Розробка AI-агента на замовлення: за що ви платите

Цінник, який перестав бути зрозумілим

Ще недавно проєкт за $150 000 означав новий модуль CRM, клієнтський портал або дашборд зі звітами — щось, що можна показати на екрані й пояснити фінансовому директору двома реченнями. Тепер за ті самі гроші можна отримати систему, яка самостійно ухвалює рішення у закупівлях, маршрутизує винятки в комплаєнсі й складає резюме договорів — без жодної людини в ланцюжку. Результат складніше показати пальцем. ROI — так.

Змінилась не лише технологія — змінилась категорія задач, які вона вирішує. Компанії, що розуміють, що саме вони купують на кожному ціновому рівні, вириваються вперед від тих, хто досі сприймає AI-агентів як дорогих чат-ботів. Про конкретику — хто виграє, як виглядають цифри і де більшість компаній залишає гроші на столі — ця стаття.

Що насправді означає "AI-агент на замовлення"

Спочатку — визначення, яке має значення. Кастомний AI-агент — це не чат-бот з характером. Це програмна система, яка сприймає вхідні дані зі свого середовища — документи, API, бази даних, повідомлення користувачів — аналізує їх за допомогою великої мовної моделі й виконує автономні дії: викликає зовнішні інструменти, записує в системи обліку, маршрутизує завдання, запускає процеси або передає контроль людині, коли впевненість низька.

Слово "кастомний" тут несе реальне навантаження. Готові AI-інструменти дають вам заздалегідь зібраного агента, навченого на загальних даних, обмеженого списком інтеграцій вендора й прив'язаного до підписки, яка дорожчає разом із зростанням обсягів. Агент на замовлення проєктується під ваші конкретні процеси, підключається до ваших конкретних систем і належить вам — без щомісячної плати за місця, без залежності від логіки вендора.

Саме ця різниця і є основою всієї розмови про ціни.

Питання не в тому, чи коштує кастомний агент більше, ніж SaaS-підписка. Коштує. Питання в тому, що ви порівнюєте: інструмент, який робить те, що вирішив вендор, — або інфраструктуру, яка робить те, що потрібно вашому бізнесу.

Чотири шари, з яких складається кожен агент

Незалежно від галузі й задачі, продакшн-агент на замовлення будується з чотирьох шарів — і кожен несе свою вартість:

• Ядро міркування — LLM (GPT-4o, Claude 3.5, Gemini або відкрита модель на кшталт Llama) разом з архітектурою промптів і системою пам'яті, що забезпечує стабільну поведінку
• Шар інструментів — інтеграції: API, бази даних, конектори до ERP, парсери документів, веб-пошук, середовища виконання коду
• Шар оркестрації — логіка, яка вирішує, коли агент діє самостійно, коли запитує уточнення, а коли передає завдання людині
• Шар спостережуваності — логування, моніторинг, сповіщення й аудитний слід, який рано чи пізно запросять юристи й комплаєнс

Пропустіть будь-який із цих шарів на етапі розробки — і заплатите за це в продакшні: збоями, прогалинами в комплаєнсі або системою, яка чудово виглядає на демо, але ламається під реальним навантаженням.

Реальний розподіл витрат за рівнями

Ринок у 2026 році сформував три практичні рівні, і діапазони широкі — бо широкі змінні всередині кожного рівня.

Рівень 1: Агенти для однієї задачі ($10 000–$30 000)

Сфокусований агент, який добре робить одне: відповідає на звернення підтримки з бази знань, витягує структуровані дані з вхідних рахунків або відстежує конкретний потік даних і надсилає сповіщення. Час розробки — зазвичай від двох до шести тижнів.

Цей рівень підходить для перевірки гіпотези перед тим, як вкладатися у більший проєкт. Ризик — розповзання скоупу: "простий" агент, якому потрібно обробляти п'ять форматів документів, підключатися до трьох застарілих систем і вести аудит-готові логи, — це вже не проєкт першого рівня.

Рівень 2: Агенти для автоматизації процесів ($30 000–$120 000)

Багатокрокові агенти з пам'яттю, умовною логікою й трьома-п'ятьма інтеграціями. Сюди потрапляє більшість проєктів середнього ринку. Приклади: агент закупівель, який перевіряє запити на придбання відповідно до політики, звіряється з базами постачальників і маршрутизує винятки до потрібного затверджувача; агент моніторингу комплаєнсу, який читає регуляторні оновлення, зіставляє їх з внутрішніми політиками й позначає прогалини для юридичного відділу.

Час розробки — від шести до чотирнадцяти тижнів. Поточні витрати — виклики API моделі, інфраструктура, підтримка — зазвичай додають $2 000–$8 000 на місяць понад вартість розробки.

Рівень 3: Корпоративні мультиагентні системи ($150 000–$500 000+)

Скоординовані мережі спеціалізованих агентів, що працюють у різних підрозділах, з дотренованими моделями, кастомними рівнями безпеки, фреймворками комплаєнсу й інтеграцією в застарілі корпоративні системи. Терміни розробки — від чотирьох до дев'яти місяців. Щомісячні операційні витрати — $8 000–$25 000+.

Саме тут зазвичай працюють регульовані галузі — фінансові послуги, охорона здоров'я, юриспруденція, — бо вимоги до комплаєнсу й аудиту самі по собі додають значний інженерний обсяг.

Рівень	Вартість розробки	Терміни	Щомісячні витрати	Для кого
Агент для однієї задачі	$10K–$30K	2–6 тижнів	$500–$2K	Перевірка гіпотези, вузька автоматизація
Агент для процесів	$30K–$120K	6–14 тижнів	$2K–$8K	Автоматизація ключових процесів, середній ринок
Мультиагентна система	$150K–$500K+	4–9 місяців	$8K–$25K+	Корпоративний рівень, регульовані галузі

Одна цифра, яка дивує більшість замовників: початкова розробка становить лише 25–35% від сукупної вартості за три роки. Якщо вам виставили $80 000 за розробку агента, реалістичний трирічний бюджет — з урахуванням витрат на API моделі, 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.

Що насправді формує ціну (і що — ні)

Більшість перевитрат у проєктах з AI-агентами виникає не через LLM. Вони приходять із чотирьох джерел, які легко недооцінити на етапі скоупінгу.

Складність інтеграцій. Підключення до сучасного REST API коштує $1 000–$4 000 за інтеграцію. Підключення до застарілої ERP без API, з непослідовними схемами даних і автентифікацією з 1990-х — $10 000–$40 000 за інтеграцію. Кількість систем, до яких агент має звертатися, і те, наскільки чисто ці системи відкривають свої дані, — це найбільший чинник коливання вартості проєкту.

Вимоги до комплаєнсу й аудиту. 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, бо кожне рішення потрібно логувати, пояснювати й захищати перед регуляторами. Якщо ваша галузь регульована — закладайте це в бюджет з першого дня.

Якість даних. Агент настільки ж хороший, наскільки хороші дані, з якими він працює. Якщо ваша база знань — це суміш застарілих PDF, непослідовних найменувань і знань, що живуть у чиїйсь поштовій скриньці, значна частина бюджету піде на підготовку даних ще до того, як буде написано рядок логіки агента.

Проєктування участі людини. Як не парадоксально, агенти, розроблені з участю людини 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 і, як правило, дають кращі результати в перші шість місяців.

Детальніше про те, як вибір архітектури — RAG чи CAG, відкриті чи закриті моделі — впливає на вартість і продуктивність, читайте у статтях RAG vs CAG: яку AI-архітектуру обрати та Відкриті vs закриті AI-моделі: що обрати.

Крок за кроком: як насправді будується AI-агент

Саме цей процес відрізняє продакшн-агента від демо, яке розсипається під реальними умовами. Кожна фаза має вартість, результат і точку прийняття рішення.

Фаза 1: Дискавері й скоупінг ($1 500–$10 000 | 1–3 тижні)

Команда детально картографує цільовий процес: що запускає процес, які джерела даних задіяні, які рішення потрібно ухвалювати, де зараз втручаються люди й чому, і як виглядає "успіх" у вимірюваних показниках. Результат — технічне завдання й оцінка вартості розробки.

Ця фаза не є опціональною. Проєкти, які її пропускають — одразу переходять до розробки на основі загального брифу, — майже завжди виходять за рамки бюджету й термінів, бо справжня складність проявляється лише тоді, коли починаєш будувати.

Точка рішення: чи все ще має економічний сенс скоупований проєкт? Якщо дискавері показало, що цільовий процес складніший, ніж очікувалось, — саме зараз час переглянути скоуп, а не через шість тижнів розробки.

Фаза 2: Підготовка даних і архітектура знань ($5 000–$70 000 | 2–6 тижнів)

Збір, очищення й структурування даних, з якими агент працюватиме. Для RAG-агента це означає побудову й наповнення векторної бази даних. Для агента автоматизації процесів — картографування схем даних кожної підключеної системи й обробку крайніх випадків: відсутніх полів, непослідовних форматів, дублікатів записів.

Широкий діапазон вартості тут відображає головну змінну будь-якого AI-проєкту: якість даних. Чисті, структуровані, добре задокументовані дані — нижня межа; фрагментовані, застарілі, різноформатні — верхня.

Фаза 3: Розробка ядра агента ($15 000–$200 000 | 3–12 тижнів)

Побудова циклу міркування, архітектури промптів, інтеграцій інструментів, системи пам'яті й логіки оркестрації. Тут вибір LLM має значення — не лише для можливостей, а й для вартості. Агент на базі GPT-4o при великих обсягах матиме суттєво інші щомісячні витрати на API, ніж агент на відкритій моделі, розгорнутій на власній інфраструктурі.

Ця фаза також включає механізми відмовостійкості: що відбувається, коли агент стикається з вхідними даними, з якими не може впоратись впевнено, коли зовнішній API недоступний або коли запит користувача виходить за межі визначеного скоупу агента.

Фаза 4: Тестування й ред-тімінг ($5 000–$30 000 | 2–4 тижні)

Систематичне тестування на крайніх випадках, ворожих вхідних даних і сценаріях збоїв. Для агентів, що взаємодіють з клієнтами, це включає тестування на вразливості до prompt injection. Для агентів у регульованих середовищах — перевірку повноти й точності аудитного сліду за всіх умов.

Саме тут більшість проєктів з обмеженим бюджетом економить — і саме звідси беруться збої в продакшні. Добре протестований агент коштує більше на старті й значно менше у відповіді на інциденти.

Фаза 5: Розгортання, моніторинг і ітерації (Постійно | $1 000–$25 000/місяць)

Розгортання в продакшні, налаштування спостережуваності й перші 90 днів активного моніторингу. Реальні вхідні дані виявлять крайні випадки, які не потрапили в тести. Закладайте бюджет щонайменше на один значний цикл ітерацій у перший квартал після запуску.

Після 90 днів поточні витрати стабілізуються навколо використання API моделі, інфраструктури й періодичних оновлень у міру зміни версій LLM або еволюції бізнес-процесів.

Реальний кейс із цифрами: автоматизація закупівель у виробництві

Danfoss, данська міжнародна інженерна група, впровадила AI-агентів у процеси обробки замовлень і закупівель у партнерстві з Go Autonomous. Розгортання автоматизувало значну частку транзакційних рішень щодо замовлень на купівлю — рутинних, високооб'ємних рішень, які раніше потребували перевірки людиною на кожному кроці. Час відповіді на такі замовлення суттєво скоротився, а компанія повідомила про відчутну річну економію з коротким терміном окупності.

Механіка цього результату варта розуміння. До впровадження агента кожне замовлення вимагало від байєра перевірки запиту відповідно до політики, звірки наявності у постачальника, підтвердження ціни за умовами договору й маршрутизації на затвердження. У масштабі — десятки тисяч замовлень щорічно — це колосальний обсяг людського часу, витраченого на рішення, що слідують передбачуваним правилам. Агент бере на себе передбачуваний, високооб'ємний сегмент. Байєри-люди займаються винятками, що потребують судження, переговорів або нестандартної обробки. Жодна зі сторін не виконує роботу іншої.

Саме ця модель дає найсильніший ROI у розгортаннях AI-агентів: не заміна людського судження загалом, а виведення людей із рішень, які не потребують людського судження. Люди стають ціннішими. Процес стає швидшим і послідовнішим. А структура витрат змінюється назавжди.

Коли значна частина часу команди йде на рішення, що слідують правилам, — це не проблема кадрів. Це проблема автоматизації, яку вирішують зарплатою.

Для контексту щодо автоматизації кредиторської заборгованості — тісно пов'язаного кейсу — галузеві дослідження корпоративних розгортань AP показують відчутну річну економію для команд, що обробляють великі обсяги рахунків, зі значним скороченням витрат на обробку.

Картина ROI по галузях послідовна. Компанії, що розгортають агентні AI-системи, звітують про сильну середню віддачу, а більшість керівників досягають позитивного ROI протягом першого року розгортання. Фінансові компанії зокрема фіксують помітне скорочення витрат і скорочення циклів, зазвичай виходячи на окупність за кілька місяців.

Як оцінити, чи виправдані інвестиції для вашого бізнесу

Фреймворк ROI для кастомного AI-агента має три складові, і всі три потрібно змоделювати до того, як ухвалювати рішення про розробку.

Витіснення витрат на персонал. Скільки годин на тиждень займає цільовий процес — у всіх залучених людей? Помножте на повну вартість години. Це ваша базова лінія. Агент, який бере на себе 70% цього процесу за 10% вартості, дає розраховувану річну економію.

Вартість помилок і переробок. Ручні процеси мають рівень помилок. Помилки нижче за ланцюжком — виняток у комплаєнсі, дублікат платежу, пропущена умова договору — мають вартість, яка часто перевищує вартість праці на вихідному завданні. Агент з точністю 99%+ на структурованих задачах усуває більшість цих витрат на переробку.

Цінність швидкості й пропускної здатності. Наскільки час циклу важливий у вашому бізнесі? Цикл закупівель, що займає години замість майже реального часу, — це не просто повільніше. Це може означати втрачені знижки від постачальників, затримки виробничих графіків або клієнтські зобов'язання, які неможливо виконати. Цінність швидкості часто більша за цінність економії на праці — і її регулярно не включають у моделі ROI.

Структурований підхід до побудови й презентації цього бізнес-кейсу всередині компанії описано в статті AI ROI: як довести цінність бізнесу.

Коли все зроблено правильно — агент у продакшні, цифри відстежуються, процес іде без пожеж — щось змінюється в тому, 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.

FAQ

Скільки часу займає розробка кастомного AI-агента? Терміни сильно залежать від складності й обсягу інтеграцій. Агент для однієї задачі може бути готовий до продакшну за два-шість тижнів. Агент для автоматизації процесів із кількома інтеграціями зазвичай займає шість-чотирнадцять тижнів. Корпоративні мультиагентні системи з вимогами до комплаєнсу — від чотирьох до дев'яти місяців. Дискавері й скоупінг — перша фаза — зазвичай займає один-три тижні й має відбутися до будь-яких зобов'язань щодо термінів.

У чому різниця між кастомним AI-агентом і готовим AI-інструментом? Готові інструменти зібрані для загальних кейсів і обмежені списком інтеграцій та ціновою моделлю вендора. Кастомний агент проєктується під ваші конкретні процеси, підключається до ваших конкретних систем і належить вам. Початкова вартість вища; довгострокова структура витрат і ступінь відповідності вашим реальним процесам — принципово інші.

Які поточні витрати закладати після розробки? Очікуйте щомісячних витрат від $1 000 до $25 000 залежно від складності агента й обсягу використання. Основні складові: витрати на API моделі (за використання), інфраструктура й хостинг, підтримка — зазвичай 15–25% від вартості розробки щорічно. Реалістична сукупна вартість за три роки — від двох до чотирьох разів більша за початкову вартість розробки.

Які процеси найкраще підходять для автоматизації AI-агентами? Найсильніші кандидати — високооб'ємні, правило-орієнтовані процеси з чіткими вхідними й вихідними даними: затвердження закупівель, обробка рахунків, моніторинг комплаєнсу, перегляд документів, тріаж клієнтської підтримки, витягування даних із неструктурованих документів. Процеси, що потребують тонкого людського судження, політичної чутливості або творчого результату, краще залишати людям, а агентам відводити роль підтримки, а не автономії.

Як зрозуміти, чи готові мої дані для AI-агента? Корисний тест: чи можете ви описати процес у письмовій інструкції, якій міг би слідувати новий співробітник? Якщо так — процес, швидше за все, автоматизується. Якщо відповідь "залежить від того, кого питати" — підготовка даних стане значною частиною проєкту. Хороша фаза дискавері виявить це до початку розробки.

Яка найпоширеніша помилка компаній при замовленні кастомного AI-агента? Недооцінка складності інтеграцій і пропуск фази дискавері. Друга за поширеністю помилка — сприймати агента як готовий продукт на момент запуску, а не як систему, що потребує активного моніторингу й ітерацій у перші 90 днів. Агенти, яких розгортають і забувають, деградують у міру того, як бізнес-процеси змінюються й накопичуються крайні випадки.

---

Розрив між компаніями, які вже витягують реальну цінність з AI-агентів, і тими, хто досі запускає пілоти, швидко скорочується — і відмінність майже ніколи не в технології. Вона в чіткості кейсу використання, якості скоупінгу й готовності чесно рахувати економіку до підписання контракту.

Якщо ви намагаєтесь зрозуміти, чи варто автоматизувати конкретний процес у вашому бізнесі, скільки це реалістично коштуватиме або як побудувати бізнес-кейс для керівництва — запитайте нашого AI-агента напряму. Приносьте конкретику. Чим конкретніший процес — тим конкретніша відповідь.