Покупать ИИ-решение или делать своё: как не потратить деньги на ненужную разработку

Когда компания решает внедрить искусственный интеллект, вопрос обычно формулируют так: купить готовое решение или разработать собственное. Но на практике выбор шире. Можно использовать готовую модель как основу, а данные, интеграции и бизнес-логику разработать внутри компании. Последний вариант чаще всего оказывается самым рациональным. Типовые технологии уже есть на рынке, а реальное конкурентное преимущество создаётся за счёт того, как модель встроена в процессы компании.

Какой подход выбрать в зависимости от потребностей и задач бизнеса, рассказал Сергей Завелишко, эксперт программы "ИИ-лидеры: бизнес-лаборатория для руководителей" Центра непрерывного образования ФКН НИУ ВШЭ, руководитель направления ИИ-продуктов в ГК "Самолёт".

Когда выгоднее купить готовое решение

Готовый продукт подходит там, где задача типовая, а ценность — в скорости: для классификации обращений, подготовки кратких пересказов документов, извлечения данных, создания черновиков или поиска по базе знаний. Так компания получает работающий инструмент за недели вместо месяцев, не строя свою инфраструктуру и не нанимая отдельную команду, а экономика сходится за счёт оплаты по факту потребления. Если аналогичную задачу решают десятки компаний, собственная разработка редко даёт заметное преимущество.

Покупка особенно оправдана на этапе проверки гипотезы. Готовый сервис позволяет быстро запустить пилотный продукт, оценить качество и понять, приносит ли решение бизнес-эффект. Строить отдельную инфраструктуру и собирать команду до подтверждения экономической целесообразности обычно невыгодно.

Кроме того, готовое решение лучше подходит при небольшом объёме запросов. В этом случае оплата за фактическое использование может оказаться дешевле постоянных расходов на собственные серверы и специалистов.

Например, компания "Островок" внедрила готовую платформу Just AI Agent Platform и модель GPT-4o для автоматического обзвона отелей перед высоким сезоном. Голосовой бот уточняет актуальность цен, свободных номеров и условий бронирования, назначает повторные звонки и фиксирует результаты. Разработку и настройку завершили чуть больше чем за месяц. В итоге бот автоматизировал 85 % звонков, ускорил обзвон в четыре раза, а неделя его работы заменила примерно месяц работы десяти операторов.

Когда есть смысл делать своё

Собственная разработка оправдана, если ИИ становится частью ключевого продукта или процесса, который отличает компанию от конкурентов. Причиной также могут быть уникальные данные, высокая нагрузка, нестандартные требования к качеству или запрет на передачу информации внешнему поставщику.

Однако это не означает, что нужно обучать модели с нуля. Для большинства компаний это слишком дорого и сложно. Чаще бизнес разворачивает готовую открытую модель в своём контуре, дообучает её или подключает к корпоративным данным.

Компании с большим объёмом чувствительных или уникальных данных и высокой загрузкой, которые строят собственный контур, обычно дообучают открытые модели на своих данных и разворачивают их в своём периметре, получая и защиту данных, и накопление уникальной экспертизы, и снижение стоимости на масштабе.

Так, компания MWS AI, входящая в МТС, выпустила мультимодальную модель Cotype VL для одновременной работы с текстом и изображениями. При этом модель не создавали с нуля: за основу взяли открытую Qwen 2.5-VL, а затем дообучили её на русскоязычном наборе из более чем 150 тысяч документов.

Собственная система становится экономически обоснованной только при достаточной загрузке. Если инфраструктура большую часть времени простаивает, затраты на её создание и сопровождение не окупаются.

Почему гибридный вариант часто лучше

В большинстве проектов выгоднее взять готовую базовую модель, а прикладной слой создать самостоятельно. К нему относятся корпоративные данные, интеграции с внутренними системами, права доступа, бизнес-правила и контроль качества.

Одна и та же языковая модель может использоваться несколькими компаниями. Но в одной она просто отвечает на вопросы, а в другой получает данные из актуальной базы знаний, учитывает права сотрудника, проверяет ответ и передаёт сложные случаи специалисту. Ценность возникает именно во втором случае.

Полезно разделять типовое и уникальное. Не стоит тратить ресурсы дефицитных специалистов на повторение технологий, которые уже доступны на рынке. Их работа должна быть сосредоточена на данных, процессах и функциях, которые создают преимущество.

Например, Tilda не стала разрабатывать собственную ИИ-модель, а взяла готовую Alice AI и построила на её основе ИИ-помощника внутри конструктора сайтов. Команда сама настроила промпты, логику генерации, интеграцию с блоками, цветами и изображениями, а также встроила инструмент в интерфейс продукта. MVP (минимально жизнеспособный продукт) запустили за месяц; пользователи оценили качество в среднем на 8 из 10.

Сравнение трёх подходов

Считайте не лицензию, а полную стоимость

Цена готового продукта и бюджет на разработку сами по себе почти ничего не говорят. Сравнивать нужно совокупную стоимость владения за несколько лет. У готового решения к лицензии добавляются внедрение, интеграции, доработки и возможный переход к другому поставщику. Чем сильнее компания меняет ядро продукта под себя, тем сложнее становятся его обновления.

У собственной разработки основные расходы часто скрыты в сопровождении. Нужно поддерживать инфраструктуру, обновлять модели, работать с данными, отслеживать качество и устранять ошибки. Потребуются специалисты не только по разработке, но и по безопасности, оценке качества и бизнес-процессам.

Особенно часто недооценивают переход от прототипа к промышленной системе. Демонстрацию можно собрать быстро, но реальное решение должно стабильно работать под нагрузкой, соблюдать права доступа, вести журналы действий, защищать данные и корректно обрабатывать ошибки. Именно этот этап обычно требует основного бюджета.

Что учитывать кроме цены и скорости

Помимо стоимости на выбор влияют требования к данным, допустимость ошибок и состояние внутренних систем. Если модель работает с персональной, финансовой или коммерчески чувствительной информацией, часть обработки нужно перенести в защищённый контур.

Необязательно применять один подход ко всем данным. Обычную информацию можно обрабатывать внешней моделью, а чувствительную — обезличивать или оставлять внутри компании. В договоре с поставщиком нужно закрепить, сохраняются ли переданные данные и могут ли они использоваться для обучения.

Нужно учитывать и зависимость от поставщика. Сервисы могут менять цены, прекращать поддержку моделей или менять их поведение после обновлений. Для критичных процессов полезно предусмотреть возможность переключения на другую модель, не перестраивая всю систему.

Как принять решение

Начинать стоит с конкретной бизнес-задачи и измеримого результата. После этого нужно проверить доступные продукты и запустить ограниченный пилот на одном процессе. Пилот должен показать не только то, способна ли модель выполнить задачу. Важно понять, насколько стабильно она работает на реальных данных, сколько стоит эксплуатация, какие ошибки возникают и как они будут контролироваться.

Если готовое решение закрывает основную часть требований, разумнее использовать его как основу и доработать только уникальные элементы. Собственную разработку стоит начинать, когда гипотеза уже подтверждена, а расчёты показывают, что контроль, масштаб или накопление экспертизы оправдывают затраты.

Бизнесу стоит подумать, какую часть системы ему выгодно делать самостоятельно. Для большинства компаний ответ будет таким: взять готовую модель, а собственные ресурсы вложить в данные, интеграции, процессы и контроль качества.