LLM-ассистент кажется простой задачей, пока речь идет о демо: загрузили документы, открыли чат, получили внятный ответ. Коммерческий проект устроен иначе. Ему нужны права доступа, проверяемая база знаний, интеграции с рабочими системами, журнал действий, понятные ограничения и владелец результата со стороны бизнеса.
Поэтому вопрос о стоимости лучше задавать конкретнее: какой процесс ассистент должен закрыть, какие данные ему можно видеть, имеет ли он право что-то менять в CRM или ERP, кто проверяет спорные ответы, как часто обновляется база знаний и сколько обращений ожидается в месяц.
Когда LLM-ассистент стоит заказывать
Заказная разработка имеет смысл, когда готового чата уже недостаточно. Обычно это видно по нескольким признакам.
У компании есть повторяющиеся вопросы клиентов или сотрудников, но ответы зависят от внутренних регламентов, договоров, статусов заказов, ролей и истории общения. Простая нейросеть без доступа к этим данным будет отвечать слишком общо.
Нужна интеграция с рабочими системами: CRM, CMS, ERP, складом, базой заявок, телефонией, сайтом, мобильным приложением, личным кабинетом или интерактивным стендом. В таком случае ассистент становится частью процесса, а не отдельным окном с текстом.
Есть требования к безопасности: разные роли, журнал действий, запрет на передачу части данных во внешние сервисы, локальный контур, маскирование персональных данных, согласование ответов в чувствительных сценариях.
Нужны измеримые показатели: снижение нагрузки на поддержку, ускорение обработки заявок, рост конверсии, сокращение времени поиска информации, меньше ошибок в регламентах, сбор лидов на мероприятии.
LikeVR разрабатывает такие решения в рамках направления AI/ML для бизнеса. Если ассистент должен работать с изображениями, видео или камерой, проект часто пересекается с компьютерным зрением. Если нужен сайт, виджет, личный кабинет или WebGL-интерфейс, подключается web-разработка.
Что входит в разработку
Минимальный LLM-ассистент обычно состоит из интерфейса, модели, базы знаний и простого набора правил. В рабочем проекте появляются дополнительные слои.
Сначала формулируются сценарии. Например: ответить клиенту по продукту, помочь менеджеру заполнить карточку сделки, найти пункт регламента, подготовить черновик коммерческого предложения, провести посетителя стенда по продуктовой линейке, принять голосовой запрос и вернуть ответ от виртуального персонажа.
Затем собираются источники данных. Это могут быть PDF, презентации, сайты, база знаний, CRM, таблицы, скрипты продаж, инструкции, записи типовых диалогов. Данные нужно очистить, структурировать, разбить на фрагменты, настроить обновление и права доступа.
Следующий слой: RAG, то есть поиск релевантных фрагментов перед ответом модели. Он нужен, чтобы ассистент опирался на документы компании, а не на общие знания модели в отрыве от контекста. В серьезном проекте RAG тестируют на реальных вопросах и спорных случаях: устаревшие цены, похожие продукты, разные версии регламентов, ограничения по регионам.
После этого проектируются интеграции. Ассистент может читать данные из CRM, создавать задачи, обновлять статус сделки, формировать заявку, отправлять сообщение в мессенджер, записывать итог диалога, передавать лид менеджеру. Чем больше прав на действия, тем строже нужны ограничения и аудит.
Отдельно закладываются тесты качества. Проверяются точность ответов, источники, отказ от ответа при нехватке данных, тональность, скорость, устойчивость к провокационным запросам, стоимость одного диалога и поведение при сбоях внешних API.
Какие сценарии чаще всего окупаются
В поддержке LLM-ассистент помогает закрывать повторяющиеся обращения: условия, статусы, инструкции, типовые проблемы, маршрутизация к специалисту. Экономика считается по количеству обращений, доле автоматизируемых вопросов и времени оператора.
В продажах ассистент помогает менеджеру быстрее готовить ответы, подбирать материалы, собирать первичный бриф, фиксировать договоренности и не терять детали. Здесь важна интеграция с CRM и аккуратная работа с коммерческой информацией. Для таких задач полезны связки с CRM и CMS.
Во внутренних процессах ассистент работает как интерфейс к знаниям компании: регламенты, HR, обучение, техническая документация, проектная база. Сильный эффект появляется там, где сотрудники каждый день тратят время на поиск ответа в разрозненных источниках.
В производстве, логистике и сервисе LLM-ассистент может объяснять инструкции, помогать с чеклистами, собирать отчеты и связываться с ERP. Если ассистент затрагивает учет, статусы, склад или планирование, его лучше проектировать вместе с ERP-логикой.
В офлайн-точках и на выставках ассистент превращается в голосового консультанта, AI-киоск или цифрового персонажа. У LikeVR есть релевантные кейсы: AI-ассистент на базе LLM, GigaChat API и Whisper и AI-киоск с генерацией изображений через голосовые промпты. Если задача связана с экраном, стендом или офлайн-площадкой, пригодится опыт направления интерактивных мультимедиа.
Из чего складывается стоимость
Цена LLM-ассистента складывается не из выбора модели. Модель важна, но в смете она обычно соседствует с более приземленными работами: разбор процесса, подготовка данных, интерфейс, интеграции, тестирование, безопасность и поддержка.
Сценарии и логика работы
Чем точнее описана задача, тем быстрее можно собрать прототип и проверить экономику. Дороже становятся проекты, где ассистент должен вести длинный диалог, помнить контекст клиента, переключаться между сценариями, вызывать инструменты, работать голосом или принимать решения с последствиями для бизнеса.
Данные и база знаний
Если документы актуальны, структурированы и у них есть владелец, подготовка идет быстрее. Если материалы лежат в десятках папок, частично устарели, дублируют друг друга и расходятся с реальной практикой, значительная часть бюджета уйдет на наведение порядка.
RAG и поиск по источникам
Базовый поиск по документам можно собрать быстро. Сложнее настроить релевантность, версии документов, цитирование источников, права доступа, обновление индекса, работу с таблицами, длинными PDF и разными языками. Для заказчика это не техническая роскошь, а защита от уверенных, но неверных ответов.
Интеграции
Чат на сайте дешевле, чем ассистент, который читает CRM, создает сделки, пишет в ERP, отправляет письма, принимает голос, работает в Telegram и передает логи в аналитику. Любая запись в бизнес-систему требует правил: кто разрешил действие, как отменить ошибку, что попадет в журнал, где остановить автоматизацию.
Безопасность и права
У ассистента должны быть границы. Одно дело отвечать по публичному каталогу, другое дело видеть персональные данные, договоры, цены, остатки, внутренние регламенты и историю клиента. В смету попадают роли, маскирование, хранение логов, ограничения на передачу данных, аудит, сценарии отказа и, при необходимости, локальный контур.
Эксплуатация
После запуска появляются регулярные расходы: модельные токены, распознавание и синтез речи, хостинг, векторная база, мониторинг, обновление документов, разбор ошибок, доработка промптов, поддержка интеграций. Хорошая смета показывает запуск, месячную стоимость владения и точки, где расходы могут вырасти.
На какие данные опираться при расчете эксплуатации
Стоимость эксплуатации нельзя считать один раз и забыть. API-прайсинги меняются, разные модели дают разную цену входных и выходных токенов, а голос, поиск по интернету, кэширование контекста и хранение индексов добавляют отдельные строки расходов.
Перед запуском стоит сверить актуальные тарифы у выбранных поставщиков: OpenAI API pricing, Claude Platform pricing, Gemini Developer API pricing. В смете полезно отдельно считать обычные запросы, длинный контекст, кэширование, пакетную обработку, распознавание и синтез речи.
Для оценки рисков лучше заранее пройтись по списку угроз для LLM-приложений: prompt injection, небезопасная обработка вывода, отравление данных, model denial of service и цепочки поставки перечислены в OWASP Top 10 for LLM Applications. Если проект затрагивает персональные данные, критичные решения или корпоративный контур, пригодится и профиль NIST AI RMF для генеративного ИИ.
Ориентиры по бюджету и срокам
Точные цифры зависят от задачи и инфраструктуры заказчика. Для первичного планирования можно использовать такие уровни.
Пилот по одному процессу: 4-7 недель. Обычно это ассистент по базе знаний, внутренний помощник или ограниченный клиентский сценарий без критичных действий в учетных системах. Бюджет часто начинается от 700 тысяч рублей и растет, если данные требуют серьезной подготовки.
LLM-ассистент с интеграциями: 8-14 недель. Здесь появляются CRM, CMS, личный кабинет, роли, логи, аналитика, административная панель, тестовые наборы и передача сложных диалогов сотруднику. Типичный порядок бюджета: 1,8-4,5 млн рублей.
Голосовой ассистент, AI-киоск или интерактивный персонаж: 10-18 недель. В смету добавляются распознавание речи, синтез, сценарии офлайн-площадки, интерфейс для экрана, оборудование, отказоустойчивость, модерация и контент. Часто такие проекты попадают в диапазон 2,5-6,5 млн рублей.
Корпоративный контур с повышенными требованиями: 12-24 недели и дольше. Важны безопасность, локальное размещение, сложная ролевая модель, интеграции с ERP, SLA, нагрузочное тестирование, регламенты эксплуатации. Бюджет обычно начинается от 5 млн рублей.
Эти уровни не заменяют оценку. Они помогают понять порядок работ и отделить простой чат от ассистента, который реально встроен в процесс.
Что нужно подготовить для оценки
Для быстрой сметы лучше собрать короткий пакет материалов.
Опишите процесс, который должен измениться: кто задает вопрос, где сейчас ищет ответ, сколько времени это занимает, кто принимает решение, что считается успешным результатом.
Соберите 30-50 реальных вопросов или диалогов. Если есть обращения поддержки, заявки, письма, записи менеджеров, обезличенные чаты, они дадут больше пользы, чем длинное описание идеи.
Перечислите источники знаний: сайты, PDF, презентации, регламенты, базы, таблицы, CRM, ERP, справочники. Сразу отметьте, какие документы актуальны, кто их поддерживает и какие данные нельзя передавать во внешние сервисы.
Опишите каналы: сайт, Telegram, WhatsApp, мобильное приложение, личный кабинет, киоск, тач-панель, голос, внутренний портал. Для каждого канала важны авторизация, история диалога и способ передачи обращения человеку.
Отдельно перечислите действия, которые ассистенту можно выполнять: только отвечать, создавать черновик, ставить задачу, менять статус, отправлять письмо, оформлять заявку, запускать платеж или передавать запрос ответственному.
Риски внедрения
Первый риск: слишком широкий старт. Если ассистент должен отвечать всем, обо всем и во всех каналах, команда быстро тратит бюджет на спорные сценарии. Надежнее начать с процесса, где есть владелец, данные и измеримый результат.
Второй риск: грязная база знаний. Модель не исправит противоречивые документы. Она может уверенно пересказать старый регламент, если он лежит рядом с новым и ничем не помечен.
Третий риск: скрытая стоимость эксплуатации. Длинные диалоги, голос, большие документы, повторные запросы и дорогие модели могут заметно увеличить ежемесячные расходы. Нужны лимиты, кэширование, маршрутизация моделей и мониторинг.
Четвертый риск: права доступа. Ассистенту нельзя давать больше данных и действий, чем требуется сценарию. Особенно если он работает с клиентами, персональными данными, ценами, договорными условиями или внутренними регламентами.
Пятый риск: отсутствие человека в спорных точках. В юридических, финансовых, медицинских, технически опасных и репутационно чувствительных сценариях ассистент должен уметь остановиться и передать задачу специалисту.
Чеклист заказчика
- Выбран один приоритетный процесс для пилота.
- Назначен владелец процесса со стороны бизнеса.
- Собраны реальные вопросы, диалоги или заявки.
- Понятны источники данных и их актуальность.
- Определены каналы запуска.
- Отдельно описаны разрешенные действия ассистента.
- Согласованы данные, которые нельзя передавать наружу.
- Есть метрики: время ответа, доля автоматизации, качество, конверсия, экономия часов.
- Понятно, кто обновляет базу знаний после запуска.
- Заложен бюджет на поддержку, аналитику и доработки.
Как понять, что подрядчик считает проект правильно
В хорошей оценке есть границы сценария, список источников данных, описание интеграций, требования к безопасности, тестовые метрики, план пилота и отдельная строка эксплуатации. Если подрядчик оценивает проект только по числу экранов или по выбранной модели, смета будет неполной.
Нормальная оценка также фиксирует, где ассистент отвечает сам, где готовит черновик, где просит подтверждение и где передает задачу человеку. Эта граница влияет на архитектуру сильнее, чем название модели.
Еще один признак зрелого подхода: обсуждение ошибок до старта. Что делать, если база знаний устарела, API недоступен, пользователь просит запрещенное действие, модель не уверена в ответе, диалог стал слишком дорогим или ассистент не прошел проверку качества.
Вопросы и ответы
Можно ли запустить LLM-ассистента за две недели?
Можно, если это ограниченный прототип по готовой базе знаний без сложных интеграций и строгих требований к безопасности. Для коммерческого запуска обычно нужны тесты, роли, аналитика, инструкции для команды и понятный план поддержки.
Чем LLM-ассистент отличается от обычного чат-бота?
Обычный бот чаще идет по заранее описанным веткам. LLM-ассистент понимает свободный вопрос, ищет данные в базе знаний, может учитывать контекст и вызывать инструменты. Из-за этой гибкости ему нужны проверки качества, ограничения и журнал действий.
Нужно ли обучать собственную модель?
В большинстве бизнес-задач сначала хватает готовой модели, хорошего RAG, промптов, прав доступа и тестов. Дообучение или локальная модель обсуждаются, когда есть специфический язык предметной области, большие объемы данных, строгие требования к контуру или экономика запросов не сходится.
Можно ли подключить ассистента к CRM или ERP?
Да, но нужно разделять чтение данных и действия. Читать статус заявки проще, чем менять сделку, выставлять счет или запускать процесс. Для действий нужны роли, подтверждения, журнал, ограничения и сценарии отмены.
Как оценить окупаемость?
Начните с одной метрики: сколько часов сотрудников уходит на процесс, сколько обращений обрабатывается, где теряются лиды, сколько стоит ошибка или задержка. После пилота сравнивают автоматизированную долю, качество ответов, время обработки и стоимость одного успешного сценария.
Что дороже всего поддерживать после запуска?
Чаще всего дорожают база знаний, интеграции и модельное потребление. Если документы часто меняются, API нестабилен, диалоги длинные, а ассистент всегда использует дорогую модель, месячная эксплуатация будет выше ожидаемой.
Что обсудить с LikeVR
Если вы планируете LLM-ассистента для поддержки, продаж, внутренней базы знаний, CRM, ERP, сайта, выставочного стенда или интерактивного киоска, начните с короткого описания процесса и 30-50 реальных вопросов. По ним можно быстро понять, нужен ли простой пилот, ассистент с интеграциями или более строгий корпоративный контур.
Отправьте задачу через форму получить консультацию. Мы разберем сценарий, данные, ограничения, каналы запуска и дадим реалистичную оценку по этапам.
