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

Что мы делаем

  • Копилоты

    Черновики, подсказки и следующие шаги прямо в рабочем процессе пользователя, с контекстом из вашего приложения.

  • Генерация документов

    Договоры, отчеты, предложения и резюме из структурированных данных, раздел за разделом и с проверкой по схеме.

  • Инструменты для письма

    Переписать, сократить, сменить тон по правилам стиля и примерам, чтобы текст не звучал как у всех.

  • Ассистенты по знаниям

    Ответы из документов компании через RAG, со ссылкой на источник и честным "не знаю", когда источника нет.

  • Персонажи и компаньоны

    Разговор устойчивым голосом: дообученный адаптер LoRA отвечает за голос, поиск по данным за факты.

  • Контроль качества и расходов

    Набор для оценки, версии промптов в базе, лимиты на пользователя и маршрутизация между моделями.

Демо работает на пяти примерах. Продукт должен работать на пяти тысячах

Типичная история: кто-то в команде за вечер собрал прототип на API OpenAI, и на первых примерах результат впечатляет. Потом приходят реальные пользователи. Кто-то вставляет полторы страницы вместо трех строк, кто-то пишет на суржике, модель вдруг выдумывает факт в договоре, а счет за токены растет быстрее выручки. Здесь заканчивается демо и начинается разработка генеративного ИИ.

Наши услуги по разработке генеративного ИИ касаются продуктов, где сгенерированный контент или рассуждение и есть сам продукт. Пользователь приходит за черновиком, документом, ответом, планом или разговором, и качество этого результата решает, останется ли он и будет ли платить. Если же вы хотите добавить одну ИИ-функцию в уже существующее приложение, лучше начать со страницы услуги по интеграции ИИ.

Чаще всего нас просят сделать одно из пяти:

Тип продукта Что получает пользователь Типичная основная техника Главный риск для качества
Копилот внутри рабочего процесса Черновики, подсказки и следующие шаги во время выполнения задачи Промптинг с контекстом из приложения, иногда вызов инструментов Подсказки, которые игнорируют контекст, видимый пользователю
Генерация документов Договоры, отчеты, коммерческие предложения, резюме из структурированных данных Шаблоны плюс генерация раздел за разделом, проверки по схеме Пропущенные или выдуманные факты
ИИ-инструмент для письма Переписать, расширить, сократить, сменить тон Промптинг с правилами стиля и примерами Шаблонный результат, который звучит как у любого другого инструмента
Ассистент по знаниям Ответы из документов компании или продукта Поиск по данным (RAG) со ссылками на источники Уверенные ответы без источника
Персонаж или компаньон Разговор устойчивым голосом Дообучение (LoRA) плюс память на поиске по данным Дрейф голоса и фактические ошибки о персонаже

Между пользователем и моделью стоит конвейер

Один вызов модели еще не продукт. Конвейер собирает входные данные, добавляет нужный контекст, вызывает модель, проверяет результат и сохраняет все, что понадобится для улучшения. Каждый этап здесь обычная программная инженерия, поэтому разработка приложений на LLM ближе к бэкенд-работе, чем к исследованиям.

Почти в каждом проекте мы строим одни и те же шесть этапов:

  1. Сбор входных данных: формы, загрузка файлов или чат с валидацией, чтобы модель получала чистые структурированные данные.
  2. Сборка контекста: шаблоны, данные пользователя, найденные документы и примеры в пределах бюджета токенов.
  3. Вызов модели через слой провайдера, чтобы OpenAI, Claude или открытую модель на собственном хостинге можно было заменить для каждой задачи отдельно.
  4. Проверка результата: валидация по JSON-схеме для структурированных ответов, правила длины и формата, второй проход для рискованного контента.
  5. Хранение и версионирование: промпты живут в базе данных с историей версий, так что тон и инструкции меняются без релиза.
  6. Обратная связь: правки пользователей, оценки и фиксированный тестовый набор, который прогоняем после каждого изменения промпта или модели.

В нашем собственном продукте AI Resume Master этот конвейер генерирует, переписывает и улучшает содержание резюме для каждого раздела и пишет сопроводительные письма под вакансию на основе самого резюме. Полное резюме пользователь составляет за 3-5 минут. Продукт мы создали примерно за три месяца, и он достиг 50 000 активных пользователей в месяц. Так что о счетах за токены и жалобах на плохую генерацию мы знаем не понаслышке.

Кейсы

Промптинг, поиск по данным или дообучение: что нужно вашему продукту?

Большинству продуктов хватает промптинга и поиска по данным, меньшинству нужно еще и дообучение. Вопрос в том, чего не хватает модели. Не хватает знаний, тогда помогает поиск. Не хватает нужного поведения, тогда может помочь дообучение.

Подход Что решает Стоимость создания Стоимость изменений Когда использовать
Промптинг с шаблонами Формат, тон, инструкции к задаче Низкая Минуты Всегда как первый шаг
Поиск по данным (RAG) Доступ к вашим документам и фактам Средняя Переиндексировать данные Ответы должны браться из вашего контента
Дообучение (например, LoRA) Устойчивый голос, узкая задача на меньшей модели От средней до высокой Переобучить адаптер Промптинг не удерживает поведение, или вы хоститесь сами

AI Grief Companion для американского стартапа показывает, когда нужны все три сразу. Пользователь загружает переписку с человеком, которого потерял, и дальше говорит с компаньоном его голосом. Мы разбираем десять форматов экспорта чатов, от WhatsApp до iMessage из резервной копии iPhone. Когда непонятно, кто из двух участников тот самый человек, система останавливается и спрашивает, потому что ошибка здесь означает обучить модель не на том человеке. Дальше строим профиль личности и граф фактов в Neo4j и обучаем адаптеры LoRA на Qwen2.5-7B с 4-битным QLoRA, которые vLLM подгружает во время запроса.

Поиск по данным поставляет факты, адаптер дает голос. Чат работает с тем этапом, который уже готов: базовая модель, модель с профилем личности, потом адаптеры. Поэтому разговор возможен примерно через двадцать минут после загрузки и становится точнее, когда обучение завершается. Для продуктов, которые в основном держатся на поиске по данным, есть отдельная страница разработка RAG.

Качество измеряем, а не угадываем

Лучший промпт, написанный один раз, качества не гарантирует. Перед запуском функции мы собираем набор для оценки: реальные или реалистичные входные данные и описание того, каким должен быть хороший результат. Каждое изменение промпта, модели или настроек поиска прогоняем на этом наборе.

Что именно проверять, зависит от продукта. В генерации документов смотрим, все ли обязательные разделы на месте, нет ли фактов, которых не было во входных данных, и правильный ли формат. В инструментах для письма проверяем инструкции, длину и тон. Ассистент должен ссылаться на источник и говорить "я не знаю", когда источника нет. Часть проверок делает код, часть вторая модель в роли оценщика, а выборку всегда просматривает человек.

В продакшене мы логируем входные данные и результаты, с маскированием персональных данных там, где это нужно. Правки пользователей и повторные генерации для нас сигналы качества. Первые месяцы каждую неделю разбираем худшие случаи.

Чувствительные данные: безопасность закладывается в данные, а не в фильтр

Когда продукт работает с персональным или эмоциональным контентом, фильтра контента на выходе мало. В AI Grief Companion каждое сообщение шифруется еще при импорте отдельным ключом AES-256-GCM в KMS-конверте. Пользователь может удалить все одним кликом. А сам разговор подталкивает к профессиональной помощи, когда человеку это нужно.

В бизнес-продуктах вопросы будничнее, но не менее важны. Какие поля уходят в сторонний API? Где обрабатываются данные, сколько хранятся логи и кто может их читать? Мы документируем поток данных для вашей проверки безопасности, а там, где ответ этого требует, маскируем данные или ставим модель на собственный хостинг.

Сколько стоит разработка генеративного ИИ?

Цену задают тип продукта, потребность в дообучении или собственном хостинге моделей и то, сколько продукта вокруг нужно создать: аккаунты, биллинг, мобильные приложения. Для ориентира: генеративная функция в существующем продукте занимает 4-8 недель, новый MVP на генеративном ИИ с моделями в облаке провайдера 8-14 недель, продукт с дообучением, моделями на собственном хостинге или мобильными приложениями 4-8 месяцев. Ежемесячные расходы на работу отдельные: токены или GPU-хостинг, векторная база данных, хранилище и мониторинг. Сервисы с дообучением и собственным хостингом моделей мы строим в рамках разработки на Python.

Фиксированную цену даем после короткого разговора для оценки объема. Генеративная ИИ-функция в существующем продукте стоит у нас от 10 000 USD, а решение на генеративном ИИ на заказ с нуля оцениваем после того же разговора. Подробнее о расходах на разработку и на работу продукта в руководстве стоимость разработки ИИ-приложения.

Кто мы как компания по разработке генеративного ИИ

Компаний по разработке генеративного ИИ сейчас много, и демо умеют показать все. Сравнивая компании по разработке генеративного ИИ, смотрите на другое. Команд, которые выпустили генеративный продукт для реальных пользователей и дальше поддерживают его в работе, заметно меньше. Мы делали это и как подрядчик, и как владелец продукта: платили за токены, разбирали жалобы на плохие ответы и переписывали промпты под реальной нагрузкой.

Основной бэкенд у нас PHP и Symfony, в вебе React или Vue, в мобильных приложениях React Native или Flutter, Python там, где нужно обучение или обслуживание моделей. Каждый проект ведут senior-инженеры, а рутину в разработке берут на себя ИИ-агенты для написания кода, так что выпускаем быстрее. Если идея продукта еще формируется, начинаем с исследовательской фазы в рамках разработки ИИ-продуктов, а не сразу с кода.

Следующий шаг

Напишите коротко, что должен генерировать ваш продукт, для кого и из каких входных данных. Первая фаза, оценка объема, заканчивается проверенным промптом или прототипом на ваших реальных примерах, оценкой стоимости одной генерации и фиксированной ценой разработки. Запишитесь на разговор о проекте с генеративным ИИ.

Как мы работаем

  1. Описание задачи

    Вы пишете, что должен генерировать продукт, для кого и из каких входных данных.

  2. Оценка объема

    Проверенный промпт или прототип на ваших реальных примерах и стоимость одной генерации.

  3. Фиксированная цена

    После оценки объема называем фиксированную цену разработки.

  4. Конвейер и оценка

    Строим конвейер генерации вместе с тестовым набором, который прогоняем после каждого изменения промпта или модели.

  5. Разбор в продакшене

    Первые месяцы каждую неделю смотрим худшие ответы, правки и повторные генерации пользователей.

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

Это создание ПО вокруг моделей, которые создают новый контент: текст, структурированные документы, код или изображения, а не только классифицируют или прогнозируют. Большинство бизнес-продуктов сегодня работает на больших языковых моделях от OpenAI, Anthropic или на открытых моделях. Инженерная работа охватывает промпты и шаблоны, поиск по вашим данным, проверку результатов, оценку качества, пользовательский интерфейс и контроль расходов.

Попросите показать продукты с генеративным ИИ, которые компания выпустила для реальных пользователей, а не демо. Спросите, как они измеряют качество результатов перед релизом, как версионируют промпты, какую стоимость одной генерации ожидают для вашего случая и как работают с персональными данными. Хороший партнер также скажет, когда существующий инструмент уже решает вашу проблему. И убедитесь, что код, промпты и аккаунты моделей принадлежат вам.

Почти всегда начинайте с промптинга плюс поиска по данным: это дешевле, быстрее меняется и работает с самыми новыми моделями. Дообучение окупается, когда нужен устойчивый голос или формат, который промптинг не удерживает, или когда меньшая модель на собственном хостинге должна сравняться с большей на узкой задаче. Наш AI Grief Companion использовал дообучение LoRA для персонажа и поиск по данным для фактов.

В основном это токены: длина входных данных, длина ответа и уровень модели, умноженные на объем. Короткая генерация на модели среднего уровня может стоить долю цента, а длинные документы на моделях топ-уровня несколько центов или больше каждый. Стоимость одной генерации мы оцениваем еще на этапе оценки объема и закладываем в продукт кеширование, маршрутизацию между моделями и лимиты на пользователя.

В наших проектах вам принадлежат код, промпты, дообученные адаптеры и наборы для оценки, а аккаунты у провайдеров моделей открываются на вас. Право собственности на сгенерированные результаты регулируют условия провайдера модели, и для основных бизнес-API они в целом передают права на результат клиенту. Актуальные условия вашего провайдера для вашего сценария стоит проверить с юристом.

Давайте начнем ваш проект
Записаться на звонок