Рабочий день агента по недвижимости в Батуми, Алматы или Варшаве начинается одинаково: открыть десять Telegram-каналов и пару групп в Facebook, пролистать сотни постов «сдаётся двушка у моря, звоните», выписать интересное в заметки, понять, что половина — те же квартиры от других посредников, и только потом перейти к клиентам. На этот ритуал уходит час-полтора, и повторяется он два-три раза в день, потому что хорошие варианты уходят за несколько часов.
При этом сам процесс почти не требует человеческой экспертизы. Прочитать пост, понять, что это за объект, сравнить с уже виденными, сопоставить с запросами клиентов — всё это машина делает лучше и быстрее. Экспертиза агента нужна дальше: на показе, в торге, в проверке документов. Разберём, как устроена автоматизация этой рутины, на примере задачи, которую мы в AiKrok решали в проекте Batumi Rent, и что в ней оказалось сложнее, чем выглядело.
Откуда берутся объявления и почему они неудобные
На рынках СНГ, Кавказа и части Европы значительная доля предложений аренды и продажи живёт не на классифайдах, а в мессенджерах: Telegram-каналы собственников, чаты посредников, группы по районам. Это и преимущество (варианты появляются раньше, чем на сайтах), и проблема: посты неструктурированы. В одном сообщении — цена в долларах, в другом в лари, в третьем «договорная». Адрес где-то точный, где-то «рядом с парком». Фото прикреплены к одному посту, а описание — к следующему.
Классический парсер с регулярными выражениями здесь ломается на каждом втором посте. Поэтому современная схема состоит из двух слоёв: сбор и понимание.
Слой первый: сбор постов
Технически это подписка на нужные каналы и группы через Telegram API и регулярное чтение новых сообщений. Несколько практических моментов, которые выясняются только в работе:
- Посты редактируют и удаляют. Если собирать только новые, через неделю база будет содержать квартиры, которые уже сданы. Нужно отслеживать изменения и удаления.
- Один объект часто публикуется альбомом из нескольких сообщений: фото в одном, текст в другом. Их нужно склеивать.
- Каналы меняются: одни умирают, появляются новые. Список источников должен быть редактируемым без программиста.
Сбор с сайтов-классифайдов — отдельная история. Многие из них запрещают автоматический сбор в правилах, и агентству стоит это учитывать: безопаснее работать с теми источниками, где собственник сам публикует предложение в открытый канал.
Слой второй: языковая модель превращает пост в карточку
Здесь и появляется ИИ. Каждый собранный пост отправляется языковой модели с инструкцией: извлечь тип сделки (аренда или продажа), тип объекта, число комнат, площадь, этаж, район или ориентир, цену с валютой, срок (посуточно, помесячно, долгосрочно), наличие мебели и техники, контакт, признаки «от собственника» или «от посредника». На выходе — структурированная запись в базе с заданными полями.
Что модель делает хорошо:
- Понимает смешанный текст на русском, грузинском и английском в одном посте.
- Нормализует цены: «600$», «600 долларов», «1600 лари» приводятся к единому полю с валютой.
- Распознаёт неявные признаки: «без посредников», «агентам не беспокоить» — это маркер собственника.
Что требует контроля:
- Модель может «дополнить» отсутствующие данные. Если в посте нет этажа, в карточке должно быть пусто, а не правдоподобное число. Это решается строгой схемой ответа и инструкцией «не указано — оставь пустым».
- Район по ориентиру («возле Макдональдса») модель определяет с переменной точностью. Лучше хранить ориентир как есть и отдельно подключить геокодирование.
Стоимость обработки одного поста моделью уровня GPT-5 или Claude — доли цента, при тысячах постов в день это ориентировочно десятки долларов в месяц. Для экономии можно использовать более дешёвые модели для первичной классификации («это вообще объявление или обсуждение?») и сильную модель только для извлечения полей.
Дедупликация: главная техническая сложность
Одна и та же квартира появляется в пяти каналах от трёх посредников с разными фото и ценой, отличающейся на 50 долларов. Если не склеивать дубликаты, база быстро превращается в тот же шум, от которого агент пытался уйти.
Надёжного единственного признака нет, поэтому работает комбинация:
- Точные совпадения: один и тот же номер телефона, одинаковые фото (сравнение по хэшу изображения, устойчивому к сжатию).
- Близкие совпадения: совпадают комнаты, площадь с допуском, ориентир, цена в пределах нескольких процентов. Такие пары получают оценку похожести.
- Семантическое сравнение: описания переводятся в векторы, и близкие по смыслу тексты попадают в кандидаты на дубликат. Для этого используется векторная база вроде Qdrant.
- Решение модели для спорных пар: ей показывают две карточки и спрашивают, один ли это объект. Это дороже, поэтому применяется только к кандидатам, прошедшим предыдущие фильтры.
Полностью автоматическая дедупликация ошибается в обе стороны: склеивает разные квартиры в одном доме и не склеивает одну с разными фото. Практичный компромисс — автоматически объединять уверенные совпадения, а сомнительные показывать агенту кнопкой «это один объект?». Через пару недель таких ответов порог можно подкрутить.
Подбор: от базы к конкретному клиенту
Когда база чистая, подбор становится простым. Запрос клиента («двушка до 700 долларов, не выше пятого этажа, с мебелью, район Нового бульвара, с сентября») фиксируется в структурированном виде, и каждое новое объявление проверяется на соответствие активным запросам. Совпало — агент получает уведомление с карточкой и ссылкой на исходный пост, а при желании клиент получает подборку сам.
Здесь уместна та же языковая модель, но с другой стороны: она разбирает запрос клиента из свободного текста в мессенджере в те же поля, что и объявления. Агент не заполняет формы, он просто пересылает сообщение клиента в бота.
Нужно ли автоматически отправлять подборки клиентам напрямую — вопрос бизнес-модели. Часть агентств считает, что ценность агента именно в отборе, и оставляет финальный выбор за человеком. Другие дают клиентам доступ к отфильтрованной ленте в Mini App и берут комиссию за сопровождение сделки. Технически возможны оба варианта.
Связка с CRM и работой агентов
Парсер, дедупликация и подбор — это источник данных. Чтобы он приносил деньги, его нужно встроить в ежедневную работу:
- Карточка объекта из базы одним действием превращается в сделку в CRM (amoCRM, Bitrix24 или своя).
- Запросы клиентов хранятся не в голове агента, а в системе, и подбор продолжает работать, даже если агент в отпуске.
- Статусы объектов (актуален, на показе, сдан) обновляются из CRM обратно в базу, чтобы не предлагать клиентам ушедшие варианты.
О том, как добиться, чтобы агенты реально вели CRM, а не вели параллельные заметки, мы писали в статье о внедрении CRM. Для объявлений с сайта агентства и собственных объектов та же база может служить источником, а ИИ — писать черновики описаний, но это уже другой сценарий.
Что здесь не автоматизируется
Проверка собственника и документов, осмотр реального состояния квартиры, торг, оценка «соседей и запахов» — всё это остаётся за агентом. ИИ может подсветить подозрительные признаки (цена заметно ниже рынка для района, один номер телефона у десятков объектов), но решение принимает человек.
Есть и правовая сторона. Персональные данные собственников из открытых постов попадают в базу агентства, и к их хранению применяются требования о защите данных, особенно в ЕС. Разумная практика: хранить только то, что нужно для работы, не публиковать контакты собственников клиентам без согласия и иметь понятную процедуру удаления. Подробнее о выборе между облачными и своими моделями при обработке таких данных — в статье о безопасности данных при внедрении ИИ.
Сроки и с чего начать
Рабочий прототип — сбор из 10–20 каналов, структурирование моделью, базовая дедупликация и уведомления о совпадениях с запросами — укладывается в две недели. Точная настройка дедупликации и подключение CRM занимают ещё несколько недель уже на реальных данных, потому что все особенности источников проявляются только в работе.
Начать стоит с простого списка: какие каналы агенты читают каждый день, сколько времени на это уходит и сколько сделок за месяц пришло из этих каналов. Если это десятки часов в месяц и заметная доля сделок, автоматизация окупится быстро. Если агентство работает только по собственной базе объектов, парсер не нужен, а усилия лучше направить на CRM и подбор.