ИИ-проект: почему 80% бюджета уходит не на разработку и как считать реальную стоимость

Компании запустили сотни пилотов с искусственным интеллектом, но до повседневной работы дошли единицы. Причины обычно ищут в технологиях: не та модель, не хватило данных, подвёл подрядчик. На практике проект чаще всего рассыпается раньше — ещё на этапе оценки экономики. Если заранее не просчитать, во что обойдётся ИИ-решение и какой эффект оно должно дать, понять его перспективы сложно.

#Почему об экономике ИИ-проекта думают слишком поздно

ИИ-проект почти всегда начинается с восторга от демонстрации, а не с расчёта. Этим он отличается от любой другой корпоративной инициативы, и этим же объясняется большая часть последующих провалов.

Когда руководителю показывают, как модель за несколько секунд разбирает договор или собирает отчёт, возникает ощущение, что основная работа сделана и осталось только внедрить проект. В действительности на этом этапе не сделано почти ничего. Показано, как технология работает на подготовленных данных, а не то, как она поведёт себя в реальной работе, где данные лежат в трёх несовместимых системах, половина документов отсканирована криво, а у процесса есть 12 нетиповых случаев, о которых знает только один человек в бухгалтерии.

Вопрос стоимости всплывает через несколько месяцев, когда деньги уже потрачены и отступать неудобно. Включается эффект утопленных затрат: проект тянут просто потому, что в него вложились. Любая смета в этот момент превращается в оправдание принятого решения.

#Из чего на самом деле складывается стоимость ИИ-проекта

Самая частая ошибка в смете — учитывать только разработку. Это сильно снижает итоговый бюджет, ведь создание и настройка модели составляют лишь часть затрат. В расчёт нужно включить ещё как минимум шесть статей.

• Данные. Их нужно собрать, очистить, разметить и поддерживать в актуальном состоянии. Разметка почти всегда требует человеческого ресурса и почти всегда оказывается дороже, чем ожидалось.
• Инфраструктура. Вычислительные мощности, хранение, лицензии и оплата по количеству запросов. В отличие от классической автоматизации, расходы на ИИ-проект могут расти вместе с использованием.
• Интеграция в существующие процессы. Модель, которая работает в отдельном окне браузера, не даст эффекта. Люди в это окно просто не будут заходить. Эффект появится, если модель будет встроена в тот инструмент, где команда уже работает.
• Поддержка и дежурство. Качество работы модели со временем деградирует: меняются данные, появляются новые типы запросов. После запуска нужны люди, которые будут следить за работой системы и обновлять её.
• Люди. Обучение сотрудников и время на освоение нового инструмента. В первые недели производительность может снизиться — это тоже часть стоимости внедрения.
• Остановка. Если проект не даст ожидаемого результата, выход из него тоже будет стоить денег: нужно вернуть процесс в прежнее состояние и решить, что делать с созданной инфраструктурой.

#На какие стоимости внедрения ИИ-модели ориентироваться

Конкретные суммы стоит воспринимать как порядок величины, а не как точный прайс: тарифы быстро меняются, а разброс между двумя внешне похожими проектами может достигать десятикратного. Цифры взяты из опубликованных тарифов поставщиков и актуальны на октябрь 2026 года.

#Готовая модель без дообучения

Компания не разрабатывает собственную модель, а платит за фактическое использование готовой. Например, обработка десяти тысяч обращений в службу поддержки с использованием младшей модели Claude стоит около 37 долларов — примерно 3000 рублей при среднем диалоге в 3000–4000 токенов. В пересчёте это около 30 копеек за обращение.

Тарифы между моделями разного класса могут различаться примерно в пять раз, хотя для многих задач старшая модель не нужна. Поэтому выбор более дорогой модели «на всякий случай» быстро увеличивает расходы.

Есть два рабочих способа снизить расходы, но их редко закладывают в смету:

1. Повторяющуюся часть запроса можно кэшировать — тогда она обходится в десять раз дешевле.
2. Задачи, которым не нужен мгновенный ответ, можно отправлять пакетно и получать скидку 50%.

#Работа на собственных данных

Это самый распространённый сценарий, но единого прайса здесь нет: основная часть расходов приходится не на вычисления, а на работу с данными. Генерация ответов стоит примерно столько же, сколько на первом уровне, а хранение подготовленных данных — около рубля за гигабайт в месяц.

Основные затраты связаны с подготовкой документов, их разметкой и созданием поискового слоя поверх собственной базы. После запуска его тоже нужно поддерживать и обновлять. Поэтому итоговая смета определяется не тарифами поставщика, а состоянием данных в компании.

#Собственная инфраструктура

Здесь появляется фиксированный ежемесячный платёж, который не зависит от количества обращений. По тарифам российских облачных провайдеров аренда одного ускорителя среднего класса стоит около 36 тысяч рублей в месяц, мощного — около 213 тысяч, топового — около 430 тысяч. Это стоимость одного устройства и только за оборудование — без зарплат специалистов, которые его обслуживают.

Собственное оборудование редко выбирают только ради снижения стоимости обращений. Основная причина — требования к хранению и обработке данных. Если информацию нельзя передавать внешнему поставщику по требованиям безопасности, собственная инфраструктура становится обязательным условием, даже если обходится дороже готовой модели.

#Кто и за чей счёт должен вести поддержку после запуска

Поддержка модели — одна из наиболее недооценённых статей сметы. В классическом проекте внедрения система может работать без изменений годами. С ИИ-моделью так не получится: меняются данные, регламенты и пользовательские запросы, поэтому качество работы модели со временем снижается.

Появляются запросы, которых не было в обучающих данных, а модель продолжает отвечать по старым правилам. Пользователи находят формулировки, на которых она сбоит, и либо перестают ей пользоваться, либо, что хуже, продолжают, не замечая ошибок.

Ориентир по стоимости поддержки — 15–20% от стоимости разработки в год плюс часть рабочего времени сотрудника, который отвечает за ИИ-проект. Эта работа должна быть закреплена в обязанностях такого сотрудника, а не выполняться «когда найдётся минутка».

Кто отвечает за поддержку и что в неё входит, нужно определить до старта. Иначе после запуска может выясниться, что исполнитель считает поддержку отдельной услугой, а заказчик — частью гарантии. В этот момент договориться сложнее, потому что проблема уже возникла.

#Как измерять эффект ИИ-проекта

Самого факта, что сотрудники стали работать быстрее, недостаточно: нужно понять, что это изменение даёт бизнесу — например, в деньгах, снижении ошибок или качестве результата.

Экономия времени. Это самый частый показатель эффекта, но сам по себе он ещё не означает экономию денег. Сэкономленные часы превращаются в деньги только тогда, когда высвободившееся время используется с пользой для бизнеса. Если сотрудник стал тратить на задачу два часа вместо четырёх, но объём работы не вырос и штат не изменился, никакой экономии не возникнет.

Поэтому формулировать это в расчёте стоит буквально: не «сэкономим 300 часов в месяц», а, например, «сэкономим 300 часов и за счёт этого не будем нанимать двух новых сотрудников» или «обработаем на 40% больше заявок тем же составом». В первом случае речь идёт о снижении расходов, во втором — о росте производительности.

Рост качества и снижение числа ошибок. Здесь нужно считать стоимость ошибки и сравнивать показатели до и после внедрения: сколько стоила одна ошибка раньше, сколько ошибок происходило и что изменилось после запуска. Если стоимость ошибок раньше не считали, начинать нужно с этого, а не с выбора ИИ-модели.

Скорость процесса. Если сама скорость влияет на результат, её тоже нужно измерять. Например, компания может быстрее отвечать клиентам, выпускать материалы или принимать решения. В этом случае важно связать сокращение времени с бизнес-показателем: конверсией, оттоком клиентов, количеством обработанных заявок или упущенной выручкой.

Для любого такого расчёта нужна базовая линия — показатели процесса до внедрения ИИ. Нужно заранее зафиксировать, сколько времени процесс занимает, сколько стоит и сколько ошибок происходит. После внедрения ИИ-модели эти данные можно сравнить с новыми показателями и посчитать эффект. Если исходных данных нет, то доказать, что проект что-то изменил, будет сложно.

#Как рассчитывать эффект, если часть величин неизвестна

Главное возражение против расчёта обычно звучит так: слишком много неизвестных, точные цифры получить невозможно. На самом деле необязательно знать всё заранее. Есть четыре подхода, которые помогают учитывать неизвестные величины в расчёте.

Оценивайте по диапазону вместо одной точной цифры. Составьте три сценария: пессимистичный, реалистичный и оптимистичный. Основное решение стоит принимать по пессимистичному сценарию. Если проект окупается даже при нём, запас прочности есть. Если экономика сходится только в оптимистичном сценарии — расчёт, скорее, похож на надежду.

Проведите анализ чувствительности. Определите, какие показатели сильнее всего влияют на итоговый результат. Например, можно посчитать, что получится при разном объёме данных, разной стоимости поддержки и разных сроках разработки. Так можно увидеть, какие параметры действительно влияют на результат, а какие почти ничего не меняют.

Уточнять в первую очередь нужно те показатели, от которых зависит итоговая экономика проекта. По опыту экспертов, исход решают объём и качество исходных данных, а также стоимость поддержки после запуска. Стоимость разработки обычно влияет меньше: её можно достаточно точно оценить до старта.

Разделите проект на этапы с точками принятия решения. Первый этап стоит сделать небольшим и недорогим. Его задача — проверить неизвестные величины до того, как компания вложит основные деньги. На первом этапе лучше ответить на вопрос, в каком состоянии данные и сколько стоит привести их в порядок, а не на вопрос, умеет ли модель писать тексты.

Отдельно учитывайте эффекты, которые нельзя перевести в деньги. Некоторые результаты проекта сложно или невозможно выразить в рублях — например, удобство сотрудников или репутационный эффект. Их стоит учитывать отдельно от финансового расчёта, не подставляя условные суммы ради заполнения таблицы.

#Почему ИИ-проекты не доходят до эксплуатации

Значительная часть проектов не доходит до эксплуатации не по экономическим и не по техническим причинам. Есть организационные риски, которые тоже стоит оценивать до запуска: они требуют времени и денег, но часто не видны в смете.

• Нет владельца процесса на стороне бизнеса. Если у проекта есть заказчик от IT-отдела, но нет человека, чью ежедневную работу этот проект должен изменить, внедрение может остановиться уже после разработки.
• Данные существуют только в теории. В презентации они есть, а на практике разрознены или закрыты по требованиям безопасности. Проверять это нужно до расчёта, а не в середине разработки.
• Эффект нечем измерить. Если процесс раньше не измеряли, не с чем будет сравнивать результат после внедрения. Без базовой линии проект обречён на бесконечный спор о том, стало ли лучше.
• Команда сопротивляется изменениям. Две крайности одинаково мешают проекту: ожидание, что новая технология сразу даст заметный результат, и опасение, что автоматизация приведёт к сокращению сотрудников.

#Что проверить перед выделением бюджета: чек-лист

Перед тем как выделять деньги на проект, ответьте на семь вопросов:

1. Зафиксирована ли базовая линия процесса: сколько времени он занимает, сколько стоит и сколько ошибок даёт сейчас?
2. Рассчитана ли полная стоимость проекта: включены ли в расчёт данные, инфраструктура, интеграция, поддержка, обучение сотрудников и выход из проекта?
3. Определены ли метрики эффекта: понятно ли, как полученный результат повлияет на расходы, выручку или производительность?
4. Есть ли владелец процесса со стороны бизнеса: есть ли человек, который отвечает за процесс и сможет оценить, как изменится его работа после внедрения?
5. Проверены ли данные, с которыми проект будет работать: доступны ли они в нужном объёме и качестве?
6. Окупится ли проект при пессимистичном сценарии?
7. Определены ли условия остановки проекта: понятно ли, при каких результатах его прекратят и кто примет это решение?

Если хотя бы на три вопроса ответ отрицательный, бюджет выделять рано. Это не значит, что идея плохая, — просто сначала нужно получить недостающие данные и завершить расчёты.

#Что это значит для селлеров

Для селлеров на маркетплейсах, которые рассматривают ИИ-инструменты для автоматизации карточек товаров, анализа конкурентов или обработки отзывов, принцип тот же: сначала считайте экономику, потом внедряйте. Готовые ИИ-сервисы для маркетплейсов часто работают по подписке — это аналог первого уровня из статьи, где вы платите за использование, а не за разработку. Прежде чем подключать такой сервис, зафиксируйте базовые показатели: сколько времени уходит на создание карточки, сколько ошибок допускается в описаниях, какова конверсия. Только после этого можно будет понять, окупается ли подписка и какой эффект она даёт продажам.