Сколько стоит добавить ИИ в мобильное приложение: из чего складывается оценка

Сначала определите задачу, а не технологию

Фраза «хотим чат-бота» слишком расплывчата. «Ученик задаёт вопрос по опубликованному уроку и получает ответ только из утверждённых материалов курса» уже описывает конкретный результат. «Магазин предлагает три товара из каталога и объясняет выбор» тоже можно проверить.

После этого выбирают подход: внешняя модель, поиск по собственным данным, рекомендации, голос, изображения или собственная модель. Для MVP часто разумно начать с внешнего сервиса и узкой задачи. Это помогает быстро проверить ценность, но не отменяет платное использование и не гарантирует качество без подготовки и тестов.

Из каких частей складывается стоимость

Актуальные условия нужно смотреть у самих поставщиков: в прайсинге OpenAI API, документации по ценам Gemini и тарифах Anthropic. Модели и цены меняются, поэтому старые статьи нельзя использовать как окончательную смету.

Для первой версии лучше выбрать одну узкую функцию

У ограниченной задачи есть понятный результат. Она может кратко пересказать обращение, классифицировать заявку, извлечь данные из документа, превратить голосовую заметку в черновик или ответить по небольшой утверждённой базе знаний.

Ассистент, который отвечает на любые темы, помнит всю историю, сам ищет в открытом интернете и меняет данные аккаунта, является отдельным большим продуктом. Для него нужны более сложный интерфейс, права доступа, тесты и обработка неопределённости. В первой версии часто разумнее вернуть рекомендацию или черновик, чем дать системе право действовать самостоятельно.

Например, в приложении для обучения первая функция может отвечать на вопросы по опубликованным урокам и показывать источник. Ей не нужно одновременно придумывать персональную программу, оценивать чувствительную работу ученика и менять его права доступа. Чем уже задача, тем меньше риск и понятнее оценка.

Пять подходов, которые нельзя смешивать

### Вызов внешней модели через сервер

Приложение отправляет контролируемый запрос через сервер и получает текст, структурированные данные, изображение или другой результат. Это хороший вариант для кратких ответов, классификации, извлечения и узкого помощника. Основная работа здесь связана со сценарием, безопасностью, повторами, ограничениями и проверками, а не с обучением модели с нуля.

### Поиск по данным компании

Если ответ должен опираться на курсы, каталог, статьи поддержки или внутренние документы, системе нужно найти подходящие фрагменты до обращения к модели. Данные придётся очистить, разделить, проиндексировать, связать с правами доступа и обновлять. В таких проектах именно подготовка информации может оказаться главным расходом.

### Рекомендации и ранжирование

Рекомендация товара не обязательно требует диалога. В основе могут быть каталог, действия пользователей, бизнес-правила, сортировка и эксперименты. Прозрачная система правил часто лучше подходит для первого этапа, потому что её проще измерить. Если данных о поведении пока мало, сложная модель не создаст их из воздуха.

### Голос, изображения и документы

Голос добавляет запись, разрешения, расшифровку, воспроизведение, прерывания и задержку. Для документов нужны ограничения размера файла, проверка извлечённых полей и правила конфиденциальности. Изображения добавляют форматы, разрешение, чувствительное содержимое и дополнительное время обработки.

### Собственная или локальная модель

Она может понадобиться при работе без интернета, особых требованиях к задержке, строгом контроле данных или большом масштабе. Но тогда добавляются подготовка данных, проверка качества, упаковка, тесты на устройствах, обновления модели и запасной сценарий. Для MVP это должно быть ответом на конкретное измеренное ограничение, а не обязательным этапом.

Как посчитать ежемесячные расходы

Строка «ИИ: 20 000 рублей в месяц» ничего не объясняет без исходных условий. Для первого расчёта используйте формулу:

`ежемесячные расходы = запросы x средний объём входных данных x цена входа + запросы x средний объём ответа x цена выхода`

Затем добавьте хранение, поиск, аудио, изображения, хостинг, логи и мониторинг. В расчёте важны активные пользователи, доля тех, кто пользуется функцией, число запросов, повторы, объём контекста, длина ответа, выбранная модель, кэш и персональные документы.

Сделайте три сценария: низкий, ожидаемый и высокий. Для помощника в каталоге посчитайте короткий вопрос, длинный запрос с фильтрами и повтор, когда нужного товара не нашлось. Для голосовой функции добавьте длительность записи и количество реплик, а не только число сессий.

Данные часто оказываются самым большим скрытым расходом

Модель не даст устойчивый ответ, если исходная информация устарела, дублируется или не имеет владельца. До разработки нужно выяснить, кто поддерживает каталог, курсы, инструкции или статьи поддержки, как часто они меняются и какие данные доступны каждой роли пользователя.

Команде может понадобиться удалить дубли, разделить документы, добавить идентификаторы, повторить права доступа, настроить обновление и собрать примеры хороших и плохих ответов. Если информация меняется ежедневно, приложение должно уметь обнаруживать старые сведения. Если ответ касается платежа, здоровья или доступа к аккаунту, он должен показывать источник либо передавать случай сотруднику.

Поэтому ИИ-функция может превратиться в проект по серверной части и организации контента. Экран приложения является лишь видимой частью.

Проверка качества и безопасность входят в разработку

До публикации подготовьте реальные тестовые вопросы: ясные и неоднозначные формулировки, отсутствие нужных данных, попытку получить сведения другого пользователя, оскорбительный текст, вредоносную инструкцию и недоступность поставщика. Проверьте, отвечает ли приложение, задаёт ли уточнение, показывает ли источник, отказывает или передаёт обращение в поддержку.

В OWASP Top 10 для приложений на базе LLM и генеративного ИИ перечислены инъекция инструкций, раскрытие чувствительной информации, неправильная обработка ответа, чрезмерная автономность, недостоверная информация и неограниченное потребление. Для продукта это означает конкретные решения: что модель может читать, что писать, какое действие запускать и какой лимит действует на пользователя.

Аналитика должна считать не только вызовы модели. Отмечайте, принял ли человек рекомендацию, исправил ли извлечённое поле, дошёл ли до поддержки и как часто срабатывал запасной путь. Дешёвый запрос не является выгодным, если после него сотрудникам приходится исправлять результат вручную.

Как ИИ-функция входит в общий бюджет приложения

Функция ИИ обычно является частью большого продукта. Кроме неё могут потребоваться регистрация, платежи, админ-панель, аналитика, сведения о конфиденциальности, публикация и поддержка. Чат не исправит неудобную подписку и не заменит восстановление доступа.

Для реализованного продукта Appfyl использует такие ориентиры: 1-1,5 млн рублей для сфокусированного MVP, 1,5-3,5 млн рублей для среднего проекта и 3,5-7 млн рублей для крупного проекта. Это ориентиры Appfyl, а не средние цены рынка. Проект с ИИ может оказаться ниже или выше в зависимости от того, является ли ИИ небольшой функцией, системой с подключёнными данными, голосовым или визуальным сценарием либо отдельной работой над собственной моделью.

В статье о бюджете мобильного приложения раздельно описаны подготовка, дизайн и разработка, запуск и работа после публикации. Материал о стоимости интеграции API поможет описать подключение внешнего поставщика. В смете также должны быть указаны владелец аккаунта поставщика, предположения по использованию и действия при росте трафика.

Как снизить расходы и не потерять пользу

Начните с одной задачи и одного надёжного источника. Сначала используйте внешнюю модель, а обучение и работу на устройстве рассматривайте позже. Ограничьте контекст, длину ответа и доступные действия. Если самостоятельное действие рискованно, возвращайте черновик, рекомендацию или переводите человека на поддержку.

Сохраняйте тестовые случаи с первой недели. Каждое исправление пользователя превращайте в новый тест. Тогда решение о более дорогой модели или улучшении данных можно будет принять на основе фактов.

Не экономьте за счёт конфиденциальности, контроля доступов, обработки ошибок и наблюдения за системой. Если используются персональные данные, сначала изучите политику конфиденциальности мобильного приложения и чек-лист безопасности.

Как Appfyl оценивает ИИ-функцию

Appfyl начинает с задачи пользователя, ожидаемого ответа и последствий ошибки. Затем мы описываем мобильный сценарий, сервер, исходные данные, админ-панель, использование поставщика, тестовые случаи, аналитику, конфиденциальность и поддержку. В предложении отдельно указываем разовую разработку и регулярные расходы, а также то, что сознательно откладывается.

Не каждому продукту нужен чат-бот или собственная модель. Улучшенный поиск, понятная система рекомендаций, помощник для документов или черновик с проверкой человеком могут дать больше пользы при меньшем риске. Опишите приложение и задачу в инструменте оценки Appfyl или посмотрите услуги разработки мобильных приложений Appfyl.

Посмотрите, как Appfyl превращает объем работ в запущенные продукты. Смотреть кейсы Appfyl.

Частые вопросы