Расходы на нейросети для бизнеса: из чего складывается счёт за месяц

Расходы на нейросети для бизнеса редко укладываются в одну строку “подписка на ChatGPT”. Когда я считаю бюджет клиенту, который хочет чат-бота на Claude или GPT для сайта, счёт обычно разбивается на пять-шесть статей: токены API, разработка интеграции, хостинг под бота, поддержка, лицензии смежных сервисов и запас на пиковую нагрузку. Ниже раскладываю по пунктам, из чего на практике складывается ежемесячный счёт и где бизнес обычно закладывает бюджет неправильно.

Из чего в принципе состоит счёт за нейросети

Первое, что нужно понять: оплата ИИ для бизнеса делится на разовые и повторяющиеся траты. Разовые - это разработка: написать промпт, собрать базу знаний для RAG, подключить API к сайту или CRM, протестировать сценарии. Повторяющиеся - это то, что капает каждый месяц независимо от того, дорабатываете вы бота или нет: токены за запросы, аренда сервера, подписки на вспомогательные сервисы (векторная база, сервис транскрибации, отправка сообщений в Telegram).

На практике для среднего чат-бота с базой знаний соотношение такое: 60-70% первого месяца уходит на разработку, а дальше основная статья - токены и инфраструктура. Через полгода-год разработка окупается, и счёт становится предсказуемым, если не менять сценарии бота каждую неделю.

Токены Claude API и OpenAI: за что реально платишь каждый месяц

Токены - самая непрозрачная часть бюджета, потому что цена зависит не от количества диалогов, а от объёма текста на входе и на выходе, плюс от модели. Разница между моделями одного поставщика может быть в 10-15 раз.

Цены ориентировочные, провайдеры меняют тарифы без предупреждения, поэтому перед запуском проекта я всегда смотрю актуальный прайс на сайте API, а не полагаюсь на цифры из старых статей.

На практике для бота поддержки с базой знаний на 200-300 диалогов в месяц при средней длине контекста в 2-3 тысячи токенов на запрос счёт по Haiku укладывается в 500‑1500 рублей, а по Opus та же нагрузка может выйти в 15-20 тысяч. Разница не в качестве ответа для простых вопросов - она заметна только на сложных задачах вроде юридического анализа или многошаговых расчётов. Поэтому первое, что я делаю при проектировании бота - выбираю модель под задачу, а не беру самую дорогую “на всякий случай”.

Отдельная статья расходов - системный промпт и история диалога. Если в каждый запрос прогонять всю историю переписки, счёт растёт линейно с длиной диалога. На третьем-четвёртом сообщении пользователя вы уже платите не за один вопрос, а за весь накопленный контекст. Решается ограничением истории или суммаризацией старых сообщений, но это дополнительная логика, которую нужно закладывать в разработку.

Готовый виджет или своя интеграция: разница в бюджете

Есть три уровня внедрения нейросети в бизнес, и цена растёт нелинейно.

Первый - готовый сервис по подписке (Intercom с AI-модулем, Yandex GPT в форме на сайте). Разработки почти нет, но вы платите за функциональность, которая вам частично не нужна, и не можете подключить свою базу знаний глубоко.

Второй - кастомная интеграция через API без сложной логики: форма на сайте отправляет вопрос в Claude API, получает ответ, показывает пользователю. Такую доработку для Tilda я обычно делаю от 3 000 ₽, если сайт уже готов и нужен только скрипт подключения.

Третий - полноценный чат-бот с базой знаний (RAG), где ответы строятся не на общих знаниях модели, а на ваших документах, прайсах, регламентах. Это отдельная разработка: нужно разбить документы на фрагменты, сделать векторный поиск, настроить промпт так, чтобы модель не придумывала ответы за пределами базы. У меня такой проект стоит от 50 000 ₽, срок обычно 2-3 недели в зависимости от объёма документов и количества сценариев.

Разница в ежемесячном счёте между вторым и третьим вариантом обычно не в токенах - она в поддержке. Простой скрипт с прямым запросом к API почти не требует обслуживания. RAG-бот требует пересборки базы при обновлении документов, мониторинга качества ответов и иногда донастройки промпта, если пользователи начинают задавать вопросы, которые не предусмотрели на старте.

Telegram-боты и автоматизация в n8n: инфраструктурные расходы

Если нейросеть работает не через веб-виджет, а через Telegram-бота на aiogram, добавляется своя статья расходов - сервер, на котором бот крутится постоянно. Простой polling-бот без базы данных обходится в 300-500 рублей в месяц за VPS, но как только бот должен помнить контекст пользователей, хранить историю обращений или связываться с CRM, нужен сервер помощнее и база данных, это уже 1000-2000 рублей в месяц на инфраструктуру.

Разработка такого бота с интеграцией нейросети у меня стоит от 30 000 ₽ - сюда входит логика диалогов, подключение к API модели и деплой на сервер.

Отдельный сценарий - когда нейросеть встроена не в отдельного бота, а в цепочку автоматизации: например, заявка с сайта падает в n8n, там нейросеть классифицирует запрос (жалоба, вопрос по оплате, заказ), формирует ответ или карточку для менеджера, а затем задача уходит в CRM или в Telegram-канал команды. Здесь счёт складывается из трёх частей: подписка на n8n (или свой сервер с self-hosted версией), токены за каждый запуск сценария и разработка самой цепочки. Автоматизацию такого уровня я делаю от 25 000 ₽, а токены в подобных сценариях обычно копеечные, потому что запрос короткий и модель нужна только для классификации, не для развёрнутого диалога - в таких задачах разумно ставить Haiku или младшую модель OpenAI вместо дорогой.

Скрытые расходы, о которых забывают на старте

Помимо токенов и разработки, в счёт за нейросети для бизнеса почти всегда закрадываются статьи, которые не считают заранее.

• Векторная база данных для RAG-бота - если объём документов небольшой, можно обойтись бесплатным тарифом Pinecone или Qdrant, но при росте базы это отдельная подписка от нескольких сотен до нескольких тысяч рублей в месяц.
• Резервный провайдер модели - если основной API недоступен или лимитирован, нужен запасной ключ у другого поставщика, а переключение между провайдерами требует дополнительной логики в коде.
• Логирование и мониторинг ответов - без него невозможно понять, почему модель начала отвечать невпопад, а ручной разбор десятков диалогов в месяц съедает время сотрудника, которое тоже стоит денег.
• Локализация данных - если бот собирает контакты клиентов или переписку, хранить это нужно на серверах в России, а не в иностранных облачных таблицах, это требование 152-ФЗ, и его нарушение обходится дороже любой экономии на хостинге.

Отдельно скажу про рост нагрузки. Бот, который в тестовом режиме обрабатывал 50 диалогов в день, после запуска рекламы может получить 500. Токены вырастут пропорционально, а вот сервер и лимиты API - не всегда: у части провайдеров есть ограничение запросов в минуту, и при резком росте трафика бот начинает отвечать с задержкой или падает в очередь. Это стоит закладывать в архитектуру заранее, а не чинить после первого наплыва пользователей. Если не уверены, что заложили в расчёт всё нужное на старте, дешевле обсудить архитектуру заранее - можно посмотреть услуги по разработке и интеграции нейросетей и прикинуть вилку под свою задачу до того, как считать точный бюджет.

Как сократить расходы на нейросети без потери качества

За несколько лет работы с такими проектами я вывел для себя несколько рабочих способов держать счёт под контролем.

Кэширование повторяющихся запросов. Если пользователи часто задают одинаковые вопросы (режим работы, условия доставки, цена), не нужно каждый раз гонять их через модель - можно отдавать заготовленный ответ и подключать нейросеть только для нестандартных вопросов.

Разделение задач по моделям. Классификация, извлечение данных из текста, короткие ответы - на дешёвую модель. Развёрнутая консультация, сложный анализ - на дорогую, и только когда это реально нужно.

Ограничение длины контекста. Чем короче история диалога в запросе, тем меньше платите за каждое сообщение. Для большинства сценариев поддержки достаточно последних 3-5 реплик, а не всей переписки с начала дня.

Тестирование на реальных данных перед запуском. Часто оказывается, что сценарий, который казался простым, на практике требует в три раза больше токенов из-за длинных системных инструкций. Лучше это увидеть на этапе разработки, чем через месяц после запуска по счёту от провайдера. Если считаете бюджет для своего проекта и не уверены, какая архитектура выйдет дешевле в эксплуатации, разумно сначала обсудить это с разработчиком, а не выбирать модель и подход наугад.

Частые вопросы

Сколько в среднем стоит подключить нейросеть к сайту или боту

Простая доработка вроде виджета с прямым запросом к API стоит от 3 000 ₽, если основной сайт уже готов. Полноценный чат-бот с базой знаний - от 50 000 ₽, срок обычно 2-3 недели. Telegram-бот с нейросетью внутри - от 30 000 ₽. Дальше добавляются ежемесячные токены и, если нужно, инфраструктура под бота.

Можно ли посчитать расходы на токены заранее, до запуска

Точно - нет, но можно оценить порядок цифр по количеству ожидаемых диалогов и средней длине контекста, а после недели работы в тестовом режиме пересчитать по фактическому расходу токенов из личного кабинета провайдера. Я обычно закладываю тестовый период в разработку именно для этого.

Почему счёт за нейросети иногда резко растёт без изменений в коде

Чаще всего причина в росте трафика (больше пользователей - больше запросов) или в том, что диалоги стали длиннее, а история переписки не ограничена и целиком уходит в каждый следующий запрос. Реже - смена модели провайдером без уведомления о новой цене.

Стоит ли выбирать самую дешёвую модель, чтобы сэкономить

Не всегда. Для классификации, коротких ответов и извлечения данных дешёвая модель справляется не хуже дорогой и экономит бюджет в разы. Но для сложных консультаций или задач, где ошибка стоит дорого (юридические, медицинские, финансовые темы), экономия на модели может обернуться потерей доверия клиентов и переделкой сценария.