Работа риелтора на 70% состоит из повторяющихся действий: написать описание для очередной квартиры, ответить на десять одинаковых вопросов в мессенджерах, подобрать варианты под запрос клиента, прикинуть адекватную цену по району. Каждое из этих действий — кандидат на автоматизацию через AI-агента. Агент в недвижимости — это не «чат с ботом», а программа, которая сама вызывает нужные функции: тянет параметры объекта, генерирует текст по вашим шаблонам, классифицирует лиды, скорит выдачу и пишет данные в CRM. Этот гайд показывает, как собрать такой конвейер из готовых кусков — с реальным рабочим кодом, который можно запустить прямо сейчас. Всё на Python и OpenAI API: понадобится только ключ и базовое понимание того, что такое переменная.

# 1. Зачем риелтору AI-агенты

Главный ресурс риелтора — время, а не деньги. Каждый час, потраченный на переписывание шаблонного текста объявления или на ответ «цена актуальна?» в пятый раз за день, — это час, который мог уйти на показ, переговоры и закрытие сделки. AI-агенты снимают именно этот слой рутины. Вот что они забирают на себя уже в 2026 году:

01. Генерация описаний объявлений — квартира заводится в базу с 10 параметрами, а на выходе готовый продающий текст для Авито и ЦИАН. Экономия 15–20 минут на объект.

02. Подбор объектов под клиента — агент фильтрует и скорит выдачу по бюджету, метражу, району и «хотелкам», отдавая топ-5 вместо простыни из 200 объявлений.

03. Автоответы на лиды — мгновенная реакция ночью и в выходные: классификация сообщения и шаблонный ответ за секунду, пока конкурент спит.

04. Анализ рынка и ценообразование — медиана цены за квадрат по району, чтобы выставлять объект не «на глазок», а по данным.

Ключевое отличие агента от обычного скрипта — он не тупой. Он понимает свободный текст клиента, сам решает, какую функцию вызвать, и собирает результат в человеческий ответ. Вы описываете правила и даёте инструменты — остальное модель делает сама. Начнём с самой частой задачи: описания объявлений.

# 2. Генерация описаний квартир и домов

Хорошее описание на Авито и ЦИАН решает две задачи: поднимает объявление в выдаче (площадки любят уникальный текст с ключевыми словами) и конвертит просмотр в звонок. Риелтор знает, что писать, но на каждый объект уходит 15–20 минут. Агент делает то же самое за 5 секунд по вашим правилам, заданным в системном промпте. Ниже — рабочий вызов OpenAI API: на вход словарь с параметрами квартиры, на выходе — готовый текст.

import os, json
from openai import OpenAI

client = OpenAI(api_key=os.environ["OPENAI_API_KEY"])

SYSTEM_PROMPT = """Ты — копирайтер агентства недвижимости.
Правила: первый абзац — цепляющий, без канцелярита и CAPS LOCK.
Дальше — факты по параметрам, в конце — призыв к показу.
Упоминай район и метро в первом абзаце (важно для SEO выдачи)."""

def generate_listing(flat: dict) -> str:
    resp = client.chat.completions.create(
        model="gpt-4o-mini",
        temperature=0.7,
        messages=[
            {"role": "system", "content": SYSTEM_PROMPT},
            {"role": "user", "content": json.dumps(flat, ensure_ascii=False)},
        ],
    )
    return resp.choices[0].message.content

flat = {
    "rooms": 2, "area": 54,
    "floor": 7, "total_floors": 12,
    "district": "Академический",
    "metro": "Профсоюзная, 5 минут пешком",
    "price": 12_900_000,
    "features": "кухня-гостиная, лоджия, свежий ремонт",
}

print(generate_listing(flat))
# → "Уютная двушка в Академическом, 5 минут до Профсоюзной..."

Два совета, которые реально влияют на результат. Во-первых, держите системный промпт жёстким: модель должна получать правила стиля, а не «придумай что-нибудь красивое» — иначе вы получите воду. Во-вторых, не выдумывайте факты: передавайте модели только те параметры, что есть в базе. Температура 0.7 даёт разнообразие между объявлениями одного ЖК; для строго одинакового стиля снизьте до 0.3. Для пакетной генерации 50 квартир просто прогоните список в цикле — это один вызов на объект, примерно 0.5–1 секунда каждый.

# 3. Подбор объектов под критерии клиента

Клиент приходит с размытым запросом: «двушка до 13 млн, желательно с лоджией, недалеко от метро». Вместо того чтобы руками перебирать выдачу, агент парсит базу объектов, фильтрует по жёстким критериям и скорит каждый вариант баллами. На выходе — топ-5 с объяснением, почему именно эти. Ключевой приём: жёсткие фильтры (бюджет, комнаты, метро) отсекают мусор, а мягкие «хотелки» добавляют баллы. Так клиент получает не 200 объявлений, а 5 осмысленных.

def score_object(flat: dict, criteria: dict) -> dict:
    score = 0
    reasons = []

    # жёсткий критерий: бюджет
    if flat["price"] <= criteria["budget"]:
        score += 3; reasons.append("в бюджете")
    else:
        score -= 2

    if flat["rooms"] >= criteria["rooms_min"]:
        score += 2

    if flat["metro_min"] <= criteria["max_metro_min"]:
        score += 2
        reasons.append("рядом с метро")

    # мягкие «хотелки»
    have = set(flat["features"])
    miss = criteria["must_have"] - have
    if not miss:
        score += 3; reasons.append("все хотелки на месте")
    else:
        reasons.append(f"нет: {', '.join(miss)}")

    return {"score": score, "reasons": reasons}

criteria = {"budget": 13_000_000, "rooms_min": 2,
             "max_metro_min": 10, "must_have": {"лоджия"}}

ranked = sorted(
    ((f, score_object(f, criteria)) for f in flats),
    key=lambda x: -x[1]["score"],
)

for flat, res in ranked[:5]:
    print(f"{res['score']:>3} | {flat['address']} | {flat['price']:,} руб | {'; '.join(res['reasons'])}")

Такой скоринг — детерминированный и прозрачный: вы в любой момент объясните клиенту, почему показали именно эти варианты. Когда объектов много, добавьте слой LLM: модель читает свободный текст клиента, вытаскивает критерии через function calling и передаёт их в скоринг. Парсинг самой выдачи Авито/ЦИАН делается отдельным модулем (requests + BeautifulSoup или готовые библиотеки), но это тема для отдельного гайда — здесь важно, что на вход скоринга попадает нормализованный список словарей.

# 4. Автоответы на лиды

Скорость реакции — главный фактор конверсии лида в сделку: по данным площадок, ответ в первые 5 минут в разы повышает шанс. Агент-автоответчик закрывает три вещи: классифицирует сообщение, отвечает по шаблону и эскалирует сложное менеджеру. Классификация через LLM с temperature=0 даёт стабильный результат: модель определяет, о чём спрашивает клиент, а дальше срабатывает словарь готовых ответов.

CLASSIFY_PROMPT = """Классифицируй сообщение клиента строго одной меткой:
PRICE — вопрос о цене или торг
VIEW  — запрос на просмотр / запись на показ
INFO  — вопрос о характеристиках объекта
OTHER — всё остальное"""

def classify_lead(text: str) -> str:
    resp = client.chat.completions.create(
        model="gpt-4o-mini",
        temperature=0,
        messages=[
            {"role": "system", "content": CLASSIFY_PROMPT},
            {"role": "user", "content": text},
        ],
    )
    return resp.choices[0].message.content.strip().upper()

AUTO_REPLIES = {
    "VIEW":  "Здравствуйте! Свободное время для показа: завтра 11:00 или 17:00. Какой удобнее?",
    "PRICE": "Здравствуйте! Цена актуальна. Возможен небольшой торг при быстром выходе на сделку.",
    "INFO":  "Здравствуйте! Уточните, что интересует: планировка, состояние или документы?",
}

def reply_to_lead(text: str) -> str:
    cat = classify_lead(text)
    if cat == "OTHER":
        return "Здравствуйте! Менеджер ответит в течение 15 минут."  # эскалация
    return AUTO_REPLIES[cat]

print(reply_to_lead("а можно завтра посмотреть квартиру?"))
# → "Здравствуйте! Свободное время для показа: завтра 11:00 или 17:00..."

Интеграция с мессенджерами — вопрос обвязки: Telegram подключается через библиотеку python-telegram-bot или aiogram, WhatsApp — через официальный Cloud API, Авито и ЦИАН — через API кабинетов или вебхуки. Общий паттерн один: сообщение приходит на вебхук → вы зовёте reply_to_lead → отправляете ответ обратно. Важно держать паузу и не спамить: один автоответ на сообщение, дальше — только менеджер. И всегда оставляйте «OTHER» как эскалацию — попытка ответить на всё подряд убивает доверие клиента.

# 5. Анализ рынка и ценообразование

Правильная цена — половина скорости продажи. Переоценил — объект висит месяцами, недооценил — теряешь деньги клиента. Агент собирает объявления по району и считает медиану цены за квадратный метр — это надёжнее среднего, потому что не искажается одним «золотым» пентхаусом или заниженной квартирой с обременением. Ниже — простая, но рабочая статистика по собранным данным.

import statistics

# результат парсинга: (район, цена за м²)
listings = [
    ("Академический", 245_000), ("Академический", 252_000),
    ("Академический", 239_000), ("Академический", 390_000),
    ("Черёмушки",    231_000), ("Черёмушки",    228_000),
    ("Черёмушки",    235_000), ("Коньково",      210_000),
    ("Коньково",      218_000),
]

def price_stats(district: str) -> dict:
    prices = [p for d, p in listings if d == district]
    return {
        "median": statistics.median(prices),
        "n": len(prices),
    }

for d in {"Академический", "Черёмушки", "Коньково"}:
    s = price_stats(d)
    print(f"{d}: медиана {s['median']:,} ₽/м² ({s['n']} объявлений)")
# → Академический: медиана 245 000 ₽/м² (4 объявлений)

Заметьте: выброс в 390 000 ₽/м² не сдвинул медиану, а вот среднее он бы задрал на 35 тысяч. Именно поэтому для ценообразования используют медиану, а не среднее. На реальных данных картина та же: медиана цены за квадрат по району ± коридор в 5–7% даёт адекватную вилку для выставления объекта. Дальше можно подключить LLM для сводки: «в Черёмушках рынок на 6% ниже Академического при сопоставимом метраже — рекомендую стартовать от 240 000 ₽/м²». Сбор объявлений — отдельная тема парсинга, но статистика выше работает с любым источником данных.

# 6. Интеграция с CRM: Битрикс24 и AmoCRM

Агент бесполезен, если лид не попадает в CRM. Финальный шаг пайплайна — записать сделку и контакт, чтобы менеджер видел всю историю. AmoCRM и Битрикс24 отдают REST API с токенами: у amoCRM это долгоживущий access token, у Битрикс24 — входящий вебхук, который генерируется в интерфейсе за минуту. Ниже — рабочие вызовы для создания лида в обеих системах.

import os, requests

# --- AmoCRM: сделка + контакт ---
AMO_BASE = "https://yourdomain.amocrm.ru"
AMO_TOKEN = os.environ["AMO_TOKEN"]

def amo_create_lead(name, phone, comment):
    resp = requests.post(
        f"{AMO_BASE}/api/v4/leads",
        headers={"Authorization": f"Bearer {AMO_TOKEN}"},
        json=[{
            "name": f"Сделка: {name}",
            "_embedded": {
                "contacts": [{
                    "name": name,
                    "custom_fields_values": [
                        {"field_code": "PHONE", "values": [{"value": phone}]}
                    ],
                }]
            },
        }],
    )
    resp.raise_for_status()
    return resp.json()

# --- Битрикс24: лид через входящий вебхук ---
BITRIX = "https://yourdomain.bitrix24.ru/rest/1/TOKEN"

def bitrix_create_lead(title, phone):
    resp = requests.post(
        f"{BITRIX}/crm.lead.add.json",
        json={"fields": {
            "TITLE": title,
            "PHONE": [{"VALUE": phone, "VALUE_TYPE": "WORK"}],
        }},
    )
    return resp.json()

Готовый пайплайн выглядит так: клиент пишет в мессенджер → агент классифицирует лид → автоответ уходит сразу → параллельно лид записывается в CRM через API выше. Менеджер утром открывает Битрикс24 и видит всех ночных лидов с уже отправленным первым ответом — остаётся только перезвонить. Это и есть та самая экономия, ради которой всё затевается: ни один лид не теряется, а скорость реакции больше не зависит от того, спит ли риелтор.

# 7. Стек, пайплайн и бюджет

Соберём всё в единый стек. Язык — Python, модель — gpt-4o-mini для рутины (классификация, описания) и gpt-4o для сложных сводок по рынку, обвязка — FastAPI для вебхуков, python-telegram-bot для Telegram, requests для CRM. Весь пайплайн — это конвейер: клиент → агент (классификация) → LLM (генерация/скоринг) → CRM (сделка), как на схеме выше.

Реальный бюджет агентства: тысяча описаний в месяц на gpt-4o-mini — это меньше доллара токенов, а экономия времени — десятки часов работы копирайтера. Основные затраты — не модель, а время разработчика на первую настройку. Теперь об ограничениях, которые важно учесть до старта.

⚠ Закон о персональных данных (152-ФЗ). Телефоны и ФИО клиентов — персональные данные. Храните их на своём сервере в РФ, не передавайте в зарубежные LLM (модель должна получать только обезличенный текст запроса, без имени и телефона), берите согласие на обработку.

⚠ Качество данных. Агент настолько хорош, насколько чиста ваша база объектов. Кривые параметры, дубли и устаревшие цены дают мусорные описания и неверный скоринг. Сначала нормализуйте базу, потом автоматизируйте.

⚠ Оплата зарубежных API из РФ. OpenAI не принимает российские карты напрямую — вопрос решается виртуальными картами и посредниками.

⚠ Галлюцинации. Модель может «досочинить» характеристику, которой нет. Поэтому факты передавайте только из базы, а ответы с эскалацией на человека для спорных случаев — обязательны.