Разработка ИИ чат-бота против сценарного: где переплата, а где экономия

За последний год ко мне стабильно приходят с одним и тем же вопросом: нужен чат-бот на ИИ или хватит обычного сценарного. Разработка ИИ чат-бота стоит в разы дороже классического бота на кнопках, и переплата случается ровно тогда, когда задача не требует свободного диалога, а решается обычным деревом ответов. За несколько лет на фрилансе и в студийных проектах я собирал и aiogram-ботов с жестким сценарием, и интеграции с Claude API поверх базы знаний, поэтому дальше конкретные цифры и ситуации, где каждый вариант окупается, а где превращается в дорогую игрушку.

Чем сценарный бот отличается от ИИ-бота на практике

Сценарный бот работает по дереву состояний: FSM в aiogram, ConversationHandler в python-telegram-bot или цепочка кнопок в Tilda-скрипте. Пользователь нажал «Доставка», бот показал список городов из базы. Нажал «Оплата», бот дернул вебхук T‑Bank и сообщил статус заказа. Логика прописана заранее, число веток конечное, и поведение бота можно проверить на 100% еще на этапе тестирования.

ИИ чат-бот строится иначе: вместо дерева состояний работает языковая модель, обычно Claude или GPT, которая получает вопрос пользователя, подтягивает контекст из базы знаний через RAG и генерирует ответ на лету. Явных веток нет, модель сама решает, как сформулировать ответ и какие документы подтянуть. Это дает гибкость в диалоге, но добавляет непредсказуемость: на один и тот же вопрос бот может ответить чуть по-разному, а иногда придумать то, чего в базе знаний нет, если не ограничить его строгим промптом.

Сколько стоит разработка ИИ чат-бота и сценарного бота

Разница в цене видна уже на этапе оценки, потому что ИИ-бот требует не только код, но и подготовку базы знаний, тестирование промптов и настройку защиты от галлюцинаций.

Для сравнения, на бирже фриланса сценарного бота под ключ предлагают за 15 000-25 000 ₽, но обычно это голый шаблон без обработки ошибок и без нагрузочного тестирования. Через месяц такой бот падает при наплыве заявок, и доработка обходится дороже, чем нормальная разработка сразу.

Где сценарный бот экономит бюджет

Если задача укладывается в конечный список сценариев, ИИ там не нужен вообще: он только добавит стоимость токенов и непредсказуемость там, где клиент ждет точный ответ.

Возьмем зоны доставки для интернет-магазина на Tilda: пользователь вводит адрес, скрипт сверяет его с зонами доставки и показывает точную стоимость. Логика простая, ответ должен быть единственно верным, никакой генерации текста не нужно. У меня в библиотеке есть готовый скрипт зон доставки для Tilda, который решает эту задачу без единой строчки промпта.

Похожая история с ограничением промокодов, конвертером валют или расчетом НДС на Tilda: это чистая арифметика и условия, добавлять туда ИИ смысла нет. То же с уведомлениями об оплате: когда T‑Bank или WooCommerce присылают вебхук о новом платеже, бот форматирует данные и шлет их в Telegram-канал менеджеру. Диалога тут не требуется, только точный шаблон.

Для наглядности вот кусок типового FSM-хендлера на aiogram, который обрабатывает выбор зоны доставки без единого обращения к LLM:

@dp.message_handler(text="Доставка")
async def delivery_zone(message: types.Message):
    zone = get_zone_by_address(message.text)
    if zone is None:
        await message.answer("Не нашел ваш адрес в зоне доставки")
        return
    await message.answer(f"Доставка в {zone.city}: {zone.price} ₽, срок {zone.days} дн.")

Такой хендлер стоит копейки в поддержке: ни токенов, ни риска, что модель придумает несуществующий тариф.

Где ИИ-бот окупает переплату

ИИ-бот окупается там, где вопросы клиентов не укладываются в десяток типовых веток. Например, техподдержка сервиса с документацией на полсотни страниц: сценарного бота пришлось бы обвешивать сотней кнопок и подпунктов, и все равно четверть вопросов не попадала бы ни в одну ветку. RAG-бот на Claude берет документацию, разбивает на чанки, индексирует и на любой вопрос клиента ищет релевантные куски текста, а затем формулирует ответ своими словами. Из моей практики такой бот на первой линии поддержки закрывает 60-70% обращений без участия человека, а менеджеру остаются только нестандартные случаи.

Второй частый случай: консультационный бот для сложного продукта или услуги, где ответ зависит от комбинации параметров, а не от одной ветки. Тут сценарный бот превращается в лабиринт из вложенных меню, и пользователи из него уходят на третьем шаге.

Гибридный вариант: сценарии плюс ИИ через n8n

Чаще всего оптимальный вариант не чистый ИИ-бот и не чистый сценарный, а гибрид. В n8n я собираю цепочку: сценарная часть обрабатывает быстрые операции - проверку статуса заказа, зоны доставки, промокоды, а на сложные вопросы клиента запускается нода с вызовом Claude API, подключенная к базе знаний. Это снижает расходы на токены, потому что модель дергается не на каждое сообщение, а только там, где готового сценария не хватает.

Частые ошибки при выборе формата бота

• Заказывают ИИ-бота для FAQ из десятка вопросов, хотя сценарный решает ту же задачу дешевле и без ежемесячных расходов на токены.
• Экономят на сценарном боте там, где нужна поддержка со сложной логикой, а через полгода переписывают его на ИИ. Деньги и время на первую версию уходят впустую.
• Хранят переписку и контакты клиентов в иностранных облачных таблицах вместо серверов в РФ. Для бота, который собирает персональные данные, это нарушение требований 152-ФЗ о локализации.
• Не закладывают бюджет на техподдержку ИИ-бота: база знаний и промпты требуют регулярной донастройки, а не разовой сборки один раз и навсегда.

Частые вопросы

Сколько стоит разработка ИИ чат-бота под ключ?

У меня разработка чат-бота с базой знаний на RAG начинается от 50 000 ₽. Итоговая сумма зависит от объема базы знаний, числа источников для индексации и того, нужна ли интеграция с CRM или эквайрингом.

Чем RAG-бот отличается от обычного ИИ-бота на промптах?

RAG-бот подключен к внешней базе знаний: документации, каталогу товаров, FAQ, и на каждый вопрос ищет релевантные фрагменты перед тем, как сформулировать ответ. Бот без RAG опирается только на промпт и общие знания модели, поэтому чаще ошибается в деталях конкретного бизнеса и хуже держит фактуру.

Можно ли совместить сценарного и ИИ-бота в одном проекте?

Да, и на практике это часто лучший вариант по деньгам. Сценарная часть закрывает типовые операции без затрат на токены, а ИИ подключается только на нестандартные вопросы через n8n или прямую интеграцию с Claude API. Автоматизация в n8n у меня начинается от 25 000 ₽.

Как понять, что бизнесу хватит сценарного бота без ИИ?

Если весь список вопросов клиентов укладывается в пятнадцать-двадцать веток и не меняется каждую неделю, сценарный бот справится не хуже ИИ и обойдется дешевле в разработке и поддержке. ИИ имеет смысл подключать, когда база вопросов большая, часто обновляется или ответ зависит от комбинации условий, которые сложно свести к дереву кнопок.