«Сколько стоит внедрить ИИ?» — первый вопрос почти на каждой моей консультации. Честный ответ: от нуля до десятков миллионов рублей, и это не отговорка. Разброс настолько большой, потому что «внедрение ИИ» — это и подключение готового сервиса за вечер, и год разработки кастомной ML-системы командой инженеров.

Ниже — типовые сценарии с вилками цен и статьи бюджета, которые в расчётах обычно забывают. Я провожу аудиты внедрения ИИ для компаний и руковожу разработкой ИИ-агентов в Gless AI, так что цифры из практики, а не из маркетинговых презентаций.

Короткий ответ: вилки цен по типам проектов

Что внедряем Стоимость Срок
Готовые ИИ-инструменты (ChatGPT, GigaChat, YandexGPT, copilot-сервисы) для сотрудников от 2 000–10 000 ₽/мес за сотрудника дни
Чат-бот поддержки на готовой LLM с подключением к вашей базе знаний 300 000 — 1 500 000 ₽ 1–2 месяца
ИИ-агент для обработки заявок, документов или продаж 800 000 — 3 000 000 ₽ 2–4 месяца
Кастомная ML-система (рекомендации, прогнозирование, матчинг) от 3 000 000 ₽ от 4 месяцев
ИИ-аудит: что внедрять и в каком порядке 150 000 — 500 000 ₽ 2–3 недели

Дальше — почему такой разброс и как понять, в какую строку таблицы попадает ваша задача.

Из чего складывается стоимость внедрения ИИ

1. Люди — главная статья расходов

В 2026 году ставка ML-инженера уровня middle в России — 250–450 тысяч рублей в месяц, senior — 400–700 тысяч. Команда минимального ИИ-проекта — это ML-инженер, бэкенд-разработчик и менеджер хотя бы на часть времени. Отсюда простая арифметика: два месяца работы небольшой команды — уже больше миллиона рублей фонда оплаты труда, в агентстве или у подрядчика — с наценкой.

2. Данные и их подготовка

Самая недооценённая часть бюджета. ИИ работает с тем, что у вас уже накоплено: история переписок с клиентами, база знаний, документы, логи сделок. Почти всегда эти данные разрозненны, неполны или лежат в формате «у Марины в Excel». На подготовку данных уходит 30–50 % времени проекта — и это нормально, а не признак плохого подрядчика.

3. Инфраструктура и API

Если решение строится на готовых LLM (а в 2026 году это правильный выбор для большинства задач), вы платите за API: для чат-бота поддержки среднего бизнеса это обычно 10–100 тысяч рублей в месяц в зависимости от трафика. Свои GPU-серверы оправданы только при больших объёмах или жёстких требованиях к данным — это уже сотни тысяч в месяц.

4. Интеграции

ИИ-решение в вакууме бесполезно: его нужно встроить в CRM, телефонию, 1С, мессенджеры. Каждая интеграция — от пары дней до пары недель работы. Чем старше и кастомнее ваши системы, тем дороже.

5. Поддержка после запуска

Модели деградируют, база знаний устаревает, появляются новые сценарии. Закладывайте 10–20 % стоимости проекта в год на сопровождение. Проект «запустили и забыли» через полгода тихо перестаёт приносить пользу.

Три типовых сценария с расчётом

Сценарий 1: ИИ-помощники для сотрудников — от 100 000 ₽ в год

Самый дешёвый и быстрый способ получить эффект от ИИ — не разрабатывать ничего, а дать командам готовые инструменты и научить ими пользоваться. Подписки на ИИ-сервисы для команды из 20 человек обойдутся в 50–200 тысяч рублей в год, обучение — разовая инвестиция. По моему опыту, грамотно внедрённые ИИ-инструменты экономят сотруднику от 3–5 часов в неделю на рутине: письма, отчёты, поиск по документам, черновики.

Сценарий 2: чат-бот поддержки на LLM — около миллиона

Типичная задача: автоматизировать первую линию поддержки. Решение — LLM с доступом к вашей базе знаний (RAG). Бюджет складывается так: подготовка базы знаний и данных — 200–400 тысяч, разработка и настройка бота — 300–700 тысяч, интеграции с каналами и CRM — 100–300 тысяч. Итого 600 тысяч — 1,5 миллиона рублей и 1–2 месяца. Окупаемость считается просто: если бот закрывает 40–60 % обращений, а линия поддержки стоила вам двух-трёх операторов — проект окупается за полгода-год.

Сценарий 3: ИИ-агент для обработки заявок — 1–3 миллиона

Агент отличается от чат-бота тем, что не только отвечает, но и действует: извлекает данные из заявки, проверяет их по базе, заводит сделку в CRM, ставит задачи. Это сложнее: агенту нужны сценарии обработки ошибок и человек в контуре для спорных случаев, потому что одна неверно заведённая сделка обходится дороже, чем десять неотвеченных вопросов. Зато и эффект больше: агент закрывает не ответы на вопросы, а целый кусок процесса.

Скрытые расходы, которые забывают посчитать

Как сэкономить: пять правил из практики

  1. Начинайте с аудита, а не с разработки. Аудит за 150–300 тысяч защищает бюджет в миллионы: вы внедряете то, что окупится, а не то, что модно. Я регулярно вижу компании, потратившие миллионы на ИИ-проект, который не решал главную проблему бизнеса.
  2. Используйте готовые LLM, а не обучение своих моделей. В 2026 году кастомное обучение моделей нужно единицам. Для 90 % бизнес-задач достаточно готовых моделей с правильно настроенным контекстом и RAG.
  3. Один процесс за раз. Пилот на одном процессе с измеримой метрикой — потом масштабирование. Попытка автоматизировать всё сразу почти гарантированно проваливается.
  4. Считайте окупаемость до старта. Если гипотеза не обещает окупиться за год — отложите её и возьмите ту, что окупится за три месяца.
  5. Не нанимайте ML-команду до первого работающего решения. Штатный ML-инженер обойдётся в 5–8 миллионов в год. Для первых проектов дешевле подрядчик или консультант, а нанимать стоит, когда понятен постоянный поток ML-задач.

Когда ИИ внедрять не стоит

Скажу то, что редко говорят те, кто продаёт внедрение: иногда ИИ не нужен. Если процесс выполняется редко, если в нём мало повторяющихся шаблонов, если данных по нему почти нет или если обычная автоматизация (скрипт, правило в CRM) решает задачу — ИИ будет дорогим способом сделать то же самое. На вводных консультациях я примерно в трети случаев советую начать не с ИИ, а с наведения порядка в данных и процессах.

Частые вопросы

Можно ли внедрить ИИ бесплатно?

Частично да: готовые ИИ-инструменты с бесплатными тарифами покрывают личную продуктивность. Но всё, что касается ваших данных, процессов и интеграций, потребует работы специалистов — бесплатно это не делается.

Сколько времени занимает внедрение?

Готовые инструменты — дни. Чат-бот или агент — 1–4 месяца от старта до работающего пилота. Кастомная ML-система — от 4 месяцев. Плюс 2–3 недели на аудит до старта, если вы ещё не решили, что именно внедрять.

Что выбрать: подрядчика, штатную команду или консультанта?

Для первого проекта — консультант для стратегии плюс подрядчик для разработки. Штатная команда оправдана, когда ИИ-задачи становятся постоянным потоком. Консультант на вашей стороне также помогает принять работу подрядчика — это страховка от «красивого демо, которое не работает в проде».

Об авторе: Глеб Дроздов — консультант по внедрению ИИ, CTO Gless AI. 7+ лет в ML: Zencoder, OZON, Сбер, JetBrains. Также менторю ML-инженеров — 200+ консультаций, рейтинг 5.0 на Solvery.

← Все статьи