Как определить бюджет компании на ИИ: практическое руководство

Почему бюджет на ИИ не похож на обычные IT-инвестиции

Когда компании начинают считать, сколько стоит внедрить искусственный интеллект, они часто применяют логику традиционного софтвера. Покупают лицензию, нанимают разработчиков, интегрируют систему — и готово. Но с ИИ всё устроено иначе, и именно это понимание становится первой точкой опоры для правильного бюджетирования.

ИИ-проекты требуют постоянных вложений в данные. Это не разовая статья расходов. Модель нужно переобучать, данные актуализировать, качество выходных результатов проверять. Кроме того, стоимость облачных вычислений может расти непредсказуемо, если проект масштабируется быстрее ожиданий или если модель работает менее эффективно, чем предполагалось.

Вторая особенность — невозможность точного прогноза на этапе планирования. Когда вы закупаете софтвер по подписке, стоимость известна. Когда вы развиваете ИИ-проект, стоимость зависит от множества переменных: качества исходных данных, сложности задачи, выбранного подхода, опыта команды. Один и тот же функционал может обойтись в 50 тысяч рублей или в 500 тысяч — разница в 10 раз.

Компании, которые успешно внедряют ИИ, не планируют бюджет как фиксированную сумму. Они планируют его как диапазон с четкими контрольными точками, где решение о продолжении или остановке принимается на основе результатов пилота.

Третье отличие состоит в том, что люди часто недооценивают скрытые затраты. Это не только зарплата специалистов по ИИ (которая выше среднего рынка), но и работа по разметке данных, валидации результатов, переработке процессов под новую систему. Если в вашей компании нет культуры работы с данными, нужно добавить бюджет на создание этой культуры.

Основные категории расходов

Чтобы понять, сколько нужно денег, надо сначала разобраться, на что они уходят. Расходы на ИИ-проекты распределяются по нескольким категориям, и каждая из них может существенно варьироваться в зависимости от специфики вашей компании и задачи.

1. Данные: сбор, подготовка, разметка

Это часто самая недооцениваемая статья расходов. Качественные данные — основа любого ИИ-проекта. Если у вас нет исторических данных в нужном формате, нужно их собрать. Если данные есть, но они грязные (противоречивые, с пропусками, устаревшие), их нужно почистить. И если данные требуют экспертной разметки, это требует людей.

Разметка данных — это когда человек смотрит на информацию и добавляет метку. Например, размечает, является ли отзыв положительным или отрицательным, указывает, где на фото находится лицо, подтверждает, что текст содержит жалобу. Процесс трудоёмкий и требует оплаты работы.

Стоимость подготовки данных может составлять от 20 до 60% от общего бюджета проекта. Это зависит от объёма данных и сложности задачи. Для небольшого проекта (разметка 10 тысяч примеров) на фрилансных платформах это может стоить 50–100 тысяч рублей. Для крупного проекта (разметка миллионов примеров) это может быть многомиллионная статья расходов.

• Автоматизированная очистка данных через специализированные инструменты
• Ручная разметка данных через фрилансеров или аутсорс-компании
• Проверка качества разметки (QA для данных)
• Хранение и версионирование наборов данных

2. Вычислительные мощности и облачные сервисы

Обучение модели ИИ требует мощностей, которые редко есть у компаний на собственном оборудовании. Поэтому используются облачные сервисы вроде AWS, Google Cloud, Яндекс.Облако или Selectel. За это нужно платить.

Стоимость облака зависит от нескольких факторов. Во-первых, от типа задачи. Обучение большой языковой модели (если вы её разрабатываете с нуля) может стоить десятки миллионов рублей. Обучение небольшой модели для классификации текстов может стоить несколько тысяч. Во-вторых, от того, как долго и интенсивно вы используете ресурсы.

Важный момент: облачные сервисы часто работают по модели pay-as-you-go. Вы платите за каждый час использования GPU, за объём хранилища, за пропускную способность сети. Если проект идёт не по плану и требует переобучений, расходы могут скачком вырасти.

Компания может запланировать 500 часов GPU для обучения модели, но в реальности потратить 800, потому что первый подход не сработал или потребовалась дополнительная экспериментация. Расходы на облако могут легко увеличиться на 30–50% от плана без явной причины.

Типичные расходы на облачные вычисления:

• GPU (видеокарты) для обучения моделей: 100–500 рублей в час в зависимости от мощности
• CPU для инфраструктуры и обслуживания: 10–50 рублей в час
• Хранилище данных: 1–5 рублей за гигабайт в месяц
• Пропускная способность сети: 5–20 рублей за гигабайт переданных данных

Для малого проекта (обучение простой модели на локальных данных) расходы могут быть 50–200 тысяч рублей. Для среднего проекта (обучение нескольких моделей, постоянное производство) — 500 тысяч до 2 миллионов рублей в год. Для крупного проекта это может быть 5–20 миллионов и выше.

3. Зарплата и найм специалистов

ИИ-специалисты редко бывают дешёвыми. Спрос на них на рынке высокий, а предложение ограниченное. Это влияет на зарплату.

Структура команды для ИИ-проекта зависит от масштаба. Для простого проекта может быть достаточно одного senior-специалиста, который поведёт проект и напишет код. Для крупного проекта потребуется целая команда.

Типичные роли в ИИ-проекте и примерные диапазоны зарплат на российском рынке:

• Data Scientist или ML Engineer (senior): 250–500 тысяч рублей в месяц
• Data Scientist или ML Engineer (middle): 150–300 тысяч рублей в месяц
• Data Engineer (специалист по инфраструктуре данных): 150–350 тысяч рублей в месяц
• Специалист по разметке данных (junior или contractor): 50–150 тысяч рублей в месяц
• Data Analyst (для проверки качества и аналитики): 100–200 тысяч рублей в месяц

Для малого проекта можно нанять одного специалиста на полставки через аутсорс (30–100 тысяч в месяц за его долю времени). Для среднего проекта нужна минимальная команда из 2–3 человек, это минимум 400–800 тысяч в месяц. Для крупного проекта команда может быть из 5–10 человек, и расходы на оклады будут 1–3 миллионов в месяц.

Важно понимать, что найм сложен. Если вы ищете специалиста через рекрутера, это может занять 2–4 месяца. Если вы платите через аутсорс-компанию, цена выше, чем если бы вы нанимали прямого сотрудника, но процесс быстрее. Бюджет должен предусматривать оба варианта.

4. Инструменты и платформы

Для работы с ИИ нужны инструменты. Некоторые из них бесплатные (TensorFlow, PyTorch), но специализированные платформы для управления проектами, хранения моделей, отслеживания экспериментов требуют оплаты.

• Платформы для управления ML-проектами (MLflow, Weights & Biases): 500–5000 рублей в месяц
• Системы хранения моделей и артефактов: 1000–10000 рублей в месяц
• Инструменты для разметки данных (Labelbox, Prodigy): 5000–50000 рублей в месяц
• IDE и среды разработки (специализированные пакеты): 1000–10000 рублей в месяц
• Лицензии на готовые модели или API (если вы используете решение вроде OpenAI GPT или других коммерческих моделей): 100–10000 рублей в месяц

Для малого проекта эта статья может быть минимальной (5–15 тысяч в месяц). Для большого проекта с развитой инфраструктурой это может быть 100–500 тысяч в месяц.

5. Интеграция с существующими системами

ИИ-модель редко работает в вакууме. Её нужно интегрировать в уже существующую архитектуру вашей компании. Это требует работы backend-разработчиков, архитекторов систем, инженеров по DevOps.

Интеграция может быть простой (API, который выдаёт предсказание) или сложной (переделка всех процессов, синхронизация с несколькими системами, создание новых микросервисов). Чем сложнее архитектура компании, тем выше стоимость интеграции.

На этот пункт может уходить от 10 до 40% от общего бюджета проекта. Для малого проекта это может быть 100–300 тысяч рублей разовых затрат. Для крупного проекта это может быть многомиллионная статья.

6. Обучение и поддержка

После внедрения ИИ нужно обучить команду его использовать. Это особенно важно, если речь идёт о системах, которые будут влиять на решения сотрудников (например, система рекомендаций для менеджеров продаж или система анализа рисков для аналитиков).

Обучение включает создание документации, проведение семинаров, консультирование. Это может стоить 50–200 тысяч рублей разовых затрат или 10–50 тысяч в месяц текущих затрат, если требуется постоянная поддержка.

Как устроено распределение расходов

В реальных ИИ-проектах расходы распределяются неравномерно. Обычно они выглядят примерно так.

На этап подготовки (определение задачи, сбор и подготовка данных) идёт 25–35% бюджета. Здесь вы экспериментируете, проверяете гипотезы, собираете данные. Деньги тратятся быстро, результаты непредсказуемы.

На разработку и обучение модели идёт 30–40% бюджета. Это облачные мощности, оклады специалистов, инструменты.

На интеграцию и запуск идёт 15–25% бюджета. Это часто недооцениваемая статья, но именно здесь часто возникают задержки и перерасход средств.

На тестирование и доработку идёт 10–15% бюджета. Никогда не модель не работает идеально с первой попытки. Нужно переделать логику, переобучить, исправить баги. На это требуется время и деньги.

Когда вы планируете бюджет, нужно учитывать эту структуру и понимать, где деньги действительно будут потрачены.

Методы расчёта бюджета

Теперь, когда понятно, из чего складывается бюджет, нужно понять, как его рассчитать. Существует несколько подходов, и каждый из них подходит для разных ситуаций. Выбор метода зависит от зрелости компании, наличия данных о предыдущих проектах и стратегии внедрения ИИ.

По проценту от IT-бюджета или выручки

Самый простой и распространённый метод. Компания выделяет фиксированный процент от общего бюджета на информационные технологии или от годовой выручки на эксперименты с ИИ. Это подходит для компаний, которые только начинают работать с искусственным интеллектом и не имеют исторических данных для более точных прогнозов.

Типичные пропорции выглядят так. Компании, которые активно инвестируют в цифровизацию, выделяют на ИИ от 5 до 15% от общего IT-бюджета. Компании, которые делают ИИ частью своей конкурентной стратегии, выделяют до 25–30%. Компании, которые только начинают экспериментировать, выделяют 2–5%.

Альтернативный подход — отталкиваться от выручки. Здесь нет единого стандарта, но можно ориентироваться на такие цифры:

• Компании с выручкой до 100 миллионов рублей в год: 0,5–2% от выручки на ИИ
• Компании с выручкой от 100 миллионов до 1 миллиарда: 1–3% от выручки
• Компании с выручкой более 1 миллиарда: 2–5% от выручки

Этот метод удобен своей простотой. Вы сразу понимаете, сколько можете потратить, и не рискуете уйти за рамки возможностей компании. Но у него есть очевидные минусы. Во-первых, процент от бюджета не учитывает специфику задачи. Одна задача может быть решена за 500 тысяч, другая требует 5 миллионов, и процент от бюджета здесь не поможет. Во-вторых, такой метод не даёт гибкости: если проект начинает показывать хорошие результаты, наращивать финансирование будет сложно.

Этот подход работает как стартовая точка для компаний, которые ещё не понимают, во что именно они хотят инвестировать. Выделите 5% IT-бюджета, запустите пилот, посмотрите на результаты — и уже потом корректируйте финансирование.

На основе пилотного проекта

Более точный метод. Вы выбираете небольшую задачу, которую можно решить с помощью ИИ, запускаете пилотный проект и считаете реальные расходы. Затем масштабируете эти данные на полноценное внедрение.

Логика такая. Допустим, вы хотите автоматизировать классификацию входящих обращений клиентов. Вместо того чтобы сразу внедрять систему для всех отделов, вы выбираете один небольшой отдел, собираете данные, обучаете модель, тестируете её в течение месяца. Фиксируете все расходы: зарплаты, облако, инструменты, время на интеграцию.

Допустим, пилот обошёлся в 300 тысяч рублей и занял 2 месяца. Теперь вы понимаете структуру расходов и можете спрогнозировать, сколько потребуется для масштабирования. Если в пилоте участвовало 100 пользователей, а во всей компании их 1000, вы умножаете расходы не на 10, а, скажем, на 6 или 7 (потому что часть работы уже сделана, и при масштабировании экономия на инфраструктуре и данных даёт эффект).

Пилотный проект даёт точность, которой не даст никакой процент от бюджета. Вы видите реальные цифры, реальные проблемы, реальные узкие места. Это помогает не только рассчитать бюджет, но и понять, стоит ли вообще продолжать проект.

Основные этапы при таком подходе:

1. Выбрать небольшую задачу с понятным результатом
2. Определить минимальный объём данных для проверки гипотезы
3. Запустить пилот длительностью 1–3 месяца
4. Зафиксировать все расходы с разбивкой по категориям
5. Оценить, насколько хорошо работает модель и какие доработки нужны
6. Рассчитать стоимость масштабирования с учётом коэффициента экономии

Типичный коэффициент экономии при масштабировании — от 0,6 до 0,8. Это значит, что если пилот на 100 пользователей стоил 300 тысяч, то для 1000 пользователей потребуется не 3 миллиона, а 1,8–2,4 миллиона. Экономия возникает из-за того, что часть работы (инфраструктура, обучение модели, интеграция) уже сделана и не требует повторения в полном объёме.

Сравнение с бюджетами компаний отрасли

Этот метод подходит для крупных компаний или компаний в отраслях, где ИИ уже широко используется. Вы смотрите на публичные данные конкурентов или на отраслевые исследования и ориентируетесь на средние показатели.

Например, в ритейле крупные игроки тратят на ИИ от 50 до 200 миллионов рублей в год. В банковском секторе эта цифра выше: от 100 до 500 миллионов. В производстве расходы сильно зависят от масштаба: от 20 миллионов для среднего предприятия до миллиардов для крупных промышленных компаний.

Этот метод полезен, когда нужно обосновать бюджет перед руководством или советом директоров. Вы можете сказать: наши конкуренты тратят на ИИ 100 миллионов в год, мы планируем 80 миллионов, и вот почему это адекватная цифра.

Где искать данные для сравнения:

• Публичные отчёты компаний (годовые отчёты, отчёты для инвесторов)
• Исследования аналитических агентств (Gartner, IDC, McKinsey публикуют отраслевые обзоры)
• Отраслевые ассоциации и конференции (часто публикуют анонимизированные данные об инвестициях участников)
• Консалтинговые компании (могут предоставить бенчмарки по запросу)

Но будьте осторожны. Сравнение с конкурентами не учитывает специфику вашей задачи. Если у конкурента есть собственная команда из 50 специалистов, а вы планируете работать через аутсорс, ваши расходы будут выше или ниже в зависимости от условий. Если конкурент внедряет ИИ во все бизнес-процессы, а вы только в один, сравнивать бюджеты напрямую бессмысленно.

Пошаговый расчёт бюджета для вашей компании

Теперь соберём всё вместе и пройдём по шагам, которые помогут вам рассчитать конкретный бюджет для вашего проекта.

Шаг первый. Определите задачу и желаемый результат. Не начинайте с вопроса о деньгах. Начните с вопроса: что именно мы хотим решить с помощью ИИ и какой измеримый результат мы ожидаем. Например, снизить время обработки заявок на 30%, увеличить конверсию рекомендаций на 15%, сократить количество ошибок при классификации товаров на 40%.

Конкретная формулировка задачи позволяет понять масштаб проекта. Если задача локальная (один отдел, один процесс), бюджет будет ниже. Если задача затрагивает несколько систем и требует изменения процессов по всей компании, бюджет будет выше.

Шаг второй. Оцените доступность данных. Если у вас уже есть размеченные исторические данные в нужном формате, это сильно снижает стоимость проекта. Если данных нет или они требуют серьёзной доработки, добавьте к бюджету 20–40% на их подготовку.

Проверьте следующие моменты:

• Есть ли у вас достаточный объём данных (обычно для обучения модели нужно минимум несколько тысяч примеров, а лучше десятки тысяч)
• Насколько чистые эти данные (есть ли пропуски, противоречия, ошибки)
• Нужна ли разметка (если да, кто её будет делать и сколько это займёт времени)
• Где хранятся данные и как к ним получить доступ (если данные разбросаны по разным системам, потребуется работа по их сбору и консолидации)

Шаг третий. Решите, будете ли вы строить решение с нуля или использовать готовые инструменты. Если задача стандартная (классификация текстов, распознавание изображений, прогнозирование временных рядов), проще и дешевле использовать готовые API или облачные сервисы. Если задача специфична для вашего бизнеса, потребуется кастомная разработка.

Готовые решения обычно дороже в месяц, но дешевле в старте. Кастомная разработка требует больших начальных вложений, но в долгосрочной перспективе может быть выгоднее.

Шаг четвёртый. Определите команду. Нужен ли вам один специалист на аутсорсе или полноценная внутренняя команда. Это зависит от масштаба проекта и стратегии компании.

Для небольшого проекта (автоматизация одного процесса, ограниченный объём данных) достаточно одного старшего специалиста, который будет вести проект от начала до конца. Это может быть фрилансер или подрядчик. Стоимость такой работы обычно 150–300 тысяч рублей в месяц в зависимости от сложности.

Для среднего проекта нужна минимальная команда: специалист по машинному обучению, инженер по данным, аналитик. Это 400–800 тысяч в месяц.

Для крупного проекта нужна полноценная команда с руководителем, несколькими инженерами, специалистами по инфраструктуре, аналитиками. Это 1–3 миллиона в месяц и выше.

Шаг пятый. Посчитайте облачные расходы. Для этого нужно примерно понять, сколько времени займёт обучение модели и сколько вычислительных ресурсов потребуется для её работы в производственной среде.

Простая формула для оценки облачных расходов на обучение модели:

Стоимость обучения = количество экспериментов × среднее время одного эксперимента в часах × стоимость часа GPU

Например, если вы планируете 20 экспериментов, каждый длится 10 часов, и стоимость GPU 200 рублей в час, то расходы составят 20 × 10 × 200 = 40 тысяч рублей только на обучение.

К этому добавьте расходы на производственную эксплуатацию. Если модель работает постоянно и обрабатывает запросы пользователей, нужны мощности для инференса (получения предсказаний). Обычно это в 5–10 раз меньше, чем на обучение, но зависит от нагрузки.

Шаг шестой. Добавьте резерв на непредвиденные расходы. ИИ-проекты редко идут точно по плану. Модель может не обучиться с первого раза, данные могут оказаться хуже, чем ожидалось, интеграция может занять больше времени. Стандартная практика — добавлять к бюджету 20–30% резерва.

Компании, которые планируют бюджет на ИИ без резерва, почти всегда сталкиваются с перерасходом. Лучше заложить резерв и не использовать его, чем остановить проект на полпути из-за нехватки средств.

Шаг седьмой. Суммируйте все статьи расходов. Теперь у вас есть всё, чтобы собрать итоговую цифру.

Статья расходов	Оценка (рубли)
Подготовка данных (разметка, очистка)	100 000 – 500 000
Облачные вычисления (обучение + инференс)	50 000 – 300 000
Зарплата команды (3 месяца пилота)	450 000 – 2 400 000
Инструменты и лицензии	15 000 – 150 000
Интеграция с системами	100 000 – 1 000 000
Обучение сотрудников и документация	50 000 – 200 000
Резерв (25%)	191 250 – 1 137 500
Итого	956 250 – 5 687 500

Эта таблица показывает диапазон для среднего проекта. Для малого проекта цифры будут ниже (от 300 тысяч до 1,5 миллиона). Для крупного проекта выше (от 5 до 20 миллионов и более).

Как распределить бюджет между статьями расходов

После того как общая сумма определена, нужно решить, как её распределить по времени и по категориям. Это важно, потому что деньги тратятся неравномерно, и если не контролировать поток, можно столкнуться с кассовым разрывом.

В первый месяц проекта большая часть бюджета уходит на команду и подготовку данных. Облачные расходы минимальны, потому что модель ещё не обучается. Во второй и третий месяц растут расходы на облако и инструменты, потому что идёт активная экспериментация. На этапе интеграции расходы на облако снижаются, но растут расходы на разработку и тестирование.

Типичное распределение расходов по месяцам для трёхмесячного пилота:

• Месяц 1: 35% бюджета (команда, данные, инфраструктура)
• Месяц 2: 40% бюджета (обучение модели, эксперименты, доработка)
• Месяц 3: 25% бюджета (интеграция, тестирование, документация)

Если вы планируете долгосрочный проект на год, распределение будет другим. Первые 3–4 месяца уйдут на разработку и тестирование (40–50% бюджета). Следующие 4–5 месяцев на интеграцию и масштабирование (30–40% бюджета). Последние 3–4 месяца на поддержку и оптимизацию (10–20% бюджета).

При распределении бюджета между статьями учитывайте приоритеты. Если ваша задача требует качественных данных, выделите на их подготовку больше средств. Если задача в быстрой интеграции с существующими системами, больше средств выделите на команду разработчиков и архитекторов.

Типичные ошибки при планировании

Большинство компаний повторяют одни и те же ошибки при планировании бюджета на ИИ. Знание об этих ошибках поможет вам их избежать.

Завышение или занижение стоимости внедрения

Компании часто недооценивают стоимость ИИ-проектов. Обычно это происходит потому, что они берут в расчёт только видимые расходы: зарплата специалиста и облако. Но забывают про разметку данных, про время на интеграцию, про переделку процессов.

Типичный сценарий: компания решает обучить модель для прогнозирования спроса. Нанимает одного специалиста на 2 месяца за 300 тысяч рублей, арендует облако за 50 тысяч рублей. Итого бюджет 350 тысяч. Но когда проект начинается, оказывается, что данные требуют очистки (это 200 тысяч рублей работы), нужна интеграция с системой планирования (это 150 тысяч рублей), модель требует переобучения, потому что первый результат неудачный (это дополнительные 100 тысяч рублей облака). Реальная стоимость оказалась 800 тысяч, то есть в 2,3 раза выше, чем планировалось.

С другой стороны, бывает и завышение. Компании боятся ИИ, не понимают его, и консультанты или поставщики часто перепродают услуги. Проект, который реально стоит 500 тысяч рублей, преподносится как стоящий 2 миллиона. Результат: бюджет утверждают неохотно, проект медленно запускается, теряется момент.

Как избежать обеих ошибок. Во-первых, используйте несколько методов оценки одновременно. Если по проценту от бюджета получилось 1 миллион, а по пилотному проекту 800 тысяч, это признак, что вы в правильном диапазоне. Если методы дают результаты, различающиеся в 2–3 раза, значит, нужно углубиться и понять, почему.

Во-вторых, всегда проводите пилот. Даже если руководство торопит, пилот на 1–2 месяца дешевле, чем ошибка при полномасштабном внедрении.

Игнорирование затрат на подготовку данных

Это самая распространённая ошибка. Компания сосредотачивается на модели, на алгоритме, на облаке, но не считает стоимость подготовки данных. А потом удивляется, почему проект затягивается и дорожает.

Реальный случай: компания хотела обучить модель на классификацию писем с жалобами. Данные были, но представлены в разных форматах, в разных системах, частично на бумаге (отсканировано). Никто изначально не считал стоимость их сбора и унификации. В результате первые два месяца проекта ушли только на подготовку данных, и это стоило 600 тысяч рублей. На само обучение модели остался месяц, и результаты были хуже, чем если бы времени было больше.

Как избежать. При планировании всегда выделяйте отдельную линию в бюджете на подготовку данных. Даже если вы думаете, что данные готовы, добавьте 10–20% на неожиданные проблемы. Если вы не уверены в качестве данных, проведите аудит перед тем, как планировать бюджет.

Вот чек-лист вопросов, которые нужно задать перед планированием:

• Где хранятся данные (одна система или несколько)?
• В каком формате они представлены (структурированные таблицы, текст, изображения)?
• Есть ли в данных пропуски или ошибки?
• Нужна ли разметка (если да, сколько примеров нужно размечать)?
• Есть ли дублирование данных?
• Насколько актуальны данные (может быть, они устарели)?

Если хотя бы на половину вопросов ответ неизвестен, добавьте в бюджет этап аудита данных (это займёт 1–2 недели и будет стоить 50–100 тысяч рублей, но сэкономит вам время и деньги потом).

Недостаточный резерв на непредвиденные работы

ИИ-проекты нестабильны. Никогда не угадаешь, на какой этап потребуется больше времени и ресурсов. Модель может обучаться дольше ожидаемого. Данные оказываются грязнее, чем ожидали. Интеграция требует переделки архитектуры системы. Результаты модели не устраивают, нужны доработки.

Компании, которые планируют бюджет без резерва, обычно сталкиваются с такой ситуацией: на 90% проект выполнен, деньги закончились, но работа требует доделок. Проект встанет или придётся искать дополнительное финансирование в спешке.

Стандартная практика в ИИ-индустрии — резерв 20–30% от основного бюджета. Для проекта стоимостью 1 миллион это 200–300 тысяч. Для проекта стоимостью 5 миллионов это 1–1,5 миллиона. Резерв не потому, что проект будет перерасходован на эту сумму. Резерв потому, что вероятность перерасхода высока, и лучше иметь подушку, чем оказаться в затруднении.

Забывчивость о затратах на обучение сотрудников

Когда модель начинает работать, её нужно использовать. Но если сотрудники не знают, как с ней работать, какие у неё ограничения, когда ей доверять, а когда проверять результат — эффективность системы падает. А иногда и создаёт проблемы.

Пример: компания внедрила систему на основе ИИ для принятия решений о выдаче кредитов. Система работала точно на 85%. Но тестировщики заметили, что в 5% случаев она ошибается систематически (например, некорректно обрабатывает ИП с необычной структурой доходов). Если бы сотрудники отдела знали об этом, они проверяли бы такие случаи вручную. Но они не знали, потому что на обучение не хватило времени и денег. Результат: компания выдала несколько неправильных кредитов и потеряла репутацию.

На обучение сотрудников нужно выделить как минимум:

• Создание документации и инструкций (30–50 тысяч рублей)
• Проведение обучающих сессий (10–20 тысяч рублей за семинар)
• Создание чек-листов и шаблонов использования (20–30 тысяч рублей)
• Горячая линия поддержки первые 2–3 месяца (50–100 тысяч рублей)

Итого для среднего проекта это 150–250 тысяч рублей. Это небольшая сумма в контексте всего бюджета, но очень важная для успеха проекта.

Как снизить расходы без потери качества

Компании часто хотят понять, можно ли сделать ИИ-проект дешевле. Ответ: да, но нужно подойти к этому правильно. Есть способы снизить расходы, которые не влияют на качество. А есть способы, которые его снижают. Нужно различать эти два типа.

Способы снизить расходы без потери качества:

Использование готовых решений и API вместо кастомной разработки. Если ваша задача стандартна (классификация текста, распознавание объектов на изображениях), можно использовать готовые API Яндекса, 1C, облачных провайдеров. Это часто дешевле разработки собственной модели. Например, вместо того чтобы обучать собственную модель распознавания эмоций в тексте, можно использовать API Яндекс.Облако за 0,5–1 рубль за запрос. При 100 тысячах запросов в месяц это 50–100 тысяч рублей, вместо разработки модели за 500 тысяч.

Начало с простой модели, а не с самой продвинутой архитектуры. Компании часто выбирают самые новые и сложные алгоритмы. Но часто простая модель даёт 80% качества с 20% затрат. Начните с простого, проверьте, работает ли это, и только потом усложняйте. Например, для классификации текстов можно начать с логистической регрессии или наивного байеса, которые обучаются за часы, вместо нейросети, которая требует дней облачных мощностей.

Использование облачных сервисов вместо собственной инфраструктуры. Развёртывание собственного сервера с GPU может показаться более дешевым, но на самом деле это капитальные затраты плюс затраты на обслуживание. Облако гибче: вы платите только за то, что используете, и можете масштабироваться без инвестиций в оборудование.

Сокращение объёма данных для обучения за счёт умного выбора примеров. Не все данные одинаково полезны. Часто можно обучить модель на 10 тысячах хорошо выбранных примеров, вместо миллиона случайных. Это требует экспертизы, но экономит деньги на разметке и облаке. Такой подход называется active learning или data selection.

Аутсорс разработки вместо найма штатных сотрудников. Если это разовый проект, а не постоянная задача, можно нанять внешнюю команду на контрактной основе. Это часто дешевле, чем нанимать сотрудников на зарплату, особенно для краткосрочных проектов. Минус: нужно больше времени на управление, но в целом можно сэкономить 20–30%.

Способы снизить расходы, которые влияют на качество (используйте с осторожностью):

Сокращение времени на экспериментирование. Да, это сэкономит облачные расходы, но модель может быть менее оптимальной. Используйте только если сроки критичны и вам нужно быстро запустить первую версию.

Использование меньше данных для обучения. Экономит на разметке, но качество модели упадёт. Имеет смысл только если задача не критична или если вы собираетесь дообучать модель потом.

Отказ от тестирования и валидации. Это опасно. Модель может работать хорошо на ваших данных, но плохо на реальных. Сэкономите сейчас, потратите потом. Не рекомендуется.

Реальный пример оптимизации расходов: компания хотела внедрить систему для автоматического распознавания чеков. Первоначальный бюджет был 2 миллиона: разработка модели, облако, разметка 50 тысяч изображений. Но потом выяснилось, что 80% чеков в компании одного формата. Вместо того чтобы разрабатывать универсальную модель, разработали специализированную для этого формата. Бюджет сократился до 600 тысяч: нужно было размечать только 10 тысяч чеков, модель обучалась быстрее, результаты были лучше. Экономия 70% без потери качества.

Готовые формулы и чек-листы для оценки

Чтобы упростить расчёт бюджета, используйте эти готовые формулы и чек-листы.

Формула быстрой оценки для малого проекта (1–3 месяца):

Бюджет = (30 000 × количество месяцев) + (расходы на данные) + (расходы на облако)

Например, проект на 2 месяца, данные нужно размечать (оцениваем в 200 тысяч), облако в среднем 50 тысяч в месяц:

Бюджет = (30 000 × 2) + 200 000 + (50 000 × 2) = 60 000 + 200 000 + 100 000 = 360 000 рублей

Это базовая оценка. К ней добавьте 25–30% резерва, и получите 450–470 тысяч рублей.

Формула для среднего проекта (3–6 месяцев):

Бюджет = (количество месяцев × размер команды × средняя зарплата специалиста) + (расходы на данные) + (расходы на облако) + (расходы на интеграцию)

Пример: проект на 4 месяца, команда из 2 человек, средняя зарплата 200 тысяч за основного специалиста и 100 тысяч за вспомогательного, данные 300 тысяч, облако 100 тысяч в месяц, интеграция 200 тысяч:

Бюджет = (4 × (200 000 + 100 000)) + 300 000 + (100 000 × 4) + 200 000 = 1 200 000 + 300 000 + 400 000 + 200 000 = 2 100 000 рублей

К этому добавьте 25–30% резерва: 2 100 000 + 525 000 = 2 625 000 рублей.

Чек-лист для планирования бюджета:

• Я чётко определил бизнес-задачу и измеримый результат
• Я оценил объём и качество доступных данных
• Я решил, будет ли кастомная разработка или готовые решения
• Я определил размер и состав команды
• Я оценил облачные расходы (обучение + инференс)
• Я учёл расходы на интеграцию с существующими системами
• Я добавил расходы на обучение сотрудников
• Я добавил резерв 25–30% на непредвиденные работы
• Я согласовал бюджет с предыдущими проектами компании (если они есть)
• Я определил источники финансирования и временную линию расходов

Если вы ответили "да" на все пункты, вы готовы к планированию. Если на какой-то пункт вы не можете ответить, это означает, что нужна дополнительная информация перед финализацией бюджета.

Шаблон таблицы для отслеживания расходов:

Статья расходов	План (рубли)	Факт (рубли)	Отклонение (%)	Комментарии
Зарплата команды	1 200 000
Подготовка данных	300 000
Облачные вычисления	400 000
Инструменты и лицензии	50 000
Интеграция	200 000
Обучение сотрудников	100 000
Резерв	525 000
Итого	2 775 000

Ведите такую таблицу от начала проекта. Это позволит вам отслеживать расходы в реальном времени и корректировать оставшуюся часть бюджета, если нужно.

Когда бюджет определён и проект запущен, главное — не относиться к нему как к неизменному плану. ИИ-проекты развиваются, и бюджет должен быть гибким. Если пилот показывает, что задача решается проще, чем ожидалось, сократите бюджет на следующий этап. Если пилот выявляет сложности, будьте готовы увеличить финансирование.

Последний и самый важный совет: не планируйте бюджет в отрыве от целей проекта. Бюджет должен быть средством для достижения результата, а не самоцелью. Если недополученный результат стоит дороже, чем дополнительные вложения в проект, лучше потратить больше. Если дополнительные вложения не приведут к существенному улучшению результата, лучше остановиться и использовать то, что есть.

Правильный бюджет на ИИ — это не минимум, который можно потратить, и не максимум, который компания может себе позволить. Это оптимум, который обеспечивает высокую вероятность успеха проекта при разумном использовании ресурсов. Достичь этого оптимума помогает не сложная формула или инструмент, а понимание специфики вашего проекта, реалистичная оценка рисков и постоянный диалог с командой, которая будет воплощать проект в жизнь.