Ви отримали три комерційні пропозиції на розробку RAG-системи. Перша — 45 000 грн. Друга — 180 000 грн. Третя — 420 000 грн. Всі три агентства обіцяють «якісне рішення під ваші потреби». Як зрозуміти, чому різниця у ціні — майже в десять разів? І яка цифра взагалі відповідає вашій ситуації?
Це реальна картина ринку RAG-систем у 2026 році. Ціновий діапазон широкий не тому, що хтось обманює, а тому що «RAG-система» — це не один продукт. Це клас рішень, де підсумкова вартість залежить від кількості ваших документів, стану цих документів, кількості систем, з якими треба інтегруватися, і від вимог до безпеки та доступності.
Ця стаття написана для власника або операційного директора компанії, який вже розуміє, що RAG — це щось пов’язане з корпоративними знаннями і AI. Але ще не розуміє, за що конкретно він платить і де можна законно зменшити витрати без втрати якості.
Що ви отримаєте після прочитання: чіткий розподіл на три цінових рівня з орієнтовними цифрами, розбивку статей витрат по частках бюджету, перелік прихованих витрат, про які не пишуть у комерційних пропозиціях, і конкретні способи заощадити 30–40% первісного бюджету — без того, щоб потім переробляти все з нуля.
Якщо вас цікавить загальна вартість впровадження AI у бізнес, а не лише RAG — ми розглядаємо це окремо у статті про загальну вартість впровадження AI.
RAG-система — це не дорогий чат-бот. Чим вона відрізняється і чому коштує інакше
Коли власники бізнесу вперше стикаються з терміном «RAG», перша думка — «це якийсь покращений чат-бот». Ця помилка коштує дорого: або переплачуєте за просте завдання, або економите на складному і отримуєте систему, що не працює.
Що таке RAG-система: база знань + пошук + LLM в одному
RAG — скорочення від Retrieval-Augmented Generation. Переклад без жаргону: система, яка перед тим, як відповідати на запит, шукає відповідну інформацію у ваших документах і тільки потім генерує відповідь на основі знайденого.
Архітектура RAG складається з трьох незалежних компонентів, кожен з яких треба розробити, налаштувати і підтримувати:
Сховище документів і векторна база. Ваші PDF, Word-файли, таблиці, сторінки CRM або бази даних перетворюються у числові вектори — математичне представлення змісту. Ці вектори зберігаються у спеціалізованій векторній базі (Pinecone, Weaviate, Qdrant або self-hosted аналоги).
Пошуковий pipeline. Коли користувач ставить запит, система перетворює його на вектор і шукає в базі документи з найближчим змістом. Це не ключове слово і не Google — це семантичний пошук, що розуміє зміст, а не лише збіг слів.
LLM-компонент. Знайдені фрагменти документів передаються у велику мовну модель (GPT-4o, Claude, Mistral або інші) разом із запитом. Модель формулює відповідь виключно на основі наданого контексту — без вигадування фактів, яких немає у ваших документах.
Саме цей зв’язок «пошук → відповідь на основі ваших даних» відрізняє RAG від звичайного ChatGPT, якому ваші внутрішні документи просто невідомі.
Чим RAG відрізняється від звичайного чат-бота (де різниця ціни)
Якщо вам потрібен базовий AI-чат-бот для відповідей на типові запитання клієнтів, що не змінюються щотижня, — вам не потрібен RAG. Простий чат-бот з готовими сценаріями або дрібно налаштована мовна модель вирішать завдання за меншу суму.
| Параметр | Звичайний чат-бот | RAG-система |
|---|---|---|
| Джерело відповідей | Заздалегідь написані сценарії або загальні знання LLM | Ваші конкретні документи, синхронізовані з системою |
| Оновлення знань | Вручну, через перепрограмування | Автоматично при додаванні нових документів |
| Точність на вузьких темах | Низька (LLM галюцинує без контексту) | Висока, якщо документи якісні |
| Масштаб бази знань | До кількох сотень сценаріїв | Від кількох сотень до сотень тисяч документів |
| Вартість розробки | 20 000–60 000 грн | 40 000–700 000 грн і вище |
| Підходить для | FAQ, лідогенерація, базовий саппорт | Внутрішній асистент, корпоративна база знань, саппорт на складні запити |
Різниця у ціні пояснюється не тим, що одне «краще» за інше, а тим, що це різні класи систем з різною архітектурою. RAG потребує розробки pipeline обробки документів, налаштування векторної бази, реалізації системи retrieval і постійного моніторингу якості пошуку.
Коли RAG виправданий, а коли вистачить простого асистента
RAG виправданий, якщо виконуються щонайменше дві умови:
- У вас є корпусна база документів обсягом від 200+ файлів, що регулярно оновлюється
- Ваші співробітники або клієнти регулярно шукають по цих документах — і витрачають на це значний час (від 30 хвилин на людину на день)
Якщо документів мало або вони рідко змінюються — простий чат-бот з фіксованими відповідями буде ефективнішим і значно дешевшим. Якщо у вас велика база, але запитів мало — автоматизація може не окупитися.
Для порівняння з суміжними рішеннями — читайте про вартість розробки AI-агента, де окремий клас завдань з іншою логікою бюджетування.
Три рівні RAG-системи і їхній бюджет
Найкорисніша таблиця цього матеріалу — нижче. Якщо ви прочитаєте лише її і одразу зрозумієте, до якого рівня належить ваша ситуація — мета досягнута.
| Рівень | Що входить | Одноразово (орієнт.) | Щомісяця (орієнт.) | Терміни |
|---|---|---|---|---|
| Базовий RAG | До 2 000 документів, 1–2 інтеграції, хмарний LLM | 40 000–120 000 грн (~$1 000–3 000) | 5 000–15 000 грн (~$125–375) | 3–6 тижнів |
| Стандартний RAG | 2 000–20 000 документів, 3–5 інтеграцій, кастомний UI | 120 000–350 000 грн (~$3 000–8 750) | 15 000–40 000 грн (~$375–1 000) | 8–14 тижнів |
| Корпоративний RAG | 20 000+ документів, self-hosted, RBAC, аудит логів | 350 000–700 000 грн і вище (~$8 750–17 500+) | 40 000–120 000 грн (~$1 000–3 000) | 16–28 тижнів |
Зверніть увагу: щомісячні витрати вказані окремо і не включені в одноразову суму. Це найпоширеніша помилка у бюджетуванні RAG — деталі у секції про приховану вартість.
Базовий RAG (до 2 000 документів): для кого і що дає
Базовий рівень підходить для компаній, які хочуть автоматизувати роботу з невеликою, відносно стабільною базою документів. Типові сценарії: FAQ-система для відділу підтримки, внутрішній асистент для HR-відділу з регламентами і процедурами, пошук по невеликій бібліотеці продуктових специфікацій.
Ключова умова для базового рівня — документи мають бути відносно «чистими»: текстові PDF або Word-файли з читабельною структурою, без масового сканованого тексту, без таблиць з критичними даними. Якщо ваші документи — це 2 000 скан-копій договорів з 2008–2015 років, базовий рівень стане стандартним або дорожче — через витрати на підготовку.
Що реально отримуєте: AI-асистент, що відповідає на запити співробітників або клієнтів, спираючись виключно на завантажені документи. Час відповіді — секунди. Точність на типових запитах — 70–85% за умови якісних документів.
Що не включено в базовий рівень: складні інтеграції з корпоративними системами (CRM, ERP, DMS), кастомний дизайн інтерфейсу, управління ролями доступу, детальне логування і аналітика запитів.
Стандартний RAG (2 000–20 000 документів): типовий вибір для компанії 30–150 осіб
Це найбільш поширений сценарій для компаній нашого ICP. Умовно: відділ підтримки з документообігом, юридичний відділ з базою договорів і прецедентів, виробниче підприємство з технічними регламентами і специфікаціями.
Ключова відмінність від базового — складність інтеграцій і масштаб бази. Три-п’ять інтеграцій означають: підключення до Telegram або Slack для кінцевих користувачів, інтеграцію з CRM або тікет-системою, можливо — підключення до SharePoint або Google Drive як джерела документів.
При стандартному рівні вже виникають питання, які впливають на ціну: як часто оновлюється база знань і хто це контролює, як організований доступ різних відділів до різних документів, наскільки різнорідний формат документів (PDF, Word, таблиці, презентації).
Саме тут найчастіше виникають розходження між першим кошторисом і кінцевою ціною — тому що підготовка документів виявляється об’ємнішою, ніж здавалося на старті.
Корпоративний RAG (20 000+ документів, self-hosted): коли потрібна повна локалізація
Корпоративний рівень — для компаній, де два або більше з наступних критеріїв є обов’язковими:
- Документи містять конфіденційні дані, які не можна відправляти на зовнішні API (медичні, фінансові, юридичні дані)
- Необхідний повний аудит: хто, коли і які запити надсилав до системи
- Різні відділи мають бачити різні підмножини документів (RBAC — рольова модель доступу)
- Потрібна стабільна продуктивність при сотнях одночасних запитів
Self-hosted означає, що вся система — LLM, векторна база, pipeline — розгортається на вашій інфраструктурі або у приватному хмарному контурі. Це усуває ризик витоку даних через зовнішні API, але суттєво ускладнює розробку і підтримку.
GPU-інфраструктура для self-hosted enterprise RAG — окрема стаття витрат. Для продуктивної роботи open-source LLM обсягом 30–70 мільярдів параметрів потрібен відеокарти класу A100 або H100 (вартість — від $15 000 за одиницю). Більшість серйозних клієнтів, з якими ми розмовляємо, спершу опираються цій витраті, але при аналізі ризиків витоку даних у їхній галузі — змінюють рішення.
З чого складається ціна — 6 статей витрат
Ця секція відповідає на питання, яке найчастіше виникає після отримання комерційної пропозиції: «Я розумію загальну суму, але за що конкретно я плачу?»
| Стаття витрат | Частка бюджету | Типова причина відхилень |
|---|---|---|
| Підготовка і очищення документів | 15–25% | Якість вихідних документів |
| RAG-pipeline: chunking, embedding, векторна база | 25–35% | Складність бази і вимоги до точності |
| Інтеграції | 15–25% | Кількість і тип систем |
| Інтерфейс і адмін-панель | 10–15% | Складність UI і ролей |
| Тестування, оцінка якості, донавчання | 10–15% | Складність домену |
| Щомісячна підтримка і оновлення | Окремо | Частота змін у документах |
Підготовка і очищення документів (15–25% бюджету)
Це найбільш недооцінена стаття витрат — і одночасно та, від якої найбільше залежить якість кінцевої системи.
Проблема полягає в тому, що реальні корпоративні документи рідко бувають «чистими». Типова картина: частина документів — відскановані копії 2005–2015 років з OCR-артефактами, частина — Word-файли без єдиного стилю заголовків, частина — таблиці Excel, де критична інформація захована у форматуванні.
RAG-система не може якісно обробити те, що вона не здатна прочитати і зрозуміти. Скандований договір 2008 року і структурований Word-документ 2024 року вимагають принципово різних підходів до обробки.
Підготовка документів включає: OCR і очищення скандованого тексту, нормалізацію структури (заголовки, параграфи, таблиці), видалення дублікатів і застарілих версій, класифікацію документів за типами для різних стратегій chunking.
Парадокс: замовники часто хочуть скоротити саме цю статтю. Але чиста база зменшує витрати на embedding, тестування і підтримку — протягом усього терміну роботи системи. Економія на підготовці документів сьогодні обертається на 40–60% більші витрати на виправлення помилок протягом наступного року.
Розробка RAG-pipeline: chunking, embedding, векторна база (25–35%)
Це технічне ядро системи і найбільша частка розробницьких витрат.
Chunking — стратегія нарізки документів на фрагменти для векторизації. Популярна порада з туторіалів «ріжте по 512 токенів» у реальних проектах не працює — документи мають структуру, яку треба зберігати. Договір, технічний регламент і FAQ потребують різних підходів до нарізки.
Embedding — перетворення текстових фрагментів на числові вектори. Вибір embedding-моделі (OpenAI, Voyage AI, або open-source аналоги) впливає і на якість пошуку, і на щомісячні операційні витрати.
Векторна база — сховище, де зберігаються вектори і де відбувається пошук. Хмарні рішення (Pinecone, Weaviate Cloud) простіші у розгортанні, але дорожчі у довгостроковій перспективі і несумісні з корпоративними вимогами щодо даних. Self-hosted — дешевше операційно, але дорожче при первісному налаштуванні.
Інтеграції: CRM, месенджери, внутрішні системи (15–25%)
Кожна інтеграція — окрема задача з окремим бюджетом.
Підключити RAG-систему до Telegram або веб-чату на сайті — відносно стандартна задача з чітким часом виконання. Підключити до корпоративної DMS 2012 року, яка не має сучасного API, — нестандартна задача, де витрати важко передбачити до початку технічного аудиту.
Три-п’ять інтеграцій у стандартному RAG-проекті — це 15–25% бюджету. Якщо серед них є legacy-системи без документованого API — частка може вирости до 30–35%.
Найпоширеніші інтеграції і орієнтовна складність: – Telegram / Slack / Teams — стандартна, 1–3 дні – Веб-чат на сайті — стандартна, 2–5 днів – CRM (amoCRM, KeyCRM, HubSpot) — середня, 5–10 днів – Google Drive / SharePoint як джерело документів — середня, 5–10 днів – Корпоративна ERP або DMS без API — нестандартна, 15–30 днів і вище
Інтерфейс і адмін-панель (10–15%)
Від цього рядку залежить, наскільки зручно буде працювати з системою після запуску.
Мінімальний варіант — текстовий чат-інтерфейс без додаткових функцій. Цього достатньо для внутрішнього інструменту, де зручність важлива менше за функціональність.
Повноцінний варіант — адмін-панель для управління базою знань, перегляду аналітики запитів, управління ролями доступу, підвантаження нових документів без участі розробника. Саме ця частина визначає, чи зможете ви самостійно підтримувати систему після передачі.
Тестування, оцінка якості, донавчання (10–15%)
Ця стаття витрат найчастіше знижується або прибирається при бажанні заощадити на проекті — і найчастіше призводить до розчарування після запуску.
Стандартний семантичний пошук має 15–20% failure rate на спеціалізованих корпоративних документах — це реальна цифра з практики, не оптимістична оцінка постачальника. Якщо ваша база містить специфічну галузеву термінологію, абревіатури або документи з перехресними посиланнями — failure rate без належного налаштування буде ще вищим.
Тестування включає: оцінку точності відповідей на репрезентативному наборі реальних запитів, виявлення failure-кейсів, донавчання або переналаштування pipeline для їх усунення. Без цього етапу система виходить на продакшн з неврегульованою якістю — і це виявляється вже в процесі роботи.
Щомісячна підтримка і оновлення бази знань (окремо від одноразового)
Це постійний рядок витрат, який у більшості випадків не закладається у первісний бюджет — і стає несподіванкою на третій-шостий місяць роботи системи.
Що входить у щомісячну підтримку: – API-витрати на LLM (GPT-4o, Claude, або інші): залежать від кількості запитів – Витрати на embedding при додаванні нових документів – Оновлення бази знань при зміні регламентів, продуктів, процедур – Моніторинг якості відповідей і усунення нових failure-кейсів – Технічна підтримка і оновлення інфраструктури
Орієнтовні цифри для стандартного RAG при 500–1 000 запитах на день: – API-витрати на GPT-4o: 8 000–25 000 грн/міс (~$200–625) – Оновлення бази і підтримка: 7 000–15 000 грн/міс
Прихована вартість RAG — чому перший кошторис завжди занижений
За даними міжнародних практиків у сфері RAG-впроваджень, 85% замовників отримують кінцеву вартість проекту у 2–3 рази вищу за первісний кошторис. Не тому що підрядник обманює. А тому що є статті витрат, які складно оцінити до початку технічного аудиту — і які рідко описуються прозоро у комерційних пропозиціях.
API-витрати на LLM і embedding: як рахувати до старту
GPT-4o коштує приблизно $0.01–$0.05 за запит середньої довжини (залежно від довжини контексту і обсягу відповіді). При 1 000 запитів на день це $300–$1 500 на місяць — тільки на API, без урахування розробки і підтримки.
Формула для попереднього розрахунку:
Місячні API-витрати (орієнтовно) = Кількість запитів/день × 30 × Середня вартість запиту
Для команди підтримки 5 осіб, які генерують 200 AI-запитів на день: – 200 запитів × 30 днів × $0.02 = $120/міс (~4 800 грн) – Плюс embedding при оновленні бази: ще $30–80/міс
Ця цифра суттєво зменшується при переході на open-source embedding-моделі або при виборі більш економних LLM (Mistral, Llama). Але у першому кошторисі вона часто або відсутня, або занижена — бо підрядник оцінює мінімальний сценарій.
Підготовка документів — зазвичай у 2–3 рази дорожче, ніж здається
Якщо ваші документи розкидані по SharePoint, Google Drive, корпоративній DMS і локальних папках окремих співробітників — з різними форматами, версіями і ступенем «чистоти» — це не один рядок витрат. Це окремий проект до початку RAG.
Практика показує: на корпоративних базах документів стандартний підхід до обробки видає неякісні результати. Потрібна попередня класифікація документів: одні вимагають повної ієрархічної обробки, інші — стандартного chunking, треті — ручної підготовки перед завантаженням у систему.
«Ми надамо вам усі документи» — і тут з’ясовується, що «усі документи» це 15 000 файлів у 12 різних форматах, 40% яких — скани без OCR. Це не виняток, а типова ситуація на підприємствах, що працюють 10+ років.
Оновлення бази знань після запуску
RAG-система не є статичним продуктом. Інструкції змінюються, нові продукти запускаються, стара документація стає неактуальною. Якщо система не оновлюється — вона починає давати застарілі відповіді.
Питання, яке треба поставити підряднику до підписання договору: «Хто і за яким процесом буде оновлювати базу знань після запуску?» Якщо відповіді немає або вона звучить як «ми займемося» без деталей — закладайте додатковий бюджет або вимагайте включити адмін-панель для самостійного управління.
Без чіткого процесу оновлення якість RAG-системи деградує протягом 3–6 місяців після запуску. Не тому що система погана, а тому що реальність змінюється швидше за документи у базі.
Тестування і донавчання — витрати, яких не видно у КП
Семантичний пошук — не досконалий. На спеціалізованих корпоративних документах, особливо з галузевою термінологією, абревіатурами або перехресними посиланнями, failure rate може сягати 15–20% від запитів.
Тобто кожен п’ятий запит отримує або неточну, або нерелевантну відповідь. Без етапу тестування і налаштування це виявляється вже в роботі системи — і починається цикл виправлень, кожне з яких коштує.
Типова причина: «acronym confusion» — одна абревіатура має два різних значення в різних контекстах, система не може розрізнити. Або запит вимагає точних числових даних з таблиці, а семантичний пошук знаходить близький за змістом, але не точний документ.
Виявити і виправити ці кейси — теж бюджет. Зазвичай 10–15% від первісної розробки, але якщо цей етап пропустити — він повернеться у вигляді рекламацій і переробок.
На чому можна заощадити без втрати якості
Ця секція для тих, хто вже розуміє, що йому потрібен RAG, але хоче оптимізувати бюджет без ризику отримати непрацюючу систему.
No-code / low-code RAG (n8n, Make, Flowise) — де підходить
Для компаній з відносно чистими документами і нескладними сценаріями — no-code і low-code інструменти дають суттєву економію на розробці.
n8n і Make дозволяють побудувати RAG-pipeline без написання коду: підключення до джерела документів, embedding, зберігання у векторній базі, запит і відповідь — все через візуальні блоки. Flowise — спеціалізований no-code інструмент саме для RAG-систем.
Потенційна економія: 40–60% від вартості кастомної розробки порівняно з написанням pipeline з нуля.
Обмеження, про які треба знати: – Складні сценарії (гібридний пошук, ієрархічний chunking, RBAC) важко або неможливо реалізувати в no-code – При масштабуванні бази вище 10 000–20 000 документів продуктивність no-code рішень стає проблематичною – Якщо ваші документи різнорідні за якістю і форматом — no-code не дасть необхідної гнучкості в обробці
Висновок: no-code підходить для базового рівня RAG з чистою базою і стандартними сценаріями. Для стандартного і корпоративного рівнів — це ризикована економія.
Open-source embedding-моделі замість OpenAI
Вартість embedding на OpenAI API складає $0.02–$0.13 за мільйон токенів залежно від моделі. Open-source альтернативи — Sentence-Transformers, BGE, nomic-embed-text — при self-hosted розгортанні коштують $0 операційно.
Якість open-source embedding-моделей для більшості корпоративних документів порівнянна з OpenAI. Виняток — дуже специфічні галузеві домени (медицина, фінанси, право), де OpenAI або спеціалізовані моделі на великих корпусах можуть давати вищу точність.
Економія: 3–5 разів менше операційних витрат на embedding при переході на self-hosted open-source. Одноразова вартість налаштування — 2–5 робочих днів розробника.
Де не варто економити таким чином: якщо у вас корпоративний рівень з вимогами до продуктивності і у вас немає GPU-інфраструктури — додаткові витрати на сервер можуть перевищити економію на API.
MVP-підхід: один процес замість п’яти на старті
Найефективніший спосіб знизити первісний ризик і бюджет — запустити RAG для одного конкретного процесу в одному відділі, виміряти результат і тільки потім вирішувати про масштабування.
Приклад: замість розгортання повноцінної корпоративної бази знань — починаємо з RAG-асистента для відділу підтримки клієнтів на основі 500 найпоширеніших питань і відповідей. За 3–4 тижні отримуємо реальні дані: скільки запитів закриває система, яка точність, яке задоволення операторів.
Економія порівняно з «одразу весь масштаб»: 50–70% первісного бюджету. Плюс значно менший ризик: якщо MVP не показав очікуваного результату — ви не вклали 350 000 грн у систему, що потребує переробки.
Мінус: MVP-підхід подовжує загальний час до повного розгортання. Якщо ваша ціль — комплексна система у короткий термін — це не ваш варіант.
Вкласти в підготовку документів — і зекономити на всьому іншому
Парадокс, який ми спостерігаємо в кожному другому проекті: замовник хоче скоротити витрати на «підготовку документів», бо це здається адміністративною роботою, а не «справжньою розробкою AI».
Але якість документів — це єдиний найважливіший фактор якості RAG-системи. Більше, ніж вибір LLM. Більше, ніж стратегія chunking. Більше, ніж тип векторної бази.
Чиста і структурована база скорочує: – Витрати на embedding (менше токенів через відсутність «сміттєвого» тексту) – Витрати на тестування (менше failure-кейсів через якісний вміст) – Витрати на підтримку (менше виправлень після запуску) – Терміни розробки (pipeline не потребує спеціальної логіки для «сміттєвих» документів)
Рекомендація: якщо перед вами вибір між «більш просунутою AI-моделлю» і «кращою підготовкою документів» — обирайте підготовку документів. Це завжди вищий ROI.
ROI-розрахунок для компанії 30–100 осіб
Корпоративні дослідження показують вражаючі цифри ROI, але вони розраховані для великих enterprise-компаній. Розберемо реалістичний розрахунок для компанії нашого розміру.
Формула: скільки годин на день витрачається на пошук по документах
Базова формула для розрахунку прихованих витрат:
Прихована вартість пошуку = Кількість людей × Годин/день на пошук × Погодинна ставка
Приклад для відділу підтримки 5 осіб: – 5 операторів × 1,5 години на день на пошук по документах × 500 грн/год – = 3 750 грн/день – = приблизно 75 000 грн/місяць прихованих операційних витрат
Ця сума не відображається як окремий рядок у вашій фінансовій звітності, але вона реальна — це час, який можна використати на обробку більшої кількості запитів або на складніші завдання.
Приклад: відділ підтримки клієнтів 5 осіб
Стандартний RAG-асистент для відділу підтримки закриває 60–70% типових повторюваних запитів без участі оператора. Оператор отримує питання, RAG-система знаходить відповідь у документах — оператор верифікує і відправляє клієнту за 10–15 секунд замість 3–5 хвилин.
Прогноз для команди 5 осіб: – Закрито без участі оператора: 60% запитів – Час оператора на верифікацію: -70% від поточного – Ефективна «ємність» команди зростає до 8 умовних операторів – Або: команда 3 осіб справляється з тим же обсягом, що і 5
При зарплаті оператора 25 000–40 000 грн/міс збереження 1–2 ставок = 25 000–80 000 грн/міс.
Стандартний RAG за 150 000–250 000 грн окупається за 4–8 місяців при цих параметрах.
Коли ROI не спрацює — чесна відповідь
Є три сценарії, де RAG-інвестиція не окупиться:
Мало запитів. Якщо ваш відділ підтримки обробляє менше 50 запитів на день — автоматизація не окупить вартість розробки і підтримки системи. Простий чат-бот або оператор будуть ефективнішими.
База постійно змінюється без процесу оновлення. Якщо у вас немає відповідального за актуальність бази знань — система деградує за 3–6 місяців. Час оператора на верифікацію «застарілих» відповідей може вирости, а не зменшитись.
Команда не готова до нового інструменту. «Adoption failure» — найчастіша причина низького ROI при технічно якісній системі. Якщо оператори не бачать цінності або не довіряють AI — вони будуть ігнорувати систему і шукати відповіді по-старому. Сюди відноситься недостатнє навчання і відсутність підтримки змін з боку керівництва.
Терміни — реалістична картина
3–6 тижнів — базовий RAG з чистими документами
Мінімальний реалістичний термін для базового RAG — 3 тижні за умови, що: – Документи вже структуровані і чисті – Є чіткі сценарії використання і не більше 1–2 інтеграцій – Замовник швидко відповідає на питання і надає необхідний доступ
6 тижнів — якщо документи потребують помірної підготовки, є 2 інтеграції і базовий інтерфейс.
8–14 тижнів — стандартний проект з інтеграціями
8 тижнів — оптимістичний сценарій: чиста база, зрозумілі вимоги, досвідчений підрядник, оперативний зворотний зв’язок від замовника.
14 тижнів — реалістичний середній термін для стандартного проекту з 3–5 інтеграціями, помірною підготовкою документів і кількома ітераціями тестування.
Чому «швидше» часто означає «дорожче» або «гірше»
Прискорення термінів можливе, але коштує. Залучення додаткових розробників або прискорена робота збільшують бюджет на 20–40% при скороченні термінів вдвічі.
Гірший варіант — «швидше» означає скорочення етапу тестування і якісної підготовки документів. У короткостроковій перспективі економить час і гроші. У довгостроковій — генерує додаткові витрати на виправлення.
Що сповільнює проект найчастіше: збір і очищення документів на стороні замовника
За нашим досвідом і практикою галузі, 70% затримок у RAG-проектах виникають не на боці розробника, а на боці замовника — при зборі і підготовці документів.
«Надайте нам всі документи у форматі PDF» — і з’ясовується, що документи у 5 різних людей, частина з них у локальних папках без доступу, частина у застарілій системі, яку адміністратор вже звільнився.
Щоб уникнути цього: призначте відповідального за документи на стороні замовника до початку проекту і зробіть аудит реального стану документів у перший тиждень.
Типові помилки при бюджетуванні RAG-проекту
Вибирати найдешевше КП без порівняння архітектур
Найдешевша пропозиція може означати: no-code рішення, що не масштабується, базовий chunking без налаштування під ваші документи, відсутність етапу тестування, відсутність адмін-панелі для самостійного оновлення бази.
Перед підписанням договору запитайте у підрядника: яка архітектура пропонується, чи включений етап підготовки документів, що входить у щомісячну підтримку і які операційні витрати прогнозуються.
Не закладати щомісячні операційні витрати
Одноразова розробка — це лише частина загальних витрат на RAG. При розрахунку ROI враховуйте повний термін 12–24 місяці, включаючи API-витрати, оновлення бази знань і технічну підтримку.
Порівнювати «вартість RAG» і «зарплату оператора» треба у повній картині: одноразова розробка ÷ строк використання + місячні операційні витрати vs. місячна зарплата + соціальні внески + витрати на рекрутинг і навчання.
Очікувати «готового продукту» з першого дня — без фази тестування
RAG-система після запуску — це не кінцевий продукт, а початок процесу налаштування. Перші 2–4 тижні після launch виявляться failure-кейси, які не передбачили під час тестування. Це нормально — якщо є бюджет і процес для їх виправлення.
Якщо бюджет на тестування і донавчання повністю відсутній у кошторисі — очікуйте розчарування після запуску.
Не враховувати вартість підготовки документів у загальному бюджеті
«У нас є всі документи, просто завантажте їх» — і в результаті з’ясовується, що підготовка займе 3 тижні і ще 40 000 грн, які не були в кошторисі.
Попросіть підрядника провести попередній аудит стану ваших документів до підписання договору. Якісний підрядник зробить це безкоштовно або за мінімальну суму як частину процесу оцінки проекту.
Наш підхід — від аудиту до працюючої системи
Ми в Directoria будуємо RAG-системи поетапно — щоб кожний вкладений гривень давав вимірюваний результат і ви могли зупинитися після будь-якого кроку з конкретним результатом на руках.
Фаза 0 — AI-аудит (0–15 000 грн, 5 робочих днів)
Перш ніж рахувати вартість системи, ми оцінюємо вашу ситуацію: обсяг і стан документів, реальні сценарії використання, поточні болі команди. Результат — карта бази знань і попередній кошторис з поясненням кожного рядка. Ви розумієте, який рівень RAG підходить вашій компанії, до початку будь-яких розробницьких витрат.
Фаза 1 — Пілот (фіксована ціна, 3–4 тижні)
Один процес, один відділ, вимірювані результати. Базовий RAG-асистент для конкретного сценарію — з реальними вашими документами, з реальними запитами команди. Ви бачите, як система працює на практиці, ще до рішення про повноцінне впровадження.
Фаза 2 — Масштабування
Після підтвердженого ROI розширюємо систему: більше документів, більше відділів, додаткові інтеграції. На цьому етапі ви вже знаєте, що інвестиція виправдана.
Не знаєте, який рівень RAG потрібен вашій компанії? AI-аудит за 5 днів дасть відповідь — з картою ваших документів, визначенням рівня системи і попереднім кошторисом з поясненням кожного рядка.
Часті питання про вартість RAG-системи
Чи можна запустити RAG за 10 000 грн?
Технічно — так, якщо у вас 200–500 чистих текстових документів і найпростіший сценарій: FAQ-бот без складних інтеграцій. Але вже з першого місяця додаються API-витрати (2 000–5 000 грн/міс залежно від кількості запитів) і витрати на підтримку. Тобто за рік «RAG за 10 000 грн» може коштувати 40 000–70 000 грн у сукупності. Порахуйте повну вартість, а не лише одноразову.
Навіщо платити за «підготовку документів» — це ж наші документи?
Тому що PDF зі сканованого архіву 2010 року і структурований Word-файл з актуальними регламентами — це принципово різні задачі для RAG-системи. Перший потребує OCR, очищення артефактів, нормалізації структури. Без цієї роботи система відповідає погано — не тому що поганий AI, а тому що не може якісно «прочитати» ваші документи. Якість підготовки документів визначає якість відповідей більше, ніж будь-який інший фактор.
Що дешевше: RAG-система чи найняти ще одного оператора?
Залежить від кількості запитів і типу завдань. При 50+ однотипних запитах на день RAG окупається швидше. При 10–15 запитах — простий чат-бот або додатковий оператор на неповну ставку можуть бути ефективнішими. Ключовий розрахунок: повна вартість RAG за 12–24 місяці vs. повна вартість оператора за той самий період, включаючи рекрутинг, навчання, лікарняні. При порівнянні у довгостроковій перспективі RAG виграє при регулярному обсязі від 50+ запитів на день.
Чи можна зупинити проект на половині і не втратити гроші?
При правильній поетапній моделі — так. Після аудиту ви маєте карту і кошторис. Після пілоту — працюючий прототип для одного відділу. Кожен етап — окремий результат з цінністю. Якщо ви зупинились після пілоту — ви отримали реально працюючу систему для одного сценарію і не вклали гроші у масштабування, яке не потрібне. Ризик великих втрат виникає лише при підході «все одразу» без поетапної моделі.
Скільки коштує оновлення бази знань раз на квартал?
Орієнтир для бази до 5 000 документів при квартальному оновленні — 5 000–15 000 грн/квартал. Залежить від обсягу змін: якщо оновлюється 5% документів — дешевше, якщо 40% — дорожче. Також залежить від наявності адмін-панелі: якщо у вас є зручний інтерфейс для самостійного завантаження документів — частину роботи ви робите самостійно без участі розробника.
Чи враховані в кошторисі витрати на ChatGPT або Claude?
API-витрати на LLM зазвичай йдуть окремим рядком і залежать від реальної кількості запитів, яку важко точно передбачити до запуску. Якісний підрядник завжди показує прогнозований місячний рядок окремо від одноразової розробки — з поясненням моделі розрахунку. Якщо у КП немає окремого рядка API-витрат — запитайте явно, щоб уникнути сюрпризів на третій місяць.
Висновок
Ціна RAG-системи — це не фіксована цифра. Це функція від масштабу ваших документів, їхнього стану, кількості інтеграцій і вимог до безпеки та доступності. Діапазон 40 000–700 000 грн не є результатом різних апетитів підрядників — це відображення принципово різних архітектур для принципово різних задач.
Головна порада, яку варто винести з цієї статті: не обирайте підрядника за ціною без розуміння, що саме входить у комерційну пропозицію. Запитайте про підготовку документів, про прогнозовані операційні витрати, про процес тестування і про те, як буде оновлюватися база знань після запуску.
Перший крок перед будь-яким бюджетуванням — зрозуміти, який рівень RAG потрібен вашому бізнесу. Це займає 5 днів і дає конкретний кошторис з поясненням кожного рядка.
Замовте AI-аудит — і ми покажемо, що реально є у вашій базі знань, скільки коштує її автоматизація і на якому рівні RAG ваша ситуація.
