Читайте также

• KIMI K3: новый AI-агент из Китая — возможности и применение
• AI-консультант на сайте: как чат-бот увеличивает конверсию в 2-3 раза
• AI-агент лингвистической безопасности: как защитить бизнес
• Нейросети для маркетинга в 2026: 7 способов увеличить продажи

Сколько стоит внедрить ИИ-агента в бизнес в 2026 году

Пилот ИИ-агента на одном процессе обходится в 150–400 тыс. рублей, промышленное внедрение с интеграциями — от 1,5 до 6 млн рублей. Итоговая сумма зависит от числа сценариев, глубины интеграций с учётными системами и требований к контролю качества ответов.

Сергей Езепенко · 06.11.2026 · время чтения 15 мин

Из чего складывается бюджет проекта

Смета на ИИ-агента редко состоит из одной строки «разработка». На практике бюджет собирается из пяти блоков, и заказчику полезно видеть каждый отдельно — хотя бы для того, чтобы понимать, за что он платит и что останется у него после завершения проекта.

Работы подрядчика. Это аналитика (описание сценария, карта процессов, перечень интеграций), разработка агента, интеграции с учётной системой, CRM, телефонией или базой знаний, тестирование на реальных данных и приёмка. Доли внутри блока примерно такие: аналитика — 10–15% от суммы работ, разработка — 50–60%, интеграции — 20–25%, тесты и приёмка — остальное. Интеграции — самая непредсказуемая часть: если у заказчика нет документированного API и данные лежат в Excel у менеджера, стоимость работ вырастает в полтора-два раза.

Лицензии и API-токены языковых моделей. Здесь два варианта оплаты. Первый — токены по факту обращений: считается по количеству запросов, длине контекста и выбранной модели. Для агента, который обрабатывает 5–10 тысяч диалогов в месяц, расходы на токены в среднем по рынку составляют 15–60 тысяч рублей ежемесячно, в зависимости от модели и объёма контекста. Второй — корпоративная лицензия с фиксированной платой, она имеет смысл при стабильно высокой нагрузке. Отдельно считаются лицензии на готовые компоненты: распознавание речи, синтез, OCR, если они нужны.

Инфраструктура. Серверы или облачные мощности, векторная база для хранения и поиска по документам, система мониторинга и логирования запросов агента. Для пилота хватает облака за 5–15 тысяч рублей в месяц. Для промышленной эксплуатации с требованием хранить данные на своей территории — физический сервер или выделенный контур, это от 300 тысяч рублей единовременно плюс обслуживание. Мониторинг не опция: без него вы не узнаете, что агент начал отвечать клиентам неверно, пока не придёт жалоба.

Внутренние трудозатраты команды заказчика. Самый недооцениваемый блок. Нужно выделить сотрудника, который опишет процесс, даст доступы, проверит ответы агента, согласует регламенты. Обычно это 0,3–0,5 ставки на время проекта — от 2 до 6 месяцев. Если считать по деньгам, это 150–400 тысяч рублей фонда оплаты труда, которые редко попадают в смету подрядчика, но реально тратятся. Ещё нужен человек, принимающий решения: без него проект встаёт на согласованиях.

Поддержка и дообучение после запуска. Модели обновляются, меняются процессы, появляются новые вопросы клиентов. Техническая поддержка — в среднем 10–20% от стоимости внедрения в год. Дообучение и правка сценариев — отдельная работа, чаще всего по часам или пакетами. Закладывать этот блок нужно сразу: агент без сопровождения деградирует за 3–6 месяцев.

Пример из практики: проект для отдела поддержки в компании среднего размера. Работы подрядчика — 1,8 млн рублей, токены — 40 тысяч в месяц, инфраструктура — 12 тысяч в месяц, внутренние трудозатраты — около 250 тысяч рублей за три месяца, поддержка — 220 тысяч в год. Итоговый бюджет первого года сложился около 2,9 млн рублей, хотя в договоре с подрядчиком стояла цифра 1,8 млн.

Три формата проекта и их ценовые вилки

Формат проекта определяется не технологией, а границей ответственности агента. Чем больше процессов он затрагивает и чем выше цена ошибки, тем больше работы по аналитике, тестам и регламентам. Отсюда и разброс цен.

Пилот на одном сценарии: 150–400 тыс. рублей. Один процесс, один канал, ограниченный круг пользователей. Например, агент отвечает на типовые вопросы по тарифам в чате на сайте или помогает менеджеру находить нужный пункт в договоре. Сюда входит описание сценария, разработка, подключение к одному источнику данных, тесты на выборке реальных обращений. Срок — от 3 до 6 недель. Пилот не решает задачу целиком, его смысл — проверить, что агент выдаёт приемлемое качество на ваших данных, и получить цифры для решения о масштабировании. Верхняя граница вилки — это случаи, где нужна интеграция с одной системой и настройка распознавания речи.

Внедрение в один отдел: 1,5–3 млн рублей. Агент закрывает несколько связанных сценариев внутри одного подразделения — например, первая линия поддержки: приём обращения, уточняющие вопросы, ответ по базе знаний, передача сложных случаев человеку. Здесь появляются полноценные интеграции с CRM и системой тикетов, регламент эскалации, панель контроля качества ответов, обучение сотрудников работе с агентом. Срок — 2–4 месяца. Разброс внутри вилки зависит от количества интеграций и от того, насколько чистые данные в базе знаний. Если база не структурирована, добавляется этап её подготовки — это отдельные 200–500 тысяч рублей.

Промышленная платформа на несколько процессов: от 6 млн рублей. Агент работает в нескольких отделах или на сквозном процессе, с разными ролями, правами доступа и требованиями к хранению данных. Появляются оркестрация нескольких агентов, единая векторная база, система версионирования сценариев, отказоустойчивость, журналирование для аудита. Срок — от 6 месяцев, часто с поэтапной сдачей. Верхней границы нет: проекты с требованием размещения в защищённом контуре и интеграцией с самописными системами выходят за 15–20 млн рублей. Здесь особенно важно заранее договориться о критериях приёмки — иначе проект легко превращается в бесконечную доработку.

Выбор формата стоит делать от задачи, а не от бюджета. Если процесс простой и повторяемый, пилота достаточно, чтобы увидеть эффект. Если агент должен заменить часть работы отдела, пилотом не обойтись — понадобится регламент эскалации и контроль качества. Общие ориентиры по тому, какие задачи в малом бизнесе окупаются быстрее всего, разобраны в материале AI-агенты для малого бизнеса: что изменилось в 2026 году.

Стоимость API и моделей в месяц

Переменная часть бюджета ИИ-агента — это плата за токены: входной контекст, ответ модели и служебные вызовы (классификация запроса, извлечение сущностей, проверка ответа). Считается она по прайсу провайдера за миллион токенов, и итог зависит от трёх параметров: сколько обращений в месяц, сколько знаков в каждом обращении и какая модель стоит на каждом шаге.

Ориентиры по месячному счёту для агента на текстовых задачах (поддержка клиентов, квалификация лидов, разбор заявок):

1. Малый поток — 5–30 тыс. рублей. Это порядка 1–3 тыс. диалогов в месяц при коротком контексте: 2–4 тыс. токенов на запрос, без истории переписки на десять сообщений и без подгрузки больших документов. Хватает средней модели, дорогая не даёт заметного прироста качества на типовых сценариях.
2. Средняя нагрузка — 80–250 тыс. рублей. 10–30 тыс. обращений, контекст 8–20 тыс. токенов: история диалога, карточка клиента, фрагменты базы знаний через RAG. Здесь уже имеет смысл разделять модели — дешёвая на маршрутизацию и извлечение полей, сильная только на финальный ответ.
3. Высокая нагрузка и длинный контекст — от 300 тыс. рублей и выше, верхняя граница зависит от отрасли. Агент, который читает договоры по 60–100 страниц или разбирает длинные технические тикеты, легко уходит за миллион токенов в сутки.

Разброс внутри одной нагрузки объясняется длиной контекста сильнее, чем числом обращений. Диалог с историей на 20 сообщений стоит в 5–8 раз дороже одиночного запроса при том же количестве ответов. Второй фактор — выбор модели: разница между лёгкой и флагманской версией у одного провайдера обычно в 10–20 раз по цене за токен. Третий — кэширование. Если система и документы не меняются, провайдеры дают скидку 50–90% на закэшированный входной контекст, и на агентах с большим системным промптом это экономит ощутимую долю счёта.

Практика из проекта по поддержке интернет-магазина: на старте поставили флагманскую модель на все шаги, счёт вышел около 190 тыс. рублей в месяц при 12 тыс. диалогов. После разбора логов выяснилось, что 70% запросов — типовые вопросы про доставку и возврат, которые лёгкая модель закрывает не хуже. Флагман оставили на 20% сложных случаев и на проверку ответов. Тот же поток стал стоить порядка 60 тыс. рублей, доля эскалаций на оператора не изменилась.

Что закладывать в расчёт, чтобы не поймать сюрприз в середине месяца:

• запас 30–40% к расчётному объёму токенов — на повторные вызовы, ретраи и служебные проверки;
• лимиты на пользователя и на диалог, иначе один клиент с длинной перепиской съест дневной бюджет;
• мониторинг расхода по дням с алертом при отклонении от прогноза больше чем на 20%;
• отдельная строка на тестовый контур — прогон регрессии перед каждым изменением промпта тоже тратит токены, и на этапе разработки это 10–20 тыс. рублей в месяц.

Отдельно стоит заложить расходы на эмбеддинги, если используется поиск по базе знаний: они дешевле генерации в десятки раз, но при переиндексации большого архива документов разовый прогон может стоить несколько тысяч рублей. Хостинг векторной базы — ещё 2–10 тыс. рублей в месяц в зависимости от объёма. Эти позиции не меняют картину, но в смете их лучше видеть сразу.

Интеграции: самая непредсказуемая статья

Здесь бюджет ломается чаще всего. Модель и API предсказуемы: есть прайс, есть счётчик токенов. Интеграция зависит от состояния чужих систем, к которым агента подключают, и от того, насколько полно описаны их интерфейсы. Оценка «100–300 тыс. рублей» и «от 400 тыс. рублей» — это не цена работ по прайсу, а медиана по проектам, где всё прошло более-менее гладко.

Первый уровень — CRM и Helpdesk с готовыми API: amoCRM, Битрикс24, RetailCRM, Usedesk, Zendesk. Типовой объём: чтение карточки клиента, создание сделки или тикета, запись комментария, передача диалога оператору. Стоимость 100–300 тыс. рублей, срок 2–4 недели. Верхняя граница — когда нужны вебхуки на события, синхронизация статусов в обе стороны и разграничение прав: агент должен видеть не все поля, а только разрешённые роли. Отдельная статья — телефония и мессенджеры, если агент работает в голосовом канале или в WhatsApp: там свои лимиты, шаблоны сообщений и модерация.

Второй уровень — 1С, ERP, самописные системы, внутренние базы. От 400 тыс. рублей, и это нижняя планка. Причины прозаичны: у 1С API часто закрыт лицензией или доступен только через промежуточный слой, справочники называются неочевидно, а бизнес-логика расчёта цен и остатков живёт в обработках, которые никто не документировал. Приходится писать адаптер, поднимать очередь сообщений, чтобы не ронять учётную систему синхронными запросами, и договариваться с подрядчиком, который сопровождает ERP.

Самый дорогой сценарий — отсутствие документации по API. По опыту, это удваивает срок работ: вместо двух недель — месяц и больше. Разработчик восстанавливает контракты по логам и исходникам, часть методов оказывается нерабочей или ведущей себя иначе, чем предполагалось. Дополнительно тратится время на согласования с владельцем системы, у которого свои приоритеты.

Порядок работ, который снижает риск:

1. Аудит API до подписания сметы: какие методы есть, какие реально работают, какие ограничения по частоте запросов.
2. Пилот на одном сценарии — не на десяти сразу. Если чтение карточки клиента и запись комментария прошли, остальное пойдёт предсказуемее.
3. Контракт на доработку со стороны владельца ERP — отдельным пунктом, с именем ответственного и сроком.
4. Тестовый контур, идентичный продуктовому, иначе отладка идёт на живых данных.

Пример из практики: агент для отдела продаж должен был подтягивать остатки и цены из 1С. По документации обещали REST-интерфейс, по факту часть методов возвращала данные с задержкой в 15–20 минут из-за регламентного обмена. Срок вырос с трёх недель до семи, бюджет — с 450 до 780 тыс. рублей: добавили кэш и логику «данные могут быть неактуальны, уточните у менеджера». Если агент обрабатывает персональные данные клиентов, в смету сразу закладывается контур с ограничением доступа к чувствительным полям — об этом подробнее в материале про AI-агента лингвистической безопасности.

В смете интеграций разумно держать резерв 30% и фиксировать в договоре, что обнаружение недокументированного поведения API — основание для пересмотра сроков, а не для работ «за свой счёт».

Данные и подготовка базы знаний

Подготовка данных — самая недооценённая статья бюджета. Заказчик обычно считает так: есть документы в Confluence, есть регламенты в папке на сервере, есть база обращений в helpdesk — значит, «данные уже есть». Формально есть, практически они не пригодны для агента: дубли, устаревшие версии, сканы без текстового слоя, таблицы с объединёнными ячейками, регламенты 2019 года, отменённые приказом 2023-го.

Разметка и чистка документов занимают 15–25% бюджета проекта. Это не разовая уборка, а полноценный цикл: инвентаризация источников, определение владельца каждого документа, удаление неактуального, разбиение длинных текстов на фрагменты (chunking) с сохранением смысловых границ, ручная проверка выборки. На проекте с базой в 1 500–2 000 документов это в среднем 120–200 человеко-часов аналитика или методолога. При ставке 2 500–4 000 рублей за час выходит 300–800 тыс. рублей — и это только первичная обработка, без поддержки.

Векторная база и RAG-контур (retrieval-augmented generation — генерация с опорой на найденные фрагменты) стоят отдельно: 100–250 тыс. рублей. В сумму входят выбор и настройка векторного хранилища, модель эмбеддингов, логика поиска (гибридный поиск, переранжирование, фильтры по метаданным), тестовый набор вопросов с эталонными ответами. Разброс объясняется объёмом базы и требованиями к точности: система, которая отвечает на 70% вопросов сотрудников, и система, которая отвечает на 95%, — это разные бюджеты. Верхняя граница обычно упирается в настройку переранжирования и работу с «трудными» запросами, где простой поиск по сходству векторов промахивается.

Главный риск не в технологии, а в отсутствии владельца базы знаний. Без человека, который отвечает за актуальность и полноту, качество ответов падает за месяц. Причина простая: документы живут, приказы переписываются, цены меняются, а база остаётся в том виде, в каком её собрали на старте. Агент продолжает уверенно отвечать по устаревшему регламенту, и доверие к нему пропадает быстрее, чем оно формировалось. Восстановление доверия потом стоит дороже, чем регламент обновления с первого дня.

Практика: у клиента из сферы услуг агент отвечал сотрудникам на вопросы по внутренним процессам. Через шесть недель после запуска выяснилось, что 40% ответов ссылаются на версию регламента, заменённую в первый месяц. Технически система работала корректно — искала и находила. Проблема была организационная: не было роли, которая отслеживает изменения. Решение стоило не денег, а процесса — ежемесячная сверка источников, журнал изменений, ответственный в каждом отделе, чьи документы попадают в базу.

Заложите в бюджет не только сборку, но и регламент поддержки: кто обновляет, как часто, как проверяется качество. На горизонте года это 10–15% от стоимости первичной подготовки — но без этих расходов остальные вложения обесцениваются.

Безопасность, право и контур данных

Второй блок расходов, который заказчики часто выносят за скобки, — это то, где физически живут данные и кто их видит. Здесь два принципиально разных сценария, и разница в деньгах кратная.

Облачные API (OpenAI, Anthropic, российские провайдеры) дешевле на старте: платите за токены, не держите инфраструктуру, получаете свежие модели. Локальные модели — развёрнутые на своих серверах или в закрытом контуре — дороже API в 3–5 раз по совокупной стоимости владения. В эту разницу входят GPU-серверы (от 1,5 млн рублей за конфигурацию, способную держать модель уровня 30–70 млрд параметров с приемлемой скоростью), обслуживание, электроэнергия, инженер, который следит за обновлениями и деградацией. Локальный контур выбирают не из любви к контролю, а когда данные нельзя выносить: персональные данные клиентов, медицинская информация, коммерческая тайна с жёстким режимом.

Обезличивание данных — отдельная работа, если API всё-таки допустим. Стоит 80–200 тыс. рублей и включает не только маскирование телефонов и адресов, но и проектирование того, что вообще уходит во внешний сервис. Часто выясняется, что 60–70% запросов не требуют персональных данных вовсе: агенту нужен контекст процесса, а не фамилия клиента. Правильно спроектированный контур отправляет наружу обезличенный фрагмент, а сопоставление с конкретным человеком происходит уже внутри системы. Это дешевле, чем локальная модель, и безопаснее, чем «отправим как есть, авось пронесёт».

Проверка на соответствие 152-ФЗ «О персональных данных» должна проходить до запуска, а не после. Что проверяется: правовые основания обработки, согласия субъектов, перечень обрабатываемых данных, сроки хранения, место хранения (локализация баз данных на территории РФ), модель угроз, назначение ответственного за организацию обработки. Если данные уходят зарубежному провайдеру, добавляется трансграничная передача со своим набором требований и уведомлением Роскомнадзора. Для агента, который работает с обращениями клиентов, это не формальность: при проверке смотрят в том числе на то, куда уходят запросы и сохраняются ли они на стороне провайдера.

Отдельно стоит учесть риски утечки через сам агент — когда он в ответе воспроизводит данные, к которым у сотрудника не должно быть доступа. Это вопрос разграничения прав на уровне поиска, а не только модели. Подходы к защите от таких сценариев разобраны в материале про AI-агент лингвистической безопасности.

Практика: компания запустила агента поддержки на зарубежном API, не проверив, что в промпты попадают номера договоров и суммы. Формально персональных данных не было, но коммерческая тайна — была. Пришлось останавливать проект на три недели, внедрять фильтр на входе и переписывать логирование. Три недели простоя и переделка контура обошлись дороже, чем предварительная проверка.

Заложите в бюджет юридическую и техническую проверку контура как отдельную строку — 100–300 тыс. рублей в зависимости от объёма данных и числа систем-источников. Это дешевле, чем остановка после запуска.

Скрытые расходы, которые всплывают после запуска

Запуск агента в продуктив — это не финиш, а точка, с которой начинается статья расходов, которую редко закладывают в первоначальную смету. Первый год эксплуатации в среднем по рынку добавляет 30–50% к стоимости разработки, и большая часть этих денег уходит не на код.

Мониторинг качества ответов требует отдельной роли. Агент, работающий с клиентами или внутренними заявками, ошибается не так, как ошибается человек: он ошибается уверенно и одинаково у всех пользователей сразу. Кто-то должен читать логи диалогов, размечать проблемные ответы, вести регрессионные наборы вопросов и прогонять их после каждого изменения промпта или модели. На старте это 15–25 часов в неделю, дальше — от 8 до 12 часов при стабильном потоке. Варианты исполнения: выделенный сотрудник на 0,3–0,5 ставки (в Москве это 40–70 тыс. руб. в месяц с налогами) либо подрядчик на ретейнере (от 60 тыс. руб. в месяц за базовый пакет). Роль нужна постоянно, потому что меняется и модель, и поведение пользователей, и данные, на которых агент работает. Если эту функцию никто не закрывает, деградация качества занимает 4–8 недель, и дальше агент начинает приносить убыток вместо экономии.

Стоимость токенов растёт вместе с числом пользователей. В пилоте на 10 человек расход на API выглядит незаметно — 3–8 тыс. руб. в месяц. На 200 активных пользователей с историей диалога, длинным контекстом и вызовами внешних инструментов счёт вырастает в 15–40 раз. Отдельно считайте: хранение истории диалогов, повторные прогоны при тестировании, фоновые задачи (суммаризация, классификация), ретраи при ошибках. Ретраи — типичная статья перерасхода: при нестабильном внешнем API агент может сделать 3–4 вызова вместо одного, и это не видно в дашборде, пока не придёт счёт. Практика: закладывайте на токены не месячный бюджет пилота, а прогноз на 6 месяцев при целевом числе пользователей, с коэффициентом 1,5 на непредвиденные вызовы.

Доработки после первых недель эксплуатации — 10–20% бюджета. Первые две-четыре недели на реальных данных всегда вскрывают то, чего не было в тестовом наборе: нестандартные формулировки клиентов, новые типы документов, крайние случаи в интеграциях с CRM или 1С. Это не баг разработчика, это нормальная природа задачи. Заложите 10–20% от стоимости разработки на итерации первого месяца: правки промптов, расширение базы знаний, доработка обработки ошибок, настройка эскалации на человека. Если разработка стоила 800 тыс. руб., резерв — 80–160 тыс. руб.

Пример из практики: агент поддержки для интернет-магазина с 40 тыс. обращений в месяц. Смета запуска — 1,1 млн руб. Через месяц эксплуатации добавились: оператор мониторинга на полставки (55 тыс. руб. в месяц), перерасход токенов из-за ретраев (+18 тыс. руб. в месяц к прогнозу) и 140 тыс. руб. на доработку сценариев возврата, которые в пилоте не встречались.

Как считать окупаемость и когда проект не нужен

Окупаемость агента считается не от впечатления на демо, а от часов, которые перестают тратить люди. Всё остальное — производные.

Сравнивайте с фондом оплаты труда на рутинных операциях. Возьмите конкретный процесс: обработка входящих заявок, первичная квалификация лидов, разбор почты, подготовка типовых документов, ответы на повторяющиеся вопросы. Посчитайте: сколько часов в месяц уходит, какая ставка с налогами у исполнителя, какая доля операций действительно типовая. Если менеджер получает 90 тыс. руб. и тратит 40% времени на рутину, которую агент закрывает на 70%, экономия — порядка 25 тыс. руб. в месяц на человека. Дальше умножайте на число людей в процессе. Это и есть знаменатель, с которым сравнивается полная стоимость владения: разработка плюс токены плюс мониторинг плюс доработки.

Считайте срок окупаемости от экономии часов, не от хайпа. Формула простая: полные затраты за 12 месяцев делим на месячную экономию в деньгах. Если внедрение обошлось в 900 тыс. руб., а эксплуатация — 40 тыс. руб. в месяц, годовые затраты — 1,38 млн руб. При экономии 60 тыс. руб. в месяц окупаемость — 23 месяца. Для малого бизнеса это долго; для процесса с высокой нагрузкой и низкой зарплатой исполнителей может выйти 6–9 месяцев. Ориентир по рынку: проекты, которые считаются окупаемыми, выходят на 8–14 месяцев, и в расчёт обязательно включена стоимость мониторинга. Если в вашей модели получилось меньше 6 месяцев, скорее всего, вы забыли про скрытые расходы из предыдущего раздела. Полезно сверить ожидания с тем, что изменилось в применении AI-агентов для малого бизнеса в 2026 году — там собраны реальные сроки и типовые конфигурации.

Не внедряйте агента без чёткого процесса и метрики. Агент автоматизирует то, что уже описано и работает руками. Если процесс не формализован — нет регламента, нет ответственного, нет понимания, что считается правильным результатом, — агент просто ускорит хаос. Перед стартом нужны три вещи:

1. Описанный процесс с шагами и точками принятия решений.
2. Метрика, по которой вы поймёте, стало лучше или хуже: доля решённых без человека обращений, среднее время ответа, стоимость обработки одной заявки.
3. Базовое значение метрики до внедрения — иначе сравнивать не с чем.

Если процесс меняется каждые две недели или объём операций меньше 300–500 в месяц, агент не окупится: затраты на настройку и мониторинг превысят экономию. В таких случаях дешевле регламент и шаблоны ответов.

Автор: Сергей Езепенко, основатель «Системы Поток». Работаю с клиентами с 2018 года, 20 запущенных проектов: стройка, медицина, юруслуги, недвижимость, онлайн-школы.