Полтора года назад приятель с небольшим мебельным производством спросил в лоб: сколько стоит сделать нейросеть. Я задал три вопроса: что она должна делать, какие данные есть и кто будет ее сопровождать через год. Он завис на втором. Через месяц вернулся с ответом: ничего обучать не стал, подключил готовую модель и закрыл задачу за две недели. Сэкономил около трех миллионов рублей и полгода жизни.
История не про то, что разработка не нужна. Она про формулировку. «Нейросеть» в голове заказчика и «нейросеть» в голове ML-инженера - два разных проекта. Классификатор брака на конвейере, чат-бот для отдела продаж, генератор картинок для карточек на маркетплейсе. Разброс в стоимости между ними получается в десятки раз, и это нормально.
Ниже честные вилки по рынку, разбор сметы по строкам и один способ срезать 90% расходов, если задача типовая.
Сначала разделите два вопроса: обучение модели и продукт вокруг нее
Почти все путают стоимость модели и стоимость системы, в которой эта модель живет. Сама модель сегодня стоит дешево. Обвязка, интеграции, интерфейс, обработка ошибок и поддержка стоят дорого. В смете на «нейросеть» обычно 20% приходится на ИИ и 80% на все остальное.
Дальше три пути, и они отличаются по бюджету на порядок. Первый: обучить свою модель с нуля. Нужны датасет, GPU, команда ML-инженеров и несколько месяцев на эксперименты. Второй: взять открытую модель и дообучить под узкую задачу. Дешевле, но требует чистых данных и человека, который понимает, что делает. Третий: подключить готовую модель через API и собрать продукт. Вы платите за запросы и за работу разработчика.
Малому и среднему бизнесу почти всегда нужен третий путь. Первый оправдан, когда есть уникальные данные и задача, которую готовые модели решают плохо. Например, распознавание дефектов сварного шва по снимкам с тепловизора. Таких кейсов меньше, чем кажется.
Вилки по деньгам: от 400 тысяч до 5 миллионов и выше
По рынку на 2027 год картина такая. Считаю по типовым проектам, которые доходят до продакшена, а не остаются в ноутбуке стажера.
- Чат-бот или ассистент на готовой модели: 80-200 часов, от 400 тысяч ₽
- Простая ML-модель, классификатор или предиктивная аналитика: 200-400 часов, 1-2 млн ₽
- Компьютерное зрение и видеоаналитика: 2-4 млн ₽
- OCR и обработка документов: 400-800 часов, 2-4 млн ₽
- Промышленная или генеративная система с обучением с нуля: 1000-1500+ часов, от 5 млн ₽
Верхняя граница не ограничена ничем. Проект с мультимодельной архитектурой, датасетом на миллионы объектов и отказоустойчивым кластером легко уходит за 15-20 млн. Видел сметы и на 40 млн, но там речь про корпоративный контур с требованиями по безопасности и импортозамещению.
Тот же чат-бот за 400 тысяч можно собрать за 60-80 тысяч, если не писать с нуля, а собрать на API готовой модели. Разница в цене не потому, что вторые халтурщики. Первые строят инфраструктуру, вторые используют чужую.
Часы дороже, чем кажется: от 1800 ₽ за час в Москве
Ставки в Москве начинаются от 1800 ₽ в час за создание нейросетей. Машинное обучение и компьютерное зрение считают от 1500 ₽ в час, внедрение ИИ как услугу - от 3920 ₽. На профильных площадках висит около 600 активных анкет исполнителей, и это только официально зарегистрированные.
Разброс внутри одной площадки от 1500 до 8000 ₽ в час, и это адекватно. Студент третьего курса и инженер, который три года выводил модели в прод, делают разную работу. Проблема в том, что по анкете отличить одного от другого почти невозможно, а цена ошибки измеряется сотнями тысяч. На Reddit в ветках про подряд по ML заказчики советуют просить не портфолио, а доступ к репозиторию с историей коммитов: по ней видно, довели проект до прода или бросили на демо.
Умножьте ставку на часы, получите нижнюю границу сметы. Проект на 400 часов при ставке 2500 ₽ - это миллион только за работу. Сверху накидывайте инфраструктуру, данные, тестирование и поддержку. На этом этапе смета обычно удваивается, а заказчик удивляется.
Отдельная история, когда исполнитель предлагает свою цену. На биржах это работает так: вы публикуете задачу, специалисты откликаются со своими цифрами. Иногда выходит дешевле рынка, иногда приходит человек, который хочет получить предоплату и исчезнуть. Проверяйте портфолио на наличие проектов, которые живут дольше демо-дня.
Железо съедает бюджет незаметно
Свой сервер с GPU обойдется разово от 1,5 до 12 млн ₽. Это вилка от одиночного inference-сервера до отказоустойчивой конфигурации с несколькими GPU. Операционные расходы скромные: ЦОД, электричество, поддержка - примерно 800 тысяч ₽ в год. Зато самая низкая себестоимость запроса на длинной дистанции и полный контроль над данными.
Аренда облака выглядит дешевле на старте, но коварна при обучении. Один прогон обучения на арендованных A100 может стоить сотни тысяч рублей, и таких прогонов будет не один и не два. Считайте не «сколько стоит сервер», а «сколько стоит один запрос через два года». Для задач с невысокой нагрузкой аренда выигрывает.
Есть третий вариант, о котором забывают: не держать инфраструктуру вообще. Платить за токены и генерации по факту. Для сервиса с десятком тысяч запросов в месяц это почти всегда дешевле любого своего железа, потому что вы не платите за простой.
Что забывают в смете: данные, разметка, поддержка
Данные - самая недооцененная строка. Разметка одного объекта у подрядчика стоит единицы рублей, но объектов нужны десятки тысяч. Датасет на 50 тысяч изображений с ручной разметкой легко превращается в 500 тысяч рублей и два месяца календарного времени. И это при условии, что данные есть. Если нет, начинается сбор, согласование доступов, обезличивание - тут уже подключаются юристы.
Поддержка. Модель деградирует. Мир меняется, меняется язык клиентов, появляются новые товары и новые типы брака. Через полгода после запуска точность падает на несколько процентов, и кто-то должен это заметить и переобучить модель. Заложите 15-20% бюджета разработки в год, иначе проект тихо умрет через сезон.
Тестирование и приемка. Без набора эталонных примеров и метрики проверить модель нельзя: «вроде отвечает» - не критерий. Спросите исполнителя, по какой метрике он сдаст работу. Не может сформулировать до начала - плохой знак.
Три сценария бюджета на конкретных примерах
Сценарий первый: интернет-магазин на 300 заявок в день. Нужно отвечать на типовые вопросы в чате и передавать сложные менеджеру. Решение на готовой модели: 30-60 тысяч за интеграцию плюс расходы на запросы, при таком объеме это тысячи рублей в месяц. Срок две-три недели. Разработка с нуля здесь не нужна вообще.
Дальше отдел продаж с длинным циклом сделки. Нужен скоринг лидов и подсказки менеджеру. Здесь уже нужна своя модель на исторических данных CRM. 200-400 часов работы, 1-2 млн ₽ плюс время на выгрузку и очистку данных. Эффект окупается за счет конверсии, но считать его нужно до старта, а не после.
Третий случай - завод, контроль качества покраски на конвейере. Компьютерное зрение, камеры, освещение, интеграция с линией. 2-4 млн ₽ на разработку, плюс железо от 1,5 млн, плюс монтаж и наладка. Проект на полгода минимум. Своя модель оправдана: готовых решений под конкретный цех не существует.
Когда строить свою модель экономически бессмысленно
Если задача типовая, вы платите за разработку того, что уже сделано и работает лучше. Тексты, картинки, видео, разбор документов, ответы на вопросы по базе знаний, генерация кода. Все это закрывают готовые флагманские модели, и разница в качестве с самоделкой будет не в вашу пользу.
Самый быстрый способ проверить, нужна ли вам разработка, - поработать с моделями руками неделю. Из России это делается через 3GPT от 3SELLER. Внутри доступ к Chat GPT 6 Astra, the model 5, 5.1 и 5.5, Chat GPT 5.5, Chat GPT 6.1 Sol, Nano Banana для изображений, генерация видео и еще десятку моделей. Стартовый доступ стоит 149 ₽, пополнить баланс можно российской картой, через СБП или криптой. Никаких иностранных карт и посредников с тройной наценкой.

Практика простая. Возьмите свою задачу, погоняйте на двух-трех моделях, посмотрите на результат глазами. Если модель справляется на 80%, вам не нужен ML-инженер за миллион - нужен разработчик, который аккуратно встроит API в процесс. Если не справляется ни одна, идите к подрядчику с готовым пониманием задачи и данных. С таким входом смета падает в разы: вы не платите за исследование.
Готовые ИИ агенты вместо разработки с нуля
Вместо сборки ассистента с нуля можно взять готового агента под конкретную задачу и сразу начать работать. Маркетинг, тексты, разбор звонков, аналитика, генерация контента. Модель агента переключается прямо в чате: если одна не тянет, берете другую. На Хабре в разборах внедрений ИИ в малый бизнес повторяют одну мысль: большинство задач закрывается готовыми инструментами, а кастомная разработка начинается там, где заканчивается типовой процесс.
Каталог агентов лежит тут: 3seller.com/ai/agents. Выбираете нужного, общаетесь, меняете модель по ходу. По сути это тот самый «продукт вокруг модели», за который на рынке просят от 400 тысяч, только уже собранный и без вашего участия в разработке.

Для бизнеса это способ закрыть задачу за день вместо квартала. Для проверки гипотезы перед серьезными вложениями - вообще незаменимо: смотрите, как сотрудники реально пользуются агентом, где он ломается, и только потом решаете, нужна ли кастомная разработка.
Картинки и видео: отдельная строка расходов
Визуал почти всегда выносят в отдельный бюджет, и зря. Генерация изображений для карточек товара, креативов, презентаций и обложек - та же нейросеть, только с другим интерфейсом. Стоимость считается не часами, а штуками, и это сильно меняет экономику.
Реалистичные фото товаров, интерьерные сцены, люди в кадре, баннеры под каждый размер. Все это делается через инструменты генерации изображений 3GPT. За изображения отвечает отдельная модель Nano Banana, есть генерация видео и озвучка голосом.


Сравните с фотосессией: аренда студии, фотограф, ретушер, несколько дней на согласование. Одна генерация стоит копейки, а правки вносятся за минуту. Для небольших магазинов это разница между «сделаем три фото» и «сделаем триста карточек».
Как я считаю смету перед стартом
Сначала формулирую задачу в измеримых величинах. Не «улучшить поддержку», а «сократить время первого ответа с 40 минут до 3». Без цифры на выходе бюджет бессмысленен: проверить результат не получится.
Потом проверяю, решает ли задачу готовая модель. Один-два дня экспериментов, несколько десятков тестовых запросов. Если да, считаю стоимость интеграции и расходы на запросы при пиковой нагрузке. Обычно сумма в 5-10 раз меньше кастомной разработки.
Если модель не справляется, оцениваю данные. Есть ли они, в каком виде, сколько стоит привести их в порядок. Датасет - половина сметы в ML-проекте. Нет датасета - начинать нужно не с найма инженера, а со сбора данных.
Дальше считаю полный цикл: разработка, внедрение, поддержка первого года, дообучение. И сравниваю с альтернативой «ничего не делать». Иногда честный ответ звучит как «вам это не нужно». Для подрядчика он дороже всего, для заказчика полезнее всего.
Начните с малого: возьмите доступ к флагманским моделям за 149 ₽, прогоните свою реальную задачу и посмотрите на результат. Час работы с готовой моделью часто заменяет месяц переговоров с подрядчиком и снимает вопрос о миллионных бюджетах еще до того, как он появится.