ИИ купить или разработать для бизнеса

Конкуренты внедряют, рынок давит, команда спрашивает: «Когда мы начнём?» Но один неверный выбор — купить готовое SaaS-решение или вложиться в кастомную разработку — и вместо прибыли вы получите полгода потерянного времени и бюджет, закопанный в прототип, который никто не использует. Этот материал поможет принять решение на цифрах, а не на ощущениях.

Рынок ИИ в России: почему вопрос встал именно сейчас

По различным оценкам, российский рынок ИИ продолжает расти двузначными темпами российский рынок ИИ продолжает расти двузначными темпами, а крупный бизнес перешёл от экспериментов к промышленному внедрению. Это не абстрактный хайп — компании считают возврат на инвестиции и фиксируют конкретный эффект.

При этом данные по ROI от генеративного ИИ существенно варьируются в зависимости от отрасли и типа задачи. Но общая закономерность устойчива: проекты, стартовавшие с измеримой бизнес-задачи, окупаются. Проекты, стартовавшие с технологии, — нет.

По различным оценкам, большинство ИИ-проектов не достигают заявленных целей — и причина почти никогда не в самой технологии. Причина в том, как принималось решение о внедрении.

Главная ошибка — начинать с вопроса «какую модель взять: GigaChat, YandexGPT или что-то западное». Правильный вопрос другой: купить готовое или строить своё.

Готовые ИИ решения SaaS: когда покупать выгоднее

По данным ряда исследований, большинство компаний выбирают готовые ИИ-продукты — и для типовых задач это почти всегда разумно.

ИИ-аналитика звонков, RPA-роботы для бизнес-процессов, чат-боты на основе генеративного ИИ — всё это сегодня доступно в формате подписки с запуском за дни, а не за месяцы. Вам не нужно строить инфраструктуру с нуля: берёте готовый инструмент, настраиваете под свои процессы, начинаете работать.

Преимущества SaaS: низкий порог входа, предсказуемые ежемесячные расходы, поддержка от вендора, быстрый запуск. Ограничения: кастомизация в рамках того, что предусмотрел вендор; зависимость от поставщика; вопросы безопасности данных, особенно если речь идёт о персональных данных клиентов в облаке.

Для малого и среднего бизнеса SaaS — путь наименьшего сопротивления. Нет штатных data-инженеров — не нужно их нанимать. Нет собственных серверов — не нужно покупать. Задача типовая (обработка обращений, транскрибация звонков, автоматизация рутины) — готовое решение закроет её на 80–90%.

Но есть граница. Когда ваши процессы нестандартны, когда данные чувствительны, когда SaaS-инструмент покрывает только часть задачи — начинается территория кастомной разработки.

Кастомная разработка ИИ: стоимость и скрытые расходы

Кастомная разработка — это не быстрый старт. Вы получаете именно то, что хотите, но платите за каждый компонент: инфраструктуру, команду, данные, время.

Конкретные цифры: по расчётам на Habr, собственная ИИ-инфраструктура обходится примерно в 744 тыс. рублей в месяц — для конкретной конфигурации с GPU-серверами под задачи машинного обучения. Параметры сильно зависят от масштаба: это не универсальная цифра, а ориентир для оценки порядка затрат. Сюда не входит зарплата ML-инженеров (от 300 тыс. рублей в месяц за специалиста), стоимость данных для обучения, тестирование и доработки. При этом API-доступ к готовым моделям дешевле при больших объёмах обработки, что делает гибридный подход всё более привлекательным.

Кастомная разработка стоит не только денег, но и времени. Типичный цикл: 2–3 месяца на проработку требований, 3–6 месяцев на прототип, ещё 3–6 на доведение до продакшена. Год — оптимистичный сценарий. За этот год конкурент, выбравший SaaS, уже получает отдачу.

Когда кастом оправдан? Три ситуации. Первая: у вас уникальные данные, которые создают конкурентное преимущество (медицинские записи, промышленная телеметрия, финансовые модели). Вторая: задача не решается ни одним готовым продуктом на рынке. Третья: масштаб бизнеса таков, что экономия от собственного решения перекроет затраты на разработку в горизонте 2–3 лет.

В остальных ситуациях соотношение затрат и результата, как правило, складывается в пользу готового решения.

Внедрение ИИ: кейсы России и уроки провалов

Успешные кейсы объединяет одно: компании не «внедряли ИИ ради ИИ», а решали конкретную измеримую задачу. Росатом публично заявлял о применении ИИ для предиктивного обслуживания оборудования и контроля качества на производстве — задачах, где готовых решений нет, а собственные данные накапливались годами. Именно такая комбинация — уникальные данные плюс нестандартная задача — делает кастомную разработку обоснованной.

Обратная сторона: большинство ИИ-проектов не достигают целей. Не потому что технология плохая. Потому что бизнес начинает с технологии, а не с задачи.

Типичная последовательность: руководитель выделяет бюджет на «исследование возможностей ИИ», через полгода есть красивое демо на синтетических данных — на реальных не работает. Бюджет закончился. Проект закрыт.

Как этого избежать? Начинать с измеримой бизнес-задачи. «Сократить время обработки заявки с 4 часов до 20 минут» — это задача. «Внедрить ИИ в компанию» — это не задача, это лозунг.

Как выбрать: пошаговая логика решения

Шаг 1. Опишите задачу без слова «ИИ». Что именно вы автоматизируете? Какой процесс ускоряете? Где теряете деньги? Если задача формулируется как «анализировать звонки менеджеров и находить причины отказов» — это конкретика, с которой можно работать.

Шаг 2. Проверьте рынок готовых решений. ИИ-аналитика звонков, RPA-роботы для бизнес-процессов, генеративный ИИ для контента — на большинство типовых задач уже есть SaaS-сервисы. Российские платформы на базе GigaChat, YandexGPT и другие предлагают API-интеграцию и готовые модули. Попросите демо у трёх вендоров, сравните.

Шаг 3. Посчитайте экономику обоих путей на горизонте 24 месяцев. SaaS: стоимость подписки × 24 + интеграция + обучение команды. Кастом: инфраструктура + команда разработки + данные + поддержка. Сравните с ожидаемой экономией или приростом выручки.

Шаг 4. Оцените данные. Есть ли у вас данные для обучения модели? Если нет — кастомная разработка теряет смысл. SaaS-решения работают на предобученных моделях и не требуют ваших датасетов для старта.

Шаг 5. Начните с пилота. В любом случае — будь то SaaS или кастом — запускайте на одном отделе, одном процессе, одном типе задач. Измеряйте. Масштабируйте только то, что доказало эффект.

Гибридный подход: почему «или-или» — ложная дилемма

Опытные компании не выбирают строго между покупкой и разработкой. Они комбинируют.

Типовые процессы (обработка документов, первичная классификация обращений, транскрибация) закрываются готовыми SaaS-решениями. Уникальные задачи, создающие конкурентное преимущество, решаются кастомной разработкой или дообучением открытых моделей на собственных данных. Связующее звено — API и low-code платформы, которые позволяют интегрировать готовые модели в собственные бизнес-процессы без написания кода с нуля.

Такой подход снижает риски: быстрый результат от SaaS и параллельные инвестиции в то, что даст долгосрочное преимущество.

Нужна ли техническая команда для внедрения ИИ? Для SaaS — нет. Достаточно одного технически грамотного сотрудника, который настроит интеграцию с CRM или телефонией. Для кастомной разработки — да, минимум ML-инженер, дата-инженер и DevOps. Найти таких специалистов на российском рынке непросто: спрос превышает предложение, зарплаты растут.

Если большинство проектов проваливаются, зачем вообще начинать? Потому что большинство проваливается из-за конкретных ошибок: нет чёткой бизнес-задачи, нет данных, нет внутреннего спонсора, пытались охватить всё сразу. Это не случайные провалы — они воспроизводятся по одному сценарию. Компании, которые начинают с задачи, считают экономику и запускают пилот, получают измеримый результат.

Какие российские ИИ-решения подходят малому бизнесу? Малому бизнесу не нужен собственный ИИ. Нужны инструменты. Сервисы на базе YandexGPT и GigaChat предлагают API с оплатой за использование — без абонентской платы и фиксированных расходов. Для аналитики звонков, генерации контента и автоматизации рутинных процессов через RPA-роботов этого достаточно.

Итог: решение, которое стоит денег

ИИ купить или разработать — вопрос не технологический, а экономический. Для большинства компаний готовые решения закрывают задачи быстрее и дешевле. Кастомная разработка оправдана только при наличии уникальных данных, нестандартной задачи и бюджета на горизонт минимум двух лет.

Начинайте с задачи. Считайте экономику. Запускайте пилот. Масштабируйте то, что работает.