AI-konsultant do doboru opon w Telegramie

Zadanie
Sklep z oponami samochodowymi traci zapytania w godzinach niepracy i marnuje czas menedżerów na typowe pytania: "jakie opony pasują do mojego samochodu", "ile kosztują", "czy są dostępne". Potrzebny jest system, który prowadzi wstępną konsultację 24/7, kwalifikuje klientów i przekazuje menedżerowi już ciepłe leady.

Rozwiązanie
Bot Telegram na bazie LLM, orkiestracja przez n8n. Bot działa jak żywy konsultant: określa język klienta, zbiera parametry w formacie naturalnego dialogu, dobiera odpowiednie opony z rzeczywistego katalogu sklepu i doprowadza zainteresowanego klienta do zapytania — z kontaktami i listą pożądanych modeli w tabeli dla menedżera.

Architektura
Telegram Trigger → AI Agent (GPT-4o-mini) z pamięcią dialogu i dostępem do katalogu opon (Google Sheets jako narzędzie) → parsowanie odpowiedzi i wydobywanie danych strukturalnych → wysyłka do klienta + zapis w logach → logika scalania dla leadów → tabela CRM.
Kluczowe możliwości

Inteligentny dialog
Autoidentyfikacja języka (ukraiński / rosyjski) na podstawie pierwszej wiadomości i utrzymanie go przez cały dialog
Pamięć na 20 wiadomości — bot pamięta kontekst
Lejek: parametry auta → sezon → budżet → dobór → realizacja
Krótkie wiadomości po 1-2 pytania za jednym razem — jak żywy menedżer, nie jak ankieta

Dobór z rzeczywistego katalogu
Agent wywołuje Google Sheets jako narzędzie, filtruje według rozmiaru i sezonu
Podaje 2-3 opcje z cenami, dostępnością i krótkim uzasadnieniem wyboru
Nie halucynuje: jeśli towaru nie ma — szczerze mówi i proponuje alternatywę

Lejek CRM
Klasyfikacja każdego dialogu: GORĄCE / CIEPŁE / ZIMNE
Gorące leady są zapisywane w osobnej tabeli z kontaktami i listą polecanych opon
Automatyczne liczenie czasu konwersji (od pierwszego kontaktu do gotowości zakupu)
Model statusu: Nowy → Gorący → Skontaktowany → Zamknięty — menedżer prowadzi klienta w tej samej tabeli, bot nie nadpisuje jego zmian

Analityka
Wszystkie dialogi są logowane z przypisaniem do statusu leada
Dane do optymalizacji: jakie zapytania przychodzą, na którym etapie odpadają klienci, jakie opony są polecane najczęściej

Skalowalność
Obecna architektura jest optymalna dla katalogów do 300-500 pozycji — pełny katalog jest ładowany w kontekst LLM, co zapewnia maksymalną dokładność doboru. Dla większych katalogów łatwo rozszerza się do architektury RAG z wyszukiwaniem wektorowym (Qdrant / Supabase).

Wynik
Bot całkowicie zastępuje menedżera na etapie wstępnej kwalifikacji. Menedżer otrzymuje na wejściu tylko gorących klientów z gotowymi informacjami: czego chcą, jakie opony oglądali, kiedy się zgłosili, kontakty. Czas przetwarzania leada skraca się wielokrotnie.

Stos
n8n · OpenAI API (GPT-4o-mini) · Google Sheets API · Telegram Bot API · JavaScript (Code nodes) · Prompt Engineering