МАХ-бот для риелтора 2026: подборки квартир, AI-оценка, чат с клиентом

Почему риелторам нужен МАХ-бот

Работа риелтора — это 40–60% рутины и 40–60% продаж. Рутина: подборки квартир под клиента вручную, ответы на одни и те же вопросы («какие документы нужны для ипотеки?», «сколько процентов агент берёт?»), напоминания клиентам про показы, ведение базы. Эту рутину можно практически полностью автоматизировать через МАХ-бот с AI.

Главная боль риелтора в 2026 году — конкуренция за внимание клиента. Покупка квартиры — длительный процесс, в среднем 3–6 месяцев. За это время клиент общается с 3–5 риелторами, и сделку получает тот, кто оказался самым отзывчивым, быстрым и полезным. МАХ-бот, который мгновенно отвечает на 70% вопросов, ежедневно присылает свежие подборки и помнит все предпочтения, выигрывает у «обычного» риелтора, который отвечает на сообщения через 4 часа.

Вторая боль — отслеживание лидов. Клиент позвонил в марте, выбрал, потом «думаю», и через 6 месяцев купил квартиру у конкурента. Без CRM и автоматических напоминаний теряется до 70% теплых клиентов. Бот ведёт каждого клиента автоматически: показывает релевантные квартиры, информирует о снижении цен, напоминает риелтору о повторном контакте.

Третья — cross-sell. Клиент покупает квартиру и сразу хочет ипотеку, страхование, ремонт, переезд. На каждый сервис риелтор может получать комиссию от партнёра 2–5% от стоимости услуги. На сделке стоимостью 8 млн ₽ это +50–150 тыс. ₽ дополнительного дохода без особых усилий.

МАХ как платформа особенно подходит для риелторской ниши. Аудитория 30+ с реальными доходами, активные пользователи мессенджеров с гос-сервисами (Госуслуги, Сбер). К концу 2026 года прогнозируемая аудитория МАХ — 15–20 млн пользователей, и значительная её часть — целевая для недвижимости.

Что должен уметь бот риелтора

Минимальный функционал современного бота для агентства недвижимости 2026 года.

Сбор предпочтений клиента. Анкета: район, бюджет, метраж, количество комнат, новостройка/вторичка, наличие парковки, ремонт, дополнительные критерии. Сохраняется в профиле, используется для подборок.

Автоматические подборки квартир. Раз в день — топ-5 свежих объявлений, подходящих под критерии. С фото, ценой, ссылкой на полное описание, кнопкой «записаться на показ».

AI-оценка стоимости. Клиент даёт адрес и параметры — бот оценивает справедливую рыночную стоимость с обоснованием. Полезно как для покупателей (не переплатить), так и для продавцов (адекватная цена объявления).

Уведомления о новых объектах. Появилась квартира под критерии клиента — мгновенное оповещение в боте. Это даёт преимущество в 1–2 часа перед другими покупателями.

Запись на показ. Календарь риелтора, выбор удобного слота, автоматическое подтверждение, напоминания.

Документы по сделке. Шаблоны договоров, чек-листы для покупателя и продавца, инструкции по регистрации в Росреестре.

Cross-sell. Ипотека, страхование, ремонт, переезд, дизайн интерьера — всё через партнёров с понятными процентами.

Архитектура решения

Стек бота для риелтора серьёзнее, чем у магазина или ресторана. Здесь больше данных, сложнее логика, обязателен AI.

Frontend. МАХ-бот для общения + Mini App для каталога квартир с фото-галереями, картой объектов, фильтрами. Mini App особенно важен — без него невозможно нормально показать 5–10 фото каждой квартиры.

Backend. Python с FastAPI — лучший выбор для риелторской ниши. Богатая экосистема для ML, парсинга, интеграций. PostgreSQL + расширение PostGIS для геопоиска по карте. Elasticsearch или Meilisearch для текстового поиска по описаниям.

Парсинг базы объявлений. ЦИАН (платный API), Авито (платный), Я.Недвижимость (партнёрский). Свои источники — прямые направления от собственников через бот.

AI слой. YandexGPT или GigaChat для русскоязычного чата (по 152-ФЗ — российские модели). Claude или GPT-4 для сложных задач (оценка квартиры, обоснование выбора), если нет ПД в промпте.

CRM-интеграция. Bitrix24 или amoCRM. Каждое обращение в боте — лид в CRM. История взаимодействия, статусы, напоминания. Подробнее в моём сравнении CRM 2026.

Парсинг базы объявлений

База объявлений — фундамент бота. Без неё нет подборок, нет уведомлений, нет AI-оценки. Источники данных в 2026 году.

ЦИАН API. Платный официальный API, от 30 тыс. ₽/мес за полный доступ к базе. Самая полная база по Москве, Питеру, городам-миллионникам. Высокое качество данных (модерация, верификация собственников).

Авито API. Платный, от 20 тыс. ₽/мес. Хорошее покрытие регионов, особенно средние и малые города. Качество данных ниже ЦИАНа (больше дублей, мусора), но шире охват.

Я.Недвижимость. Через партнёрскую программу. Условия индивидуальные, обычно 15–50 тыс. ₽/мес. Хорошее покрытие новостроек от застройщиков.

Свои источники. Прямые объявления от собственников, которые присылают в бот через специальную форму. Эксклюзивный контент, недоступный конкурентам. Часто это лучшие предложения по цене (без комиссии агентам).

Пример парсера ЦИАН на Python:

# cian-parser.py — парсер ЦИАН API для бота риелтора
import asyncio
import asyncpg
from datetime import datetime
from cian_api import CianClient

CIAN_API_KEY = os.environ['CIAN_API_KEY']
client = CianClient(api_key=CIAN_API_KEY)

async def fetch_new_listings(city_id: int, since: datetime):
    """Получить свежие объявления по городу с момента since."""
    page = 1
    all_listings = []
    while True:
        resp = await client.search(
            region_id=city_id,
            deal_type='sale',
            object_type='flat',
            sort='date_desc',
            min_publication_date=since.isoformat(),
            page=page,
        )
        if not resp['items']:
            break
        all_listings.extend(resp['items'])
        if len(resp['items']) < 28:
            break
        page += 1
        await asyncio.sleep(0.3)  # rate-limit
    return all_listings

async def save_listings(db, listings):
    """Сохраняем объявления в БД с upsert по cian_id."""
    for item in listings:
        await db.execute('''
            INSERT INTO listings (
                cian_id, city_id, district, address, lat, lng,
                price_rub, rooms, area_sqm, floor, total_floors,
                renovation, photos, description, parsed_at
            ) VALUES (
                $1, $2, $3, $4, $5, $6, $7, $8, $9, $10, $11, $12, $13, $14, NOW()
            ) ON CONFLICT (cian_id) DO UPDATE SET
                price_rub = EXCLUDED.price_rub,
                photos = EXCLUDED.photos,
                description = EXCLUDED.description,
                parsed_at = NOW()
        ''',
            item['id'], item['region_id'], item['district'],
            item['address'], item['geo']['lat'], item['geo']['lng'],
            item['price'], item['rooms'], item['total_area'],
            item['floor'], item['total_floors'], item['renovation'],
            item['photos'], item['description'])

# Запускаем парсинг каждые 30 минут
async def parser_loop(db):
    while True:
        since = datetime.now() - timedelta(minutes=35)
        for city_id in [1, 2, 4593]:  # Москва, Питер, Екатеринбург
            listings = await fetch_new_listings(city_id, since)
            await save_listings(db, listings)
            # Триггерим уведомления подписчикам
            await notify_matching_subscribers(db, listings)
        await asyncio.sleep(30 * 60)

Подборка под клиента — AI-фильтрация

Простая фильтрация по SQL «район = центр AND цена < 15 млн» работает плохо. Клиенты формулируют запросы в свободной форме: «двушка в зелёном районе, рядом метро, для семьи с ребёнком». Чтобы перевести это в качественную подборку, нужен трёхфазный подход.

Фаза 1: SQL-фильтры. Жёсткие критерии — район, цена, метраж, количество комнат. Это сужает базу с 50 000 объявлений до 200–500.

Фаза 2: Embedding-similarity. Описания всех квартир преобразуются в векторные эмбеддинги (через ada-002 от OpenAI или mE5 от Cohere). Запрос клиента тоже превращается в эмбеддинг. Считаем cosine similarity и сортируем по релевантности. Получаем топ-30 квартир.

Фаза 3: GPT-обоснование. Для топ-5 квартир — отдельный запрос к LLM с просьбой объяснить «почему эта квартира подходит вашему запросу». Получаем персональное обоснование под каждого клиента.

Доставка подборки — раз в день в 9:00 по местному времени клиента. Сообщение в боте: «Сегодня для вас 5 квартир» + краткие карточки с фото и обоснованием. Клик по карточке — открытие в Mini App с полной информацией.

AI-оценка стоимости квартиры

Оценка квартиры — частый запрос. «Хочу продать, какая адекватная цена?» или «Эта квартира продаётся за 12 млн, это нормально?». Раньше для оценки риелтор тратил 30–60 минут на ручной анализ похожих объектов. AI делает это за 10 секунд.

Features для модели. Район, площадь, этаж/всего этажей, метро (расстояние пешком), ремонт (без/косметика/евро), материал дома (панель/кирпич/монолит), год постройки, балкон, санузел.

ML-модель. Регрессионная модель (XGBoost или LightGBM) на исторических данных закрытых сделок. Обучается на 10 000+ примерах из Росреестра и собственной базы.

LLM-обоснование. После численной оценки от ML — запрос к LLM: «Объясни, почему квартира с такими параметрами стоит 9.5–10.5 млн ₽, какие 3 похожих объявления подтверждают цену».

Пример простой регрессионной модели оценки:

# valuation-model.py — простая модель оценки квартиры
import pandas as pd
from sklearn.model_selection import train_test_split
from xgboost import XGBRegressor
import joblib

# Подготовка датасета
df = pd.read_csv('closed_deals_2020_2026.csv')
features = ['district_id', 'area_sqm', 'rooms', 'floor', 'total_floors',
            'metro_walk_min', 'renovation_score', 'building_type_id',
            'year_built', 'has_balcony', 'bathroom_type']
X = df[features]
y = df['final_price_rub']

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

model = XGBRegressor(
    n_estimators=500,
    max_depth=8,
    learning_rate=0.05,
    objective='reg:squarederror',
)
model.fit(X_train, y_train, eval_set=[(X_test, y_test)], verbose=False)

# Сохраняем модель
joblib.dump(model, 'valuation-xgb-2026.pkl')

# Функция оценки для бота
def estimate_price(flat: dict) -> dict:
    model = joblib.load('valuation-xgb-2026.pkl')
    x = pd.DataFrame([{
        'district_id': flat['district_id'],
        'area_sqm': flat['area'],
        'rooms': flat['rooms'],
        'floor': flat['floor'],
        'total_floors': flat['total_floors'],
        'metro_walk_min': flat['metro_walk'],
        'renovation_score': flat['renovation'],
        'building_type_id': flat['building_type'],
        'year_built': flat['year_built'],
        'has_balcony': flat['balcony'],
        'bathroom_type': flat['bathroom'],
    }])
    pred = float(model.predict(x)[0])
    # Доверительный интервал ±5%
    return {
        'estimated_price': int(pred),
        'low_bound': int(pred * 0.95),
        'high_bound': int(pred * 1.05),
        'confidence': 0.85,
    }

Чат с клиентом — AI-помощник риелтору

70% вопросов клиентов — типовые. «Сколько стоит ипотека?», «Какие документы нужны для покупки?», «Что такое аккредитив?», «Как проверить юридическую чистоту?». AI отвечает на эти вопросы за 2 секунды круглосуточно. Сложные вопросы эскалируются риелтору с краткой выжимкой контекста.

# gpt-assistant.py — AI-помощник риелтору в МАХ-боте
from yandex_cloud_ml_sdk import YCloudML

sdk = YCloudML(folder_id=os.environ['YANDEX_FOLDER_ID'])
model = sdk.models.completions('yandexgpt').configure(temperature=0.3)

SYSTEM_PROMPT = '''Ты — AI-помощник риелторского агентства "Премиум".
Отвечай на вопросы клиентов по покупке/продаже квартир в Москве.

Знания:
- Ипотека 2026: ставки 14-22%, первый взнос от 20%
- Документы для покупки: паспорт, СНИЛС, ИНН, справка о доходах 2-НДФЛ
- Сроки регистрации в Росреестре: 7-10 рабочих дней
- Комиссия агентства: 3-5% от стоимости квартиры

Если вопрос требует индивидуальной консультации — отвечай:
"Передаю риелтору, ответит в течение часа в рабочее время".
Не выдавай юридических советов, только общую информацию.
'''

async def handle_user_message(user_id: int, message: str, history: list):
    messages = [
        {'role': 'system', 'text': SYSTEM_PROMPT},
        *[{'role': m['role'], 'text': m['text']} for m in history[-10:]],
        {'role': 'user', 'text': message},
    ]
    result = await model.run_async(messages)
    answer = result.alternatives[0].text

    # Если AI решил эскалировать — помечаем для риелтора
    if 'Передаю риелтору' in answer:
        await create_realtor_task(user_id, message, history)
        # Резюме переписки для риелтора
        summary = await summarize_dialog(history + [{'role': 'user', 'text': message}])
        await send_to_realtor(user_id, summary)

    return answer

async def summarize_dialog(history: list) -> str:
    '''Краткое резюме переписки для риелтора - 30 секунд на ввод в курс дела.'''
    text = '\n'.join([f"{m['role']}: {m['text']}" for m in history])
    prompt = f"Кратко в 3-5 предложений: о чём беседовал клиент, что хочет, на каком этапе.\n\n{text}"
    result = await model.run_async([{'role': 'user', 'text': prompt}])
    return result.alternatives[0].text

Главная ценность для риелтора — резюме переписки. Когда AI эскалирует сложный вопрос, риелтор получает не «прочитайте 30 сообщений», а 3–5 предложений с сутью. Это экономит 5–10 минут на каждый эскалированный диалог.

Запись на показ

Запись на показ — критическая воронка. Клиент посмотрел квартиру в Mini App, заинтересовался, хочет посмотреть вживую. Чем меньше шагов до записи — тем выше конверсия.

Календарь риелтора. Интеграция с Google Calendar или Яндекс Календарём. Бот видит занятые слоты, показывает только свободные.

Бронирование слотов. Клиент выбирает дату и время, подтверждает. Уведомление риелтору в МАХ-боте и в календарь.

Напоминания. За 24 часа и за 1 час — клиенту и риелтору. Снижает no-show с 30% до 10%.

Map-link. Прямая ссылка на адрес в Яндекс Картах или 2GIS. Клиент один клик — и маршрут построен.

Документы по сделке

Сделка с недвижимостью — это десятки документов. Договор купли-продажи, акт приёма-передачи, согласие супруга, доверенность, справки. Бот может автоматизировать генерацию шаблонов.

Шаблоны договоров. Готовые DOCX-шаблоны с переменными. Бот собирает данные через анкету в Mini App, подставляет в шаблон, генерирует готовый файл.

Автозаполнение под клиента. ФИО, паспортные данные, адрес объекта, цена, реквизиты сторон. Один раз ввели — везде подставилось.

DOCX/PDF генерация. Через python-docx + конвертация в PDF через LibreOffice headless. Файл отправляется клиенту в МАХ-бот или email.

Доставка документов. МАХ-бот для оперативных уведомлений, email для архива и юридической силы.

Cross-sell в боте

Клиент, который купил квартиру, в течение 3–6 месяцев нуждается в массе дополнительных услуг. Если риелтор не предложит — клиент найдёт через Яндекс. Если предложит — получит комиссию с партнёров.

Ипотека. Расчёт ставки и платежа через калькулятор партнёрского банка (Сбер, ВТБ, Альфа). Бот спрашивает доход, первый взнос, срок — выдаёт расчёт. Партнёрская комиссия — 0,5–1,5% от суммы кредита.

Страхование. ОСАГО, КАСКО (если есть машино-место), ипотечное страхование. Партнёры: Согаз, РЕСО, АльфаСтрахование. Комиссия — 10–25% от премии.

Ремонт. Партнёрские бригады, чек-листы материалов, дизайн-проекты. Комиссия — 3–7% от стоимости работ.

Переезд. Мувинг-компании, упаковка, сборка мебели. Комиссия — 5–10% от заказа.

Дизайн интерьера. Партнёрские студии, готовые концепции, 3D-визуализации. Комиссия — 5–15% от стоимости проекта.

Стоимость разработки 2026

Месячные расходы: 20–100 тыс. ₽. API ЦИАН/Авито — 30–80 тыс. ₽. Хостинг и БД — 5–15 тыс. ₽. AI (YandexGPT/Claude) — 10–30 тыс. ₽ при 500–1000 диалогах в день. Поддержка — 10–30 тыс. ₽.

Юр-нюансы для риелтора 2026

152-ФЗ при ПД клиентов. Контакты, паспортные данные, информация о финансовом положении — это всё ПД. Локализация в РФ, политика, согласие. Подробнее в статье о локализации.

Лицензия риелтора. В РФ обязательной лицензии для риелторской деятельности нет (в отличие от ряда стран), но рекомендуется членство в РГР (Российской Гильдии Риелторов) для репутации.

Договор оказания услуг. С каждым клиентом — договор на оказание риелторских услуг с указанием комиссии, ответственности сторон, сроков. Без договора — претензии не подкреплены.

Налоги. УСН 6% «доходы» для большинства риелторов. При обороте до 2,4 млн ₽/год — НПД (самозанятость). Партнёрские комиссии тоже облагаются налогом.

Защита авторских прав на фото. Фото квартир из ЦИАН/Авито нельзя использовать без согласия — есть прецеденты исков. Используйте через официальное API или с разрешения собственника.

Бот для продавцов квартир

В риелторском бизнесе клиенты не только покупатели — есть и собственники, которые хотят продать квартиру. Это вторая ключевая аудитория бота, часто более прибыльная: с продавца риелтор берёт комиссию 3–5% от стоимости квартиры, что на 8 млн ₽ даёт 240–400 тыс. ₽ за сделку.

Сценарий для продавца. Собственник пишет в бот «хочу продать квартиру», бот собирает данные (адрес, площадь, этаж, ремонт), выдаёт AI-оценку с обоснованием. Если оценка устраивает — собственник заполняет анкету полностью, прикладывает фото, бот ставит задачу риелтору на размещение. Дальше — публикация на ЦИАН/Авито через API риелтора, отслеживание просмотров, передача заявок.

Для продавца важна прозрачность: сколько просмотров объявления, сколько заявок, какие предложения по цене. Бот ежедневно присылает сводку: «За вчера 23 просмотра, 2 заявки от потенциальных покупателей, цена в рынке». Это удерживает доверие собственника к агентству.

Cross-sell для продавца: предпродажная подготовка (хоум-стейджинг), фотосессия, видео-обзор, услуги по съёмке БТИ. Партнёры закрывают потребность, риелтор получает 10–20% комиссии.

Воронка клиента в боте

Понимание воронки риелторского бота — это понимание того, где и сколько денег вы оставляете на полу. Стандартная воронка от первого контакта до сделки выглядит так.

Этап 1: первый контакт. Клиент пришёл из рекламы, по рекомендации, через объявление. Стартует диалог с ботом. Метрика — количество новых диалогов в день. Целевой показатель — растущая динамика месяц к месяцу.

Этап 2: заполнение анкеты. Клиент проходит вопросник: район, бюджет, метраж. Метрика — конверсия из «диалог начат» в «анкета заполнена». Норма — 50–70%. Если меньше — анкета слишком длинная или нерелевантные вопросы.

Этап 3: получение первой подборки. Бот присылает 5 квартир, клиент открывает Mini App, смотрит. Метрика — процент клиентов, открывших Mini App из подборки. Норма — 60–80%.

Этап 4: запрос показа. Клиент выбирает 1–2 квартиры из подборки и записывается на показ. Метрика — конверсия из «открыл Mini App» в «записался на показ». Норма — 15–25%.

Этап 5: проведённый показ. Клиент дошёл до квартиры, посмотрел. No-show — 15–30%. Бот с напоминаниями снижает no-show до 10–15%.

Этап 6: вторичный показ или альтернативы. После показа клиент думает. Бот должен поддержать контакт: новые подборки, ответы на вопросы, AI-помощник. Метрика — retention 7/30 дней.

Этап 7: сделка. Заключение договора, оформление документов, регистрация. Метрика — конверсия из «первого контакта» в «сделку». Норма для качественного бота — 8–15% против 3–6% без автоматизации.

Каждый этап нужно мерить отдельно. Метрики хранятся в БД, дашборд обновляется ежедневно. Так видно, где провал, и куда вкладывать улучшения.

Топ-5 ошибок при разработке риелтор-бота

1. Не интегрируют с ЦИАН/Авито. Риелтор вручную копирует объявления в админку бота. Это убивает всю автоматизацию. Стоит вложиться в платные API — окупаются за 1–2 месяца.

2. Игнорируют AI. Делают бот «по старинке» с FAQ-ботом и кнопками. Упускают 60–80% автоматизации диалогов. В 2026 году AI-помощник — must-have.

3. Не делают reactivation. Клиент общался месяц назад, потом пропал. Без триггерных напоминаний теряете 50–70% теплых лидов.

4. Не интегрируют с CRM. Лиды живут в боте, история сделок в Excel, документы в почте. Хаос. Интеграция с amoCRM/Bitrix24 за 5–10 дней решает проблему.

5. Плохой UX подборок. Трудно листать, мелкие фото, нет фильтров. Клиент закрывает бот и идёт на ЦИАН. Mini App с нормальной галереей — обязателен.

FAQ

Сколько стоит запуск бота риелтора с AI? От 400 тыс. ₽ под ключ за 5–8 недель. AI-подборки, оценка, ЦИАН-интеграция, CRM.

Можно ли использовать иностранные AI (Claude, GPT-4)? Технически можно, но осторожно с ПД. Для обработки чувствительных данных — только российские модели (YandexGPT, GigaChat). Для общих задач (например, генерация маркетинговых текстов) — можно зарубежные.

Какая модель оценки квартиры точнее? Зависит от качества данных. На 10+ тыс. примерах закрытых сделок XGBoost даёт MAE 5–8% от цены. Для премиум-сегмента нужны отдельные модели — там меньше данных и больше выбросов.

Как защитить базу клиентов от ухода риелтора? Все данные в централизованной БД агентства, риелтор имеет доступ только через бот/CRM. Логирование всех действий. Договор с риелтором о неконкуренции.

Можно ли использовать бот для коммерческой недвижимости? Да, логика та же. Отличается только база (КОММЕРЧЕСКАЯ ЦИАН), параметры квартир (тип объекта, классность), процесс сделки (больше документов, дольше согласования).

Сколько окупается бот? На агентстве с 10+ риелторами — 2–4 месяца. На одного риелтора-фрилансера — 6–12 месяцев. ROI считается через высвобожденное время и рост конверсии лидов.

Что с регионами — работает ли подход? Да, особенно в городах-миллионниках. В малых городах меньше объявлений в ЦИАН/Авито, но и конкуренция меньше — бот всё равно даёт преимущество.

Чек-лист «запускаю бот риелтора за 2 месяца»

Месяц 1. Концепция + макеты Mini App (1 неделя). Бэкенд и БД (1 неделя). Интеграция с ЦИАН и Авито (1 неделя). Базовый бот + Mini App с каталогом (1 неделя).

Месяц 2. AI-подборки и оценка квартиры (1 неделя). AI-помощник для чата (1 неделя). CRM-интеграция (1 неделя). Тестирование + запуск (1 неделя).

Помогу настроить AI-помощника под вашу нишу недвижимости: жилая, коммерческая, премиум, регионы. Опыт в разработке ботов и AI-интеграций — пишите в Telegram, обсудим вашу задачу и подберём оптимальный стек.