Как внедрить ИИ в бизнес без дата-сайентистов: честный разбор с ценами 2026
Три года назад в разговорах про искусственный интеллект для бизнеса звучали одни и те же слова: датасеты, обучение моделей, команда дата-сайентистов, миллионы рублей, год работы. Отмахнуться было проще, чем вникнуть.
Сегодня мы строим ИИ-модули за 150-500 тысяч рублей и месяц-два работы. Без единого дата-сайентиста. И это не рекламное обещание - мы сами так построили sdelaihit.ru, свою платформу генерации контента, и теперь делаем то же самое для клиентов.
Разберу по-честному, как это устроено, сколько стоит и где подвох. Подвохи есть, и я их не спрячу - мы зарабатываем внедрением ИИ, поэтому нам важно, чтобы у вас были правильные ожидания, а не розовые.
Сегодня мы строим ИИ-модули за 150-500 тысяч рублей и месяц-два работы. Без единого дата-сайентиста. И это не рекламное обещание - мы сами так построили sdelaihit.ru, свою платформу генерации контента, и теперь делаем то же самое для клиентов.
Разберу по-честному, как это устроено, сколько стоит и где подвох. Подвохи есть, и я их не спрячу - мы зарабатываем внедрением ИИ, поэтому нам важно, чтобы у вас были правильные ожидания, а не розовые.
Что вообще изменилось
Раньше, чтобы получить «свой ИИ», нужно было учить модель с нуля. Собирать данные, нанимать людей с математическим образованием, ждать. Дорого и долго.
Теперь модель не нужно учить. Она уже обучена - на всём интернете, за миллиарды долларов, не вами. Вы берёте её по подписке через API, как берёте электричество из розетки. Ваша задача - не создать электростанцию, а провести проводку в своём офисе.
«Проводка» в случае ИИ - это научить готовую модель вашему контексту: вашим товарам, ценам, регламентам, тону общения с клиентами. И это работа инженера-интегратора, а не учёного. Отсюда и цены, и сроки.
Раньше, чтобы получить «свой ИИ», нужно было учить модель с нуля. Собирать данные, нанимать людей с математическим образованием, ждать. Дорого и долго.
Теперь модель не нужно учить. Она уже обучена - на всём интернете, за миллиарды долларов, не вами. Вы берёте её по подписке через API, как берёте электричество из розетки. Ваша задача - не создать электростанцию, а провести проводку в своём офисе.
«Проводка» в случае ИИ - это научить готовую модель вашему контексту: вашим товарам, ценам, регламентам, тону общения с клиентами. И это работа инженера-интегратора, а не учёного. Отсюда и цены, и сроки.
Заглянем под капот: из чего состоит ИИ-модуль
Когда заказчик слышит «чат-бот с ИИ», он представляет окошко чата. А инженер видит пять слоёв. Расскажу про каждый, потому что именно здесь кроется ответ на вопрос «почему один бот работает, а другой врёт».
Первый слой - ваши данные. Регламенты, прайсы, карточки товаров, инструкции. Обычно это самая больная часть: знания разбросаны по документам, почте и головам сотрудников. Пока их не соберёшь в порядок, дальше двигаться некуда.
Второй слой - поиск по этим данным. Есть технология с неудобным названием RAG. Суть простая: когда клиент задаёт вопрос, система сначала находит в вашей базе подходящие куски документов, а потом отдаёт их модели вместе с вопросом. Модель отвечает не «из головы», а по вашим материалам. Это одно решение снижает выдумки на порядок.
Третий слой - инструкции для модели. То, что называют промптами. По сути это должностная инструкция: кто ты, как говоришь, на что не отвечаешь, в каком случае зовёшь человека. Плюс логика сценария: понял вопрос → нашёл данные → составил ответ → проверил → отправил или передал оператору.
Четвёртый слой - интеграции. Бот должен видеть заявку в вашей CRM, создавать задачу, записывать диалог в карточку клиента. Без этого он - игрушка в вакууме.
Пятый слой - контроль. Логи, метрики, правила эскалации к человеку. Скучная часть, которая отличает рабочее решение от демо.
А теперь главное. В нормальном проекте сама модель - это процентов десять- пятнадцать работы. Остальное - данные, интеграции и контроль. Если подрядчик продаёт вам «ИИ», а по факту делает красивое окно чата поверх нейросети - он продаёт вам самые дешёвые пятнадцать процентов по цене всего проекта.
Когда заказчик слышит «чат-бот с ИИ», он представляет окошко чата. А инженер видит пять слоёв. Расскажу про каждый, потому что именно здесь кроется ответ на вопрос «почему один бот работает, а другой врёт».
Первый слой - ваши данные. Регламенты, прайсы, карточки товаров, инструкции. Обычно это самая больная часть: знания разбросаны по документам, почте и головам сотрудников. Пока их не соберёшь в порядок, дальше двигаться некуда.
Второй слой - поиск по этим данным. Есть технология с неудобным названием RAG. Суть простая: когда клиент задаёт вопрос, система сначала находит в вашей базе подходящие куски документов, а потом отдаёт их модели вместе с вопросом. Модель отвечает не «из головы», а по вашим материалам. Это одно решение снижает выдумки на порядок.
Третий слой - инструкции для модели. То, что называют промптами. По сути это должностная инструкция: кто ты, как говоришь, на что не отвечаешь, в каком случае зовёшь человека. Плюс логика сценария: понял вопрос → нашёл данные → составил ответ → проверил → отправил или передал оператору.
Четвёртый слой - интеграции. Бот должен видеть заявку в вашей CRM, создавать задачу, записывать диалог в карточку клиента. Без этого он - игрушка в вакууме.
Пятый слой - контроль. Логи, метрики, правила эскалации к человеку. Скучная часть, которая отличает рабочее решение от демо.
А теперь главное. В нормальном проекте сама модель - это процентов десять- пятнадцать работы. Остальное - данные, интеграции и контроль. Если подрядчик продаёт вам «ИИ», а по факту делает красивое окно чата поверх нейросети - он продаёт вам самые дешёвые пятнадцать процентов по цене всего проекта.
Сколько стоит один ответ: считаем вместе
Модели берут плату за токены - условные кусочки текста, примерно три четверти слова. Звучит абстрактно, поэтому давайте на конкретном примере.
Вопрос клиента - это где-то 50 токенов. Куски вашей базы знаний, которые система нашла для ответа, - около тысячи. Инструкции модели - триста. Сам ответ - двести. Итого примерно полторы тысячи токенов на одно обращение.
Тарифы российских моделей в 2026 году: от двухсот рублей за миллион токенов у простых версий до полутора-двух тысяч у флагманских. Делим - и получаем два-три рубля за обработанное обращение на самой дорогой модели. Сто обращений в день - шесть-девять тысяч рублей в месяц. Сравните с зарплатой хотя бы одного оператора поддержки.
Именно поэтому экономика прикладного ИИ сейчас сходится почти всегда. Вопрос не «окупится ли», а «насколько грамотно сделано». Потому что та же самая задача, реализованная наивно - без кэширования повторных ответов и без отправки простых вопросов на дешёвую модель - обойдётся в пять-десять раз дороже. Копейки за запрос превращаются в ощутимый счёт, когда запросов миллионы.
Модели берут плату за токены - условные кусочки текста, примерно три четверти слова. Звучит абстрактно, поэтому давайте на конкретном примере.
Вопрос клиента - это где-то 50 токенов. Куски вашей базы знаний, которые система нашла для ответа, - около тысячи. Инструкции модели - триста. Сам ответ - двести. Итого примерно полторы тысячи токенов на одно обращение.
Тарифы российских моделей в 2026 году: от двухсот рублей за миллион токенов у простых версий до полутора-двух тысяч у флагманских. Делим - и получаем два-три рубля за обработанное обращение на самой дорогой модели. Сто обращений в день - шесть-девять тысяч рублей в месяц. Сравните с зарплатой хотя бы одного оператора поддержки.
Именно поэтому экономика прикладного ИИ сейчас сходится почти всегда. Вопрос не «окупится ли», а «насколько грамотно сделано». Потому что та же самая задача, реализованная наивно - без кэширования повторных ответов и без отправки простых вопросов на дешёвую модель - обойдётся в пять-десять раз дороже. Копейки за запрос превращаются в ощутимый счёт, когда запросов миллионы.
«А модель можно обучить на нас?»
Слышу это регулярно. Есть три уровня кастомизации, и начинать нужно с первого, а не с третьего.
Первый - промпты. Инструкции модели: тон, роль, правила. Дёшево, быстро, решает вопросы стиля и поведения.
Второй - тот самый RAG, подключение к вашим данным. Решает вопросы знания: факты, цены, регламенты. Данные обновляются хоть каждый день, ничего переобучать не надо. Это основной рабочий инструмент девяти из десяти проектов.
Третий - дообучение модели на вашем датасете. Дорого, долго, и дальше вы обязаны поддерживать качество данных и версии модели. Оправдано, только когда нужен особый стиль в промышленных объёмах или узкая область, которой нет в интернете.
Практика такая: девять из десяти раз, когда клиент говорит «нам нужно обучить модель», на поверку ему нужен RAG с хорошей базой знаний. Дообучение - специальный инструмент, а не шаг по умолчанию.
Слышу это регулярно. Есть три уровня кастомизации, и начинать нужно с первого, а не с третьего.
Первый - промпты. Инструкции модели: тон, роль, правила. Дёшево, быстро, решает вопросы стиля и поведения.
Второй - тот самый RAG, подключение к вашим данным. Решает вопросы знания: факты, цены, регламенты. Данные обновляются хоть каждый день, ничего переобучать не надо. Это основной рабочий инструмент девяти из десяти проектов.
Третий - дообучение модели на вашем датасете. Дорого, долго, и дальше вы обязаны поддерживать качество данных и версии модели. Оправдано, только когда нужен особый стиль в промышленных объёмах или узкая область, которой нет в интернете.
Практика такая: девять из десяти раз, когда клиент говорит «нам нужно обучить модель», на поверку ему нужен RAG с хорошей базой знаний. Дообучение - специальный инструмент, а не шаг по умолчанию.
Пять задач, которые ИИ закрывает уже сегодня
Рассказываю только про то, что делали сами или видели в живых проектах.
Первая линия поддержки. Бот отвечает на типовые вопросы по вашей базе знаний. Семь из десяти обращений в средней компании - это «где мой заказ», «сколько стоит», «как поменять». Их бот закрывает без человека, а сложное передаёт оператору вместе с историей диалога. Бюджет: 150-400 тысяч разово плюс копейки за API.
Сортировка входящих. Система читает письмо или заявку, понимает тему и срочность, кладёт в нужную очередь, иногда сразу с черновиком ответа. В компании с сотней обращений в день это два-четыре часа чьей- то ручной работы ежедневно. Бюджет: 100-250 тысяч. Окупается быстрее всего, потому что даже точность 85% уже даёт эффект - спорное уходит человеку.
Разбор документов. Длинный договор превращается в выжимку на страницу: ключевые условия, риски, отличия от прошлой версии. Юрист тратит пять минут вместо сорока. Решение принимает он - ИИ просто готовит материал. Бюджет: 100-300 тысяч.
Контент. Описания товаров, посты, ответы на отзывы - по вашим шаблонам и в вашем тоне. Один человек с таким инструментом производит как трое. Условие: человек проверяет перед публикацией. Про риски бездумной генерации напишем отдельную статью - тема заслуживает.
Звонки. Расшифровка разговоров продаж и поддержки, оценка по чек-листу, выгрузка итогов в CRM. Руководитель видит качество всех звонков, а не трёх прослушанных в месяц. Бюджет: 200-500 тысяч.
Рассказываю только про то, что делали сами или видели в живых проектах.
Первая линия поддержки. Бот отвечает на типовые вопросы по вашей базе знаний. Семь из десяти обращений в средней компании - это «где мой заказ», «сколько стоит», «как поменять». Их бот закрывает без человека, а сложное передаёт оператору вместе с историей диалога. Бюджет: 150-400 тысяч разово плюс копейки за API.
Сортировка входящих. Система читает письмо или заявку, понимает тему и срочность, кладёт в нужную очередь, иногда сразу с черновиком ответа. В компании с сотней обращений в день это два-четыре часа чьей- то ручной работы ежедневно. Бюджет: 100-250 тысяч. Окупается быстрее всего, потому что даже точность 85% уже даёт эффект - спорное уходит человеку.
Разбор документов. Длинный договор превращается в выжимку на страницу: ключевые условия, риски, отличия от прошлой версии. Юрист тратит пять минут вместо сорока. Решение принимает он - ИИ просто готовит материал. Бюджет: 100-300 тысяч.
Контент. Описания товаров, посты, ответы на отзывы - по вашим шаблонам и в вашем тоне. Один человек с таким инструментом производит как трое. Условие: человек проверяет перед публикацией. Про риски бездумной генерации напишем отдельную статью - тема заслуживает.
Звонки. Расшифровка разговоров продаж и поддержки, оценка по чек-листу, выгрузка итогов в CRM. Руководитель видит качество всех звонков, а не трёх прослушанных в месяц. Бюджет: 200-500 тысяч.
Общая картина по деньгам
И обязательно закладывайте регулярное: токены, доработка промптов (модели обновляются, поведение «уплывает»), контроль качества. Это не разовая покупка, а эксплуатация - как у любой системы.
Правило, которое я повторяю на каждой встрече: начинайте с одного сценария и одной цифры. «Внедрить ИИ везде» - это способ потратить миллионы на красивую игрушку. «Сократить время ответа клиенту с четырёх часов до пяти минут» - это проект, у которого виден результат.
- Готовый сервис по подписке - 10-90 тысяч в месяц плюс настройка от тридцати-пятидесяти. Быстрый старт, но минимум гибкости.
- Свой модуль под ваш процесс - 150-500 тысяч разово, плюс API и поддержка. Интеграция с вашими системами, ваша база знаний.
- Платформа под ключ, несколько сценариев, своя инфраструктура - от миллиона-двух.
И обязательно закладывайте регулярное: токены, доработка промптов (модели обновляются, поведение «уплывает»), контроль качества. Это не разовая покупка, а эксплуатация - как у любой системы.
Правило, которое я повторяю на каждой встрече: начинайте с одного сценария и одной цифры. «Внедрить ИИ везде» - это способ потратить миллионы на красивую игрушку. «Сократить время ответа клиенту с четырёх часов до пяти минут» - это проект, у которого виден результат.
Кто это делает, если не дата-сайентисты
Обычно два-три человека с совмещением ролей. Аналитик описывает процесс и метрики. Скажу крамолу: восемь из десяти провалившихся ИИ- проектов провалились на аналитике, а не на технологии. Не тот процесс выбрали, не те данные, не тот критерий успеха. Инженер по промптам и данным строит RAG и пишет инструкции модели. Это не «поговорить с нейросетью», как многие думают. Это версионирование промптов, тестовые наборы вопросов, проверки после каждого обновления модели. Разработчик делает интеграции и безопасность. Менеджер гоняет пилот и следит за цифрами.
Дата-сайентиста в этом списке нет. Он нужен в трёх случаях, о них ниже.
Как понять, что бот отвечает хорошо
«Наш бот умный» - это не метрика. Вот что мы измеряем в рабочих проектах.
Отдельная история: модели у вендоров обновляются. После очередного обновления ваш бот может начать отвечать иначе - и без регулярных проверок вы узнаете об этом от клиентов. У нас на проектах это называется «регрессионка», и она обязательна.
Теперь честно про границы
Модель врёт. Не часто, но уверенно и правдоподобно. Поэтому везде, где ошибка дорого стоит - деньги, юриспруденция, здоровье - схема одна: ИИ предлагает, человек решает. Точка.
Модель не знает вашу компанию. Без подключения к вашим данным она отвечает «в среднем по интернету». Мусорная база знаний - мусорные ответы. Никакая, даже самая дорогая модель это не исправит.
Данные клиентов - это юридический вопрос. Отправлять персональные данные во внешний API бездумно нельзя - вспомните 152-ФЗ. Есть решения: российские модели, локальное развёртывание, обезличивание перед отправкой. Но это проектируется заранее, а не вспоминается после инцидента.
ИИ не чинит сломанный процесс. Если заявки теряются из-за хаоса в регламентах, бот будет терять их так же. Только быстрее.
Три ошибки, с которыми к нам приходят переделывать
Как мы сами это сделали: история sdelaihit.ru
Расскажу про нашу платформу генерации музыки и контента - она построена ровно по той схеме, о которой я пишу выше.
Своих моделей мы не обучали. Платформа работает на внешних API генерации - платим за использование, а не содержим лабораторию. Вся ценность - в том, что вокруг: промпты, пайплайны, постобработка, очереди, биллинг, интерфейс.
Знаете, что самое приятное в такой архитектуре? Когда выходит новая, лучшая модель, мы не переписываем платформу. Мы меняем движок, не трогая автомобиль. Модель для нас - заменяемый компонент, а не фундамент.
Экономика считается на токенах: себестоимость генерации - копейки за запрос, поэтому подписочная модель имеет здоровую маржу. А кэширование и маршрутизация между моделями - не оптимизация ради красоты, а необходимость: без них юнит- экономика не сходится.
И человек в контуре - обязательно. Генерация - это черновик. Качество обеспечивают сценарии проверки и, где нужно, живые глаза.
Главный вывод, который мы вынесли: в 2026 году модель - это электричество. Продукт - то, что вы построили вокруг неё. Кто это понял - внедряет ИИ за сотни тысяч и месяцы. Кто не понял - нанимает дата-сайентистов и через год получает презентацию.
Когда свои ML-специалисты всё-таки нужны
Такие случаи есть, их три.
Всё остальное - а это девять из десяти бизнес-задач - закрывается связкой «API плюс грамотная интеграция». Быстрее, дешевле и, как ни странно, надёжнее.
С чего начать: месяц по неделям
Вместо вывода
Искусственный интеллект в 2026 году - это не магия и не наука. Это инженерная задача средней сложности: взять готовую модель, подключить к вашим данным, обернуть в инструкции и интеграции, поставить человека на контроль. Входной билет - от 150 тысяч рублей и месяц работы.
Главный риск - не цена и не технология. Главный риск - начать без конкретной задачи и без честных метрик.
Хотите понять, какой сценарий окупится у вас первым? Напишите нам пару абзацев про процесс, который съедает больше всего времени у вашей команды. Оценим применимость ИИ, посчитаем экономику пилота. И честно скажем, если ИИ там не нужен - такое тоже бывает.
Обычно два-три человека с совмещением ролей. Аналитик описывает процесс и метрики. Скажу крамолу: восемь из десяти провалившихся ИИ- проектов провалились на аналитике, а не на технологии. Не тот процесс выбрали, не те данные, не тот критерий успеха. Инженер по промптам и данным строит RAG и пишет инструкции модели. Это не «поговорить с нейросетью», как многие думают. Это версионирование промптов, тестовые наборы вопросов, проверки после каждого обновления модели. Разработчик делает интеграции и безопасность. Менеджер гоняет пилот и следит за цифрами.
Дата-сайентиста в этом списке нет. Он нужен в трёх случаях, о них ниже.
Как понять, что бот отвечает хорошо
«Наш бот умный» - это не метрика. Вот что мы измеряем в рабочих проектах.
- Точность по фактам: доля ответов без ошибок против эталонного набора из ста-двухсот реальных вопросов клиентов. Набор собирается до запуска - это, кстати, хороший тест на подрядчика: если он не просит у вас примеры реальных обращений, он не собирается ничего измерять.
- Полнота: на скольки вопросах система вообще нашла ответ в базе. Низкая полнота - это дыры в базе знаний, а не в модели.
- Доля эскалаций: сколько диалогов уходит человеку и почему.
- И удовлетворённость клиентов по диалогам с ботом - в сравнении с операторами.
Отдельная история: модели у вендоров обновляются. После очередного обновления ваш бот может начать отвечать иначе - и без регулярных проверок вы узнаете об этом от клиентов. У нас на проектах это называется «регрессионка», и она обязательна.
Теперь честно про границы
Модель врёт. Не часто, но уверенно и правдоподобно. Поэтому везде, где ошибка дорого стоит - деньги, юриспруденция, здоровье - схема одна: ИИ предлагает, человек решает. Точка.
Модель не знает вашу компанию. Без подключения к вашим данным она отвечает «в среднем по интернету». Мусорная база знаний - мусорные ответы. Никакая, даже самая дорогая модель это не исправит.
Данные клиентов - это юридический вопрос. Отправлять персональные данные во внешний API бездумно нельзя - вспомните 152-ФЗ. Есть решения: российские модели, локальное развёртывание, обезличивание перед отправкой. Но это проектируется заранее, а не вспоминается после инцидента.
ИИ не чинит сломанный процесс. Если заявки теряются из-за хаоса в регламентах, бот будет терять их так же. Только быстрее.
Три ошибки, с которыми к нам приходят переделывать
- Первая: «купили всем сотрудникам доступ к нейросети». Без сценариев и методики это дорогая подписка, которой пользуются три энтузиаста. Инструмент без процесса не работает.
- Вторая: «нам сделали бота, он врёт». Почти всегда диагноз один - нет подключения к базе знаний, модель отвечает из головы. Лечится не заменой модели на «более умную», а тем самым RAG и правилом «нет данных - зови человека».
- Третья: вечный пилот. Год тестируют, метрик нет, решение не принимается. Пилот без критериев успеха и дедлайна - это не осторожность, а откладывание решения.
Как мы сами это сделали: история sdelaihit.ru
Расскажу про нашу платформу генерации музыки и контента - она построена ровно по той схеме, о которой я пишу выше.
Своих моделей мы не обучали. Платформа работает на внешних API генерации - платим за использование, а не содержим лабораторию. Вся ценность - в том, что вокруг: промпты, пайплайны, постобработка, очереди, биллинг, интерфейс.
Знаете, что самое приятное в такой архитектуре? Когда выходит новая, лучшая модель, мы не переписываем платформу. Мы меняем движок, не трогая автомобиль. Модель для нас - заменяемый компонент, а не фундамент.
Экономика считается на токенах: себестоимость генерации - копейки за запрос, поэтому подписочная модель имеет здоровую маржу. А кэширование и маршрутизация между моделями - не оптимизация ради красоты, а необходимость: без них юнит- экономика не сходится.
И человек в контуре - обязательно. Генерация - это черновик. Качество обеспечивают сценарии проверки и, где нужно, живые глаза.
Главный вывод, который мы вынесли: в 2026 году модель - это электричество. Продукт - то, что вы построили вокруг неё. Кто это понял - внедряет ИИ за сотни тысяч и месяцы. Кто не понял - нанимает дата-сайентистов и через год получает презентацию.
Когда свои ML-специалисты всё-таки нужны
Такие случаи есть, их три.
- ИИ - ядро вашего продукта, то, за что платят именно вам. Тогда полная зависимость от чужого API - стратегический риск.
- У вас уникальные данные и задача, которой нет в интернете. Тогда - дообучение или своя модель.
- Жёсткая регуляторика: данные не покидают ваш контур никогда. Тогда своё развёртывание и своя экспертиза.
Всё остальное - а это девять из десяти бизнес-задач - закрывается связкой «API плюс грамотная интеграция». Быстрее, дешевле и, как ни странно, надёжнее.
С чего начать: месяц по неделям
- Первая неделя. Выберите один процесс по формуле: частый, рутинный, измеримый, не страшно при ошибке. Обычно это ответы клиентам, сортировка заявок или разбор документов.
- Вторая неделя. Посчитайте, сколько этот процесс стоит сейчас - в часах и рублях. Без базовой линии вы потом не докажете, что стало лучше. И соберите полсотни реальных примеров запросов - это ваш будущий тестовый набор.
- Третья и четвёртая. Пилот: минимальная рабочая версия на одном сценарии. Сначала замер на тестовом наборе, потом - на ограниченном живом потоке. Сработало - масштабируем. Не сработало - вы потеряли месяц и сотни тысяч, а не год и миллионы.
Вместо вывода
Искусственный интеллект в 2026 году - это не магия и не наука. Это инженерная задача средней сложности: взять готовую модель, подключить к вашим данным, обернуть в инструкции и интеграции, поставить человека на контроль. Входной билет - от 150 тысяч рублей и месяц работы.
Главный риск - не цена и не технология. Главный риск - начать без конкретной задачи и без честных метрик.
Хотите понять, какой сценарий окупится у вас первым? Напишите нам пару абзацев про процесс, который съедает больше всего времени у вашей команды. Оценим применимость ИИ, посчитаем экономику пилота. И честно скажем, если ИИ там не нужен - такое тоже бывает.
13:49