Что считает калькулятор
Калькулятор оценивает разработку ИИ-решения. Тип проекта: чат-бот в Telegram/MAX/на сайте, ИИ-ассистент в продукте, RAG-поиск по базе документов, ИИ-агент для автоматизации, fine-tuning модели под доменную специфику, или интеграция ИИ в существующую систему. Учитывает выбор модели (GPT, Claude, GigaChat, YandexGPT, Llama, Qwen, Mistral), требуемую нагрузку (диалогов в день), глубину интеграции с CRM/ERP, требования к конфиденциальности данных (облачные API, корпоративный API с DPA, локальная модель), пакет поддержки. Выдаёт цену, ежемесячную стоимость токенов, рекомендуемую модель и стек.
Как пользоваться
- Чат-бот, ИИ-ассистент, RAG, ИИ-агент, интеграция, fine-tuning.
- Что бот / агент должен уметь, какие источники данных, какая воронка.
- Сколько диалогов / запросов / документов в сутки.
- Калькулятор предложит варианты: GigaChat (RU), GPT / Claude (качество), Llama (локально).
- Цена внедрения, ежемесячная стоимость токенов, время поддержки.
Средние цены по рынку
Студийные диапазоны — медиана по открытым прайсам РФ. Точную нашу цену рассчитает калькулятор выше.
| Тип | Студии | Экономия с нами |
|---|---|---|
| Бот-минимум в Telegram | 1.2 – 2.4 млн ₽ | −92% |
| Чат-бот в TG / на сайте | 1.2 – 2.4 млн ₽ | −81% |
| ИИ-ассистент в продукт | 2 – 4 млн ₽ | −77% |
| RAG по 10–50 тыс документов | 2.5 – 5 млн ₽ | −76% |
| ИИ-агент сложный | 3.5 – 8 млн ₽ | −76% |
Частые вопросы
Какую модель выбрать
Зависит от задачи и юрисдикции данных. Для русскоязычных бизнес-задач — GigaChat или YandexGPT: быстрее и дешевле для русского, российская юрисдикция. Для качества и сложного контекста — GPT или Claude (через прокси). Для конфиденциальных данных — локальные Llama или Qwen на своей инфраструктуре. На этапе оценки делаем PoC на 2–3 моделях и сравниваем по точности.
Сколько стоит обслуживание ИИ-системы
Делится на две части: токены LLM и поддержка. Стоимость токенов считается по тарифам провайдера и зависит от выбранной модели и нагрузки (диалогов в сутки). Поддержка — пакетами часов или подпиской «ИИ-разработчик» с безлимитом мелких правок. Условия — на /subscriptions; ежемесячный расход на токены покажет калькулятор.
Безопасно ли передавать данные пользователей в OpenAI
Через корпоративный API OpenAI Enterprise с подписанным DPA — да: данные не обучают модели, хранение 30 дней или меньше. Для конфиденциальных данных (медицина, финансы, юристы) лучше локальные модели Llama или Qwen на вашей инфраструктуре или GigaChat / YandexGPT (российская юрисдикция). На этапе оценки рассматриваем риски и выбираем подходящий контур.
Что такое RAG и зачем он нужен
RAG (Retrieval-Augmented Generation) — архитектура, при которой ИИ отвечает не из «памяти», а опираясь на ваши документы (PDF, Markdown, Confluence, Notion, переписка). Не выдумывает, а ссылается на конкретный источник. Идеально для регламентов, базы знаний, ТЗ, договоров. RAG дешевле и быстрее, чем fine-tuning, для большинства задач.
Чем ИИ-агент отличается от чат-бота
Чат-бот отвечает на вопросы. ИИ-агент выполняет действия: что-то находит, считает, отправляет email, обновляет CRM, бронирует переговорку. Сам решает следующий шаг и выбирает инструмент (API, БД, веб-поиск). Применяется для рутины: исследование рынка → отчёт → email; запрос → API-вызовы → ответ. Сложнее в разработке и контроле качества — требует human-in-the-loop для критичных шагов.
Можно ли начать с маленького PoC
Да, и часто это лучший вариант. PoC за 2–3 недели на одной задаче и одной модели — компактнее, чем полноценное внедрение. Если работает — масштабируем в полноценный проект, PoC засчитывается в стоимость. Если нет — стопимся, тратите минимум. Это снижает риск входа в ИИ-проект для бизнеса, который никогда раньше с ИИ не работал.
Сколько занимает внедрение
Чат-бот в Telegram с базовой логикой — 14 дней. Чат-бот с RAG по 1000 документов — 18–21 день. ИИ-ассистент в продукт — 21–35 дней. RAG по 50k+ документов с реранкингом — 25–35 дней. ИИ-агент со сложной логикой — 30–60 дней. Сроки фиксируются в договоре с разбивкой по этапам.