Сколько будет стоить ваш проект у нас? Опишите его в нескольких строках и увидите наш диапазон за две минуты. Получить оценку

Демо ИИ-продукта собирается за несколько дней. Вы показываете его знакомым, они говорят «вау», и кажется, что до запуска осталось немного. Потом реальные пользователи приносят данные, которых в демо не было, часть ответов выходит странной, а счет за модель на одного активного пользователя превышает то, что вы собирались брать за подписку.

Эта страница о продуктах, у которых ИИ и есть причина существования: уберите модель, и продавать будет нечего. Разработка ИИ-продукта ведет такой продукт от идеи до того, которым пользуются и за который платят: исследование, данные, выбор модели, оценка качества, приложение вокруг модели, запуск и работа после запуска. Главное отличие от обычной разработки в том, что самая важная часть продукта, качество ответов модели, не полностью под вашим контролем и меняется вместе с моделью, данными и пользователями.

Если вам нужна одна ИИ-функция в существующем приложении, более короткий путь ведет через интеграцию ИИ.

Что мы делаем

  • Исследование

    У кого есть проблема, какая главная задача продукта и как выглядит хороший ответ для этих людей.

  • Готовность данных

    Перечень входных данных, план доступа и приватности и первый тестовый набор из реальных примеров.

  • Прототип с оценкой

    Два-три кандидата на одном тестовом наборе: точность, задержка и стоимость запроса, измеренные до MVP.

  • MVP вокруг модели

    Аккаунты, интерфейс, оплата при необходимости, логирование и модель за абстракцией над провайдером.

  • Запуск и мониторинг

    Качество, задержка, ошибки и стоимость на пользователя под наблюдением с первого дня трафика.

  • Масштабирование

    Маршрутизация между моделями, новые источники данных и оптимизация стоимости, чтобы маржа держалась с ростом.

Шесть этапов, каждый заканчивается доказательствами

Такого процесса разработки ИИ-продукта мы придерживаемся с клиентами и на собственных продуктах. Каждый этап должен дать доказательства, которые оправдывают следующий, а не просто готовый артефакт.

Этап Типичная длительность На какой вопрос должен ответить этап Результат
1. Исследование 1-2 недели У кого есть эта проблема и как для них будет выглядеть хороший результат? Роли пользователей, главная задача, определение качества, объем
2. Готовность данных 1-3 недели Есть ли у нас входные данные, документы или примеры, нужные продукту? Перечень данных, план доступа и приватности, первый тестовый набор
3. Прототип и оценка 2-4 недели Могут ли современные модели достичь целевого качества при приемлемой стоимости? Прототип конвейера, измеренная точность, стоимость запроса
4. Разработка MVP 6-10 недель Пройдут ли реальные пользователи основной сценарий и вернутся ли? Рабочий продукт с аккаунтами, интерфейсом, оплатой при необходимости, логированием
5. Запуск и мониторинг 2-4 недели Держится ли качество на реальном трафике и что ломается? Мониторинг, обратная связь, исправления по реальным ошибкам
6. Масштабирование Постоянно Удержатся ли качество, задержка и маржа с ростом использования? Оптимизация стоимости, маршрутизация между моделями, новые источники данных, дорожная карта

Этапы 2 и 3 часто идут параллельно. Для небольшого продукта путь от исследования до запуска укладывается в 8-14 недель. Общая механика MVP (сокращение объема, еженедельные демо, чеклист запуска) описана на странице разработка MVP. Здесь речь о том, что свойственно именно ИИ-продуктам.

Почему ИИ-продукты ломаются иначе, чем обычное ПО?

Большинство таких сбоев видно еще до запуска, если их искать. Мы закладываем в план пять.

Качество, которое казалось нормальным в демо. Выбранные вручную примеры прячут длинный хвост странных запросов. Поэтому тестовый набор из реальных входных данных появляется на этапе 2, а не после запуска.

Юнит-экономика, которая не сходится. Продукт, в котором одна сессия стоит 0,40 USD на вызовы модели, не продашь активным пользователям за 5 USD в месяц. Стоимость на пользователя мы моделируем на этапе 3.

Тихие изменения поведения. Обновление модели или правка промпта ухудшает часть ответов, и ни одна ошибка об этом не сообщит. Ловят это версионированные промпты и прогон тестового набора перед каждым изменением.

Ожидание медленной части. Обучение, индексация или долгая генерация заставляют человека ждать. В хорошем продукте что-то полезное доступно сразу.

Доверие. Результатом, который приходится переделывать, перестают пользоваться. Удерживают ссылки на источники, возможность редактировать результат и честное «не уверен», когда модель не уверена.

Модель может сама распознать фото и проставить атрибуты. Она может ошибиться, а может сделать это очень круто: на разных каталогах доля ошибок у нас отличалась в разы. Поэтому сначала пробная партия, потом настройка, и человек все равно проверяет результат.

Антон Литвинов, основатель Lytvynov Production

Данные решают, какой продукт вообще возможен

Поэтому данные идут перед архитектурой. На этапе 2 мы составляем перечень всего, что продукт получает на вход: откуда это берется, в каком формате, кому принадлежит и есть ли там персональные данные. Ответы нередко меняют сам продукт. Если функция зависит от файлов, которые загружают пользователи, онбординг приходится строить вокруг этой загрузки.

Крайний пример в нашей практике: AI Grief Companion для американского стартапа. Весь продукт держится на переписке, которую люди приносят из других приложений. Мы написали парсеры для десяти форматов экспорта чатов, сделали Electron-приложение для резервных копий iPhone, потому что iMessage с телефона не экспортируешь, и расширение Chrome для Discord. Каждое сообщение шифруется уже при приеме.

Дальше конвейер работает поэтапно: профиль личности, факты, обучение LoRA, поиск. Чат берет тот этап, который уже готов. Так что говорить с компаньоном можно примерно через двадцать минут после загрузки, а не после завершения полного обучения. Именно так мы понимаем «что-то полезное сразу».

Модель выбираем измерением, а не симпатией

На этапе 3 тот же тестовый набор прогоняем на двух-трех моделях-кандидатах и подходах. Выбор определяют точность, задержка и стоимость запроса. Типичные кандидаты: модели OpenAI и Anthropic Claude через API, а также открытые модели, когда данные должны оставаться на ваших серверах или когда дообученная меньшая модель на узкой задаче превосходит большую универсальную.

Архитектура каждый раз складывается из одних и тех же блоков: промпты с шаблонами, поиск по вашим данным (подробнее на странице разработка RAG), дообучение и агенты, которые вызывают инструменты или API. Большинство продуктов сочетают два из них. Модель мы с первого прототипа прячем за абстракцией над провайдером: та, с которой вы запускаетесь, через год уже не будет основной. Если главная ценность продукта в сгенерированном контенте, конвейер подробнее описан на странице разработка генеративного ИИ.

Что мы сами провели от идеи до продакшена

Полный жизненный цикл ИИ-продукта мы проходим для клиентов и на собственных продуктах, так что с последствиями своих решений живем сами.

AI Resume Master, наш ИИ-конструктор резюме, мы сделали примерно за три месяца. Большие языковые модели генерируют, переписывают и улучшают текст резюме и сопроводительных писем, есть импорт из LinkedIn и экспорт в PDF, на десктопе и мобильных. Продукт дошел до 50 000 активных пользователей в месяц и зарабатывает на подписке и рекламе.

AI Grief Companion: веб-приложение и мобильные приложения, прием истории чатов, обучение персоны LoRA на Qwen2.5-7B и память на поиске. Промпты хранятся в базе данных с историей версий, так что тон настраивается без релиза.

Прототип автономного роя дронов, наша собственная R&D-разработка. Он превращает спутниковые данные Sentinel-2 в диагнозы по зонам и задачи, которые флот подхватывает без диспетчера. Связь с летательными аппаратами симулирована, спутниковые и погодные данные реальные. Мы сознательно так сделали на этапе прототипа: сначала доказать цикл принятия решений, а уже потом платить за интеграцию с железом.

Кейсы

Сколько стоит разработка ИИ-продукта?

Больше всего на цену влияют этап, на котором вы сейчас, количество источников данных, облачные модели или собственные серверы и то, сколько приложения нужно построить вокруг ИИ. Дообучение, собственный хостинг моделей и нативные мобильные приложения добавляют больше всего усилий. Работа после запуска (модели, хостинг, мониторинг) считается отдельно: обычно от десятков до нескольких тысяч долларов в месяц в зависимости от использования.

Фиксированную цену на каждый этап даем после короткого разговора. К полной разработке вы не обязуетесь, пока прототип не показал, что целевое качество достижимо. Для ориентира: MVP у нас обычно стоит 10 000-20 000 USD, сложный ИИ-продукт с дообучением и памятью на RAG 60 000-150 000 USD. Затраты на разработку и работу подробно разобраны в руководстве о стоимости разработки ИИ-приложения.

Как начать

Если вы хотите создать ИИ-продукт, первый шаг простой: 30-минутный разговор о продукте, пользователях и данных, которые у вас есть. Если по осуществимости еще есть вопросы, начинаем с исследования и прототипа с оценкой качества, и решение о MVP вы принимаете с измеренными результатами на руках. Если направление уже понятно, план перед разработкой может подтвердить более короткая оценка в рамках ИИ-консалтинга.

Каждый этап ведут senior-инженеры. ИИ-агентов для написания кода мы используем, чтобы двигаться быстрее, а код, промпты, тестовые наборы и аккаунты моделей оформлены на вас. Это и есть разработка ИИ-продуктов на заказ в нашем понимании: вы получаете продукт, а не зависимость от подрядчика. Запишитесь на разговор об ИИ-продукте.

Как мы работаем

  1. 30-минутный разговор

    О продукте, пользователях и данных, которые у вас уже есть.

  2. Исследование и прототип

    Если осуществимость под вопросом, сначала измеряем качество на тестовом наборе.

  3. Фиксированная цена этапа

    У каждого этапа своя цена. До полного MVP вы не обязуетесь заранее.

  4. MVP и запуск

    Senior-инженеры ведут разработку, ИИ-агенты берут рутину, демо регулярно.

  5. Все оформлено на вас

    Код, промпты, тестовые наборы и аккаунты моделей остаются вашими.

Два способа работать с нами

Проект с фиксированной ценой

Четкий объем, фиксированная цена, согласованная до старта и демо каждую неделю. Подходит для нового продукта или понятной части работы.

Оценить проект

Выделенная команда

Senior-инженеры, которые месяц за месяцем работают только над вашим продуктом, по вашим приоритетам и в ваших репозиториях.

О выделенной команде

Частые вопросы

Жизненный цикл разработки ИИ-продукта состоит из шести этапов: исследование, готовность данных, прототип с оценкой качества, разработка MVP, запуск с мониторингом и масштабирование. Он отличается от классического цикла разработки ПО, потому что качество ответов нужно измерять постоянно, стоимость работы растет с каждым пользователем, а обновление модели может изменить поведение без единого изменения в коде. Каждый этап должен заканчиваться доказательствами, а не только готовым результатом.

Сфокусированный ИИ-MVP на облачных моделях обычно занимает 8-14 недель от исследования до запуска, включая две-четыре недели работы с данными и прототипирования. Продукты, которым нужны дообучение, модели на собственных серверах, несколько источников данных или нативные мобильные приложения, часто занимают от четырех до восьми месяцев. Именно на этапе прототипа сроки выигрываются или теряются, потому что он рано показывает, достижимо ли целевое качество.

Нужно достаточно реальных примеров входных данных, которые будет получать продукт, и желательно примеры хороших ответов, чтобы собрать тестовый набор на 50-200 случаев. Для продуктов с поиском по данным нужны сами документы и разрешение их обрабатывать. Для дообучения нужны сотни или тысячи чистых примеров. Многие продукты стартуют с небольшим количеством данных и собирают их уже через сам продукт после запуска.

ИИ-функция добавляет возможность в продукт, который работает и без нее, например краткое изложение тикетов в службе поддержки. ИИ-продукт существует благодаря ИИ: уберите модель, и продавать будет нечего. ИИ-продуктам нужен полный жизненный цикл, включая оценку качества, моделирование стоимости и план на обновления моделей, а ИИ-функцию часто можно добавить по более короткому процессу интеграции.

С первого дня после запуска мы отслеживаем качество ответов, задержку, частоту ошибок и стоимость на пользователя, пополняем тестовый набор реальными случаями ошибок и прогоняем его перед каждым изменением промпта или модели. Провайдеры моделей регулярно выводят модели из обращения и обновляют их, поэтому мы держим модель за абстракцией и тестируем новые версии на тестовом наборе перед переходом. Промпты версионированы, так что неудачное изменение можно быстро откатить.

Давайте начнем ваш проект
Записаться на звонок