Когда начинаешь обсуждать с бизнесом внедрение AI, почти всегда звучит один и тот же вопрос: «А сколько это стоит?»
И почти всегда ожидают услышать конкретную цифру. Условно: «вот, интеграция — 500 тысяч» или «миллион». Но в реальности это так не работает. Внедрение AI — это не покупка готового продукта, а скорее разработка системы под конкретные процессы.
Почему кажется, что это дёшево
Чаще всего в голове сразу возникает стоимость моделей: токены, API, DeepSeek и так далее.
И здесь создаётся ощущение, что всё довольно доступно — платишь за запросы и пользуешься.
На практике это небольшая часть затрат. В большинстве проектов сами модели занимают примерно 10–15% бюджета. Всё остальное — это то, что делает систему рабочей.
Где на самом деле тратятся деньги
Первый важный этап — понять, что именно автоматизировать. Это звучит очевидно, но именно здесь чаще всего всё ломается. Без нормальной постановки задачи AI превращается в демонстрацию возможностей, а не инструмент для бизнеса.
Дальше почти всегда всплывает проблема с данными. Формально они есть у всех: CRM, таблицы, базы. Но когда начинаешь с ними работать, оказывается, что они разрозненные, частично дублируются или просто не пригодны для автоматизации. И прежде чем подключать AI, их приходится приводить в порядок.
После этого начинается разработка. Причём это не «обвязка вокруг API», а полноценная система: backend, интеграции, хранение контекста, обработка ошибок, очереди. Без этого AI либо не масштабируется, либо начинает давать нестабильный результат.
И только на этом этапе появляется сама модель: запросы, логика работы с ней, настройка. Это важная часть, но она не определяет основную стоимость проекта.
Какие бюджеты получаются на практике
Если говорить про реальные диапазоны, то всё упирается в глубину задачи.
Самый простой вариант — это небольшой MVP под один процесс. Например, автоматизация обработки заявок или генерация ответов. Такие проекты обычно находятся в диапазоне нескольких сотен тысяч рублей. Это быстрый старт, ограниченный функционал и минимум интеграций.
Когда речь идёт о более серьёзных задачах — нескольких сценариях, работе с CRM, автоматизации части процессов — бюджет довольно быстро выходит за миллион и может доходить до двух–двух с половиной. Это уже уровень, где появляется ощутимый эффект.
Дальше идут более сложные истории: несколько процессов, разные роли, интеграции с разными системами. Там стоимость начинается от нескольких миллионов, потому что фактически строится новая цифровая логика внутри компании.
Где чаще всего теряются деньги
Есть два типичных сценария.
Первый — когда пытаются сразу сделать «идеальную систему». Без пилота, без проверки гипотез. В итоге всё становится сложнее, дороже и дольше, чем планировалось.
Второй — когда недооценивают данные и архитектуру. Вроде бы запускаются быстро, но потом начинают бесконечно «допиливать», и это выходит дороже, чем сделать нормально с самого начала.
Как делать, чтобы это окупалось
Самый рабочий подход на практике — начать с одного процесса. Сделать минимальное решение, посмотреть на результат и только потом масштабировать.
Это выглядит менее амбициозно, но именно так появляются проекты, которые реально начинают приносить деньги, а не просто выглядят современно.
Вывод
AI сам по себе не дорогой и не дешёвый. Это просто инструмент.
Стоимость всегда определяется не технологией, а задачей, которую вы решаете.
И разница между «дорого и бесполезно» и «окупилось за несколько месяцев» почти всегда в подходе к внедрению.
Если есть конкретный кейс, его обычно можно довольно быстро разложить: понять, где будет эффект, а где нет, и во что это выльется по бюджету. И на этом этапе часто выясняется, что часть идей можно сильно упростить — без потери результата.