Компании по разработке ИИ: выбрать проверенную команду

Что входит в разработку ИИ

Разработка ИИ сегодня — это инженерия вокруг модели, а не сама модель. Большинство коммерческих проектов стартует с готовой базовой модели — GPT, Claude, Gemini, Llama — и состоит из извлечения данных, инструментов, оценки качества, ограничителей и вывода в продакшен. Обучение модели с нуля встречается редко: у исследовательских лабораторий и небольшого числа хорошо профинансированных продуктовых компаний.

Это меняет требования к подрядчику. Судьбу проекта решают инженерия данных, проектирование контекста, стенды для оценки качества, контроль затрат и MLOps. Команда, которая умеет показать красивый ноутбук, обычно спотыкается там, где начинают иметь значение задержки, точность и себестоимость запроса.

Что чаще всего заказывают

• Ассистенты с извлечением (RAG). Поиск и ответы по внутренним документам, тикетам и вики — со ссылками на первоисточник.
• Агентные сценарии. Многошаговые автоматизации, вызывающие инструменты и API, с подтверждением человеком на всех необратимых действиях.
• Извлечение данных из документов. Счета, договоры, анкеты и письма превращаются в структурированные записи для ERP или CRM.
• Предиктивные модели. Прогноз спроса, отток, скоринг, предиктивное обслуживание — классический ML, до сих пор самая окупаемая категория в большинстве отраслей.
• Компьютерное зрение. Контроль дефектов, подсчёт объектов, распознавание документов, поддержка медицинской диагностики, видеоаналитика.
• Рекомендации и ранжирование. Персонализированные ленты, релевантность поиска, ценообразование, подбор.

Как выбрать подрядчика по ИИ

• Спрашивайте не про прототипы, а про то, что доведено до продакшена. Разрыв между этими двумя состояниями съедает большинство ИИ-бюджетов.
• Спросите, как измеряется качество. Команда без набора эталонных примеров и регрессионных прогонов не сможет сказать, стало ли после правки лучше или хуже.
• Проверьте работу с данными: куда они уходят, какие провайдеры моделей их видят, сохраняется ли что-то для обучения, можно ли развернуть систему в вашем облаке или на своих серверах.
• Уточните стоимость эксплуатации, а не только разработки. Инференс, векторное хранилище и мониторинг — это регулярные расходы, и неудачный пайплайн может стоить в месяц больше, чем стоила разработка.
• Настаивайте на ограниченном первом этапе. Четыре-шесть недель дискавери или пилота с понятной метрикой успеха дешевле, чем на седьмом месяце выяснить, что задача изначально не решалась.

Бюджеты, сроки и состав команды

Ограниченный пилот — один сценарий, один источник данных, рабочий интерфейс — обычно стоит $15 000–60 000 и занимает шесть-двенадцать недель. Продакшен-система с интеграциями, оценкой качества, мониторингом и разграничением доступа — как правило $80 000–400 000; сопровождение моделей и пайплайнов обходится в 15–25% от стоимости разработки в год.

Ставки различаются скорее географией, чем квалификацией: примерно $120–250 в США и Западной Европе, $40–90 в Восточной Европе и Латинской Америке, $25–60 в Южной и Юго-Восточной Азии. Типичная команда — ML-инженер, бэкенд-разработчик, дата-инженер на part-time и владелец продукта, который разбирается в предметной области достаточно, чтобы отличить правильный ответ от правдоподобного.