Сколько стоит ИИ-ассистент по базе знаний в 2026 году

Из чего складывается цена ИИ-ассистента

Когда мне пишут «сколько стоит ИИ-ассистент по базе знаний», я отвечаю двумя встречными вопросами: на каких документах он должен работать и куда его нужно встроить. Без этих ответов любая цифра — пальцем в небо. Но вилку назвать можно, и в этой статье я разберу, из чего она складывается, что входит в 100–250 тыс. ₽ внедрения под ключ, какие расходы появятся после запуска и как прикинуть, окупится ли это у вас.

Цена ассистента зависит от пяти вещей. Перечислю их в порядке влияния на смету — по моему опыту, а не по тому, о чём спрашивают чаще всего.

1. Объём и формат базы знаний

Тридцать аккуратных PDF с регламентами и две тысячи страниц в Confluence, половина из которых устарела, — это разные проекты. Сканы без текстового слоя, таблицы Excel с объединёнными ячейками, переписка в чатах вместо документации, три версии одного прайса — каждая такая особенность добавляет часы на подготовку данных. На практике подготовка базы занимает от трети до половины бюджета внедрения, и это самая недооценённая статья.

2. Число каналов

Один виджет на сайте — просто. Telegram для клиентов, виджет на сайте, внутренний бот для сотрудников и ещё WhatsApp — каждый канал добавляет свою авторизацию, свои форматы сообщений, свои лимиты и свой набор тестов. Логика ответов общая, обвязка — своя.

3. Интеграции

Ассистент, который только отвечает по документам, — базовый вариант. Как только он должен посмотреть статус заказа в CRM, остатки в 1С или заявку в сервис-деске, появляется работа с API, права доступа и обработка ошибок на стороне внешней системы. Если же ассистент должен не читать, а менять данные — заводить сделку, формировать документ, — это уже ИИ-агент, и о разнице я написал отдельно: ИИ-агент или ИИ-ассистент.

4. Выбор модели

Облачные модели — GigaChat, YandexGPT, OpenAI, Claude — позволяют стартовать без капитальных затрат: платите за объём обработанного текста. Open-source модели (Llama, Qwen, Mistral) на своём сервере дороже на внедрении, зато данные не покидают ваш контур, а при большом потоке запросов выходит дешевле в долгую. Сама модель в бюджете внедрения — малая часть; её выбор влияет скорее на регулярные расходы и требования к инфраструктуре.

5. Требования к данным

Если в базе знаний персональные данные клиентов, договоры, медицинские записи, выбор модели и хостинга сужается. Добавляется работа по разграничению доступа (менеджер по продажам не должен получать ответ из документа бухгалтерии), иногда — по обезличиванию. Про 152-ФЗ скажу только общую рамку: персональные данные граждан РФ должны обрабатываться на серверах в России, поэтому для таких баз смотрят на отечественные облака или свой сервер. Оценку вашей конкретной ситуации уточните у юриста.

Три сегмента рынка: вилки цен в 2026 году

Рынок ИИ-ассистентов делится на три слоя, и у каждого своя экономика. Цифры ниже — ориентир по рынку 2026 года, каким я вижу его из запросов и переговоров; у конкретного подрядчика они могут отличаться.

SaaS-конструкторы с абонентской платой

Загружаете документы в личный кабинет, получаете виджет или бота. По рынку: 3–30 тыс. ₽ в месяц в зависимости от объёма базы и числа запросов. Плюсы: запуск за день, разработчик не нужен. Минусы: качество поиска и формат ответов настраиваются в пределах того, что предусмотрел вендор; данные хранятся у него; каналы и интеграции — только из его списка. За два-три года абонентская плата сравнивается со стоимостью внедрения под ключ, а системы у вас при этом нет: отменили подписку — ассистент исчез.

Кому подходит: небольшая база из десятков документов, один канал, нет чувствительных данных, хочется попробовать до серьёзных вложений.

Внедрение под ключ у специалиста или небольшой студии

По рынку: 100–300 тыс. ₽ и 2–6 недель. Я работаю именно в этом сегменте: 100–250 тыс. ₽ фикс по договору, 2–5 недель, прототип на ваших документах в первые 1–2 недели. Что получаете: систему, собранную под ваши документы, каналы и правила, исходный код и возможность развивать её дальше самостоятельно или с другим подрядчиком.

Кому подходит: малому и среднему бизнесу, у которого есть реальный поток вопросов, база от сотни документов и понимание, что ассистент будет работать годами.

Агентства и enterprise-интеграторы

По рынку: от 500 тыс. ₽ до нескольких миллионов, 2–6 месяцев. Внутри цены — проектный менеджер, аналитик, команда разработки, документация по ГОСТ, согласования со службой безопасности, SLA с круглосуточной поддержкой. Это оправдано, когда у вас тысячи сотрудников, тендерная процедура, интеграция с СЭД и корпоративным каталогом, а требования безопасности исключают любое облако.

Кому подходит: крупным компаниям, где стоимость согласований выше стоимости разработки.

Что входит в 100–250 тыс. ₽: этапы работ

Расскажу на примере своего процесса, потому что знаю его изнутри. У других специалистов состав похожий, названия этапов отличаются.

Что сдвигает смету к верхней границе: три и больше каналов, разграничение доступа по ролям, интеграция с CRM или 1С, модель на своём сервере, большая база в плохом состоянии. Что держит у нижней: один канал, до 200–300 документов в нормальном виде, облачная модель, без интеграций.

Скрытые и регулярные расходы

Цена внедрения — то, что пишут в договоре. Но ассистент живёт годами, и расходы после запуска важнее, чем кажется на старте. Перечислю все, включая те, что измеряются не в деньгах.

Токены и API

Облачные модели берут плату за объём обработанного текста. У ассистента по базе знаний в каждый запрос уходит и вопрос, и найденные фрагменты документов, поэтому один ответ «весит» заметно больше, чем реплика в обычном чате. Для малого бизнеса с несколькими сотнями или парой тысяч запросов в месяц это в типичном случае от 1 до 10 тыс. ₽ в месяц. При тысячах запросов в день — другой порядок, и тут уже стоит считать свой сервер.

Хостинг

Боту и векторной базе нужен сервер. Для облачной модели хватает VPS за 1–5 тыс. ₽ в месяц. Для своей модели нужен сервер с GPU: аренда — от нескольких десятков тысяч рублей в месяц, покупка — разовая сумма, которая оправдывается при постоянной нагрузке.

Поддержка

Первые три месяца у меня входят в цену. Дальше — от 15 000 ₽ в месяц: мониторинг, обновление библиотек и моделей, донастройка промптов по логам, помощь с новыми документами. Можно и без поддержки — исходники у вас, — но тогда нужен свой человек, который будет это делать.

Обновление базы знаний

Самый недооценённый расход, и он не в деньгах, а в дисциплине. Кто-то в компании должен владеть базой: добавлять новые регламенты, убирать устаревшие, читать вопросы, на которые ассистент не нашёл ответа. По опыту, это 2–4 часа в месяц ответственного сотрудника. Если этого человека нет, через полгода ассистент начинает отвечать по прошлогоднему прайсу.

Замена модели

Облачные модели живут год-два: вендор выпускает новую версию и отключает старую. Обычно переезд — день-два работы, но заложить его в планы стоит заранее.

Время вашей команды

На внедрение уйдёт 10–20 часов ваших людей: собрать документы, ответить на вопросы о процессах, прогнать тестовые вопросы, дать обратную связь по прототипу. Это нормально, и без этого качественного результата не будет.

Как посчитать окупаемость: условный пример

Это пример расчёта. Цифры условные и круглые — подставьте свои. Логика важнее чисел.

Допустим, у компании отдел поддержки из четырёх человек. Половина обращений — типовые вопросы: условия доставки, возврат, сроки, комплектация. Каждый сотрудник тратит на такие ответы около двух часов в день.

• 4 сотрудника × 2 часа × 21 рабочий день = 168 часов в месяц на типовые ответы.
• Стоимость часа сотрудника с налогами — допустим, 600 ₽.
• 168 × 600 = 100 800 ₽ в месяц уходит на ответы, которые можно автоматизировать.

В типичном случае ассистент по базе знаний закрывает 50–70% типовых вопросов; остальные уходят оператору. Возьмём 60%: экономия около 60 000 ₽ в месяц.

Расходы. Внедрение — 180 000 ₽ (середина вилки: Telegram плюс виджет на сайте, облачная модель, без интеграций). Регулярно: токены 3 000 ₽, хостинг 2 000 ₽, поддержка 15 000 ₽ — итого 20 000 ₽ в месяц.

• Чистый эффект: 60 000 − 20 000 = 40 000 ₽ в месяц.
• Окупаемость: 180 000 / 40 000 = 4,5 месяца.
• За первый год: 40 000 × 12 − 180 000 = 300 000 ₽ в плюс.

Что в расчёте не учтено и обычно работает в плюс: ответы ночью и в выходные, скорость ответа (клиент, который получил ответ за десять секунд, реже уходит к конкуренту), ошибки новичков, время на обучение новых сотрудников.

А теперь честно про обратную сторону. Если по вашим цифрам экономия меньше 20–30 тыс. ₽ в месяц, внедрение под ключ окупается год и дольше. Тогда разумнее начать с FAQ-бота в Telegram от 15 000 ₽ или SaaS-конструктора, а к полноценному ассистенту вернуться, когда поток вопросов вырастет.

Для внутренней базы знаний — когда сотрудники ищут регламенты и инструкции — считают иначе: время поиска информации × число сотрудников × стоимость часа. У компании на 50 человек, где каждый тратит 20 минут в день на поиск по Confluence и переписку «а где документ», набирается больше 300 часов в месяц.

Когда дешевле облако, а когда — свой сервер

Коротко, потому что тема заслуживает отдельной статьи.

Облачная модель (GigaChat, YandexGPT, OpenAI, Claude) выигрывает на старте: нет капитальных затрат, платите за использование, модель обновляется без вашего участия. Подходит, если запросов до нескольких тысяч в день, а данные либо не чувствительные, либо вы используете отечественную модель с хранением в России.

Своя модель на своём сервере (Llama, Qwen, Mistral и их русскоязычные дообучения) дороже на внедрении — нужен GPU и больше работы по настройке, — зато расходы фиксированные, данные не выходят за периметр, и вы не зависите от API-вендора, который может поднять цену или отключить версию. Оправдано при конфиденциальных данных (договоры, медицина, персональные данные), большом потоке запросов и жёстких требованиях службы безопасности.

Грубое правило: если счёт за API стабильно выше 30–50 тыс. ₽ в месяц или безопасник отвечает «нет» на любое облако — считайте свой сервер. Подробнее о том, как я это делаю и что это стоит, — на странице on-premise LLM.

Чек-лист: 10 вопросов подрядчику перед заказом

Эти вопросы я бы задал сам, если бы заказывал ассистента у кого-то другого. По ответам видно, понимает ли подрядчик, что делает, и что окажется в смете «потом».

Если на три и больше вопросов ответ невнятный — ищите дальше. Это не значит, что подрядчик плохой; это значит, что смета вырастет по ходу проекта.

Часто задаваемые вопросы

Сколько стоит ИИ-ассистент по базе знаний для малого бизнеса?

Внедрение под ключ у специалиста по рынку 2026 года стоит 100–250 тыс. ₽ и занимает 2–5 недель. SaaS-конструктор обойдётся в 3–30 тыс. ₽ в месяц, но система останется у вендора. Крупные интеграторы берут от 500 тыс. ₽ и работают 2–6 месяцев.

Что влияет на цену сильнее всего?

Состояние базы знаний и число интеграций. Чистые документы в одном формате и один канал — нижняя граница вилки. Разрозненные сканы, три канала и интеграция с CRM или 1С — верхняя. Сама модель в бюджете внедрения занимает малую долю.

Какие регулярные расходы появятся после запуска?

Токены облачной модели (в типичном малом бизнесе от 1 до 10 тыс. ₽ в месяц), хостинг 1–5 тыс. ₽ в месяц, поддержка от 15 000 ₽ в месяц после трёх гарантийных месяцев и 2–4 часа в месяц сотрудника, который ведёт базу знаний.

Можно ли начать дешевле 100 тыс. ₽?

Да. FAQ-бот в Telegram с фиксированными ответами стоит от 15 000 ₽ и делается за 3–5 дней, SaaS-конструктор — от 3 тыс. ₽ в месяц. Это разумный старт, если вопросов немного и они не меняются. Когда база и поток вопросов вырастут, перейдёте на полноценный RAG-ассистент.

Когда окупается ИИ-ассистент?

В типичном случае, когда ассистент закрывает от половины типовых вопросов и экономит 40–60 тыс. ₽ в месяц, внедрение за 150–200 тыс. ₽ возвращается за 4–6 месяцев. Если по вашим цифрам экономия меньше 20 тыс. ₽ в месяц, окупаемость растягивается на год и дольше — тогда лучше начать с FAQ-бота.