Заказная ИИ-разработка позволяет создавать системы искусственного интеллекта под конкретные бизнес-процессы: анализировать документы, обрабатывать обращения, оценивать кандидатов, генерировать контент и автоматизировать операции в корпоративных системах.
На этапе прототипа всё может выглядеть просто: подключили языковую модель через API, передали данные и получили результат. Но при переходе к реальной эксплуатации появляются ограничения. Внешняя система не позволяет загрузить все данные, модель искажает характеристики продукта, а ИИ-агенту приходится обращаться сразу к нескольким корпоративным сервисам.
Именно такие особенности определяют архитектуру, стоимость и сроки заказной разработки ИИ-систем. Разберём три проекта SVK.Digital с разными инженерными ограничениями и посмотрим, из чего складывается бюджет ИИ-разработки для бизнеса.
Когда бизнесу нужна заказная ИИ-разработка
Для отдельных задач достаточно готового ИИ-сервиса. Сотрудник загружает документ, задает вопрос нейросети, проверяет результат и использует его в работе.
Потребность в заказной разработке возникает, когда искусственный интеллект становится частью бизнес-процесса. Системе нужно самостоятельно получать данные, учитывать корпоративные правила, взаимодействовать с CRM, ERP, 1С и другими сервисами, сохранять результаты и обрабатывать ошибки.
В зависимости от задачи компания может заказать разработку:
- - Корпоративных ИИ-ассистентов и RAG-систем для поиска информации в документах и базах знаний.
- - ИИ-агентов и мультиагентных систем для выполнения последовательности операций в корпоративных сервисах.
- - Систем анализа и обработки данных для классификации обращений, анализа документов и прогнозирования.
- - ML-систем и компьютерного зрения для распознавания, контроля качества и обработки изображений.
- - Генеративных ИИ-сервисов для автоматизации производства контента и других процессов.
В таких проектах языковая модель обычно выполняет отдельную функцию внутри более крупной системы. Вокруг неё необходимо разработать бизнес-логику, интеграции, пользовательские интерфейсы и механизмы контроля.
Насколько сложной получится система, во многом зависит от ограничений существующего ИТ-ландшафта компании.
Три проекта заказной ИИ-разработки: реальные задачи и инженерные решения
На практике сложность ИИ-проектов хорошо проявляется при интеграции с корпоративными системами. Даже когда модель справляется с основной задачей, ограничения внешних сервисов или требования к результату способны изменить первоначальную архитектуру.
Рассмотрим три проекта SVK.Digital.
HR-платформа: когда внешний API ограничивает возможности ИИ
В HR-отделе SVK.Digital на одну вакансию поступало больше 600 откликов. Значительная часть кандидатов не соответствовала требованиям, но рекрутерам всё равно приходилось открывать каждое резюме, изучать опыт, проверять навыки и искать стоп-факторы.
Даже при минимальных 30 секундах на анкету первичный разбор 500 откликов занимал больше четырёх часов.
Мы начали с прототипа, собранного с помощью инструментов вайбкодинга. Он подтвердил гипотезу: языковая модель способна сопоставлять резюме с требованиями вакансии и ранжировать кандидатов.
Затем разработали полноценную HR-платформу с интеграцией HeadHunter, настройками скоринга, историей оценок и интерфейсом для ежедневной работы.
Главная сложность оказалась в получении исходных данных
Для анализа модели требуется полное резюме: опыт, образование, навыки, предыдущие места работы. Но HeadHunter учитывает получение резюме через API как обычный просмотр. В используемой схеме интеграции один аккаунт работодателя мог открыть максимум 500 анкет в сутки.
Возникло ограничение: на вакансию пришло больше 600 откликов, а загрузить их все за один день система не могла. Производительность языковой модели здесь ничего не меняла — лимит находился на стороне внешнего сервиса.
При разработке пришлось учитывать это ограничение в логике приложения.
Перед синхронизацией платформа предупреждает HR о суточном лимите. Загруженные резюме сохраняются внутри системы, поэтому их можно анализировать повторно без нового обращения к HeadHunter.
Это важно, поскольку требования вакансии могут меняться. Рекрутер уточняет критерии, меняет веса и пересчитывает рейтинг уже загруженных кандидатов. Повторное получение сотен анкет для этого не требуется.
Второй задачей стала прозрачность оценки
Для каждой вакансии HR задаёт обязательные и желательные требования, стоп-факторы и вес отдельных критериев. Система передаёт языковой модели описание вакансии, резюме и параметры оценки.
Модель рассчитывает рейтинг соответствия от 0 до 100% и объясняет его по каждому критерию. Рекрутер видит, почему кандидат получил конкретную оценку, какие требования выполнены и где информации недостаточно.
Это позволяет избежать ситуации, когда высокий рейтинг выглядит убедительно, но его невозможно объяснить. Окончательное решение о кандидате остаётся за специалистом.
Результат: платформа приоритизирует отклики, и HR начинает ручную работу с 10–15% наиболее подходящих резюме. Стоимость автоматического анализа одного кандидата составляет примерно 1–5 рублей.
Для 600 анкет расходы непосредственно на ИИ-скоринг составят 600–3000 рублей без учёта разработки, инфраструктуры и сопровождения.
Этот проект показывает, как ограничения внешнего API влияют на архитектуру ИИ-системы. Даже мощная языковая модель зависит от доступности исходных данных и правил работы корпоративных интеграций.
Подробнее — в кейсе HR-платформы с ИИ-скорингом кандидатов.
Генеративный ИИ: как сохранить геометрию товара и встроить результат в PIM
В другом проекте мы автоматизировали подготовку изображений для производителя с сотнями товарных позиций.
После разработки новой модели изделия компания получала исходный рендер из 3ds Max. Затем дизайнеру передавали техническое задание на дополнительные изображения: изделие в интерьере при дневном и вечернем освещении, крупные планы креплений, отдельных деталей и другие ракурсы.
Подготовка занимала несколько дней. Готовые изображения загружали в PIM-систему для дальнейшего распространения по каналам продаж.
На первый взгляд, задача хорошо подходит для генеративного ИИ. Достаточно передать модели исходное изображение и попросить создать несколько интерьерных сцен.
Но для производителя важно сохранить реальные характеристики товара.
Например, генеративная модель может создать красивую сцену со светильником, одновременно изменив форму корпуса, расположение линзы или конструкцию потолочного крепления. Для товарного каталога такой результат непригоден: изображение должно соответствовать изделию, которое получит покупатель.
Главная инженерная задача заключалась в управляемой генерации с сохранением геометрии изделия
Мы разработали сервис на базе Stable Diffusion и ControlNet, интегрированный в производственный процесс клиента.
Система получает исходный рендер и автоматически создаёт набор изображений по заданным пресетам. Например, дневную и вечернюю интерьерные сцены или крупные планы отдельных элементов.
Для контроля результатов внедрена автоматическая проверка консистентности. Затем изображения тегируются и передаются в PIM-систему, откуда поступают в другие каналы.
Таким образом, ИИ участвует в последовательном производственном процессе: от получения исходного изображения до подготовки контента для товарного каталога.
Результат: по данным проекта, полная обработка изделия занимает около 10 минут вместо нескольких дней ручной работы.
На стоимость такой ИИ-разработки влияют требования к точности генерации, разнообразию сценариев, проверке результатов и интеграции с PIM. Чем выше требования к визуальной идентичности товара, тем больше внимания приходится уделять управлению моделью и контролю качества.
Мультиагентная система поддержки: один ответ, несколько корпоративных сервисов
Третий проект связан с автоматизацией второй линии поддержки крупного DIY-ритейлера, обрабатывающей сотни тысяч обращений в месяц.
Значительная часть запросов была типовой, но оператору приходилось вручную собирать информацию из нескольких систем. Он изучал тикет и переписку с первой линией, открывал CRM, историю заказов, биллинг, складскую систему, логистику и программу лояльности.
Затем находил нужный регламент в базе знаний и готовил ответ клиенту.
На обработку одного обращения уходило 10–20 минут. При сотнях тысяч тикетов даже небольшое сокращение времени на один запрос могло существенно повлиять на загрузку поддержки.
Мы разработали мультиагентную ИИ-систему, которая автоматизирует сбор контекста и подготовку ответа.
Архитектура разделяет процесс на несколько этапов
Первый агент классифицирует обращение по многоуровневой матрице сценариев, определяя тему, подтему и тип запроса.
Затем система получает необходимые сведения из корпоративных источников: данные клиента, историю заказов, информацию о доставке, расчётах и других операциях.
Отдельный RAG-контур ищет подходящие правила и инструкции в корпоративной базе знаний. Основной агент получает собранные сведения и формирует ответ с учётом регламентов и правил коммуникации.
Оператору остаётся проверить результат, при необходимости скорректировать его и отправить клиенту.
Почему для такой задачи важна архитектура
Представим обращение: покупатель спрашивает, почему заказ задерживается и когда его доставят.
Системе необходимо определить тип запроса, найти заказ, получить актуальный статус доставки и проверить условия обслуживания. Каждый этап зависит от отдельного источника данных.
Если CRM доступна, а логистическая система временно не отвечает, агент получает неполную информацию. Для корректной обработки необходимо предусмотреть ограничения на выводы модели и возможность передачи обращения оператору.
Разделение процесса между компонентами позволяет также понять, где возникла ошибка: при классификации, получении данных, поиске регламента или генерации ответа.
Такие сценарии требуют управления состояниями, обработки исключений, журналирования и контроля действий агентов. Именно эти механизмы определяют устойчивость мультиагентной системы при реальной нагрузке.
Результат: система готовит ответ на типовое обращение за секунды вместо 10–20 минут ручного сбора информации и написания текста. Оператор сохраняет контроль над отправкой.
Для оценки фактической экономии при эксплуатации дополнительно необходимо измерять долю успешно обработанных обращений, время проверки и частоту возврата к ручной работе.
Из чего складывается стоимость заказной ИИ-разработки
Стоимость разработки искусственного интеллекта на заказ зависит прежде всего от объёма работ вокруг модели: количества интеграций, сложности бизнес-логики, состояния данных и требований к безопасности и надёжности.
Два ИИ-ассистента с похожими интерфейсами могут потребовать совершенно разных бюджетов.
Первый отвечает сотрудникам на вопросы по небольшой базе документов. Второй получает данные из ERP и CRM, учитывает права пользователей, выполняет операции во внешних системах и сохраняет историю действий.
Во втором случае значительно увеличивается объём аналитики, интеграционной разработки и тестирования, хотя внешне интерфейсы могут почти не отличаться.
Основные составляющие бюджета:
Аналитика и архитектура. Объём работ зависит от сложности бизнес-процессов, существующих ограничений, количества пользовательских сценариев и критериев качества будущей системы. На этом этапе определяются требования и проектируется архитектура решения.
Интеграции и подготовка данных. Стоимость зависит от количества подключаемых систем, особенностей их API, требований к синхронизации информации и обработке ошибок. Чем сложнее взаимодействие между источниками данных, тем больше усилий требуется на разработку и тестирование.
ИИ-компоненты. В зависимости от задачи система может использовать LLM, RAG, ИИ-агентов и ML-модели. На трудозатраты влияют выбор и настройка моделей, управление их взаимодействием и контроль результатов.
Бизнес-логика и интерфейсы. Разработка включает пользовательские роли, состояния операций, правила выполнения действий и необходимые проверки. Сложность определяется количеством сценариев и требованиями к управляемости процесса.
Инфраструктура и безопасность. На стоимость влияют размещение моделей в облаке или локальном контуре, разграничение прав доступа, мониторинг и требования к отказоустойчивости.
Тестирование и запуск. Необходимо проверить качество результатов, поведение системы в нестандартных ситуациях, устойчивость под нагрузкой и готовность к дальнейшему сопровождению.
При оценке стоимости важно разделять прототип и промышленную систему.
Прототип проверяет техническую гипотезу на ограниченном наборе данных. Например, может ли языковая модель корректно оценивать резюме или находить информацию в корпоративных документах.
Рабочая система должна получать актуальные данные, учитывать права доступа, обрабатывать сбои и обеспечивать предсказуемое выполнение процесса. Поэтому успешный пилот ещё не означает, что основная часть разработки завершена.
Переход к промышленной эксплуатации может потребовать значительного объёма дополнительных работ.
Сколько стоит заказная ИИ-разработка в рублях? Без описания процесса, требований и интеграций точную стоимость определить невозможно. Подготовить обоснованную смету позволяет предварительная аналитика: состав системы, ограничения, этапы разработки и предполагаемые расходы на эксплуатацию.
Сколько стоит эксплуатация ИИ-системы
Стоимость создания системы — только часть затрат. После запуска компания оплачивает использование моделей, инфраструктуру, сопровождение и дальнейшее развитие.
Особенно важно учитывать экономику ИИ-агентов. Один пользовательский запрос может запускать несколько обращений к языковым моделям и внешним API. Если агент повторяет операции или выполняет дополнительные шаги, расходы увеличиваются.
Поэтому для оценки экономики полезно считать стоимость успешно выполненной операции, включая повторные запросы, ошибки и ручные проверки.
Рассмотрим условный пример.
Компания сравнивает две модели для автоматизации обработки обращений.
Первая модель стоит 10 рублей на запрос, но требует ручного исправления результата только в 2% случаев. Вторая обходится в 3 рубля, однако доля исправлений достигает 12%.
Если исправление одной ошибки сотрудником стоит 150 рублей, средняя стоимость операции составит:
Модель А. Стоимость одного вызова составляет 10 рублей, а ручное исправление требуется в 2% случаев. Средние затраты на исправления составляют 3 рубля на обращение. Таким образом, общая стоимость операции — 13 рублей.
Модель Б. Стоимость вызова составляет 3 рубля, но ручное исправление требуется в 12% случаев. Средние затраты на исправления достигают 18 рублей на обращение, а общая стоимость операции — 21 рубль.
Пример условный, но демонстрирует важную зависимость: дешёвая модель может увеличивать совокупные расходы из-за более частых ошибок.
В сложных системах расходы можно оптимизировать с помощью маршрутизации запросов, ограничения числа агентных шагов и сокращения повторных операций. При этом необходимо контролировать качество результата.
Подробнее об этих механизмах — в статье AI FinOps: как контролировать расходы на ИИ-агентов и LLM.
От прототипа к промышленной ИИ-системе
Заказная разработка ИИ обычно проходит несколько этапов, но их состав и продолжительность зависят от сложности проекта.
1. Анализ бизнес-процесса. Определяем текущие операции, источники данных, стоимость ручной работы, ограничения внешних систем и критерии успешной автоматизации.
2. Прототип и проверка гипотезы. На реальных данных проверяем, способна ли модель обеспечить необходимое качество. Оцениваем частоту ошибок, скорость и примерную стоимость выполнения задачи.
3. Архитектура и разработка. Реализуем интеграции, бизнес-логику, интерфейсы, права доступа, управление состояниями и механизмы обработки исключений.
4. Тестирование и эксплуатация. Проверяем систему на контрольных сценариях, отслеживаем качество, расходы и ошибки после запуска.
Для корпоративных ИИ-систем важно заранее определить границы автономности. Например, агент может самостоятельно собрать данные и подготовить документ, но его отправка или изменение финансовых сведений потребует подтверждения сотрудником.
Отдельно выбирается способ размещения модели. Облачные LLM через API позволяют быстрее запускать новые сценарии. Локальные модели дают больше контроля над инфраструктурой и размещением данных, но требуют вычислительных ресурсов и сопровождения.
RAG-системы помогают организовать поиск по корпоративным документам и передавать актуальную информацию модели. Эти подходы можно комбинировать в зависимости от требований проекта.
Частые вопросы о заказной ИИ-разработке
Нужно ли обучать собственную модель для разработки ИИ-системы?
Во многих корпоративных задачах достаточно готовых LLM и ML-моделей, подключённых через API или развёрнутых локально. Для работы с внутренними знаниями часто применяется RAG. Дополнительное обучение модели рассматривается, когда готовые решения не обеспечивают необходимое качество.
Какие бизнес-процессы выгоднее автоматизировать с помощью ИИ?
В первую очередь стоит рассматривать повторяющиеся операции с большим объёмом данных и существенными трудозатратами: обработку документов, поддержку клиентов, анализ обращений, подготовку контента и первичный скоринг. Экономическую эффективность необходимо оценивать по стоимости всего процесса и качеству результата.
Можно ли начать разработку с небольшого пилота?
Да. Пилот позволяет проверить реализуемость задачи и качество модели на ограниченном наборе сценариев. При планировании дальнейшей разработки важно отдельно учитывать интеграции, безопасность, управление ошибками и эксплуатационные расходы.
Как выбрать подрядчика для заказной ИИ-разработки?
Полезно изучить реальные проекты и выяснить, как команда решала проблемы интеграций, качества данных, ограничений API и отказоустойчивости. На предварительной встрече стоит обсудить архитектуру, критерии приёмки, стоимость эксплуатации и порядок передачи системы заказчику.
Что учитывать перед началом ИИ-проекта
Опыт трёх проектов показывает, насколько разными бывают инженерные ограничения заказной ИИ-разработки.
В HR-платформе одним из ключевых факторов стал лимит HeadHunter на получение резюме. При автоматизации товарного контента потребовалось сохранять геометрию изделия и передавать изображения в PIM. В мультиагентной поддержке основная сложность заключалась в сборе данных из нескольких корпоративных систем и управлении последовательностью операций.
Поэтому оценку ИИ-проекта стоит начинать с конкретного процесса: какие действия нужно автоматизировать, где находятся данные, какие ограничения существуют и сколько будет стоить эксплуатация будущей системы.
Мы в SVK.Digital специализируемся на заказной ИИ-разработке и интеграции искусственного интеллекта в бизнес-процессы компаний. Уже есть потребность в ИИ-зации или пока не знаете с чего начать? Свяжитесь с нами! На встрече с пресейл-инженером и аналитиком разберем вашу задачу, оценим технические ограничения и определим состав работ для пилота или полноценной системы.
