Нейросети стремительно ворвались в бизнес, увлекая за собой даже те компании, которые оказались к этому технически не готовы. В статье анализируем рынок ИИ, на цифрах показываем реальную стоимость разработки и объясняем, кому интеллектуальный бот жизненно необходим, а кто рискует нанести своей инфраструктуре дорогостоящий ущерб. Спойлер: золотой середины здесь нет, существует только грамотный инженерный и финансовый расчёт.

Шум вокруг искусственного интеллекта достиг такой громкости, что тезис «у нас бот на ИИ» превратился в обязательный пункт корпоративных презентаций — где-то между декларациями об устойчивом развитии и заявлениями о клиентоориентированности.

Однако реальность куда менее парадная. По данным исследования Naumen, российский рынок диалогового ИИ (включающий чат-ботов, голосовых помощников и речевую аналитику) в 2024 году вырос на 34%, достигнув 8 млрд рублей. По прогнозам аналитиков, в 2025 году он прибавит ещё около 30% и приблизится к 11 млрд рублей. Главный драйвер этого процесса уже очевиден — это генеративный ИИ и большие языковые модели (LLM). По оценке ComNews, в 2026 году сегмент вырастет ещё на 20–25%, в том числе за счёт импортозамещения и жёсткого спроса на автоматизацию со стороны бизнеса, оптимизирующего фонд оплаты труда.

Иными словами, рынок голосует бюджетами за конкретный класс решений, и это явно не те примитивные алгоритмы, которые встречали нас пять лет назад строкой «выберите пункт меню».

Хайп против пользы: когда ИИ действительно нужен разработке, а когда достаточно кнопок

Внедрение ИИ ради самого факта внедрения — упражнение для любителей дорогих проектов с непредсказуемым результатом. Циничная правда разработки заключается в том, что генеративная модель в архитектуре бота оправдана только там, где существует реальная потребность в живых, недетерминированных диалогах. Если у вас небольшой интернет-магазин с тремя линейными сценариями обращений («где заказ», «как оплатить», «как оформить возврат»), обычный скриптовый бот полностью закроет эти задачи.

По тарифам российских студий разработка простого Telegram-бота с базовым функционалом стартует от 200–300 тысяч рублей, а интеграция с внешними системами и сложная обвязка обойдётся в сумму от 500 тысяч рублей.

Интеллектуальное решение со встроенной языковой моделью, как отмечают в Botara, при базовом подходе начинается от 150 тысяч рублей, но с учётом необходимых доработок бюджет уверенно уходит к 250–300 тысяч рублей. Прибавим к этому промпт-инженера, чья ставка в Москве составляет от 180 тысяч рублей в месяц, и станет ясно: переплачивать за «осмысленность» там, где её никто не оценит — это не цифровая трансформация, а дорогостоящая имитация.

Однако как только задачи автоматизации выходят за пределы стандартного FAQ (продажи, удержание клиентов, обработка претензий, многошаговые сценарии), скриптовый помощник начинает проигрывать по всем фронтам. И это не вопрос личных предпочтений, а измеримый технологический барьер. Самым чувствительным индикатором здесь выступает банковский сектор: исследование Markswebb показывает, что боты ведущих российских банков (включая ВТБ и МТС Банк) систематически ошибаются в интерпретации намерений пользователей, поскольку они ориентируются на жёсткие ключевые слова, а не на контекст. На этом фоне даже средняя LLM-модель отрабатывает запросы заметно естественнее и человечнее.

Почему скриптовый бот раздражает пользователей: анатомия отказа

Самый точный замер настроений российской аудитории представил Аналитический центр НАФИ. Их опрос показал, что с чат-ботами и виртуальными ассистентами сталкивались 9 из 10 россиян. При этом доля положительных оценок за год снизилась с 37% в 2024 году до 33% в 2025-м, тогда как доля отрицательных осталась стабильно высокой. Пользователи не начинают лояльнее относиться к интерфейсу по мере взросления рынка — напротив, чем чаще они сталкиваются со слепыми скриптами, тем сильнее копится раздражение. 57% респондентов сообщили, что им трудно понять, общаются ли они с человеком или с алгоритмом, и именно эта непрозрачность сильнее всего бьёт по метрикам удовлетворённости.

В банковском сегменте ситуация ещё более критическая: по опросу «Выберу.ру», 6 из 10 россиян выражают недовольство банковскими чат-ботами, называя их «непонятливыми и медлительными». Знакомая каждому картина: когда пользователю необходимо срочно заблокировать скомпрометированную карту, бот настойчиво предлагает выбрать пункт из кнопочного меню. Это не клиентский сервис, а ловушка для лояльности аудитории.

Корень проблемы тривиален: скриптовый бот заперт в рамках той структуры, которую предусмотрел его проектировщик. Любой шаг клиента в сторону от заложенного паттерна — и система либо зацикливается, либо выдаёт стандартное «я вас не понял». Большая языковая модель спроектирована иначе: она динамически интерпретирует намерение, удерживает контекст диалога на протяжении всей сессии и формулирует ответ под конкретный, даже нестандартный запрос. Разница здесь фундаментальная — как между лифтом с фиксированными кнопками этажей и водителем, которому можно гибко объяснить конечную точку маршрута.

Руслан Миняжетдинов Основатель и генеральный директор АЙNET

«Сегодня бизнес конкурирует не только продуктом или ценой, но и качеством цифрового взаимодействия. Если клиент вынужден подстраиваться под логику бота, а не наоборот, компания теряет лояльность быстрее, чем экономит на автоматизации. Поэтому вопрос уже не в том, нужен ли ИИ в клиентском сервисе, а в том, где проходит граница его эффективного применения».

Экономика автоматизации: цифры, о которых обычно молчат в презентациях

На первый взгляд экономика ИТ-решения выглядит для бизнеса однозначно выигрышной. Средняя зарплата оператора колл-центра в России в 2025 году, по данным агрегатора «ГородРабот.ру», составляет 48,4 тысяч рублей в месяц. В банках и телекоме этот показатель колеблется в пределах 35–70 тысяч рублей, а в Москве и Санкт-Петербурге он на 20–30% выше. Если добавить к фонду оплаты труда налоги, обеспечение рабочего места, обучение, неизбежную текучку и затраты на менеджмент, фактическая стоимость содержания одного оператора уверенно приближается к 100 тысячам рублей в месяц. Для контакт-центра на 20 рабочих мест годовой ФОТ составляет порядка 24 млн рублей.

На этом фоне разовые затраты на внедрение ИИ-бота в размере 300–500 тысяч с последующей ежемесячной поддержкой от 10–30 тысяч выглядят как железный финансовый аргумент, а не дань моде.

Кейс Т-Банка наглядно иллюстрирует этот масштаб. По данным «Коммерсантъ», благодаря внедрению дообученных языковых моделей до 45% обращений в поддержку сейчас закрываются без участия человека. В масштабах крупного бизнеса эти проценты конвертируются в десятки тысяч человеко-часов, которые компании больше не нужно выкупать на дефицитном рынке труда. По оценке самого Т-Банка, совокупный экономический эффект от использования ИИ в операционной деятельности в 2025 году исчисляется десятками миллиардов рублей.

Согласно исследованию Botara, 67% компаний, внедривших интеллектуальных чат-ботов, окупают инвестиции за 3,7 месяца. При этом 43% сталкиваются с необходимостью технической доработки системы в первые два месяца, что доказывает: метрики не растут сами по себе, проект требует постоянного инженерного контроля.

Эти цифры выглядят многообещающе, однако опытный ИТ-директор сразу заметит, что это парадная сторона рынка. О компаниях, которые полностью слили бюджет на разработку, в кейсах умалчивают. Между тем, по экспертным оценкам участников рынка на VC.ru, неудачных внедрений едва ли не больше, чем успешных. Классический сценарий: «вложили полмиллиона в LLM-бота, а конверсия упала на 15%». Причина банальна — интеграция проводилась на основе красивых маркетинговых презентаций, а не реального анализа CJM (карты пути клиента).

Кейс Klarna: международный опыт, который нужно оценивать без иллюзий

В нашей индустрии есть один хрестоматийный кейс, который очень любят цитировать на конференциях в первой половине доклада и упорно игнорируют во второй. В феврале 2024 года шведский финтех-гигант Klarna запустил ИИ-ассистента на базе технологий OpenAI. За первый месяц работы бот провёл 2,3 млн диалогов, обработал две трети всех входящих обращений, сократил среднее время решения вопросов с 11 до 2 минут и, по оценкам компании, должен был принести около 40 млн долларов чистой прибыли в годовом исчислении. Это был безусловный технологический триумф.

А теперь обратимся ко второй главе этой истории, о которой вендоры предпочитают молчать. Согласно публикации CNews в мае 2025 года, Klarna начала повторно нанимать в штат специалистов поддержки, которых ранее заменила нейросетями. СЕО компании Себастьян Семятковски публично признал, что радикальное стремление сократить косты за счёт ИИ привело к просадке качества сервиса, и теперь приоритетом компании становятся инвестиции в человеческий капитал.

Портал VC.ru разбирал этот сюжет подробно: компания в итоге пришла к гибридной операционной модели, где ИИ полностью закрывает рутинные операции, а люди подключаются на сложные, эмоционально нагруженные кейсы.

Какой вывод из этого должен сделать рынок? Об этом не любят говорить интеграторы, но честный инженер обязан предупредить: даже продвинутая LLM-модель не способна заменить человеческий штат на 100%. Бот эффективно закроет 60–70% типовых запросов. Сложные, конфликтные или нестандартные ситуации — возвраты, юридические споры, глубокие технические претензии — необходимо маршрутизировать на операторов. Игнорирование этого правила гарантированно ведёт по пути Klarna: от красивой презентации через отток клиентов к экстренному откату системы назад и расходам на повторный найм.

Границы применимости: где скрипт ещё работает, а где становится опасен

Стоит сразу отбросить иллюзию в духе «давайте внедрим бота, и проблемы с сервисом решатся сами собой». Это суждение — ровесник старого заблуждения «давайте просто купим CRM, и продажи вырастут». Инструмент так не работает. Скриптовые боты сохраняют право на жизнь всего в двух сценариях: при строго предсказуемом потоке абсолютно типовых запросов (узнать расписание, проверить статус заказа, выдать ссылку на FAQ) и в интерфейсных каналах, где пользователю изначально удобнее взаимодействовать с кнопками, а не вести диалог. Вся остальная коммуникация — это зона ответственности языковых моделей.

Технологическая граница проходит там, где ветвление пользовательского сценария становится непредсказуемым. Как только клиент использует в одном предложении синонимы или сленг — скрипт даёт сбой. Как только в одном обращении появляются сразу два интента («я хочу вернуть товар и заодно изменить адрес доставки для следующего заказа») — классический бот заходит в тупик. Архитектура больших языковых моделей позволяет обрабатывать такие комплексные запросы нативно. Именно за эту гибкость и качественную обработку естественного языка имеет смысл платить разработчикам.

Борис Кузьмин СТО АЙNET

«Главное отличие больших языковых моделей от классических сценарных ботов заключается в способности понимать намерение пользователя. Технически это позволяет обрабатывать сложные и нестандартные обращения без постоянного расширения дерева сценариев, что делает автоматизацию масштабируемой и экономически оправданной».

Считаем затраты: дешевле штата, но далеко не бесплатно

Тезис о том, что бот обходится дешевле содержания департамента поддержки — чистая правда, но в этом контракте есть важные условия, написанные мелким шрифтом. Внедрение enterprise-решения на базе ИИ — это не покупка готовой «коробки». Это длительный процесс проектирования кастомных сценариев, безопасного обучения модели на внутренних данных компании, бесшовной интеграции с CRM, ERP и базами знаний, а также непрерывного тестирования и последующей prompt-оптимизации контента. Бизнесы, которые запускают ИИ-ботов в формате «сдал и забыл», через полгода получают тот же раздражающий пользователей артефакт, от которого пытались уйти. Только значительно более дорогой в обслуживании.

Тем не менее, при грамотном подходе экономика проекта сходится. Повторю цифры: годовой фонд оплаты труда средней команды поддержки из 20 человек составляет около 24 млн рублей, и эти операционные расходы неизбежно повторяются из года в год. Полноценное коммерческое ИИ-внедрение в большинстве случаев укладывается в диапазон от 300 тысяч до 1,5 млн рублей единовременных затрат плюс 10–30 тысяч рублей в месяц на инфраструктурную поддержку. При этом система забирает на себя до 70% типовой нагрузки. Уже на втором году эксплуатации чистая экономия исчисляется двузначными миллионными суммами.

За счёт технологий бизнес может эффективно затормозить бесконтрольный рост контакт-центра (раздутие штата и ФОТ) — и это вполне рабочая стратегия.

Технологический разрыв между жёсткими скриптами и гибкими LLM-системами сегодня измеряется уже не процентами, а кратностью. Пока одни компании инвестируют в дообучение моделей и совершенствование контекстного понимания, другие продолжают удерживать пользователей в рамках архаичных меню «нажмите 1, нажмите 2». Через год-два этот разрыв превратится из тактического недостатка в критическую стратегическую дыру, закрывать которую придётся не маркетинговыми инструментами, а экстренным увеличением бюджетов.

Итог прагматичен: ИИ-бот сегодня — это не элемент цифрового тщеславия, а базовая гигиена ИТ-инфраструктуры. Скриптовый бот на сложных сценариях — это не экономия, а отложенные потери лояльности и отток клиентов.

Выбор стоит не между «дорого и дёшево», а между своевременными инвестициями в стек и последующей потерей рынка. При этом не стоит впадать в крайности и пытаться полностью дегуманизировать сервис, как это сделала Klarna. Оптимальный выбор — гибридная модель: ИИ берёт на себя массовую рутину, а квалифицированные специалисты закрывают сложные и нестандартные узлы коммуникации. Тех, кто внедрит этот баланс вовремя, рынок поддержит метриками и выручкой. Остальным придётся учиться на ошибках собственных закрытых проектов.

Мнение редакции может не совпадать с мнением автора. Ваши статьи присылайте нам на 42@cossa.ru. А наши требования к ним — вот тут.