Сколько стоит заказная разработка AI-агента?

Сильно зависит от объёма. Простой узкоцелевой агент стоит несколько тысяч евро на сборку плюс ежемесячные расходы на работу, а заказная работа среднего сегмента выходит в десятки тысяч за первый год, и ежегодно сверху добавляется обслуживание. Для сравнения, пилот студии Grow2.ai — фиксированные €1 800 (Starter, 14 дней) против контрактного KPI, дальше от €49/мес с обслуживанием в комплекте; Practice — €3 600 / 21 день / от €99; Operator — от €6 000 / 30 дней / от €149.

Строить или покупать AI-агента?

Оцените свой кейс по трём вещам: насколько уникален процесс, насколько чувствительны данные и насколько стратегичен агент для бизнеса. Если все три высокие — стройте. Если две и больше низкие — покупайте платформу. Если процесс действительно кастомный, но своей AI-команды на обслуживание нет, студия — средний путь: кастомная логика без шестимесячной сборки и постоянной работы по обслуживанию.

Сколько времени занимает собрать AI-агента с нуля?

Своими силами закладывайте 4–6 месяцев на планирование, дизайн, инженерию, оценку, интеграции и тесты. No-code платформа выводит стандартный процесс в жизнь за дни — две недели. Пилот студии идёт на фиксированных 14-дневных часах под KPI. Маленькие AI-грамотные команды могут быстрее на узких инструментах — наша собственная внутренняя платформа Finickly дошла до боевого учёта за пять дней, — но эта скорость предполагает глубокую LLM-грамотность внутри.

Кто обслуживает AI-агента после запуска?

Тот, кто его собрал. AI-агенты — не софт «собрал и забыл»: базовые модели выводят из эксплуатации по опубликованным графикам (OpenAI даёт минимум шесть месяцев предупреждения, Anthropic — минимум 60 дней, и оба регулярно выводят модели), а ваши интеграции меняют API независимо. Кто-то должен мигрировать агента сквозь всё это. Если собирали своими силами — это ваша команда бессрочно; со студией обслуживание входит в подписку.

Что произойдёт, когда модель, на которой работает агент, выведут из эксплуатации?

Агента придётся перевести на модель-замену до даты вывода, иначе он перестанет работать. Это рутина, а не редкость — OpenAI выводит устаревшие GPT-4 и GPT-3.5-turbo в октябре 2026, а Anthropic вывела Claude Sonnet 4 и Opus 4 в июне 2026. Миграция означает повторное тестирование поведения и повторный прогон тестового набора на новой модели — как раз тот «хвост обслуживания», что определяет настоящую стоимость своей сборки.

Владею ли я кодом и данными, если агента строит студия?

Агент от студии — это заказной код под ваш процесс, а не место на общей платформе, поэтому логика сделана под вас, а данные остаются в ваших системах — наш агент дилерской поддержки, например, подключился к собственной учётной системе клиента. Это противоположность vendor lock-in платформы. Точные условия передачи кода согласуют под конкретный проект, поэтому сверьте их на старте; структурная суть в том, что вы не заперты в чужом шаблоне.

Дешевле ли строить AI-агента своими силами?

Только на поверхности и обычно только на большом масштабе с уже имеющейся AI-командой. In-house выглядит дешевле, потому что смета покрывает сборку, а не хвост: месяцы до первой ценности, обслуживание каждый год и совокупная стоимость владения за первый год, заметно выше цены сборки, как только посчитать миграции. Для большинства front-office задач SMB платформа или студия доводят до ценности быстрее и дешевле.

AI-агенты или разработка с нуля: как выбрать между build, buy и студией

Стройте AI-агента с нуля, когда он — ваш core-IP и есть LLM-команда, чтобы его обслуживать. Покупайте no-code платформу, когда процесс стандартный и структурированный. Берите студию агентов, когда нужен кастом без своей AI-инженерии. Grow2.ai — AI-подразделение Auspex — это и есть тот третий путь.

Любой гайд «build vs buy» для AI-агентов предлагает две двери. Собери сам и владей всем — включая то, что ломается. Купи платформу и двигайся быстро — пока не упрёшься в стену того, чего она не умеет. Оба варианта реальны. Оба неполны, потому что есть третья дверь: студия, которая строит агента на заказ, сдаёт его против контрактного KPI и тянет обслуживание — без того, чтобы вы нанимали AI-инженерную команду.

Эта третья дверь — то, что делает Grow2.ai, AI-подразделение Auspex. Значит, у нас есть предвзятость, и мы скажем об этом прямо. Но и предвзятый гайд может быть полезным — проверка простая: говорит ли он, когда нас брать не стоит. Этот говорит: есть случаи, где надо строить с нуля, и случаи, где правильный ответ — no-code инструмент за €40 в месяц. Вот полная карта.

Ставки не теоретические. Gartner ожидает, что больше 40% проектов с агентным AI отменят к концу 2027 года — не потому что технология не работает, а из-за растущих затрат, неясной ценности и слабого управления. Решение build-vs-buy — как раз то место, где этот риск либо закладывают, либо игнорируют.

Три пути рядом

Есть три рабочих способа завести AI-агента в бизнес, и различаются они куда сильнее временем до первой ценности и тем, кто тянет обслуживание, чем ценником на старте. Купить примерно вдесятеро дешевле, чем строить с нуля, в первый день — но стоимость живёт не в первом дне.

	С нуля	No-code платформа	Студия агентов (напр. Grow2.ai)
Время до первой ценности	4–6 месяцев	Дни — 2 недели	14-дневный пилот под KPI
Стартовая стоимость (EUR)	Десятки тысяч евро за первый год (средний бизнес)	десятки € в месяц	Starter €1 800 / 14 дней / от €49 в месяц; Practice €3 600 / 21 день / от €99; Operator от €6 000 / 30 дней / от €149
Кто обслуживает	Вы / ваше агентство, всегда	Вендор	Студия
Владение кодом и логикой	Код ваш	Арендуете настройку, не код	Кастомная логика под вас, на ваших данных
Когда выбирать	Агент — core-IP и есть LLM-команда	Процесс стандартный и структурированный	Нужен кастом без своей AI-команды

Заголовочные числа — лёгкая часть. Остальная статья — про три вещи, которых эта таблица не покажет: что на самом деле значит «кастом», кто платит за хвост обслуживания и где каждый путь тихо ломается.

Что на самом деле значит заказная AI-разработка

Одна ошибочная догадка топит больше агентных проектов, чем любая другая: «наши разработчики сильные, они это соберут». Софт они, скорее всего, соберут. AI-агент — это не обычный софт. LLM-инженерия — отдельная дисциплина поверх кода, который вы уже умеете писать.

Вот что нужно боевому агенту сверх работающего промпта — из практики агентов, которых Grow2.ai держит в проде:

Эвалы (оценка качества). Агента не сдают на «в тестах выглядело нормально». Нужны автоматические оценки, которые меряют качество ответов на живом трафике, — иначе вы летите вслепую. Наш агент дилерской поддержки держит 95%+ точности на типовых запросах, потому что эта точность измерена, а не понадеяна.
Регрессии промптов. Поменяли одну инструкцию, чтобы починить один случай, — и тихо сломали три других. Без набора регрессий каждое улучшение — это ставка.
Guardrails и супервизор. Тот же агент работает на четырёх уровнях: база знаний компании, жёсткие запреты («никогда не обещай скидку»), вторая модель, которая проверяет ответы первой, и эскалация человеку при низкой уверенности. Этот стек — инженерия, а не выбор модели.
Наблюдаемость (observability). Когда агент сказал что-то не то, надо проследить почему. На одном живом e-commerce внедрении мы залогировали 6 400+ диалогов — около трети вне рабочих часов, в Instagram (67,7%), Viber и Telegram — примерно за €0,10 стоимости модели на диалог, медиана ответа 13 секунд. Ничего из этого не видно без инструментирования, встроенного с первого дня.

Может ли маленькая AI-грамотная команда сделать всё это быстро? Да — и наш кейс финансовой платформы доказывает, что порог упал: мы сами заменили SaaS-трекер за ~$45–50/мес собственной внутренней платформой Finickly, от первого коммита до боевого учёта — пять дней, полное ядро — ~2,5 недели, 326 коммитов и 838 тестов, собрано на AI-инструменте за $200/мес (≈€175). Но прочитайте мелкий шрифт: это наш внутренний single-tenant инструмент, и весь хвост обслуживания тоже наш. Что подводит нас к тому, чего никто не закладывает в бюджет.

Хвост обслуживания, который никто не закладывает

У модели, на которой вы строите в этом квартале, есть дата вывода из эксплуатации. Это не риск — это расписание.

Провайдеры его публикуют. Политика вывода OpenAI даёт минимум шесть месяцев предупреждения для общедоступных моделей, а потом их выключает: устаревшие GPT-4 и GPT-3.5-turbo должны остановиться в октябре 2026, а несколько снапшотов GPT-5 — в декабре 2026. Anthropic обещает минимум 60 дней предупреждения и уже вывела Claude 3.5 Sonnet (октябрь 2025) и Claude Sonnet 4 и Opus 4 (июнь 2026). Целые API тоже двигаются — Assistants API от OpenAI закрылся в августе 2026. Каждая из этих дат заставляет каждое приложение на той модели или API мигрировать или упасть.

Теперь добавьте свои интеграции. Ваша CRM, ваша учётная система, ваши каналы связи меняют свои API по собственным графикам. Кто-то должен держать агента живым сквозь всё это. Обслуживание — это ежегодная статья, а не разовая, и совокупная стоимость владения за первый год выходит заметно выше цены сборки, как только посчитать миграции моделей и изменения интеграций; расклад по строкам — в нашей статье о полной стоимости владения.

Так что настоящий вопрос не «сможем ли собрать?». Он — «кто будет делать миграцию в 2027-м?». Если вы собрали своими силами, ответ — ваша команда, бессрочно; и вот тут «мы собрали сами и сэкономили» тихо переворачивается.

Что платформы дают — и что забирают

No-code платформы — правильный ответ чаще, чем любят признавать продавцы агентов. Если ваш процесс стандартный и структурированный — форма создаёт запись в CRM и шлёт письмо, новый заказ падает в канал Slack — платформа доведёт вас туда за дни и за десятки евро в месяц, без инженеров. Говорим это прямо.

Забирают они запутанную середину. Платформы ломаются на неструктурированном входе — сбивчивое голосовое клиента, фото повреждённой детали, вопрос, заданный пятью разными способами. Их математика потребления (кредиты, задачи, операции) может непредсказуемо скакать с ростом объёма. И вы настраиваете внутри их коробки: арендуете автоматизацию, а не владеете логикой. Граница, за которой стоит следить, — память, эскалация и суждение на запутанном входе; как только агенту нужно это, вы переросли платформу.

Если платформа — вероятно ваш ответ, начните с детальных сравнений: AI-агенты vs Zapier, vs Make и vs n8n.

Модель студии: кастом по цене подписки

Модель студии существует, чтобы закрыть разрыв между «купить платформу, которая этого не умеет» и «нанять команду строить шесть месяцев». Это заказная разработка — агент под ваш процесс, а не настроенный внутри вендорского шаблона, — но продуктизованная.

Конкретно у Grow2.ai: 14-дневный пилот против контрактного KPI за €1 800. Пилот оплачивается вперёд; если на ревью 30-го дня согласованная KPI не сдвинулась — возвращаем полную сумму. Дальше от €49 в месяц по тарифу Starter (Practice — от €99, Operator — от €149). Это возможно благодаря двум вещам. Первое — фиксированные быстрые часы вместо бесконечного проекта. Второе, и это суть модели, — студия тянет хвост обслуживания: миграции моделей, починку API, наблюдаемость — вся работа из предыдущего раздела становится чьей-то постоянной работой, а не новой работой вашей команды.

О владении и данных — без прикрас: поскольку агент построен под ваш процесс, он работает на ваших аккаунтах, а данные остаются в ваших системах — наш агент дилерской поддержки подключился к собственной учётной системе клиента в режиме read-only, так что физически не мог ничего изменить. Это противоположность аренде места на платформе, из которой не выйти. Кастомная логика, ваши данные, экономика подписки — вот это и есть «третий путь».

Когда стоит строить с нуля

Гайд без этой границы был бы рекламой. Стройте своего AI-агента, когда справедливы два и больше условий:

Агент — это core-IP. Он является вашим продуктом или настоящим конкурентным преимуществом, а не центром затрат на поддержку, который хочется уменьшить. Если клиенты платят за самого агента — владейте им.
Регуляторика или резидентность данных запрещает стороннюю обработку. Некоторые отрасли просто не могут пропускать данные сквозь внешнюю студию или платформу, точка.
Масштаб ломает экономику. При достаточно большом объёме цена за диалог или подписка проигрывает владению всем стеком — считайте на своих реальных числах, а не на демо.
У вас уже есть LLM-грамотная команда. Люди, которые будут держать тестовый набор, наблюдаемость и хвост обслуживания, а не разработчики, которые один раз научатся и уйдут дальше.

Кейс финансовой платформы показывает, что это уже достижимо для малого игрока, а не только для корпораций. Но если два из этих четырёх условий не справедливы, строить с нуля — обычно дорогой способ оказаться там, куда покупка или студия довели бы быстрее.

Рамка решения

Нам нужен AI-агент
Процесс стандартный и структурированный?
- Да, форма в CRM или уведомления → Купить no-code платформу Zapier / Make / n8n
- Нет, запутанный вход и суждение → Агент — core-IP или обязан быть in-house по регуляторике?
- Да, и есть LLM-команда → Строить с нуля владеть кодом и обслуживанием
- Да, но без LLM-команды → Модель студии кастом, пилот под KPI, на ваших данных
- Нет, просто должно работать → Модель студии кастом, пилот под KPI, на ваших данных

Сравнение стоимости, в чистых EUR

О числах: цифры Grow2.ai — из нашего прайса и живых кейсов. Для остальных путей даём порядок величины, а не диапазоны: сметы слишком разнятся по объёму и стране, чтобы напечатанная цифра прожила год.

С нуля. Простой узкоцелевой агент стоит несколько тысяч евро на сборку плюс ежемесячные расходы на работу; заказная работа среднего сегмента выходит в десятки тысяч за первый год, и ежегодно сверху добавляется обслуживание. Настоящая же стоимость — месяцы до первой ценности плюс этот постоянный хвост.
No-code платформа. Десятки евро в месяц на тарифах для SMB — действительно дешёвый старт, — но потребление кредитов/задач непредсказуемо растёт, и оно упирается в потолок на нестандартной работе.
Студия агентов. €1 800 за пилот Starter под KPI (возвращаются, если на ревью 30-го дня KPI не сдвинулась), дальше от €49/мес, с обслуживанием в комплекте. Для ориентира, что это даёт: наш агент дилерской поддержки снял ≈700 тыс. грн (≈$17K) рутины в год при стоимости сборки ≈110 тыс. грн (≈$2,7K), чистый эффект первого года — ≈572 тыс. грн (≈$14K) — полная раскладка здесь.