Создание нейросети для бизнеса: смета по четырём сценариям

Создание нейросети для бизнеса звучит как один проект с одной ценой, но за этой фразой обычно скрывается минимум четыре разных сценария с совершенно разной сметой, от 30 000 до нескольких сотен тысяч рублей. За несколько лет разработки я собрал десятки таких проектов, от чат-бота на сайте до отдельного SaaS с ИИ внутри, и ниже раскладываю по деньгам и срокам каждый из вариантов, чтобы бюджет можно было прикинуть до звонка разработчику.

Что бизнес обычно имеет в виду под созданием нейросети

Когда клиент пишет “хочу нейросеть для компании”, в девяти случаях из десяти речь не про обучение модели с нуля. Своя LLM требует кластера видеокарт, датасета в десятки миллиардов токенов и команды ML-инженеров на месяцы работы, для среднего бизнеса это стоит как небольшой цех и не окупается никогда. На практике почти всегда нужна не своя модель, а грамотная надстройка над готовой: Claude API, GPT или локальный сценарий через n8n, подключённый к данным компании. Дальше в статье под нейросетью для бизнеса я имею в виду именно это, применение готовых моделей к конкретным задачам, а не разработку собственной архитектуры.

На созвоне обычно происходит так: клиент говорит “хочу свою нейросеть, как у Сбера”, я уточняю, что именно должна делать система, и в процессе выясняется, что нужен просто бот, который отвечает на вопросы по прайсу и статусу заказа. Экономия на этом уточнении часто больше, чем разница между сценариями из этой статьи. Разница между четырьмя вариантами ниже не в том, какая нейросеть круче, а в том, куда она встраивается: в виджет на сайте, в мессенджер, в существующую CRM или в отдельный продукт с нуля. От этого зависит и смета, и срок, и состав команды на проекте.

Сценарий 1. Чат-бот с базой знаний на сайте (RAG)

Самый частый запрос, это виджет на сайте, который отвечает на вопросы клиентов по документации, каталогу или условиям услуг своими словами, а не пересказывает статичный FAQ. Технически это RAG: база знаний компании разбивается на фрагменты, превращается в векторы и подключается к языковой модели через API. Модель формирует ответ, опираясь на реальные данные компании, а не на общие знания из интернета, и не выдумывает условия, которых нет в документах.

Из чего складывается смета на такой проект:

• сбор и подготовка базы знаний, обычно 3-5 дней на разбор документов и текстов сайта
• векторизация и настройка поиска по базе
• промпт-инжиниринг и ограничение модели рамками темы компании, чтобы она не отвечала на посторонние вопросы
• тестирование на 30-50 реальных вопросах из истории обращений в поддержку
• встраивание виджета в сайт, будь то Tilda, WordPress или самописный фронт

Для юридических и консалтинговых компаний такой бот особенно окупается: он снимает с менеджеров однотипные вопросы про условия и сроки, оставляя им только сложные случаи. Разработка чат-бота с базой знаний у меня начинается от 50 000 ₽, срок от 2 до 3 недель в зависимости от объёма базы. Если нужен более бюджетный старт без глубокой индивидуальной настройки, для сайтов на Tilda есть готовый ИИ-чатбот на Claude, который можно донастроить под свою базу знаний дешевле, чем разработка с нуля.

Сценарий 2. Telegram-бот с ИИ для обработки заявок

Второй по частоте сценарий, это Telegram-бот, который не просто выдаёт клиенту меню с кнопками, а понимает вопрос своими словами и формирует ответ. Разница с обычным ботом на aiogram без ИИ существенная: классический бот на командах и кнопках стоит от 30 000 ₽, но работает по жёсткому сценарию и не разберёт нестандартный вопрос. Добавление ИИ-слоя поверх aiogram, распознавание намерения, генерация ответа через языковую модель, передача сложных случаев менеджеру, поднимает цену до от 50 000 ₽ и добавляет к сроку разработки 3-4 недели.

Подобных ботов я делал для интернет-магазинов на WooCommerce: бот принимает вопрос по заказу, подтягивает статус напрямую из CRM, а если вопрос не про заказ, а про сам товар, отвечает на основе карточки товара и характеристик. Для более простых сценариев без сложной логики иногда хватает связки Telegram-бота с n8n и готовым узлом обращения к языковой модели, без написания отдельного кода на Python: такая настройка выходит от 25 000 ₽, но она менее гибкая при росте нагрузки и количества сценариев.

Сценарий 3. ИИ-интеграция в действующий сервис или CRM

Здесь у бизнеса уже есть рабочая система, магазин, CRM или внутренний сервис, и в неё нужно встроить ИИ-функцию, а не строить отдельный продукт. Из практики: генерация описаний товаров для WooCommerce на основе характеристик и фото, автоматическое резюме переписки с клиентом в CRM перед звонком менеджера, аналитика обращений с выделением частых проблем по категориям.

Одному интернет-магазину на WooCommerce я подключал автоматическую генерацию описаний для новых позиций каталога: раньше контент-менеджер тратил на карточку 15-20 минут, после интеграции модель готовит черновик за секунды, а человек только проверяет и публикует, вывод новых товаров ускорился в разы. Смета здесь считается не за “чат-бот”, а за конкретную функцию: подключение API модели к существующей базе данных, настройка промптов под формат вывода, который ожидает система, тестирование на реальных данных клиента. Цена начинается от 50 000 ₽, срок от 3 недель, но сильно зависит от того, насколько закрыта и задокументирована система, в которую нужно встраиваться.

Сценарий 4. Отдельный AI-сервис или SaaS с нейросетью внутри

Когда ИИ не дополнение к существующему сайту, а суть самого продукта, речь про отдельную разработку: свой интерфейс, авторизация пользователей, база данных, биллинг и одна или несколько ИИ-функций внутри. Сюда попадают генераторы контента для конкретной ниши, ИИ-помощники с личным кабинетом или платформы для анализа документов с оплатой по подписке.

Такой проект я оцениваю от 300 000 ₽, срок от 8 недель, потому что кроме работы с моделью нужен полноценный бэкенд, фронтенд, обычно SPA на React или Vue, система оплаты (для российского рынка это чаще всего эквайринг Т‑Банка или ЮKassa) и инфраструктура, которая выдерживает рост числа пользователей. На этом этапе стоит сразу закладывать бюджет на подбор конкретной модели под задачу: для одних сценариев экономнее модель попроще, для сложной аналитики нужна более дорогая, и это влияет на стоимость эксплуатации сервиса, а не на стоимость разработки.

Сравнение бюджета и сроков по сценариям

Если под AI-сервис заводится новый домен и отдельный сайт, добавьте стоимость домена (она зависит от зоны: .ru дешевле, чем .com) и SSL-сертификата, эти расходы не входят в перечисленные суммы и не привязаны к тому, какой из четырёх сценариев вы выбрали.

Из чего ещё складывается смета после запуска

Цифры выше, это стоимость разработки, но не единственные расходы на нейросеть для бизнеса. Модели вроде Claude или GPT работают по токенам: оплата идёт за объём текста, который бот обрабатывает и генерирует, и это отдельная строка расходов у провайдера модели, не входящая в цену разработки. Для чат-бота с небольшой посещаемостью счёт за токены обычно от 1 000 до 5 000 ₽ в месяц, для нагруженного Telegram-бота с десятками тысяч сообщений сумма выше и зависит от выбранной модели.

Ещё один момент, который редко закладывают в бюджет заранее, это ограничения по скорости и объёму запросов у самого провайдера модели: при резком росте трафика бот может упираться в лимиты API, и это нужно учитывать в архитектуре, а не решать постфактум.

Отдельно закладывайте хостинг для бэкенда, если сценарий не ограничивается виджетом на существующем сайте, и техподдержку после запуска: у меня она стоит от 15 000 ₽ в месяц и не входит в стоимость разработки, потому что модель обновляется, у провайдеров меняются условия API, а без сопровождения бот через несколько месяцев начинает отвечать хуже просто из-за накопленных изменений в базе знаний компании.

Если ИИ-решение работает с персональными данными клиентов, именами, телефонами, историей заказов, база и логи должны храниться на серверах в России, а не в иностранных облаках вроде Google Sheets или Airtable, это требование 152-ФЗ. Такой российский хостинг я закладываю сразу в архитектуру проекта, а не добавляю его как костыль после жалобы клиента или проверки.

Если пока не понятно, какой из четырёх сценариев подходит именно вашей задаче, разумнее сначала обсудить это с разработчиком, чем оплачивать разработку “на глаз”: иногда обычная консультация экономит больше денег, чем экономия на самом ИИ-решении.

Частые вопросы

Можно ли обучить свою модель с нуля вместо использования Claude или GPT?

Технически можно, но для бизнеса это редко оправдано: обучение модели такого уровня с нуля стоит от нескольких миллионов рублей на одном только оборудовании и данных, а результат обычно хуже, чем у готовых моделей от крупных провайдеров. Дообучение готовой модели под узкую задачу дешевле и иногда имеет смысл, но для большинства бизнес-задач хватает грамотной настройки промптов и RAG поверх готовой модели.

Сколько стоит поддержка ИИ-решения после запуска?

У меня техподдержка начинается от 15 000 ₽ в месяц и включает мониторинг ответов бота, обновление базы знаний, донастройку промптов при изменении ассортимента или условий компании. Токены API у провайдера модели оплачиваются отдельно, напрямую по счёту от Anthropic или OpenAI, и не входят в стоимость поддержки.

Какой сценарий выбрать при ограниченном бюджете?

Если бюджет жёстко ограничен, начните с чат-бота на базе готового решения вроде скрипта из библиотеки: доработка обойдётся дешевле, чем разработка с нуля, и даст возможность проверить, действительно ли клиенты пользуются ИИ-ответами, прежде чем вкладываться в интеграцию с CRM или отдельный сервис.

Нужно ли хранить переписку и данные клиентов у иностранных сервисов при подключении ИИ?

Нет, и я так не делаю. Если бот или интеграция работают с персональными данными клиентов, база и логи должны лежать на серверах в России по требованию 152-ФЗ, а не в Google Sheets, Airtable или Notion, даже если технически туда проще выгружать данные. Модель может обращаться к данным через API, но хранение самих персональных данных остаётся на стороне, которая соответствует российскому законодательству.