Сколько стоит разработка ИИ-ассистента для бизнеса

ИИ-ассистенты — это горячий тренд 2026 года. Почему? Потому что внезапно искусственный интеллект оказался весьма и весьма полезным в широком диапазоне плохо формализуемых задач. Увидев реальную возможность сократить операционные расходы, бизнес проявляет живой интерес к теме ИИ-ассистентов.

Сегодня разбираемся, сколько стоит создать такого ИИ-ассистента. О том, что это вообще такое, и зачем они нужны, я ранее рассказывал в статье «Что такое ИИ-ассистенты и в чем польза для бизнеса».

Если коротко, под ИИ-ассистентом для бизнеса обычно понимают одно из трех семейств решений:

• Сценарный бот (rule-based). Простое, заранее запрограммированное дерево вопросов и ответов, плюс кнопки и простая маршрутизация.
• NLP/LLM-ассистент для диалога. В отличие от бота, понимает намерение (или вообще пишет ответы сам на базе языковой модели) и умеет сохранять контекст беседы. Если упростить, NLP-бот помогает классифицирует намерение пользователя и направить его по одному из известных сценариев. Тогда как LLM-ассистент может понимать произвольно заданный вопрос, генерировать ответ и перефразировать его под конкретную ситуацию.
• Ассистент для знаний и действий. Тут появляются RAG-системы (поиск по вашим данным) и агенты, которые уже умеют не только отвечать, но и выполнять действия в различных системах с помощью API или MCP-инструментов.

Ясное дело, каждый из этих классов решений имеет свой бюджет разработки. Поэтому для начала стоит определиться, о каком именно ИИ-ассистенте идет речь.

Чтобы понять, что вам нужно, ответьте на три вопроса:

1. Для кого предназначен ассистент. Например: для клиентов, для юридического отдела, для бухгалтеров, для техподдержки и т.д.
2. С какими системами он должен интегрироваться. CRM/ERP, тикет-система, базы знаний, телефония, документы.
3. На каких данных он строит общение с пользователем. Например: ваши внутренние регламенты, каталоги товаров, тарифы, история обращений клиента, договоры и т.д. Также важно указать, в каком состоянии находятся все эти данные: оцифрованы/не оцифрованы, размечены мета-тегами или нет, хранятся разрозненно или есть система и т.д..

Допустим, ИИ-ассистент нужен бухгалтерии. Он должен уметь найти ответ в учетной политике, извлечь реквизиты, выполнить сверку, составить пояснение баланса, подготовить черновик проводки и т.д.

Очевидно, что для полноценной работы такого ассистента нужны интеграции с бухгалтерскими системами, а базой для общения с пользователем будут все бухгалтерские документы. При этом ИИ-ассистент бухгалтера должен уметь не только проанализировать документы, но и выполнить определенные действия над ними. Следовательно: вам нужен именно ассистент на базе искусственного интеллекта, а не просто интеграция LLM в рабочий чат бухгалтерии.

Переходим к оценке стоимости такого проекта.

Здесь я указываю лишь денежные ориентиры на создание ИИ-ассистента для бизнеса. Точную сумму можно назвать только после аудита процессов, данных и интеграций.

Указанные в таблице сроки относятся к MVP. Рабочая система с несколькими ролями и повышенными требованиями информационной безопасности потребует отдельной оценки сроков, рисков и бюджета.

В смету обычно включают аналитику, подготовку данных, архитектуру, выбор модели, интеграции, настройку ролей и проверок, интерфейс, обучение и запуск. Безусловно, данные придется предварительно очистить и разметить, систематизировать версии документов, распознать сканы, проиндексировать материалы и определить порядок обновления базы. Может потребоваться обмен данными с CRM, 1С, ERP, HRM, ЭДО, почтой и хранилищами.

Частая ошибка на старте — посчитать только разработку интерфейса и стоимость обращения к LLM-модели. Конечно же, этого недостаточно. Основная часть затрат связана с инженерными задачами, а не с проектированием интерфейсов.

В материале McKinsey о безопасном внедрении генеративного ИИ к ключевым источникам риска относят данные, поставщиков и конкретные сценарии использования. Поэтому расходы на безопасность и мониторинг лучше заложить в проект сразу.

Основное направления внедрения ИИ-ассистентов — это автоматизация рутины. Именно здесь сосредоточено много возможностей для снижения операционных расходов с помощью ИИ. В зависимости от задач, меняется функциональность ИИ-ассистента и стоимость его разработки.

Есть опубликованные примеры применения корпоративных AI-ассистентов не только в продажах, но и в других функциях. AMD использует ассистентов в финансах, HR и клиентских операциях с данными SAP, а Embat использует ИИ для бухгалтерских операций и сверки данных.

В юридической и медицинской работе ассистент ускоряет поиск и подготовку черновиков документов, оценку рисков и быстрые проверки на комплаенс, однако человек все равно должен заверить результат.

Наличие той или иной функции само по себе еще не определяет стоимость. Важнее, с какими данными и системами работает ассистент и сколько стоит ошибка. Поэтому HR-ассистент иногда может стоить дороже решения для продаж: он работает с персональными данными сотрудников и требует строгого разграничения доступа.

Как я уже сказал выше, все зависит от задач. Иногда компании стремятся внедрить ИИ-агентов в бизнес-процессы только потому, что это модно. Хотя реальной необходимости может и не быть.

Поэтому еще раз, вот простой чек-лист, как убедиться, что нужен именно ИИ-ассистент:

Таблица выше помогает выбрать класс решения и понять диапазон стоимости, но она не отвечает на главный вопрос, который задаст любой руководитель: а за что конкретно мы платим?

Поэтому давайте я ниже разберу, из чего складывается стоимость разработки ИИ-помощников.

Внутри разработки почти всегда есть такие статьи расходов:

• Скоуп и аналитика. Какие сценарии покрываем, какие каналы, где границы ответственности, какие метрики успеха.
• UX и разговорные сценарии. Пишем CJM, определяем, как пользователь попадает в диалог, где кнопки, где свободный текст, когда нужен оператор и т.д.
• Интеграции. CRM/ERP/тикет-система/телефония/каталоги и всё, что живёт внутри ваших систем.
• Данные и контент. База знаний, регламенты, FAQ, документы, обучающие примеры.
• Безопасность и роли. Кто что видит, что логируем, где хранится история, как исключить утечки.

И вот здесь есть важный момент, который может ввести в заблуждение, если о нем не знать.

Если ассистент должен работать как часть общего бизнес-процесса (создать тикет, найти клиента, поменять статус, оформить возврат), то интеграционный слой становится отдельной подсистемой и требует большего бюджета.

В открытых оценках встречается порядок, что интеграции могут добавить к бюджету порядка 20–50%. Разумеется, это не универсальный закон. Но ориентир все равно полезный: если вам показывают единую смету без отдельной строки про интеграции, надо насторожиться.

У ИИ-ассистента почти всегда есть постоянные расходы. И чем ближе решение к LLM/RAG/агентам, тем чаще именно жизнь после релиза становится второй половиной всех расходов.

• Запросы в модель (inference). Если вы используете внешние API, это переменная часть — оплата за каждый запрос или токены.
• Инфраструктура. Где живёт сервис, где храним логи, где векторный индекс, где мониторинг.
• Поддержка и доработки. Багфиксы, обновления, новые сценарии, расширение базы знаний.
• Контроль качества. Метрики, разбор диалогов, правки промптов/правил.

Обслуживание системы может стоить от сотни тысяч рублей до нескольких миллионов рублей в год. Для более сложных сценариев (RAG/агенты, высокий SLA, жесткий мониторинг) эта статья расходов стремится ко верхней оценке.

Список короткий, но важный.

1. Обучение команды и изменения в процессах. Даже хороший ИИ-ассистент для сотрудников сам собой в компанию не встроится. Особенно, если эти сотрудники работают по старым привычкам. Про особенности корпоративного обучения ИИ и пользу для бизнеса читайте здесь.
2. Чистка и подготовка данных. Обучение ИИ-агента на грязных данных приведет лишь к малоэффективной работе ассистента. Данные нужно предварительно очистить от мусора, разметить, расставить метаданные, которые помогут LLM лучше использовать каждый файл. На это тоже нужно время и бюджет, имейте в виду.
3. SLA и ответственность. Если ассистент влияет на деньги или на обязательства перед клиентом, вам понадобится более серьезный контроль, логирование и жесткие правила эскалации запроса к человеку.

Запрос о внедрении ИИ в бизнес пользуется популярностью, но по факту слишком уж общий. Вместо обобщенного сферического внедрения искусственного интеллекта в бизнес, лучше выбрать какую-то одну операцию (например, составление балансового отчета или оценка юридических рисков в договорах), назначить ответственного сотрудника и заранее определить основную метрику, по которой вы будете в дальнейшем оценивать эффект от внедрения ИИ-ассистента.

1. Выбрать процесс и определить исходные показатели: время обработки, число ошибок, стоимость операции в часах сотрудников.
2. Собрать тестовый набор из обычных, нестандартных и сложных обезличенных примеров.
3. Ограничить права. На этапе MVP ассистент только отвечает на вопросы или готовит черновик, а сотрудник подтверждает результат вручную.
4. Задать метрики: например, доля ответов с указанием источника, время проверки и процент исправлений.
5. Принять решение. Масштабировать проект стоит только после достижения целевых значений. Если показатели не достигнуты, сначала исправляют данные и процесс.

Более подробно этапы внедрения ИИ в бизнес-процессы, с чего начать и что нужно сделать заранее, я описывал в одноименной статье. Почитайте по ссылке. А на Хабре есть более технический вариант этой статьи с массой интересных подробностей.

• выбран процесс, его владелец и сотрудник, который проверяет результат;
• определены источники, права доступа и цена ошибки;
• собраны примеры для тестирования;
• выбраны две-три метрики и условия остановки;
• в бюджете есть деньги на поддержку, мониторинг и обновление данных.

Такой подход не гарантирует окупаемость, зато помогает проверить гипотезу при минимальном риске. Для первичной оценки достаточно описать процесс, предоставить примеры данных и перечислить используемые системы.

Впрочем, если вы не уверены, готов ли ваш бизнес к внедрению ИИ вообще и умных ассистентов в частности, вы можете заказать аудит готовности компании к искусственному интеллекту Siberian.pro.

По оценке Siberian.pro, разработка и внедрение ИИ-ассистента стоит от 1,5 до 3 млн рублей. Сюда входят поиск по подготовленным электронным документам, настройка ролей и базовый интерфейс. Если данные не подготовлены и не структурированы или права доступа комплексные, то бюджет вырастет. Впрочем, у нас в портфолио есть примеры проектов дешевле миллиона рублей. Стоимость ИИ-агента зависит от желаемой функциональности и сложности интеграций.

Он работает с чувствительными данными, а ошибка в таком процессе может обойтись гораздо дороже неточного ответа в обычном чате. Поэтому нужны права доступа, журналирование, проверка и интеграция с рабочими системами. Кроме того, чат-бот, LLM-ассистент и ИИ-агент — это разные вещи и на функциональном уровне. Подробнее разбирал отличия здесь.

Конечно. Однако начинать с разработки ИИ-агента я все же не рекомендую. Безопаснее начать с одного процесса, минимальных прав и явного подтверждения сотрудником всех операций, связанных с платежами, документами или кадровыми решениями.

Стоимость интеграции обучно указывают отдельной строкой сметы, т.к. она зависит от API, версии системы, справочников, режима обмена и количества операций.

Нужно определить состав данных, место их обработки, права доступа, срок хранения и условия поставщика. Универсального совета здесь нет: решение зависит от конкретной инфраструктуры и требований к системе. В общем и целом, при грамотном развертывании on-prem решения контур работы с персональными данными будет полностью соответствовать требованиям 152-ФЗ.

Ставить такую цель не стоит. Ассистент выполняет часть задач по поиску, классификации и подготовке черновиков документов, но ответственность и сложные решения лежат на человеке.

Сначала фиксируют исходные показатели: время операции, число ошибок и стоимость ручной обработки. Затем сравнивают их с результатами пилота. Если показатели не улучшаются, масштабировать проект рано. Подробнее про внедрение ИИ в бизнес, стоимость внедрения ИИ, и примеры окупаемости я писал здесь.

Описание процесса, примеры запросов или документов, список систем, роли, требования к инфраструктуре и среде эксплуатации, а также критерий успеха.

LLM-ассистент может генерировать ответы в свободной форме и сохранять контекст диалога. RAG-ассистент дополнительно опирается на ваши документы/базу знаний через поиск и цитирование источников, чтобы отвечать по правилам компании, а не по общим знаниям модели.

Две вещи: эксплуатацию (стоимость запросов к модели, инфраструктура, мониторинг, поддержка) и организационную часть (владельцы контента, обучение команды ИИ, изменения процессов). В результате дешевый на старте проект может стать дорогим после релиза.