Сколько стоит внедрение AI-агента для бизнеса и из чего складывается бюджет

Коротко

• Бюджет AI-агента складывается из четырёх частей: разработка (MVP или production), интеграции, инфраструктура/токены LLM, сопровождение.
• Простой ассистент на типовые вопросы обходится ощутимо дешевле, чем агент, который *совершает действия* в CRM, на маркетплейсе или в платёжке.
• Главный множитель цены — не «умность» модели, а количество и сложность интеграций и требования к надёжности.
• Токены LLM — обычно самая мелкая статья расходов. Пугаться их не стоит.
• Считать нужно не цену внедрения, а окупаемость: сколько часов или заявок агент возвращает в месяц против того, что он стоит.
• Не берите сразу «всё и сразу». Начните с одного узкого процесса, замерьте результат, потом расширяйте.

Почему нельзя назвать одну цифру

Представьте два запроса.

Первый: «Хочу бота в Telegram, чтобы отвечал клиентам на вопросы про доставку и часы работы». Это FAQ-ассистент. Он читает базу знаний и отвечает текстом. Он ничего не ломает, потому что ничего не делает — только говорит.

Второй: «Хочу агента, который принимает заявку с сайта, проверяет, целевой ли это клиент, заводит сделку в amoCRM, отправляет клиенту КП и ставит менеджеру задачу». Здесь агент *действует* — пишет в чужие системы, тратит деньги и время реальных людей. Цена ошибки выше, значит выше требования к тестам, логам и подтверждениям. Отсюда и другой бюджет.

Поэтому первое, что определяет стоимость, — это не «AI» и не модель. Это граница ответственности агента: он только советует или он что-то меняет в ваших системах. Об этой разнице подробнее — в статье про то, чем AI-агент отличается от чат-бота.

Из чего реально складывается бюджет

Разберём по статьям. Это те строки, которые вы увидите (или должны увидеть) в любой честной смете.

1. Разработка: MVP или production

Это ядро бюджета и главная развилка.

MVP — рабочий прототип, который закрывает один сценарий на реальных данных. Не демо «для показа инвестору», а версия, которую можно включить на части потока: например, агент отвечает на входящие в Telegram и передаёт сложные случаи человеку. Цель MVP — проверить гипотезу дёшево и быстро, за 2–4 недели, а не построить финальную систему.

Production — то, что выдерживает нагрузку, ошибки пользователей и сбои внешних сервисов. Здесь появляются обработка исключений, повторные попытки, логирование каждого действия, разграничение прав, мониторинг и откат. Именно это, а не «интеллект», занимает большую часть работы инженера. По опыту, доводка от работающего прототипа до надёжного production — это ещё столько же усилий, сколько ушло на сам прототип, а иногда и больше.

Практический вывод: не платите сразу за production, если не проверили, что процесс вообще стоит автоматизировать. Сначала MVP на живом кусочке потока — потом решение о масштабе.

2. Интеграции — главный множитель цены

Сам «мозг» агента (LLM + логика) — это часто меньшая часть работы. Больше всего времени уходит на то, чтобы связать его с вашими системами.

Одна интеграция с сервисом, у которого нормальное API и документация, — предсказуемая работа. Проблемы начинаются, когда:

• у сервиса нет публичного API, и данные приходится тащить обходными путями;
• API есть, но кривой, с лимитами и странной авторизацией (привет некоторым кабинетам маркетплейсов);
• нужно связать между собой три-четыре системы, и в каждой свои форматы и правила;
• данные грязные — дубли клиентов в CRM, разные телефоны у одного контакта, поля заполнены как попало.

Последний пункт недооценивают чаще всего. Агент не умнее ваших данных. Если в CRM бардак, часть бюджета уйдёт на то, чтобы агент не наделал глупостей на грязных данных, — и это нормально, это защищает вас же.

Ориентир простой: чем больше систем должен трогать агент и чем хуже они устроены, тем дороже. Один Telegram + одна база знаний — дёшево. Сайт + Telegram + CRM + маркетплейс + платёжка — совсем другой разговор.

3. Инфраструктура и токены LLM

Сюда входят сервер (или облако), где живёт агент, база данных, очереди, и оплата самой модели — те самые «токены».

Токенов обычно боятся зря. Для типового SMB-сценария — поддержка, квалификация заявок, обработка отзывов — расходы на модель часто составляют небольшую долю бюджета, меньше, чем аренда сервера. Дорого становится в двух случаях: огромные объёмы (десятки тысяч длинных диалогов в день) или неаккуратная архитектура, когда в модель на каждый чих загружают гигантский контекст. И то и другое — вопрос инженерии, а не «жадности OpenAI».

Отдельная строка — выбор между облачной моделью и своей. Своя модель на своём железе снимает вопросы с передачей данных вовне, но тянет за собой стоимость GPU и обслуживания. Для большинства SMB это преждевременно: начинают с облачной модели и обезличивания чувствительных данных.

4. Сопровождение — то, о чём молчат

Агент — не мебель, которую поставили и забыли. Мир вокруг него меняется: маркетплейс обновил кабинет, CRM выкатила новый API, клиенты стали задавать вопросы, которых раньше не было, промпт начал давать сбои на новых формулировках.

Поэтому в бюджете обязательно должна быть ежемесячная строка на сопровождение: мониторинг, разбор логов, донастройка промптов, реакция на изменения внешних сервисов. Как правило, это заметная доля от стоимости разработки в пересчёте на год. Подрядчик, который обещает «сделаем и всё само будет работать вечно», либо не понимает, о чём говорит, либо заложил эти риски в цену молча.

Как посчитать окупаемость, а не цену

Цена внедрения сама по себе ничего не значит. Значение имеет то, что агент возвращает.

Считайте так. Возьмите один процесс и честно замерьте, сколько он съедает *сейчас*:

• сколько часов в неделю сотрудники тратят на эту рутину;
• сколько заявок теряется, потому что на них не ответили за 15 минут;
• сколько стоит одна потерянная заявка в вашей марже.

Пример из поддержки. Менеджер тратит около 3 часов в день на однотипные вопросы «где заказ», «как оплатить», «есть ли на складе». Агент забирает 70% этих обращений, остальные 30% с уверенным «не знаю» передаёт человеку. Это ~2 часа в день на сотрудника — считайте по своей ставке, сколько это в месяц. Прибавьте, что теперь клиенту отвечают ночью и в выходные, а значит меньше заявок уходит к конкуренту.

Пример из продаж. На входящие с сайта менеджер отвечает в среднем через час, а часть заявок вообще теряется в потоке. Агент реагирует за минуту, задаёт три квалифицирующих вопроса и заводит сделку. Даже если он поднимет конверсию входящих на несколько процентов, при вашей средней сделке окупаемость считается за один-два месяца.

Правило, которое стоит держать в голове: если агент возвращает свою годовую стоимость (разработка + сопровождение) за 3–6 месяцев работы, это здоровая экономика. Если окупаемость уходит за год — либо процесс выбран неудачно, либо вы платите за избыточную сложность. Как выбрать процесс, с которого начать, разбираем отдельно: как понять, какой процесс автоматизировать первым.

Риски и что нельзя отдавать агенту «вслепую»

Дешёвое внедрение без контроля обходится дороже дорогого — просто счёт приходит позже. Вот на что закладывать и время, и бюджет.

Действия с деньгами и обязательствами — только через подтверждение человеком. Отправить КП, изменить цену на маркетплейсе, оформить возврат, списать оплату — здесь работает human-in-the-loop: агент готовит решение, человек одним кликом подтверждает. Это не тормозит процесс, но убирает класс дорогих ошибок.

Логи всех действий. Вы должны в любой момент видеть: что агент сделал, когда, на основании чего. Без этого разбор инцидента превращается в гадание, а доверие к системе быстро падает.

Права доступа по минимуму. Агенту для поддержки не нужен доступ к финансам. Чем уже права, тем меньше ущерб при сбое или взломе.

Явное «не знаю». Хороший агент честно передаёт вопрос человеку, когда не уверен, а не выдумывает ответ. Настройка этого поведения — часть работы, и она стоит своих денег, потому что один уверенный неправильный ответ клиенту дороже десяти «сейчас уточню у коллеги».

Управление промптами и версиями. Промпт — это тоже код. Его нужно версионировать, тестировать перед выкаткой и уметь откатывать. Иначе одно «улучшение» ломает то, что работало.

Ни один из этих пунктов не про то, чтобы AI «заменил людей». Всё наоборот: агент снимает рутину, а решения с ценой ошибки остаются за человеком.

Как выстроить внедрение по шагам

Чтобы бюджет не разросся и деньги не ушли впустую, порядок такой.

1. Выберите один узкий процесс. Не «автоматизируем всё», а «агент отвечает на входящие в Telegram по базе знаний». Один сценарий, измеримый результат.
2. Замерьте, что этот процесс стоит сейчас — в часах и потерянных заявках. Это ваша точка отсчёта для ROI.
3. Сделайте MVP на части потока. Пусть агент работает параллельно с человеком или на 20% обращений. Смотрите на реальных данных, а не на демо.
4. Проверьте качество и логи. Где ошибается, где честно говорит «не знаю», где нужно подтверждение человека.
5. Доведите до production только тот сценарий, который доказал пользу. Добавьте обработку сбоев, мониторинг, права доступа.
6. Заложите сопровождение в ежемесячный бюджет с первого дня, а не «когда сломается».
7. Расширяйте по одному процессу. Следующая интеграция — только когда предыдущая приносит понятную пользу.

Такой порядок защищает от главной ошибки — заплатить большой бюджет за сложную систему, которая закрывает не тот процесс.

FAQ

От чего сильнее всего зависит стоимость AI-агента? От количества и сложности интеграций и от требований к надёжности. Агент, который только отвечает текстом, дешевле агента, который совершает действия в CRM, на маркетплейсе или в платёжке. Сама модель (LLM) — обычно не главная статья расходов.

Правда ли, что токены LLM разорят бизнес? Для типового SMB-сценария — нет. Расходы на модель часто меньше аренды сервера. Дорого становится только при очень больших объёмах или неаккуратной архитектуре, когда в модель гонят лишний контекст. И то и другое решается инженерно.

Чем MVP отличается от production и почему нельзя сразу production? MVP проверяет гипотезу на реальном, но небольшом потоке за пару недель. Production выдерживает нагрузку, ошибки и сбои внешних сервисов — и стоит заметно дороже из-за надёжности, а не «ума». Сразу production брать рискованно: можно вложиться в автоматизацию процесса, который того не стоил.

Нужно ли платить за сопровождение или можно один раз внедрить и забыть? Сопровождение нужно. Маркетплейсы и CRM меняют API, клиенты задают новые вопросы, промпты требуют донастройки. Заложите ежемесячную строку сразу — это дешевле, чем чинить внезапно сломавшегося агента в авральном режиме.

Через сколько окупается AI-агент? Здоровый ориентир — 3–6 месяцев: за это время агент должен вернуть свою годовую стоимость через сэкономленные часы и непотерянные заявки. Если окупаемость уходит за год, скорее всего выбран неудачный процесс или переплата за сложность.

Можно ли начать с небольшого бюджета? Да, и так правильнее. Возьмите один процесс, сделайте MVP на части потока, замерьте результат. Это дешевле полноценной системы и даёт цифры, на которых уже можно принимать решение о масштабе.

Что нельзя отдавать агенту без контроля человека? Действия с деньгами и обязательствами: отправку КП, изменение цен, возвраты, списания. Здесь работает подтверждение человеком (human-in-the-loop). Плюс обязательны логи всех действий и минимальные права доступа.

Что делать дальше

Точную цифру для вашего случая нельзя назвать по одной фразе — но можно быстро прикинуть вилку, если разобрать конкретный процесс: какие системы он трогает, где цена ошибки, сколько он съедает сейчас.

Если хотите понять, что автоматизировать у себя первым и во сколько это примерно обойдётся, — напишите Дмитрию в Telegram @dmkosik или коротко опишите свой процесс для диагностики Paramiko. Разберём ваш случай по частям бюджета из этой статьи — без обязательств и без продажи «AI ради AI». Посмотреть, как мы делаем разработку AI-агентов, можно на сайте.