Сколько стоят ИИ-агенты для бизнеса: тарифы, скрытые расходы и причины неудачных внедрений

С ИИ-агентами сейчас происходит примерно то же, что несколько лет назад происходило с чат-ботами. Компании видят удачные демонстрации, читают о цифровых сотрудниках и начинают примерять технологию на собственный бизнес. Кажется, что достаточно подключить ChatGPT, Claude или Gemini к корпоративным данным, дать системе доступ к CRM — и она сама начнет отвечать клиентам, готовить документы и разбирать рабочую почту.

На первых тестах все действительно может выглядеть именно так. Агент быстро отвечает, уверенно работает с файлами и за несколько минут выполняет задачу, на которую сотрудник потратил бы час. Возникает закономерный вопрос: если подписка на популярный AI-сервис стоит около 20 долларов в месяц, почему бы не автоматизировать с его помощью половину офисной работы?

Проблема в том, что подписка на ChatGPT или Claude и ИИ-агент, встроенный в работу компании, — это совершенно разные по устройству и стоимости решения.

Когда сотрудник пользуется нейросетью вручную, он сам выбирает данные, формулирует запрос, проверяет ответ и решает, что делать дальше. Если результат выглядит подозрительно, человек уточняет вопрос или просто не использует его.

Автоматический агент должен справляться без такой страховки. Он получает заявку, определяет, что от него хотят, находит нужную информацию, обращается к другим системам, выполняет действие и записывает результат. Чем больше самостоятельности ему дают, тем сложнее контролировать не только качество работы, но и расходы.

В одном проекте модель действительно может обходиться компании в несколько десятков долларов в месяц. В другом ежемесячный счет быстро вырастает до нескольких тысяч. И дело обычно не в том, что какой-то сервис слишком дорогой. Разница возникает из-за объема данных, количества обращений к модели, сложности задачи и того, сколько работы после агента остается человеку.

За что платит пользователь ChatGPT, Claude или Gemini

Самый доступный способ использовать ИИ в компании — приобрести обычные подписки для сотрудников.

ChatGPT Plus стоит 20 долларов в месяц, ChatGPT Pro — 200 долларов. Для команд OpenAI предлагает ChatGPT Business: 25 долларов за пользователя при ежемесячной оплате или 20 долларов при оплате за год. Минимальное количество пользователей в Business — два.

У Claude похожая структура. Тариф Pro стоит 20 долларов в месяц либо 200 долларов при оплате за год. Max 5x стоит 100 долларов, Max 20x — 200 долларов. Anthropic объясняет разницу через доступный объем использования: Max 5x дает примерно пятикратную емкость относительно Pro в пределах рабочих сессий, Max 20x — двадцатикратную. Это не означает, что пользователь получает фиксированное число сообщений или абсолютный безлимит.

Google AI Pro в США стоит 19,99 доллара в месяц. В подписку входят расширенный доступ к Gemini, работа с сервисами Google и 5 ТБ облачного хранилища. Google AI Ultra начинается от 99,99 доллара в месяц и предлагает более высокие лимиты, дополнительные инструменты и от 20 ТБ хранилища. Стоимость и состав тарифов могут различаться в зависимости от страны.

Такие подписки не обязательно являются промежуточным решением. Для многих компаний их вполне достаточно.

Предположим, менеджер по продажам готовит с помощью ChatGPT письма, приводит в порядок заметки после встреч и анализирует переписку с клиентами. Маркетолог использует Claude для работы с исследованиями и большими текстами. Руководитель собирает отчеты в Gemini, потому что документы компании хранятся в Google Drive.

В каждом случае человек остается внутри процесса. Он дает системе задание и проверяет результат. Компания получает заметную экономию времени без разработки, интеграций и отдельной инфраструктуры.

Если подписка за 20 долларов экономит специалисту хотя бы два часа в месяц, она уже может окупаться. Поэтому первое знакомство бизнеса с ИИ разумнее начинать именно с такой модели, а не с дорогостоящего проекта по автоматизации целого отдела.

Почему тариф за $20 нельзя подключить к сайту или CRM

Предположим, компания протестировала ChatGPT Plus и решила использовать ту же модель для обработки заявок на сайте. В этот момент часто возникает неверное ожидание: раз ChatGPT стоит 20 долларов в месяц, автоматический консультант будет обходиться примерно в ту же сумму.

Однако подписка ChatGPT Plus оплачивает работу пользователя внутри интерфейса ChatGPT. Она не покрывает запросы, которые поступают через сайт, мобильное приложение, CRM или собственную программу. Для этого используется API, и его работа оплачивается отдельно. То же самое относится к Claude и Gemini.

Это важное различие. В обычном чате стоимость скрыта внутри тарифа. В API учитывается фактический объем работы модели: сколько информации она получила, сколько текста создала, какие дополнительные инструменты использовала.

Один вопрос пользователя не всегда равен одному обращению к нейросети.

Клиент интернет-магазина может написать:

Нужен этот товар в черном цвете, но я не уверен, подойдет ли размер. Посмотрите мои прошлые заказы и скажите, сможете ли доставить его в пятницу.

Для полноценного ответа агенту потребуется разобрать вопрос, найти клиента, запросить историю заказов, проверить размерную сетку, получить остатки, выяснить условия доставки и только после этого написать сообщение. Внешне это один ответ. Внутри — несколько отдельных операций, часть из которых может сопровождаться новым обращением к модели.

Если таких диалогов несколько десятков в день, расходы невелики. Если несколько тысяч — архитектура начинает иметь значение.

Сколько стоит работа модели через API

API обычно тарифицируется по количеству токенов. Токен — это небольшой фрагмент текста. Оплачивается как информация, отправленная модели, так и созданный ею ответ.

Стоимость зависит от модели. Более доступные версии предназначены для массовых и относительно простых задач: классификации обращений, извлечения данных, кратких ответов. Более дорогие лучше справляются со сложным анализом, программированием, большими документами и многошаговой работой.

Например, некоторые модели Gemini для массовых задач стоят от 0,25 доллара за миллион входящих токенов и от 1,50 доллара за миллион исходящих. У более мощных моделей цена может составлять несколько долларов за вход и заметно больше за сгенерированный текст. Кроме того, отдельно может оплачиваться поиск Google, если агент обращается к актуальной информации в интернете.

У Anthropic Claude Sonnet 5 стоит 3 доллара за миллион входящих токенов и 15 долларов за миллион исходящих. Claude Opus 4.8 рассчитан на более сложную работу и стоит 5 долларов за миллион токенов на входе и 25 долларов на выходе. Для еще более ресурсоемких моделей и специальных режимов цена выше.

На первый взгляд суммы выглядят небольшими. И для простого агента они действительно могут быть небольшими.

Допустим, сервис обрабатывает 10 000 заявок в месяц. На одну заявку агент получает около 2 000 токенов и создает ответ объемом 500 токенов. При недорогой модели прямые расходы на генерацию могут исчисляться десятками долларов, а не тысячами.

Но стоит добавить длинную историю переписки, документы, несколько попыток найти ответ и отдельное резюме для CRM, как объем вырастает в несколько раз. Если агент работает с договорами, отчетами или технической документацией, одна операция может включать уже не две тысячи, а десятки или сотни тысяч токенов.

Поэтому цена миллиона токенов сама по себе мало что говорит о будущих расходах. Важнее понимать, сколько данных проходит через модель при выполнении одной реальной задачи.

Почему один ИИ-агент стоит $50 в месяц, а другой — $5 000

Рассмотрим два проекта.

Первая компания хочет распределять входящие заявки. Агент читает короткое сообщение, определяет услугу, извлекает имя и телефон, а затем создает карточку в CRM. Если данных не хватает, заявка уходит менеджеру без обработки.

Здесь почти нет длинного контекста. Агент не ведет переговоры, не принимает финансовых решений и не работает с документами. При нескольких тысячах заявок в месяц модель может стоить совсем немного. Основные расходы придутся на первоначальную настройку и интеграцию с CRM.

Во второй компании агент должен общаться с клиентами интернет-магазина. Он отвечает на вопросы о товарах, проверяет наличие, учитывает прошлые покупки, объясняет правила возврата и выясняет статус доставки. Некоторые диалоги заканчиваются за два сообщения, другие продолжаются двадцать минут. В одном случае достаточно базы знаний, в другом нужно обратиться к складу, службе доставки и истории заказов.

Расходы здесь будут выше не только из-за количества обращений. Агент каждый раз получает больше информации, чаще вызывает инструменты и дольше удерживает историю диалога.

Третий сценарий — анализ договоров. Система получает документ на 50 страниц, сравнивает его с внутренним регламентом, ищет спорные условия и готовит заключение для юриста. Модель может выполнить такую работу значительно быстрее человека, но каждый запрос будет тяжелым. А после обработки понадобится проверка специалиста, поскольку ошибка в договоре стоит намного дороже ошибки в ответе интернет-магазина.

Все три решения называются ИИ-агентами, но сравнивать их по единой средней цене бессмысленно.

Это ориентиры, а не готовый прайс. Реальная стоимость зависит от объема, выбранной модели и устройства самого процесса.

Claude Max за $200 может оказаться дешевле собственного агента

Сумма в 200 долларов за подписку выглядит высокой, особенно на фоне стандартного тарифа за 20 долларов. Но сравнивать ее нужно не с другой подпиской, а со стоимостью рабочего времени.

Предположим, разработчик ежедневно пользуется Claude Code: разбирает чужой код, ищет причины ошибок, готовит тесты и собирает черновые версии новых функций. Если инструмент экономит хотя бы час в день, компания получает около 20 часов высвобожденного времени в месяц.

При стоимости часа разработчика даже в 2 000 рублей эффект составит 40 000 рублей. Подписка Claude Max 20x при таком использовании выглядит вполне оправданно.

При этом компании не нужно создавать собственного агента. Разработчик сам управляет работой, выбирает файлы и проверяет код. Организация платит за профессиональный инструмент, а не за автоматизированный процесс.

Собственная разработка понадобится, если задача должна выполняться без участия специалиста. Например, агент обязан самостоятельно проверять новые изменения в репозитории, заводить задачи, обновлять документацию и сообщать о проблемах. Это уже другой уровень ответственности, интеграций и расходов.

Как считается стоимость агентов в Microsoft Copilot Studio

Microsoft Copilot Studio показывает, насколько условной бывает рекламная цена агентной платформы.

Один пакет стоит 200 долларов в месяц и включает 25 000 Copilot Credits. Кредиты расходуются на работу агента, причем разные операции имеют разную стоимость. Итог зависит от модели, объема контекста, вызовов инструментов и продолжительности выполнения задачи.

Пакет за 200 долларов не означает, что агент сможет без ограничений обслуживать всех сотрудников или клиентов компании.

Допустим, один диалог расходует восемь кредитов. Пакета хватит примерно на 3 125 таких диалогов. Если компания получает 15 000 обращений в месяц, потребуется около пяти пакетов, то есть уже 1 000 долларов.

Если агент использует корпоративный поиск, выполняет длинные задачи или активно обращается к внешним системам, расход кредитов будет выше. Неиспользованная емкость предоплаченного пакета при этом не переносится на следующий месяц.

Система по-прежнему может быть выгодной. Если она снимает значительную часть нагрузки с поддержки или внутреннего сервисного отдела, несколько пакетов обойдутся дешевле дополнительных сотрудников. Но оценивать проект по стартовой цене в 200 долларов нельзя.

Где расходы начинают расти быстрее всего

Самая заметная статья расходов — далеко не всегда сама модель.

На тестировании агент работает с несколькими документами и десятком подготовленных вопросов. После запуска к нему приходят реальные пользователи. Они пишут с ошибками, смешивают несколько тем в одном сообщении, ссылаются на старые договоренности и ожидают, что система сама разберется в ситуации.

Чтобы ответить, агенту приходится загружать историю общения, искать документы и несколько раз проверять результат. Короткий сценарий превращается в длинный.

Особенно дорого обходится неразборчивое отношение к контексту. Некоторые системы при каждом запросе передают модели всю историю клиента, полную инструкцию и большой фрагмент базы знаний. Агенту может быть нужен один абзац, но он снова получает десятки страниц.

Вторая проблема — попытка использовать самую мощную модель для любой операции. Сложная модель оправданна, когда нужно анализировать договор, разбираться в неоднозначной ситуации или писать код. Определять категорию обращения, извлекать номер заказа и проверять формат телефона с ее помощью нет смысла.

Третья причина — повторные действия. Агент не находит ответ, пробует другой запрос, возвращается к предыдущему шагу, снова обращается к базе и только потом передает задачу человеку. Пользователь видит одно сообщение об ошибке, а система успевает потратить ресурсы на длинную цепочку безрезультатных операций.

Проблема решается не поиском самой дешевой нейросети, а грамотным устройством процесса. Простые действия выполняются правилами или доступной моделью. Более сложная подключается только там, где без нее действительно нельзя обойтись. Количество попыток ограничивается, а длинные документы не отправляются целиком без необходимости.

Почему успешный тест еще ничего не доказывает

На демонстрации ИИ-агент почти всегда выглядит убедительно. Разработчики знают, какие вопросы ему зададут, используют подготовленные документы и не показывают ситуации, для которых еще не написана логика.

В реальной работе все устроено иначе.

Агенту поддержки задают вопрос о товаре, которого нет в базе. В CRM находятся две карточки одного клиента. Внутренняя инструкция противоречит информации на сайте. Склад отвечает с задержкой. Человек сначала спрашивает о возврате, затем меняет тему и просит изменить адрес доставки.

Каждое такое отклонение требует отдельного решения. Если система не уверена в ответе, она должна корректно передать разговор сотруднику. Если она собирается изменить заказ или отправить документ, может понадобиться дополнительное подтверждение.

На этом этапе часто выясняется, что агент не заменил работу, а добавил новый слой проверки.

Например, компания внедрила систему для подготовки коммерческих предложений. Раньше менеджер тратил на документ 40 минут. Агент создает черновик за две минуты, но сотрудник еще полчаса сверяет цены, исправляет характеристики и приводит текст в порядок.

Формально время сократилось. Фактически компания сэкономила восемь минут на одном предложении. Если таких документов немного, расходы на разработку и поддержку могут не окупиться.

Именно поэтому Gartner еще в 2024 году прогнозировал, что не менее 30% проектов генеративного ИИ будут закрыты после тестирования из-за проблем с данными, слабого контроля рисков, растущих расходов или непонятной пользы для бизнеса. Для агентных проектов прогноз еще жестче: более 40% инициатив могут быть отменены к концу 2027 года.

Это не означает, что почти половина ИИ-агентов обязательно провалится. Прогноз показывает другое: компании нередко начинают разработку раньше, чем понимают, какую именно работу должна снять система и как будет измеряться результат.

Почему хорошие модели не спасают плохие процессы

Компания может выбрать ChatGPT, Claude или Gemini последнего поколения, но качество модели не исправит беспорядок внутри бизнеса.

Представим отдел продаж, где менеджеры по-разному ведут CRM. Один записывает договоренности в комментарии, другой хранит их в мессенджере, третий не обновляет карточку сделки неделями. Цены находятся в нескольких таблицах, а индивидуальные условия согласовываются устно.

Если подключить к такой системе агента, он не получит единого источника правды. В одной карточке будет старая цена, в другой не окажется телефона, а в переписке найдется обещание, которого нет в CRM.

ИИ не наведет порядок сам. Он лишь быстрее обработает имеющийся хаос и иногда будет уверенно выдавать неверный результат.

До автоматизации приходится договариваться о более скучных вещах: где хранятся актуальные данные, кто отвечает за их обновление, какие действия можно выполнять автоматически, а какие требуют подтверждения.

Нередко после такого разбора выясняется, что искусственный интеллект нужен только на одном участке. Например, для понимания свободного текста клиента. Все остальное проще и надежнее сделать обычными средствами CRM.

Это не компромисс и не признак слабого проекта. Наоборот, самые устойчивые решения обычно сочетают ИИ и привычную автоматизацию. Модель разбирает письмо, извлекает смысл и подготавливает данные. Дальше система действует по четким правилам.

Когда агент действительно экономит деньги

Высокая стоимость сама по себе не делает проект невыгодным.

Предположим, система анализирует договоры и обходится компании в 500 рублей на документ с учетом модели, инфраструктуры и первичной проверки. Юрист тратил на ту же работу два часа, а его полная стоимость для компании составляет 3 000 рублей в час.

Даже если после агента специалисту требуется 20 минут на проверку, расходы заметно сокращаются. Система стоит 500 рублей, проверка — еще 1 000 рублей. Вместо 6 000 рублей компания тратит около 1 500.

В поддержке расчет будет другим. Если агент стоит 40 рублей за диалог, но оператор обходился компании в 35 рублей, экономии нет. Она появится, только если ИИ ускорит обслуживание, увеличит число решенных вопросов или позволит работать ночью без расширения штата.

Для продаж важна не только экономия рабочего времени. Быстрый ответ на новую заявку может повысить вероятность контакта с клиентом. В таком случае агент приносит пользу через дополнительную выручку, а не через сокращение расходов.

Поэтому стоимость ИИ-агента всегда нужно сравнивать со стоимостью проблемы, которую он решает.

Три примера с разной экономикой

Распределение обращений между отделами

Компания получает 8 000 заявок в месяц. Сотрудник читает каждую, определяет тему и направляет нужному специалисту. На это уходит в среднем две минуты.

Общая нагрузка составляет около 267 часов в месяц. Если час работы обходится компании в 700 рублей, ручная обработка стоит примерно 187 000 рублей.

Агент может выполнять такую задачу недорогой моделью. Допустим, эксплуатация, сервер и контроль обходятся в 30 000 рублей в месяц. Даже если 10% спорных обращений останутся у человека, проект способен давать заметную экономию.

Консультант интернет-магазина

Магазин получает 20 000 диалогов. Половина вопросов касается наличия, доставки и возврата. Остальные требуют помощи оператора.

Если агент самостоятельно закрывает 40% обращений, он снимает с поддержки 8 000 диалогов. Но считать нужно не количество отправленных сообщений, а именно число вопросов, решенных без сотрудника.

Допустим, модель и инфраструктура стоят 200 000 рублей в месяц. Если обработка этих же обращений операторами обходилась дешевле, проект не окупается. Если агент позволяет не расширять штат в высокий сезон и отвечает круглосуточно, результат может быть положительным даже при такой цене.

Проверка договоров

Компания получает 2 000 документов в месяц. Первичная проверка занимает у юриста 40 минут. После внедрения агент готовит разбор, а специалист проверяет его за 15 минут.

Компания экономит 25 минут на документе, то есть более 830 часов в месяц. Даже достаточно дорогая модель и защищенная инфраструктура могут окупаться при таком объеме.

В этом случае главная ценность агента — не замена юриста, а сокращение времени на повторяющуюся работу.

Что стоит просчитать до начала разработки

Для предварительной оценки не нужна сложная финансовая модель. Достаточно честно описать текущую работу.

Сколько раз в месяц выполняется операция? Сколько времени она занимает? Как часто сотрудники ошибаются или переделывают результат? Что происходит, если задача выполнена слишком медленно? Какую часть работы можно передать системе без риска для клиента и компании?

После этого оценивается будущий сценарий. Не абстрактная способность модели выполнить задачу на тесте, а то, сколько случаев она сможет обработать самостоятельно в обычной работе.

Полезно заранее определить четыре показателя:

Допустим, агент обрабатывает заявку за 10 рублей, но менеджер тратит еще пять минут на проверку. При стоимости часа в 1 200 рублей человеческий контроль добавляет к каждой заявке еще 100 рублей.

Реальная цена составляет не 10, а 110 рублей.

Именно на таких расчетах чаще всего рушится первоначальная оценка. Во время презентации показывают стоимость модели. После запуска компания обнаруживает, что основная часть расходов находится вокруг нее.

Когда достаточно обычной подписки

Не стоит создавать отдельного агента только потому, что технология это позволяет.

Для небольшой компании подписка ChatGPT Plus, Claude Pro или Google AI Pro часто дает большую часть доступного эффекта без серьезных затрат. Сотрудники могут быстрее готовить документы, разбирать таблицы, искать информацию и работать с текстами.

Такой подход особенно разумен, когда задачи сильно различаются и требуют человеческого решения. Руководитель сам понимает, какие данные можно передать модели. Юрист выбирает нужный договор. Маркетолог оценивает, пригоден ли результат для публикации.

Автоматический агент имеет смысл там, где процесс повторяется, выполняется по понятным правилам и создает заметную нагрузку. Например, ежедневно приходят сотни заявок, документов или обращений, которые нужно разбирать одинаковым способом.

Если задача возникает несколько раз в неделю, разработка, скорее всего, не нужна. Проще дать сотруднику подходящий инструмент и посмотреть, сколько времени он действительно экономит.

Как не потерять контроль над расходами

Расходы на ИИ можно ограничивать так же, как расходы на рекламу или облачные сервисы.

Для каждого сценария устанавливается допустимое число обращений к модели. Если агент не решил задачу после двух или трех попыток, она передается человеку. Для простой классификации используется доступная модель, для сложных случаев — более мощная.

Длинные инструкции и документы кешируются или разбиваются на фрагменты. В модель отправляется только информация, которая относится к конкретному вопросу.

Отдельно отслеживаются дорогие операции. Если общий счет вырос, компания должна видеть причину: стало больше обращений, увеличилась длина диалогов, агент чаще использует поиск или не может завершить определенный сценарий.

У API-платформ обычно предусмотрены ограничения расходов и частоты запросов. Например, Anthropic разделяет месячные лимиты затрат и технические ограничения на количество запросов. Компания также может задавать собственные лимиты для рабочих пространств.

Без такой аналитики общий счет почти бесполезен. Он показывает, сколько денег потрачено, но не объясняет, какая часть агента приносит пользу.

Когда лучше обойтись без ИИ

Иногда задача выглядит подходящей для агента только потому, что в ней много ручной работы.

Например, сотрудник переносит данные из одной системы в другую, отправляет письмо после смены статуса или рассчитывает скидку по установленной формуле. Здесь не требуется понимание языка или анализ контекста. Обычная автоматизация будет дешевле, быстрее и предсказуемее.

ИИ полезен там, где приходится иметь дело с неструктурированной информацией: письмами, документами, звонками, свободными комментариями клиентов. Он может понять смысл сообщения, извлечь важные данные, составить резюме или предложить вариант ответа.

После этого дальнейшие действия лучше по возможности выполнять по четким правилам.

Например, модель определяет, что клиент хочет вернуть товар. Система проверяет дату покупки и условия возврата. Если требования выполнены, создается заявка. Если нет — вопрос передается оператору.

Такое решение обычно надежнее агента, которому просто дали доступ ко всем системам и поручили самостоятельно решить проблему.

С чего начинать компании, которая хочет внедрить ИИ-агента

Начинать стоит не с выбора между ChatGPT, Claude и Gemini.

Сначала нужно найти участок работы, где есть понятный объем и заметные потери времени или денег. Затем проверить, может ли ИИ выполнить хотя бы часть операции на реальных данных.

Хорошая первая задача обычно достаточно узкая. Например, разобрать входящую заявку, подготовить черновик ответа, извлечь данные из документа или найти нужную информацию для сотрудника.

На этом этапе агенту не обязательно давать право самостоятельно отправлять письма, менять заказы или принимать финансовые решения. Сначала он может работать в режиме помощника: готовить результат, который проверяет человек.

Через несколько недель становятся видны реальные цифры. Сколько задач агент обработал правильно, где ошибался, сколько времени заняла проверка, сколько стоила модель. После этого можно решить, какие действия безопасно автоматизировать полностью.

Такой подход не выглядит столь эффектно, как обещание заменить цифровыми сотрудниками целый отдел. Зато компания быстро понимает, есть ли в проекте практический смысл.

Как выбрать между ChatGPT, Claude, Gemini и Copilot

Выбор зависит не только от качества модели.

ChatGPT удобен как универсальный рабочий инструмент. Он подходит компаниям, которым нужен один сервис для текстов, файлов, исследований, изображений и программирования. Business добавляет корпоративное пространство и управление пользователями.

Claude часто выбирают для больших документов, аналитической работы и разработки. Тарифы Max оправданы для специалистов, которые используют Claude постоянно, а не несколько раз в неделю.

Gemini особенно логичен для компаний, работающих в Google Workspace. Доступ к Gmail, Docs, Drive и NotebookLM может оказаться важнее небольшой разницы в ответах между моделями.

Microsoft Copilot и Copilot Studio лучше всего вписываются в инфраструктуру, построенную вокруг Microsoft 365, Teams, SharePoint и Power Platform. При этом стоимость агентных сценариев нужно считать по кредитам и фактической нагрузке.

Прежде чем выбирать сервис, полезно протестировать одну и ту же рабочую задачу в нескольких моделях. Разница проявляется не в абстрактных рейтингах, а на конкретных данных компании.

Почему цена подписки почти ничего не говорит о цене внедрения

ChatGPT Plus и Claude Pro стоят 20 долларов. Это делает сильные модели доступными практически любой компании. Но цена готового ИИ-агента определяется не стоимостью подписки.

На нее влияют данные, интеграции, количество операций, контроль и последствия ошибок. Простой сортировщик заявок может работать почти незаметно для бюджета. Агент, который ведет переговоры, проверяет документы и изменяет данные в корпоративных системах, потребует значительно больше ресурсов.

Из-за этого один проект окупается за несколько месяцев, а другой годами остается экспериментом, которым пользуются несколько сотрудников.

Разница обычно видна еще до разработки. Нужно понять, сколько стоит существующая работа, какую ее часть можно передать системе и сколько человеческого контроля останется после внедрения.

В Полиганте мы начинаем именно с разбора процесса. Сначала определяем задачу, объем работы и показатели, которые должны измениться. Затем выбираем модель, способ интеграции и допустимый уровень самостоятельности агента.

В некоторых случаях бизнесу действительно нужен отдельный ИИ-агент. В других достаточно подписки на ChatGPT или Claude. А иногда лучший вариант — обычная автоматизация без нейросети.

Задача внедрения не в том, чтобы добавить ИИ в как можно больше процессов. Он должен сокращать расходы, ускорять работу или приносить дополнительную выручку. Если этого нельзя показать в цифрах, даже самый современный агент останется дорогим экспериментом.