RAG база знаний: сколько стоит чат-бот по документам

Ориентировочные цены на RAG-базу знаний и чат-бота по документам компании: этапы, вилки бюджета, сроки, от чего зависит стоимость.

TL;DR

Стоимость RAG-базы знаний в 2026 году складывается из трёх частей: подготовка и индексация документов, настройка LLM и поиска, интеграция в канал (сайт, Telegram, MAX, CRM). Ориентировочно MVP на одном сценарии стоит от 150-250 тыс рублей и занимает несколько недель, полный контур с ролями и несколькими источниками — от 400 тыс рублей и 1-2,5 месяца. Ниже — из чего складывается цена, какие вилки бюджета реальны и как не переплатить за лишнюю инфраструктуру.

Что такое чат-бот по документам компании

Чат-бот по документам, или RAG-бот (Retrieval-Augmented Generation), — это AI-помощник, который отвечает не из общих знаний языковой модели, а на основе загруженных документов компании: регламентов, инструкций, прайсов, договоров, базы знаний в Notion или Confluence. Каждый ответ можно проверить — система показывает, на каком документе он основан.

Отличие от обычного чата с ChatGPT по одному PDF — в масштабе и надёжности: RAG-бот работает с сотнями и тысячами документов, разграничивает доступ по ролям, логирует вопросы, не выдумывает ответ, если информации не хватает, и обновляется вместе с базой знаний.

Подробнее про архитектуру и сценарии — на странице услуги RAG-база знаний.

Из чего складывается цена

1. Подготовка и индексация документов

Сбор документов, удаление дублей и устаревших версий, разбивка на смысловые блоки, расчёт embeddings, загрузка в векторное хранилище. Чем разнороднее источники (сканы, таблицы, презентации, страницы сайта) — тем больше времени уходит на этот этап.

2. Логика ответов и LLM

Настройка промптов, правил цитирования источников, обработки случаев «в базе нет ответа», выбор модели (YandexGPT, GigaChat, GPT или локальная модель для закрытого контура).

3. Интеграция в канал

Telegram-бот, MAX-бот, виджет на сайте, внутренняя админка или встраивание в CRM. Каждый дополнительный канал — это отдельная работа по UX и логированию.

4. Роли, доступ, безопасность

Разграничение разделов базы по ролям сотрудников, контроль доступа к чувствительным документам, для закрытого контура — размещение на сервере клиента.

5. Поддержка и обновление

После запуска база нуждается в актуализации: новые документы, изменённые регламенты, контроль качества ответов. Это либо разовая настройка процесса, либо абонентское сопровождение.

Ориентировочные вилки бюджета

Цифры ниже — усреднённые ориентиры по рынку для типового российского бизнеса, не привязка к конкретному проекту.

1. MVP на одном сценарии (например, поддержка отвечает по FAQ и одному разделу документов): 150-250 тыс рублей, срок — несколько недель.
2. Средний проект (несколько источников, один-два канала, базовые роли): 300-500 тыс рублей, срок — 1-1,5 месяца.
3. Полный контур (много источников, несколько ролей, интеграция с CRM, закрытый контур): от 500 тыс до 1 млн рублей и выше, срок — 1,5-2,5 месяца.

Что влияет на цену сильнее всего

• объём и разнородность документов — сотни PDF с таблицами стоят дороже, чем один Notion-раздел;
• требования к безопасности — закрытый контур vs облако;
• число каналов и сценариев использования;
• нужна ли интеграция с CRM, 1С или внутренними системами;
• нужен ли контроль качества с метриками и дашбордом по вопросам без ответа.

Сколько стоит содержать RAG-бота после запуска

Постоянные расходы обычно состоят из:

• оплата токенов LLM — от нескольких тысяч до 20-30 тыс рублей в месяц при средней нагрузке;
• хостинг векторной базы и сервера — в среднем от 3 до 15 тыс рублей в месяц, зависит от объёма данных;
• время сотрудника на актуализацию документов — если процесс не автоматизирован, это несколько часов в месяц.

Для сравнения: содержание одного дополнительного сотрудника поддержки на типовых вопросах стоит в разы дороже, чем инфраструктура RAG-бота — именно поэтому такие проекты чаще всего окупаются на дистанции 2-4 месяца.

Как посчитать окупаемость перед стартом

1. Посчитайте, сколько повторяющихся вопросов в месяц получают поддержка, продажи или HR.
2. Оцените среднее время на один ответ вручную.
3. Умножьте на стоимость часа сотрудника — получите месячные потери на рутине.
4. Сравните с ориентировочным бюджетом MVP — обычно окупаемость наступает за 2-4 месяца, если рутинных вопросов больше 10-15 часов в месяц.

Похожий подход к оценке эффекта AI-инструмента разобран в кейсе автоматизации анализа тендеров, где база знаний по архиву ТЗ сократила цикл оценки заявки в разы.

Частые ошибки при оценке бюджета

• Пытаются сразу построить «идеальную» базу знаний на все отделы вместо запуска MVP на одном сценарии.
• Не закладывают бюджет на актуализацию документов после запуска — база быстро устаревает.
• Выбирают закрытый контур «на всякий случай», хотя данные некритичные — это лишние 20-40% бюджета без необходимости.
• Игнорируют контроль качества ответов — без него неясно, где бот реально экономит время, а где выдаёт неполные ответы.

Как проходит расчёт стоимости у нас

На старте разбираем задачу: кто будет пользоваться ботом, какие вопросы задают чаще всего, какие источники доступны, нужен ли закрытый контур. После этого фиксируем объём работ по этапам и даём конкретную вилку бюджета и сроков под вашу задачу — без общих цифр «от Х рублей» без контекста.

Частые вопросы

Связано