Розробка AI-агента для замовника планувалася на шість тижнів — пішло чотирнадцять. Не через поганий код, а через п'ять форматів вкладень, три застарілі системи без API і логіку маршрутизації, яка жила виключно в голові двох співробітників. Саме такі приховані чинники — складність інтеграцій, якість даних, вимоги до комплаєнсу — формують реальну ціну кастомного AI-агента, а не вартість самої мовної моделі. І ще один факт, який дивує більшість: початкова розробка — це лише 25–35% від сукупних витрат за три роки. Розробка AI-агента для замовника починалася із задачі, яка здавалась простою: автоматизувати обробку вхідних замовлень електронною поштою. Менеджери вручну читали листи, копіювали дані в SAP, звіряли з базою постачальників — і так по колу, десятки разів на день. Оцінка на старті — шість тижнів, бюджет середнього рівня. Реальність виявилась іншою: п'ять різних форматів вкладень, три legacy-системи без нормального API, і логіка маршрутизації, яка «жила в голові» у двох конкретних людей і ніде не була задокументована. Проєкт зайняв чотирнадцять тижнів.
Але він запрацював.Саме ця розбіжність між очікуваною і реальною вартістю — головна причина, чому більшість розмов про AI-агентів зупиняється на рівні «дорого і незрозуміло».Перше, що варто зафіксувати: кастомний AI-агент — це програмна система, яка сприймає вхідні дані зі свого середовища (документи, API, бази даних, повідомлення), аналізує їх через велику мовну модель (LLM) і виконує автономні дії. Викликає зовнішні інструменти, записує в системи обліку, маршрутизує завдання, передає контроль людині, коли впевненість низька.Слово «кастомний» тут несе реальне навантаження. Готові SaaS-інструменти дають заздалегідь зібраного агента, обмеженого списком інтеграцій вендора й підпискою, яка дорожчає разом із зростанням обсягів. Агент на замовлення проєктується під ваші конкретні бізнес-процеси, підключається до вашої архітектури й належить вам.Будь-який продакшн-агент складається з чотирьох шарів: ядро міркування (LLM + архітектура промптів + RAG-пам'ять), шар інструментів (API-інтеграції, парсери), шар оркестрації (логіка: коли діяти самостійно, коли ескалювати)
і шар спостережуваності (логування, моніторинг, аудитний слід). Пропустіть будь-який із них на етапі розробки — і заплатите за це в продакшні.Ринок у 2026 році сформував три практичні рівні. Агент для однієї задачі — від $4 000 до $12 000 в Україні, два-шість тижнів розробки. Агент для автоматизації процесів із кількома інтеграціями — від $12 000 до $48 000, шість-чотирнадцять тижнів. Корпоративні мультиагентні системи — від $60 000 і вище, чотири-дев'ять місяців.Але самі по собі ці цифри мало що пояснюють. Реальні перевитрати майже ніколи не приходять із боку LLM. Вони приходять із чотирьох місць.Складність інтеграцій. Підключення до сучасного REST API — це одна вартість. Підключення до застарілої ERP без API, з непослідовними схемами даних і автентифікацією з 1990-х — у чотири-десять разів більше. Кількість систем і те, наскільки чисто вони відкривають свої дані, — це найбільший чинник коливання вартості будь-якого проєкту.Вимоги до комплаєнсу. 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: кожне рішення потрібно логувати, пояснювати й захищати перед регуляторами.Якість даних. Агент настільки ж хороший, наскільки хороші дані, з якими він працює. Якщо база знань — це суміш застарілих PDF і знань, що живуть у чиїйсь поштовій скриньці, значна частина бюджету піде на підготовку даних ще до того, як буде написано рядок коду.Проєктування участі людини. Агенти з людиною (human-in-the-loop) 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.Danfoss — данська міжнародна інженерна група — зіткнулась із класичною проблемою масштабу: значна частина виручки надходила через замовлення електронною поштою, і кожне з них вимагало ручного введення даних у SAP, звірки з базою постачальників і маршрутизації на затвердження. Середній час обробки одного замовлення — 42 години.У партнерстві з Go Autonomous на базі Google Cloud компанія розгорнула AI-агента,
який читає вхідні листи, витягує дані з листа і вкладень, валідує їх у SAP і готує замовлення до обробки. Результат, задокументований Google Cloud: автоматизовано до 80% транзакційних рішень, час відповіді скоротився з 42 годин до близького до реального часу, а п'ять різних систем, між якими раніше перемикались оператори, зведено в єдиний інтерфейс. Скорочення часу обробки — 50%.Механіка цього результату важливіша за самі цифри. До впровадження агента кожне замовлення вимагало від оператора виконання передбачуваної послідовності кроків: перевірити запит, звіритись із базою, підтвердити ціну, маршрутизувати. У масштабі десятків тисяч замовлень щорічно — це колосальний обсяг людського часу, витраченого на рішення, що слідують правилам. Агент бере на себе передбачуваний, високооб'ємний сегмент. Люди займаються винятками, що потребують судження.Саме ця модель дає найсильніший ROI: не заміна людського судження загалом, а виведення людей із рішень, які не потребують людського судження.Початкова розробка становить лише 25–35% від сукупної вартості за три роки. Якщо вам виставили $80 000 за розробку агента на міжнародному ринку,
реалістичний трирічний бюджет — з урахуванням витрат на API моделей, 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.Для розрахунку є три складові. Перша — витіснення витрат на персонал: скільки годин на тиждень займає цільовий процес у всіх залучених людей, помножте на повну вартість години. Друга — вартість помилок і переробок: ручні процеси мають рівень помилок, і помилки нижче за ланцюжком часто коштують більше, ніж сама праця на вихідному завданні. Третя — цінність швидкості: цикл закупівель, що займає години замість реального часу, може означати втрачені знижки від постачальників або зірвані виробничі графіки. Цю складову регулярно не включають у моделі ROI — і регулярно недооцінюють.Коли агент у продакшні й цифри відстежуються, змінюється не лише операційна ефективність. Змінюється те, 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.Повний розклад за рівнями, детальну таблицю вартості й покрокову структуру фаз розробки — від дискавері до моніторингу в продакшні — зібрано в матеріалі «Розробка AI-агента на замовлення: за що ви платите». Якщо ви зараз скоупуєте подібний проєкт або намагаєтесь побудувати бізнес-кейс для керівництва — там є конкретика, яка допоможе не помилитись із бюджетом.А як у вас? Чи стикались із ситуацією, коли реальна вартість AI-проєкту суттєво розійшлась із початковою оцінкою — і що виявилось головною причиною?
