5 ошибок при выборе подрядчика по внедрению ИИ-агентов
Рынок ИИ-агентов перегрет. Каждый второй фрилансер с доступом к ChatGPT называет себя «экспертом по автоматизации», а агентства обещают «замену отдела поддержки за неделю». В результате бизнес тратит сотни тысяч рублей на решения, которые либо не работают, либо требуют бесконечных доработок.
За последний год мы видели десятки провальных внедрений у клиентов, которые пришли к нам после других подрядчиков. В этой статье разбираем 5 самых дорогих ошибок и даём чек-лист, который поможет вам не повторить их опыт.
Ошибка 1: Верить в «0,8 секунд ответа» и «80% автоматизации всем»
Если подрядчик гарантирует точные метрики ДО аудита ваших процессов — это красный флаг. Реальные показатели зависят от ниши, качества базы знаний, сложности сценариев и объёма обращений.
Как должно быть: подрядчик даёт диапазоны (40–80% автоматизации, 2–8 секунд ответа) и объясняет, от чего зависит конкретная цифра. Точные метрики фиксируются только после тестового запуска на реальных данных.
Наш опыт: клиент из e-commerce заплатил 300 000 ₽ за агента с гарантией «90% закрытия обращений». Реальный результат после месяца работы — 35%. Подрядчик сослался на «плохую базу знаний клиента» и отказался возвращать деньги.
Ошибка 2: Не спрашивать про структуру ценообразования
«От 50 000 ₽» может превратиться в 200 000 ₽/мес через два месяца, если вы не уточнили, что входит в цену. Многие подрядчики занижают стоимость разработки, но завышают ежемесячную поддержку или берут скрытые комиссии за LLM.
Как должно быть: прозрачная структура = фиксированная часть (разработка + поддержка) + переменная часть (расходы на LLM, API мессенджеров). Вы должны понимать, кому платите каждую копейку — подрядчику или провайдерам нейросетей.
Наш опыт: логистическая компания получала счета на 80 000 ₽/мес за «поддержку агента». При разборе оказалось, что подрядчик включал в эту сумму расходы на GPT-4 с наценкой 300%, хотя реально агент расходовал на 15 000 ₽ токенов.
Ошибка 3: Выбирать по красивым демо, а не по реальным кейсам
Демо-агент на сайте подрядчика может быть идеально настроенным шоуриллом, который не имеет ничего общего с тем, что вы получите. Фейковые кейсы с точными цифрами («−73% нагрузки») без подтверждения — ещё один маркер недобросовестности.
Как должно быть:
- Демо адаптировано под вашу нишу или задачу (не универсальное)
- Кейсы содержат контекст: ниша, объём, сроки, ограничения
- Подрядчик готов показать реальные диалоги (с замазанными персональными данными)
- Есть возможность пообщаться с действующим клиентом
Наш опыт: агентство показывало кейс стоматологии с «−60% нагрузки». При проверке оказалось, что это был расчёт из презентации, а не реальный результат. Реальная клиника-клиент этого агентства подтвердила только −20%.
Ошибка 4: Игнорировать безопасность данных и 152-ФЗ
ИИ-агент обрабатывает персональные данные ваших клиентов. Если подрядчик хранит их в своей облачной базе, использует для дообучения модели или передаёт третьим лицам без вашего согласия — вы нарушаете закон и рискуете штрафами.
Как должно быть:
- Данные клиентов не покидают вашу инфраструктуру (или удаляются после обработки)
- Подписывается NDA и договор обработки персональных данных
- Подрядчик объясняет, как обеспечивается безопасность при передаче данных в LLM
- Есть возможность on-premise развёртывания для чувствительных данных
Наш опыт: медицинская клиника обнаружила, что их ИИ-агент сохранял историю диалогов с пациентами (включая диагнозы) в облаке подрядчика для «улучшения качества ответов». Это прямое нарушение врачебной тайны и 152-ФЗ.
Ошибка 5: Не фиксировать критерии приёмки и гарантии
«Агент работает» — не критерий приёмки. Без конкретных KPI вы получите решение, которое формально функционирует, но не даёт бизнес-результата. А без гарантий останетесь один на один с проблемами после оплаты.
Как должно быть:
- В договоре зафиксированы измеримые KPI (% автоматизации, время ответа, CSAT)
- Есть период доработки (минимум 30 дней) до достижения KPI
- Прописаны условия возврата денег при недостижении результата
- Определён процесс эскалации и SLA на реакцию
Наш опыт: B2B-компания приняла агента по критерию «отвечает на вопросы». Через месяц выяснилось, что он отвечает, но неправильно квалифицирует лиды. Конверсия в сделки упала на 15%. Возврата денег не было, потому что «агент технически исправен».
Чек-лист проверки подрядчика (сохраните себе)
Перед подписанием договора убедитесь, что подрядчик:
- Даёт диапазоны метрик, а не точные гарантии до аудита
- Прозрачно объясняет структуру цен (фикс + переменные)
- Показывает реальные кейсы с контекстом, а не красивые цифры
- Гарантирует безопасность данных и соблюдение 152-ФЗ
- Фиксирует KPI и гарантии в договоре
- Готов провести бесплатный аудит ДО продажи
- Не обещает «заменить людей полностью»
- Имеет опыт в ВАШЕЙ нише или смежных
- Предоставляет доступ к исходникам/конфигам агента
- Не требует 100% предоплаты
Если хотя бы 3 пункта не выполняются — это серьёзный повод поискать другого исполнителя.
Что делать, если вы уже столкнулись с проблемой
Не всё потеряно. Часто можно спасти проект без полного переписывания:
- Запросите у текущего подрядчика логи диалогов и метрики
- Проведите независимый аудит (мы делаем это бесплатно)
- Определите, проблема в агенте, базе знаний или процессах
- Решите: доработать текущее решение или начать заново
💡 Важно: даже если текущий проект провалился, это не значит, что ИИ-агенты не работают. Чаще всего проблема в неправильном внедрении, а не в технологии.
Как мы избегаем этих ошибок
Мы построили свою работу так, чтобы исключить каждый из пяти пунктов:
- Честные формулировки: диапазоны вместо точных цифр, никаких выдуманных кейсов
- Прозрачные тарифы: фикс + переменные расходы на LLM, без скрытых наценок
- Реальный товар лицом: глобальный ИИ-консультант на сайте работает на том же стеке, что и клиентские проекты
- Безопасность: не храним данные клиентов, подписываем NDA, работаем по договору
- Гарантии: 30 дней поддержки MVP, доработка до согласованных KPI, возврат денег при недостижении
Начните с бесплатного аудита — это ни к чему не обязывает, но даст понимание, стоит ли вообще внедрять ИИ и какие результаты реалистичны.