Розробка AI-агента на замовлення: за що ви насправді платите
Розробка AI-агента для замовника планувалася на шість тижнів — пішло чотирнадцять. Не через поганий код, а через п'ять форматів вкладень, три застарілі системи без API і логіку маршрутизації, яка жила виключно в голові двох співробітників. Саме такі приховані чинники — складність інтеграцій, якість даних, вимоги до комплаєнсу — формують реальну ціну кастомного AI-агента, а не вартість самої мовної моделі. І ще один факт, який дивує більшість: початкова розробка — це лише 25–35% від сукупних витрат за три роки.
Розробка AI-агента для замовника починалася із задачі, яка здавалась простою: автоматизувати обробку вхідних замовлень електронною поштою. Менеджери вручну читали листи, копіювали дані в SAP, звіряли з базою постачальників — і так по колу, десятки разів на день. Оцінка на старті — шість тижнів, бюджет середнього рівня. Реальність виявилась іншою: п'ять різних форматів вкладень, три legacy-системи без нормального API, і логіка маршрутизації, яка «жила в голові» у двох конкретних людей і ніде не була задокументована. Проєкт зайняв чотирнадцять тижнів. Але він запрацював.
Саме ця розбіжність між очікуваною і реальною вартістю — головна причина, чому більшість розмов про AI-агентів зупиняється на рівні «дорого і незрозуміло».
Агент — це не чат-бот із характером
Перше, що варто зафіксувати: кастомний AI-агент — це програмна система, яка сприймає вхідні дані зі свого середовища (документи, API, бази даних, повідомлення), аналізує їх через велику мовну модель (LLM) і виконує автономні дії. Викликає зовнішні інструменти, записує в системи обліку, маршрутизує завдання, передає контроль людині, коли впевненість низька.
Слово «кастомний» тут несе реальне навантаження. Готові SaaS-інструменти дають заздалегідь зібраного агента, обмеженого списком інтеграцій вендора й підпискою, яка дорожчає разом із зростанням обсягів. Агент на замовлення проєктується під ваші конкретні бізнес-процеси, підключається до вашої архітектури й належить вам.
Будь-який продакшн-агент складається з чотирьох шарів: ядро міркування (LLM + архітектура промптів + RAG-пам'ять), шар інструментів (API-інтеграції, парсери), шар оркестрації (логіка: коли діяти самостійно, коли ескалювати) і шар спостережуваності (логування, моніторинг, аудитний слід). Пропустіть будь-який із них на етапі розробки — і заплатите за це в продакшні.
Що реально формує ціну на розробку кастомного AI-агента
Підписуйтеся на наші соцмережі
Ринок у 2026 році сформував три практичні рівні. Агент для однієї задачі — від $4 000 до $12 000 в Україні, два-шість тижнів розробки. Агент для автоматизації процесів із кількома інтеграціями — від $12 000 до $48 000, шість-чотирнадцять тижнів. Корпоративні мультиагентні системи — від $60 000 і вище, чотири-дев'ять місяців.
Але самі по собі ці цифри мало що пояснюють. Реальні перевитрати майже ніколи не приходять із боку LLM. Вони приходять із чотирьох місць.
Складність інтеграцій. Підключення до сучасного REST API — це одна вартість. Підключення до застарілої ERP без API, з непослідовними схемами даних і автентифікацією з 1990-х — у чотири-десять разів більше. Кількість систем і те, наскільки чисто вони відкривають свої дані, — це найбільший чинник коливання вартості будь-якого проєкту.
Вимоги до комплаєнсу. Агент підтримки для роздрібного бренду й агент перегляду документів для фінансової установи можуть мати ідентичну логіку міркування. Версія для фінансової установи коштує на 40–60% більше: кожне рішення потрібно логувати, пояснювати й захищати перед регуляторами.
Якість даних. Агент настільки ж хороший, наскільки хороші дані, з якими він працює. Якщо база знань — це суміш застарілих PDF і знань, що живуть у чиїйсь поштовій скриньці, значна частина бюджету піде на підготовку даних ще до того, як буде написано рядок коду.
Проєктування участі людини. Агенти з людиною (human-in-the-loop) в конкретних точках прийняття рішень часто дорожчі у розробці, ніж повністю автономні, — бо логіку передачі, інтерфейс для рецензентів і маршрутизацію ескалацій потрібно ретельно проєктувати. Але вони безпечніші для розгортання у відповідальних процесах.
Кейс із цифрами: Danfoss і Go Autonomous
Danfoss — данська міжнародна інженерна група — зіткнулась із класичною проблемою масштабу: значна частина виручки надходила через замовлення електронною поштою, і кожне з них вимагало ручного введення даних у SAP, звірки з базою постачальників і маршрутизації на затвердження. Середній час обробки одного замовлення — 42 години.
У партнерстві з Go Autonomous на базі Google Cloud компанія розгорнула AI-агента, який читає вхідні листи, витягує дані з листа і вкладень, валідує їх у SAP і готує замовлення до обробки. Результат, задокументований Google Cloud: автоматизовано до 80% транзакційних рішень, час відповіді скоротився з 42 годин до близького до реального часу, а п'ять різних систем, між якими раніше перемикались оператори, зведено в єдиний інтерфейс. Скорочення часу обробки — 50%.
Механіка цього результату важливіша за самі цифри. До впровадження агента кожне замовлення вимагало від оператора виконання передбачуваної послідовності кроків: перевірити запит, звіритись із базою, підтвердити ціну, маршрутизувати. У масштабі десятків тисяч замовлень щорічно — це колосальний обсяг людського часу, витраченого на рішення, що слідують правилам. Агент бере на себе передбачуваний, високооб'ємний сегмент. Люди займаються винятками, що потребують судження.
Саме ця модель дає найсильніший ROI: не заміна людського судження загалом, а виведення людей із рішень, які не потребують людського судження.
Одна цифра, яка дивує корпоративних замовників
Початкова розробка становить лише 25–35% від сукупної вартості за три роки. Якщо вам виставили $80 000 за розробку агента на міжнародному ринку, реалістичний трирічний бюджет — з урахуванням витрат на API моделей, інфраструктуру й підтримку на рівні 15–25% від вартості розробки щорічно — ближчий до $230 000–$320 000.
Це не привід відмовлятись від проєкту. Це привід рахувати ROI на три роки, а не на дванадцять місяців.
Для розрахунку є три складові. Перша — витіснення витрат на персонал: скільки годин на тиждень займає цільовий процес у всіх залучених людей, помножте на повну вартість години. Друга — вартість помилок і переробок: ручні процеси мають рівень помилок, і помилки нижче за ланцюжком часто коштують більше, ніж сама праця на вихідному завданні. Третя — цінність швидкості: цикл закупівель, що займає години замість реального часу, може означати втрачені знижки від постачальників або зірвані виробничі графіки. Цю складову регулярно не включають у моделі ROI — і регулярно недооцінюють.
Коли агент у продакшні й цифри відстежуються, змінюється не лише операційна ефективність. Змінюється те, як ви керуєте бізнесом: ви перестаєте управляти винятками й починаєте управляти результатами. Відчуття контролю над операціями, рішень, підкріплених даними, а не тим, хто виявився доступним у потрібний момент, — це не м'яка перевага. Це і є реальний продукт.
А коли рада директорів або інвестори запитають, як ви масштабуєте операції без пропорційного зростання штату, — жива AI-система з вимірюваними результатами — це зовсім інша відповідь, ніж слайд із дорожньою картою.
Повний розклад за рівнями, детальну таблицю вартості й покрокову структуру фаз розробки — від дискавері до моніторингу в продакшні — зібрано в матеріалі «Розробка AI-агента на замовлення: за що ви платите». Якщо ви зараз скоупуєте подібний проєкт або намагаєтесь побудувати бізнес-кейс для керівництва — там є конкретика, яка допоможе не помилитись із бюджетом.
А як у вас? Чи стикались із ситуацією, коли реальна вартість AI-проєкту суттєво розійшлась із початковою оцінкою — і що виявилось головною причиною?