SaitHub
каталог IT-услуг
Бесплатная консультация
+7 950 318-32-50
Половина проектов «внедрим нейросети» умирает на стадии презентации, потому что начинается с технологии, а не с процесса. Рабочая схема обратная: найти дорогую рутину, посчитать её стоимость и только потом выбирать инструмент. Разбираем по шагам.
Сразу оговорка: эта статья не про «ИИ изменит всё». Она про то, как за разумные деньги убрать конкретный кусок ручной работы и через 3–6 месяцев увидеть эффект в отчёте о прибылях и убытках, а не в презентации. Если расчёт покажет, что ИИ вашей задаче не нужен, — это тоже результат: сэкономленный бюджет лучше сожжённого.
Лучшие кандидаты на автоматизацию ИИ — задачи, где человек читает, пишет или сортирует по шаблону:
Практический способ найти такой процесс — попросить руководителей отделов неделю фиксировать, на что уходит время сотрудников. Почти всегда всплывает одно и то же: менеджер 2 часа в день отвечает на вопросы «сколько стоит доставка», бухгалтер вручную переносит данные из счетов в 1С, руководитель продаж слушает по 5–7 звонков в день ради проверки скрипта. Все эти задачи типовые, повторяемые и описуемые — именно такие ИИ закрывает хорошо.
Плохие кандидаты — процессы, где решение зависит от контекста, которого нет в данных: переговоры по крупным сделкам, нестандартные претензии, всё, где цена ошибки измеряется не минутами, а репутацией. Туда ИИ на старте не пускаем.
Для ориентира — типичные процессы и порядок экономии для компании с отделом из 5–10 менеджеров:
| Процесс | Подходящее решение | Экономия в месяц |
|---|---|---|
| Поддержка клиентов (чаты, почта) | ИИ-агент на базе облачной LLM + база знаний | 50 000 – 120 000 ₽ |
| Квалификация лидов | Бот в мессенджерах с записью в CRM | 40 000 – 90 000 ₽ |
| Разбор входящих документов | Распознавание + извлечение полей в учётную систему | 30 000 – 80 000 ₽ |
| Типовая отчётность | Генерация отчётов по данным из CRM/1С | 20 000 – 50 000 ₽ |
| Контроль качества звонков | Транскрибация + оценка по чек-листу | 40 000 – 100 000 ₽ |
| Подготовка КП и писем | Ассистент с шаблонами и данными о клиенте | 20 000 – 60 000 ₽ |
Цифры в таблице — не обещание, а вилка из наших проектов. Ваша экономика считается на шаге 2, по вашим ставкам и объёмам.
Формула простая: часы сотрудников на процесс в месяц × стоимость часа. Если менеджеры суммарно тратят 120 часов в месяц на типовые ответы (при ставке 800 ₽/час это 96 000 ₽), а ИИ-агент закрывает 70% обращений, экономия — ~67 000 ₽ в месяц. Пилот за 250 000 ₽ окупается за 4 месяца. Нет цифр — нет проекта: «внедрить ИИ, потому что у всех есть» — путь к сливу бюджета.
В расчёт стоит заложить и то, о чём обычно забывают: стоимость токенов или аренды сервера (обычно 5 000 – 30 000 ₽ в месяц на процесс среднего объёма), поддержку и дообучение (10–15% стоимости пилота в год), время ваших сотрудников на разметку примеров и приёмку. Честный расчёт с этими статьями всё равно чаще всего сходится — но именно он отделяет проект от игрушки.
Вторая часть экономики — не только экономия, но и выручка. Если бот отвечает клиенту за 30 секунд вместо 2 часов, часть лидов перестаёт уходить к конкурентам. Этот эффект сложнее измерить, поэтому в бизнес-кейс его лучше не закладывать, а считать бонусом: если проект окупается на одной экономии часов — он устойчив.
На практике: чат-боту интернет-магазина, отвечающему про наличие и доставку, облачного API хватает с запасом — данные не чувствительные, обработка диалога стоит копейки. Юридической фирме, разбирающей договоры клиентов, облако без обезличивания — прямой риск: там разговор начинается с локальной модели.
К 2026 году рынок устоялся, и выбор сводится к трём вариантам.
Российские облачные API — YandexGPT и GigaChat. Дефолтный выбор для большинства задач на русском языке: оплата в рублях по договору с закрывающими документами, серверы в РФ, что снимает вопрос трансграничной передачи данных, качество на типовых бизнес-задачах — ответы клиентам, классификация, извлечение данных — достаточное. Стоимость обращения — от долей копейки до нескольких рублей за длинный документ.
Зарубежные модели через прокси-сервисы. На сложных задачах — многошаговые агенты, работа с кодом, длинные рассуждения — флагманские зарубежные модели по-прежнему сильнее. Жёсткая оговорка: данные уходят на серверы за пределами РФ, поэтому персональные данные клиентов и коммерческую тайну отправлять туда нельзя без полного обезличивания. Рабочая схема — гибрид: чувствительное обрабатывает российское облако или локальная модель, обезличенные сложные задачи — зарубежная.
Open-source модели на своём сервере — Llama, Qwen и их производные. Данные не покидают контур компании вообще, лицензионных платежей нет, при больших объёмах себестоимость запроса ниже облачной. Плата за это — железо (сервер с GPU — от 300 000 ₽ разово или от 50 000 ₽ в месяц аренды) и инженер, который поддерживает инференс. Уместно, когда объёмы большие, а требования к данным жёсткие: банки, медицина, производство с гостайной. Для пилота на 1 000 обращений в месяц собственный сервер почти всегда избыточен — начинайте с облака, мигрировать на локальную модель можно позже без переделки логики.
Типичный пилот занимает 4–8 недель: настройка агента, интеграция с CRM или почтой, обучение на ваших данных, две недели работы с контролем человека. Метрики успеха фиксируются до старта: доля закрытых без человека обращений, время ответа, ошибки. Выстрелило — масштабируем на соседние процессы, нет — потери ограничены пилотом.
Внутри эти 4–8 недель делятся на понятные этапы. Первая неделя — аудит: описываем процесс как есть, собираем базу знаний (регламенты, историю переписок, прайсы). Вторая-третья — сборка: промпты, подключение базы знаний, интеграция с каналами; если процесс завязан на CRM, здесь же настраивается чат-бот с интеграцией в CRM, чтобы каждый диалог превращался в карточку сделки, а не в переписку, которую никто не увидит. Четвёртая — тестирование на исторических обращениях: прогоняем 200–300 реальных диалогов и смотрим, где модель ошибается. Дальше — две недели боевой работы, где каждый ответ ИИ до отправки подтверждает оператор. Только после этого агент получает право отвечать сам, и то не на всё.
Оптовая компания, стройматериалы, 7 менеджеров, около 1 800 входящих обращений в месяц через сайт, почту и WhatsApp. Типовые вопросы — наличие, цена от объёма, сроки и стоимость доставки, документы. До внедрения: среднее время первого ответа — 1 час 40 минут (в сезон — до 4 часов), менеджеры тратили на переписку суммарно ~340 часов в месяц, часть ночных и выходных заявок просто терялась.
Что сделали: ИИ-агент на облачной модели, подключённый к остаткам склада и прайсу, с записью каждого обращения в CRM. Агент отвечает на типовые вопросы, считает цену от объёма, а нестандартные запросы — рекламации, крупный опт, нетиповые условия — сразу передаёт менеджеру с кратким резюме диалога.
Результат через 3 месяца: среднее время первого ответа — 40 секунд в любое время суток; 64% обращений закрываются без участия человека; нагрузка на менеджеров по переписке упала с ~340 до ~120 часов в месяц — по ставке 750 ₽/час это ~165 000 ₽ экономии ежемесячно. Проект стоил 380 000 ₽ с интеграциями и окупился за 2,5 месяца. Побочный эффект, который никто не закладывал: конверсия ночных заявок в сделку выросла в полтора раза — их просто перестали терять.
Юридическая и репутационная часть — то, что чаще всего игнорируют на старте и о чём жалеют потом. Четыре правила, которые закрывают основную массу рисков.
И отдельно про измеримость: метрики агента — долю автозакрытий, время ответа, точки, где клиенты уходят из диалога, — стоит с первого дня собирать в ту же систему, где вы смотрите остальную воронку. Как выстроить такие метрики, мы разбираем в услуге продуктовой аналитики: без неё «ИИ работает» остаётся ощущением, а не фактом.
Типовая вилка — 150 000 – 400 000 ₽ в зависимости от числа интеграций и требований к данным. Простой бот на облачном API с базой знаний — ближе к нижней границе, агент с интеграцией в CRM, склад и телефонию — к верхней. Плюс операционные расходы после запуска: 5 000 – 30 000 ₽ в месяц на токены и инфраструктуру.
Пилот — 4–8 недель от старта до боевой работы с контролем оператора. Ещё 4–6 недель обычно уходит на стабилизацию: разбор ошибок, пополнение базы знаний, постепенное снятие ручного контроля. Итого до устойчивого «работает само» — около трёх месяцев.
В типовом сценарии — нет: он забирает 60–70% рутинных обращений, а люди переключаются на сложные случаи и продажи. На практике компании чаще не сокращают штат, а перестают нанимать дополнительных людей под рост объёмов — это и есть основная экономия в горизонте года.
Для облачного решения свой ИТ-отдел не нужен: подрядчик разворачивает и поддерживает систему, от вас нужны носители знаний о процессе — люди, которые сейчас отвечают клиентам и смогут оценить качество ответов. Понадобится 5–10 часов их времени на этапе обучения и приёмки. Локальная модель на своём сервере — другое дело: без инженера внутри или на поддержке её лучше не затевать.
Три базовые метрики: доля обращений, закрытых без человека; время первого ответа; часы сотрудников на процесс до и после. Их фиксируют до старта пилота и сравнивают через 4, 8 и 12 недель. Дополнительно — качество: доля диалогов, где клиент запросил оператора, и результаты выборочной проверки ответов по чек-листу.
Опишите задачу — подберём решение и рассчитаем стоимость за 5 минут.
Каталог проверенных IT-услуг для бизнеса: разработка, дизайн, DevOps, безопасность и аналитика. Работаем по договору по всей России.