Przez serwer MCP Entergram tak. Działa na Twoim połączonym koncie, a nie na bocie, więc widzi te same wiadomości prywatne, grupy i kanały co Ty. O to właśnie chodzi: boty nie widzą rozmów, w których toczy się Twój prawdziwy biznes. Różnicę omawia wpis Telegram MCP a Bot API.

Czy to działa z botem Telegram?
Nie. Bot API może czytać tylko wiadomości wysłane do bota. Każdy proces w tym wpisie opiera się na czytaniu prawdziwej historii rozmów ze zwykłego konta.

Które klienty AI to obsługują?
Każdy klient obsługujący MCP: Claude, ChatGPT, Perplexity, Cursor, Cline, Windsurf, Zed, Goose, Raycast, a także n8n i Make. Konfiguracja to adres URL i autoryzacja OAuth. Zobacz połączenie Claude z Telegram MCP albo porównanie Telegram MCP na 2026 rok.

Co się dzieje, gdy agent coś źle oznaczy?
Poprawiasz wartość w tabeli czatów jak każde inne pole. Dlatego nawyk notatek wewnętrznych ma znaczenie: widzisz uzasadnienie, dostrzegasz wzorzec i poprawiasz prompt zamiast porzucać kolumnę.

Czy pola utworzone przez MCP pojawiają się w zwykłym interfejsie?
Tak. To zwykłe kolumny niestandardowe: można je filtrować i sortować, są widoczne dla Twojego zespołu i można ich używać w analityce oraz przy budowaniu segmentów. MCP to drugie wejście do tego samego schematu, a nie równoległy system.

Błędem jest próba zaprojektowania idealnego schematu z dwunastoma kolumnami pierwszego dnia. Nie rób tego. Wybierz Language, uruchom ją na całej przestrzeni roboczej i zobacz, jak to jest filtrować po niej skrzynkę. Wystarczy jeden prompt i kawa, a od razu widać, czy wartości są poprawne.

Potem dodaj Pipeline stage. Potem etykiety wsparcia. Potem te nietypowe: aktywna godzina, wzorzec odpowiedzi, źródło polecenia, z którymi nie przychodzi żaden CRM, bo żaden CRM nie mógł wiedzieć, że będziesz ich chciał.

Przełomem nie jest to, że AI zapisuje dane w Twojej bazie. Przełomem jest to, że rozmowa wreszcie staje się obiektem, który można odpytywać: czymś, co możesz oznaczyć, policzyć, posegmentować i na czym możesz działać, bez czytania przez kogokolwiek 200 wiadomości wstecz, żeby przypomnieć sobie, kim jest ta osoba.

Połącz swój serwer MCP dla Telegrama i zacznij od jednej kolumny.