Разработка ИИ-ассистента для бизнеса: что входит в проект

Разработка ИИ-ассистента для бизнеса перестала быть экспериментом: ко мне приходят с конкретной задачей снять часть нагрузки с отдела продаж или поддержки, обработать типовые обращения и передавать оператору только тёплые заявки. За практику таких проектов я вывел устойчивую структуру: платформа, модель, база знаний и интеграции с рабочими системами компании. Дальше по порядку разберу, из чего собирается такой проект, сколько времени занимает каждый этап и что реально стоит внедрение.

Из чего состоит разработка ИИ-ассистента: этапы проекта

На старте я всегда прошу конкретные примеры вопросов, которые ассистент должен закрывать: не общее «поможет клиентам», а реальные формулировки из переписки с поддержкой или из CRM. Без этого проектировать диалог бессмысленно, модель будет отвечать обтекаемо и терять доверие с первых сообщений. Дальше проект проходит через несколько этапов.

• Бриф и сбор сценариев: какие вопросы задают клиенты, какие ответы считаются правильными, куда передавать сложные случаи
• Выбор модели: Claude API или OpenAI, в зависимости от бюджета, требований к скорости ответа и допустимости отправки данных за пределы РФ
• Проектирование системного промпта: тон общения, границы компетенции ассистента, что он не должен обещать от имени компании
• Подготовка базы знаний: документы, прайсы и регламенты переводятся в формат, по которому модель может искать ответ
• Интеграции: CRM, мессенджер, сайт, передача заявки живому менеджеру
• Тестирование: прогон через десятки реальных и провокационных вопросов, проверка, что ассистент не выдумывает цены и условия
• Запуск и донастройка промпта по первым неделям живых диалогов

Самая частая ошибка на старте: клиент хочет, чтобы ассистент отвечал сразу на всё, от статуса заказа до юридических вопросов по договору. На практике эффективнее ограничить зону ответственности первой версии двумя-тремя сценариями, довести их до стабильного качества и только потом расширять. Каждый этап можно урезать под бюджет, например обойтись без базы знаний и держать ассистента на промптах с шаблонными ответами, но тогда он мало отличается от обычного бота с кнопками, просто одетого в более живой текст.

Telegram-бот, виджет на сайте или встройка ИИ-помощника в CRM

Платформа определяет половину бюджета. Для Telegram я обычно собираю бота на aiogram: это быстрее, чем городить универсальный конструктор, и даёт полный контроль над логикой передачи диалога человеку. Такой бот с подключённой моделью и простым сценарием обходится от 30 000 ₽.

Если ассистент нужен на сайте как виджет чата и сайт уже стоит на Tilda, для встройки хватает кастомного скрипта: от 3 000 ₽ за простую доработку. Если нужно завести обмен данными с CRM или платёжной системой, цена начинается от 40 000 ₽ за комплексную интеграцию.

Третий вариант: подключить модель прямо в рабочий чат CRM, например Bitrix24 или amoCRM, чтобы менеджер видел подсказки ассистента рядом с перепиской, а не переключался между окнами. Это отдельная интеграция, а не бот, и оценивается индивидуально из расчёта AI-интеграций: от 50 000 ₽.

База знаний и RAG: как чат-бот с искусственным интеллектом отвечает по документам

Языковая модель без базы знаний отвечает из общих знаний и с большой вероятностью выдумывает детали: цену, сроки доставки, условия гарантии. Для бизнеса это прямой репутационный риск, клиент получит уверенный ответ, который потом не подтвердится.

Решение: RAG, retrieval-augmented generation. Документы компании, прайс, регламенты, FAQ, разбиваются на фрагменты, превращаются в векторные представления и складываются в базу вроде pgvector или Qdrant. Когда приходит вопрос, система находит несколько релевантных фрагментов и подмешивает их в запрос к модели, ассистент отвечает, опираясь на конкретный текст, а не на догадку.

Отдельно настраивается температура генерации и системные ограничения: ассистент должен явно отказываться отвечать, если вопрос выходит за пределы загруженных документов, а не додумывать правдоподобный, но неверный ответ. Это проверяется отдельным набором провокационных вопросов, специально сформулированных так, чтобы спровоцировать модель на выдумку.

На практике узкое место не в самой модели, а в качестве исходных документов: если прайс живёт в голове менеджера, а не в структурированном виде, первая часть работы заключается в том, чтобы привести данные к формату, который можно проиндексировать. Это удлиняет проект на полторы недели, но без этого этапа ассистент будет ошибаться на самых частых вопросах.

Если нужен более простой старт без индивидуальной RAG-схемы, можно взять за основу готовый ИИ-чатбот на Claude из библиотеки и донастроить его под свои документы. Это дешевле, чем собирать архитектуру с нуля, но подходит только под типовые сценарии. Полноценная интеграция с базой знаний под задачу компании оценивается от 50 000 ₽.

Сколько стоит разработка ИИ-ассистента: цены по типам проекта

На итоговую сумму больше всего влияют два параметра: сколько источников нужно свести в единую базу знаний и сколько внешних систем должны обмениваться с ассистентом данными в реальном времени. Голосовой ввод, мультиязычность или кастомный интерфейс администратора добавляют отдельную оценку сверху. Вот ориентир по типам проектов, с которыми я работал.

Отдельная статья расходов: токены модели, их я не включаю в стоимость разработки, потому что оплата идёт напрямую поставщику API и зависит от объёма диалогов. Для среднего потока обращений, пару сотен диалогов в месяц, счёт за токены обычно укладывается в несколько тысяч рублей, но при активной нагрузке стоит закладывать это в бюджет отдельной строкой.

Интеграция ИИ-помощника с CRM, мессенджерами и автоматизацией сценариев

Ассистент редко живёт сам по себе: обычно от него ждут, что тёплый лид долетит до менеджера, а не потеряется в чате. Для передачи заявок я чаще всего использую n8n: он забирает сообщение из бота или виджета, обогащает его данными из CRM и создаёт сделку или задачу, без написания отдельного бэкенда под каждый сценарий. Настройка такой цепочки стоит от 25 000 ₽.

Здесь же встаёт вопрос хранения переписки и контактов клиентов. Держать историю диалогов в Google Sheets или Airtable удобно для прототипа, но для рабочего проекта это создаёт проблему с 152-ФЗ: персональные данные клиентов должны оставаться на серверах в России. Я разворачиваю базу и логи на отечественном хостинге или в контуре клиента, а не в иностранном облаке. Это не так удобно, зато не создаёт юридических рисков для бизнеса.

Сроки разработки ИИ-бота и что нужно подготовить перед стартом

Минимальный жизнеспособный ассистент, Telegram-бот с промптом без базы знаний, собирается за 1-2 недели. Проект с базой знаний и интеграцией в CRM растягивается на месяц, потому что большая часть времени уходит не на код, а на приведение документов в порядок и тестирование ответов на провокационные вопросы. SaaS-версия с собственным интерфейсом администрирования считается уже отдельным веб-сервисом, от 8 недель.

После запуска обычно проходит две-три недели, за которые становится видно, где именно ассистент теряется: на вопросах не по теме, на уточняющих деталях заказа или на попытках клиента вывести его за рамки сценария. Донастройка промпта по этим случаям входит в техподдержку и оплачивается отдельно от разработки.

От заказчика нужно немного, но конкретно: примеры реальных диалогов с клиентами, актуальный прайс или регламент, доступ к CRM или мессенджеру, где будет работать ассистент, и человек, который сможет за 15-20 минут проверить первую версию ответов. Проекты, где эти материалы собраны заранее, укладываются в нижнюю границу сроков, там, где документы приходится дособирать по ходу работы, срок обычно растягивается на треть.

Частые вопросы

Сколько времени занимает разработка ИИ-ассистента?

Простой бот на промптах без базы знаний собирается за 1-2 недели. С базой знаний и интеграцией в CRM проект занимает от трёх до четырёх недель, большая часть времени уходит на подготовку документов и тестирование. Отдельный веб-сервис с собственным интерфейсом требует от 8 недель. Срок увеличивается, если документы для базы знаний нужно готовить с нуля, например собирать прайс из разрозненных таблиц или переписывать регламент понятным языком.

Чем ИИ-ассистент отличается от обычного чат-бота с кнопками?

Бот с кнопками ведёт клиента по жёсткому сценарию и отвечает только на предусмотренные заранее варианты. ИИ-ассистент понимает вопрос, сформулированный своими словами, и ищет ответ в базе знаний компании, а не просто выбирает ветку из готового списка. Ещё одно отличие: кнопочный бот не меняется без правок кода в каждой ветке, а ИИ-ассистент донастраивается через изменение промпта и базы знаний, что быстрее при частых обновлениях ассортимента или условий.

Нужно ли платить за API модели отдельно от разработки?

Да, это отдельная статья расходов. Стоимость разработки покрывает работу над архитектурой, промптами, интеграциями и базой знаний, а использование самой модели, Claude API или OpenAI, оплачивается поставщику по факту токенов и не входит в цену проекта. Ориентировочно на диалоговую нагрузку среднего проекта уходит несколько тысяч рублей в месяц, но при большом потоке обращений расходы стоит уточнять у поставщика модели заранее.

Можно ли обучить ассистента на закрытых документах компании?

Можно, и это основной сценарий для B2B. Через RAG документы индексируются и остаются в базе знаний, к которой обращается модель при ответе. Дообучение самой модели для такой задачи обычно не нужно и не даёт преимущества перед RAG в скорости обновления данных. Единственное ограничение: документы должны быть в текстовом виде или поддаваться распознаванию, сканы низкого качества индексируются хуже и требуют дополнительной подготовки.