Ваш конкурент запустил AI-функцию в прошлом квартале. Совет директоров спрашивает о вашем roadmap. Сооснователь без конца присылает вам ссылки.
Итак, вы собираетесь добавить AI-функции. Вопрос лишь в том, станете ли вы командой, которая добавила функцию, или командой, которая добавила центр затрат в обёртке, похожей на функцию. Разница между этими двумя исходами — не качество модели, а решения, принятые в первые две недели: какая функция, какая архитектура, что говорит математика токенов и как вы будете это тарифицировать.
В этом руководстве мы разберём эти решения по порядку: что на самом деле значит «добавить AI», как выбрать первую функцию, как спроектировать её без перестройки вашего SaaS, как посчитать unit economics, чтобы функция приносила деньги, а не сжигала их, и какие ошибки превращают AI-функции в обузу. Все технические детали мы отсылаем к нашим существующим гайдам — этот материал остаётся на уровне продукта и стратегии.
Что на самом деле значит «добавить AI» для вашего SaaS
Ключевой вывод: существует три вида AI-функций, и только один из них — это продуктовая стратегия.
- Вспомогательные функции — суммаризация, рекомендации, перевод, автодополнение. Они улучшают существующий сценарий. Низкий риск, невысокий потолок.
- Функции автоматизации — triage поддержки, извлечение данных из документов, обогащение данных. Они заменяют ручную работу. Средний риск, реальный ROI, измеримый результат.
- Функции новой категории — возможность, которой в вашей категории не было, например разговорная аналитика по данным ваших клиентов. Высокий риск, потенциально трансформационный эффект, невозможность сравнить с конкурентами, потому что ни у кого их нет.
Путаница, которая убивает бюджеты: принимать обёртку за стратегию. Чат-панель, прикрученная к вашему дашборду, — это не AI-функция, а просто чат-панель. Рынок уже научил ваших пользователей видеть её насквозь. Настоящие AI-функции меняют рабочий процесс, а не просто экран.
Почему AI-функции важны
Ключевой вывод: AI-функции теперь — рычаг удержания пользователей и ценообразования, а их отсутствие является сигналом для конкурентов.
Данные 2026 года согласованны во всех отраслевых исследованиях: AI-функции коррелируют с более высокой активацией и лучшим удержанием пользователей для SaaS-продуктов, а AI-нативные возможности всё чаще появляются в тарифных планах как уровень дифференциации. Мы не будем цитировать исследование без методологии — закономерность видна в вашей собственной воронке: функция, которая отвечает на вопрос или убирает шаг, конвертирует лучше, чем та, что добавляет трение.
Цена бездействия сегодня выше, чем год назад. Когда у каждого конкурента есть AI-тариф, его отсутствие читается как сигнал — о вашем roadmap, вашей марже, вашей команде. Справедливо это или нет — неважно; именно так это читает рынок.
Как выбрать первую AI-функцию
Ключевой вывод: выбирайте функцию с максимальным произведением частоты использования и готовности платить, делённым на стоимость внедрения, — и для большинства SaaS это поддержка или суммаризация.
Оцените каждого кандидата по трём осям:
| Ось | Что измеряем | Вес |
|---|---|---|
| Частота | Как часто пользователи будут вызывать её в месяц? | наивысший |
| Готовность платить | Стали бы пользователи платить больше или реже уходить? | высокий |
| Стоимость внедрения | Усилия на интеграцию + eval + guardrails | понижающий |
Прогоните через неё свои идеи функций. Triage поддержки получает высокие баллы по всем трём осям: он вызывается ежедневно, это наглядная экономия затрат, и у нас есть полное руководство по архитектуре чат-ботов поддержки, из которого можно позаимствовать. Суммаризация контента получает высокие баллы по частоте и простоте внедрения. Разговорная аналитика высоко оценивается по готовности платить, но требует месяцев работы и команды data-специалистов.
Пример сессии скоринга. Три кандидата для SaaS по управлению проектами: (a) автоматические саммари встреч, (b) ассистент, отвечающий на вопросы о проектах пользователя, (c) автоматический прогноз рисков по срокам проектов. Частота: саммари используются еженедельно, ассистент — ежедневно, прогноз рисков — ежемесячно. Готовность платить: саммари — это обязательный минимум (низкая), ассистент — драйвер перехода на более высокий тариф (высокая), прогноз рисков эффектно демонстрируется, но никто не уверен, что за него заплатят. Стоимость внедрения: саммари — это ограниченный пайплайн; ассистенту нужен retrieval; прогнозу рисков нужны исторические данные и серьёзный eval. Взвешенная сумма выбирает ассистента — и сессия скоринга превращает перепалку в таблицу.
Рекомендация по умолчанию для первой функции: поддержка или суммаризация — высокая частота, измеримый результат и ограниченное внедрение. Moonshot-функцию приберегите для второй итерации, когда уже будет построена инфраструктура учёта затрат и eval.
Как проектировать AI-функции
Ключевой вывод: четыре архитектурных решения определяют, будет ли ваша AI-функция масштабироваться или развалится, — и ни одно из них не сводится к вопросу «какую модель выбрать».
- Backend-прокси, всегда. API-ключи никогда не попадают во фронтенд. Направляйте каждый запрос через ваш бэкенд, где хранятся ключи, действуют лимиты и накапливаются логи. Это не обсуждается; подробно разобрано в нашем базовом руководстве по безопасности.
- Streaming, кэширование, batch — именно в таком порядке внедрения. Streaming — это требование к UX, а не приятный бонус: пользователи уходят из чат-интерфейсов без потоковой выдачи. Prompt caching снижает затраты на ввод при повторяющихся шаблонах, а пакетная обработка радикально удешевляет любые офлайн-задачи (embeddings, обогащение данных, ночные саммари). Механика описана в нашем руководстве по оптимизации продакшна.
- Маршрутизируйте модели, а не привязывайтесь к ним. Одна модель на весь продукт — это единая точка отказа и заложник ценообразования. Маршрутизируйте по задачам: дешёвая модель для классификации, frontier-модель для генерации, критичной для UX. С этого начинается кастомная маршрутизация — и это конфигурация, а не архитектура.
Эталонная схема — так выглядит правильно спроектированная AI-функция:
Frontend → Backend proxy (keys, limits, logs) → Router (task → model tier)
→ Fallback chain (provider B on failure)
→ Cache layer (repeated templates)
→ Usage/cost sink (per-feature attribution)Четыре слоя, каждый заменяем, ни один не привязан к вендору. Если вашу функцию нельзя изобразить таким образом, архитектура не готова — и переделка обойдётся дороже, чем нарисовать схему сейчас.
- Eval до запуска. Если вы не можете измерить, стала ли функция лучше после последнего изменения промпта, вы выпускаете надежду вместо продукта. Базовый eval-набор с проверкой pass/fail — это разница между AI-функцией и экспериментом; дисциплина eval в стиле CI, которую мы встроили в наш конвейер тестирования, — вот образец для копирования.
Как тарифицировать AI-функции: unit economics на токены
Ключевой вывод: AI-функция — это продукт с себестоимостью (COGS) — тарифицируйте её как продукт и держите gross margin выше 70%.
Вот формула unit economics, которая решает всё:
Cost per user per month =
(calls per user per month)
× (tokens per call, input + output)
× (price per token, blended)Разберём на примере с ценами середины 2026 года (сверьтесь с актуальными ценами OpenAI и ценами Anthropic): функция суммаризации, 30 запросов на пользователя в месяц, 4K входных + 1K выходных токенов на запрос, тариф frontier-класса примерно $3/M на вход и $15/M на выход в среднем по всем запросам — это около 150K токенов на пользователя в месяц при примерно $0.81 на пользователя в месяц прямой стоимости модели. С prompt caching (повторяющиеся шаблоны документов) и маршрутизацией (дешёвая модель для коротких документов) та же функция выходит на $0.03-0.06 на пользователя в месяц. Десять тысяч пользователей: около $8,100 в месяц по прайс-листу или $300-600 в месяц с кэшированием и маршрутизацией — достаточно мало, чтобы пережить, и достаточно много, чтобы заметить, если игнорировать.
Три работающие модели тарификации:
| Паттерн | Как работает | Кому подходит |
|---|---|---|
| Включение в тариф | AI-функции в среднем/старшем тарифе | B2B, потребление ограничено |
| Пакеты использования | Покупка кредитов/токенов заранее | Self-serve, высокая дисперсия |
| Гибридная | База тарифа + лимит использования с мягким overage | Большинству команд |
Правило маржи: держите gross margin AI-функций выше 70%. Если стоимость модели съедает более 30% того, что вы берёте с клиента, ваше ценообразование неверно — либо функция слишком дорога в эксплуатации (исправляется маршрутизацией/кэшированием), либо слишком дёшево продаётся (поднимите тариф).
Кейс агентных функций, потому что кто-то в вашей команде обязательно его предложит. По-настоящему полезный разговорный ассистент требует retrieval, tool calls и многошаговой памяти — реалистично это в 2-5 раз больше токенов на сессию, чем у функции суммаризации. При 30 сессиях на пользователя в месяц это $0.5-2.5 на пользователя в месяц по frontier-ценам при правильно настроенных кэшировании и маршрутизации — и больше без них. Вот где правило маржи окупается: берёте $10 на пользователя в месяц за AI-тариф, и стоимость модели в $2.50 оставляет 75% маржи — отлично. Откажитесь от маршрутизации и кэширования, и та же функция съест $5 — тариф уйдёт в минус ещё до того, как вы заплатите команде, которая его построила. Стоимость модели — первое место, где умирает маржа, и самое лёгкое для исправления: та же функция с маршрутизацией и кэшированием обычно на 40-70% дешевле.
Частые ошибки, которых стоит избегать
Ключевой вывод: четыре паттерна, превращающие функцию в обузу, — guardrails, контекст, lock-in и отсутствие видимости затрат.
- Без guardrails — сразу в продакшн. Prompt injection, вредоносный контент, сломанные права на инструменты. Подход с многоуровневой защитой — фильтрация ввода, нативные щиты провайдера, валидация вывода, песочница для инструментов — единственный, который выживает при контакте с реальными пользователями, и он не опционален, как только функция касается пользовательских данных.
- Запихивать весь контекст в запрос. «Просто отправьте всё» — самая дорогая ошибка промпт-инжиниринга в 2026 году. Long-context API существуют, но кривая затрат линейна, а кривая качества — нет: извлекайте то, что нужно, а не загружайте всё, что есть.
- Lock-in на одну модель. Один провайдер, одна модель, без fallback. Когда модель выводят из эксплуатации или меняют цену, у вас два варианта: платить или паниковать. Маршрутизация с fallback превращает это в изменение конфигурации — та же дисциплина «модель как конфигурация», которая делает миграцию провайдеров скучной, а не героической.
- Нет видимости затрат. Если в первый день месяца вы не можете ответить на вопрос «сколько AI стоил на пользователя в этом месяце?», вы летите вслепую — и впервые вам станет не всё равно в тот месяц, когда счёт удвоится. Логирование использования и атрибуция затрат по функциям — это работа на этапе настройки, а не мысль задним числом; коды ошибок и rate limits — отправная точка разговора о мониторинге.
FAQ
Какую AI-функцию строить первой?
Triage поддержки или суммаризацию контента — самая высокая частота, измеримый результат, ограниченный объём. Moonshot-функции — это вторая итерация, после того как появится инфраструктура учёта затрат и eval.
Сколько AI стоит на пользователя в месяц?
Хорошо построенная функция суммаризации обходится в $0.03-0.15 на пользователя в месяц в зависимости от тарифа модели и кэширования; тяжёлая агентная функция может стоить $1-5. Формула в разделе о ценообразовании покажет вашу цифру — стоимость модели — это входные данные, а не ответ.
Нужна ли мне векторная база данных для AI-функций?
Только для retrieval по большому приватному корпусу. Большинству первых функций она не нужна. Прежде чем вкладываться в векторную инфраструктуру, оцените long-context и простой поиск — большинство команд обнаруживают, что их первой функции нужна обычная база данных, а не векторная.
Брать плату за токены или по подписке?
Берите с пользователей плату по подписке или через пакеты использования — никогда за токены. Тарификация за токены заставит ваших пользователей бояться вашей функции. Внутри считайте всё по токенам; наружу абстрагируйте это.
Сколько времени занимает запуск первой AI-функции?
Две-четыре недели для функции с ограниченным объёмом на существующей кодовой базе — при условии, что eval и мониторинг затрат настроены с первого дня. Без них та же функция займёт квартал, потому что вы перепишете её, как только обнаружите, что не можете её измерить. Совсем новичок в работе с API? Наш quickstart доведёт вас до первого запроса за считанные минуты.
Можно ли использовать данные клиентов для fine-tuning моделей?
Нет — по умолчанию ноль обучения на данных клиентов, и проверяйте условия обработки данных каждого провайдера, с которым работаете. Compliance — это фича; обязательства по GDPR и защите данных — это базовая линия, а не дифференциатор, и аудиторский след, который вы построите для них, — тот же след, который позже запросит ваш security-ревью.
Итоги
Когда вы добавляете AI-функции в свой SaaS, относитесь к ним как к продуктам со структурой затрат: выбирайте их по частоте использования и готовности платить, проектируйте с backend-прокси и маршрутизацией моделей, тарифицируйте по unit economics с маржой выше 70% и защищайте guardrails до запуска. Сделаете эти четыре вещи — создадите конкурентное преимущество; пропустите их — получите центр затрат в обёртке, похожей на функцию.
Ваша первая AI-функция заслуживает unit economics, а не демо. Получите API-ключ TokSpan — $5 бесплатных кредитов в подарок — и увидьте стоимость по каждой функции с первого запроса.