ИИ под ключ: какие решения заказывает бизнес и сколько стоит

Под «разработкой ИИ-решений» бизнес обычно заказывает одну из четырёх вещей: помощника, который отвечает на вопросы по вашим документам; систему, которая разбирает входящий поток и раскладывает его по категориям; извлечение данных из документов; или агента, который сам выполняет действия в ваших системах. Всё остальное — вариации этих четырёх.

Цена определяется не «сложностью искусственного интеллекта», а числом интеграций и тем, сколько стоит ошибка. Ориентиры: чат-бот с базой знаний — от 2 000 BYN, агент, действующий в системах, — от 3 500 BYN, плюс 20–100 $ в месяц на использование модели.

Что означает «под ключ»

В ИИ-проектах эта формулировка значит больше, чем в обычной разработке, потому что модель — не детерминированная программа. Она может ответить по-разному на один и тот же вход, и половина работы приходится не на подключение модели, а на ограничения вокруг неё.

В комплект входит: разбор задачи и проверка, что она в принципе решается моделью; выбор модели и способа её подключения; интеграции с вашими системами; обвязка — проверки, границы полномочий, логирование; тестирование на реальных данных; запуск с наблюдением первое время.

Отдельная строка, которую часто забывают заложить, — эксплуатация. Использование модели оплачивается ежемесячно и зависит от объёма запросов. Это не разовая покупка.

Порядок этого расхода легко прикинуть заранее: тарифы всех основных моделей сведены в одну таблицу на OpenRouter и считаются за миллион токенов. Умножьте на свой ожидаемый объём — и вы получите цифру точнее любых средних ориентиров, потому что разброс между моделями здесь десятикратный.

Какие ИИ-решения заказывают чаще всего

Помощник по базе знаний. Отвечает на вопросы сотрудников или клиентов, опираясь на ваши документы: регламенты, инструкции, договоры, каталог. Самое популярное решение и самое предсказуемое по результату. Подробный разбор — в статье про ИИ-чат-бота для бизнеса.

Разбор входящего потока. Письма, заявки, обращения классифицируются по теме и срочности и направляются нужному человеку. Работает там, где поток большой и однородный, а правила сортировки словами не описываются.

Извлечение данных из документов. Счета, накладные, договоры и сканы превращаются в поля для учётной системы. Экономит больше всего ручного времени и легче всего считается в деньгах: берёте число документов в месяц и время на обработку одного.

Агент, который действует. Не отвечает, а выполняет: создаёт задачи, обновляет статусы, инициирует операции в нескольких системах. Самое дорогое и самое рискованное решение — разобрано отдельно в статье про ИИ-агентов.

Генерация текстов по вашим данным. Черновики коммерческих предложений, описаний товаров, ответов клиентам — с обязательной проверкой человеком перед отправкой.

Три уровня: от готовой модели до своей

Выбор уровня определяет и цену, и сроки, и то, где будут лежать ваши данные.

Начинать почти всегда стоит с первого уровня. Распространённое заблуждение — что модель нужно «обучить на своих данных»: в большинстве задач достаточно дать ей доступ к документам, и это дешевле, быстрее и обновляется без переобучения, просто добавлением новых файлов.

Это не наше частное мнение, а порядок, который рекомендуют сами разработчики моделей: в руководстве OpenAI по оптимизации дообучение стоит третьим шагом — сначала измеримые тесты, потом работа с промптом и подстановкой контекста, и только если этого не хватило — обучение. Прямая формулировка: работы с промптом «может оказаться достаточно, чтобы получить отличный результат под вашу задачу».

Локальная модель — не про экономию, а про конфиденциальность. Она требует своего железа и обслуживания и обычно уступает облачным по качеству, но данные при этом не уходят стороннему сервису — запустить открытую модель на своём сервере сегодня несложно, например через Ollama. Для медицины, юридических документов и всего, что подпадает под закон о персональных данных, это часто решающий аргумент.

От чего зависит цена

Больше всего на смету влияют три вещи, и «умность модели» в их число не входит.

Число интеграций. Каждая система, к которой нужно подключиться, — это отдельная работа. Одна база знаний в виде папки документов и обмен с самописной учётной системой — задачи разного порядка.

Цена ошибки. Если неверный ответ стоит недоразумения, достаточно базовых проверок. Если он стоит денег или обязательств перед клиентом, нужны согласование человеком, откаты и аудит — а это половина бюджета.

Состояние данных. Если регламенты лежат в трёх версиях в разных папках и противоречат друг другу, первый этап проекта — не разработка, а наведение порядка. Это самая частая причина, по которой проект выходит дороже ожиданий.

Что нужно от вас

Отдельно собирать данные обычно не требуется — годится то, чем вы уже пользуетесь: регламенты, база вопросов и ответов, каталог, история обращений, документы.

Требуется другое: чтобы эти данные были в одном месте и не противоречили друг другу. Модель не догадается, какая из двух инструкций действующая, — она уверенно процитирует ту, что попалась. Час, потраченный на разбор источников до старта, экономит неделю на этапе тестирования.

Второе, что нужно от вас, — человек, который может сказать, правильный ответ или нет. Без эксперта, готового проверить первые несколько десятков ответов, проект нечем закрывать: формальных метрик тут недостаточно.

Как устроен процесс и сколько занимает

1. Разбор задачи — что автоматизируем, где сейчас теряется время, чем измеряем результат.
2. Проверка гипотезы на небольшом объёме реальных данных. Дешёвый этап, который отсеивает задачи, не решаемые моделью.
3. Разработка: подключение модели, интеграции, обвязка и ограничения.
4. Тестирование на реальных, но не боевых данных, включая исключения.
5. Запуск с наблюдением — первое время с выборочной проверкой вручную.

Помощник по базе знаний укладывается в 2–3 недели. Решение с несколькими интеграциями и действиями в системах — от полутора месяцев. С чего начать, если вы ещё не выбрали первую задачу, разобрано в статье про внедрение ИИ в бизнес.

Как измерить, что решение работает

ИИ-проекты чаще всего проваливаются не потому, что модель плохая, а потому, что никто не договорился, что считать успехом. Метрику стоит зафиксировать до начала разработки — иначе через месяц спор сведётся к ощущениям.

Доля задач, закрытых без человека. Для помощника по базе знаний — сколько вопросов не потребовали эскалации. Реалистичный ориентир на старте — не «сто процентов», а «столько, чтобы освободить время эксперта».

Точность на контрольной выборке. Соберите реальные случаи с заранее известным правильным ответом и прогоняйте их после каждого изменения. Это единственный способ понять, стало лучше или хуже, — на глаз такие вещи не определяются. Пятидесяти случаев хватит, чтобы заметить грубую поломку, но это нижняя граница: в методических материалах Anthropic по оценке речь идёт о сотнях примеров, а из двух вариантов рекомендуется брать больший объём с автоматической проверкой, а не меньший с ручной. Чем меньше выборка, тем чаще вы будете принимать шум за улучшение.

Время на операцию. Сколько минут занимала обработка документа до и после. Самая понятная бизнесу метрика и самая простая в подсчёте.

Стоимость запроса. Расход на модель в пересчёте на одну операцию. Нужен, чтобы вовремя заметить, что решение работает, но обходится дороже, чем человек.

Отдельно стоит договориться, что делать с ошибками. У любой модели есть процент неверных ответов, и вопрос не в том, будет ли он нулевым, — не будет, — а в том, кто и как быстро эти случаи ловит. Если ответа на этот вопрос нет, решение не готово к запуску независимо от точности на тестах.

Когда ИИ не нужен

Если правило формулируется через «если — то», модель не нужна: обычный сценарий дешевле, быстрее и предсказуемее. Если задача возникает раз в месяц, автоматизация не окупится. Если нет человека, который отличит правильный ответ от неправильного, проект нечем принимать.

Отдельный случай — когда решение технически возможно, но экономически бессмысленно: расход на модель в пересчёте на операцию выходит выше, чем стоит та же работа руками. Это стоит посчитать на этапе проверки гипотезы, а не после разработки.

Честная оценка задачи начинается именно с этих трёх вопросов — опишите задачу, и мы скажем, нужен ли здесь ИИ вообще; посмотреть, что мы делаем в AI, можно на странице услуги.