AI-интегратор для бизнеса: кто это, что делает, как выбрать в 2026

AI-интегратор для бизнеса — это подрядчик, который берёт ответственность за результат в продакшене: аудит процессов → подбор железа → развёртывание стека → интеграция с 1С/CRM → передача runbook’а. Ключевые критерии выбора: подтверждённые кейсы self-hosted, открытый стек без vendor lock-in, готовность к pilot за 4 недели, прозрачное SLA.

Кто такой AI-интегратор

Разделим типы поставщиков AI-услуг которые на рынке смешиваются:

Тип	Что делает	Когда нужен
AI-консультант	Стратегия, roadmap, оценка ROI. Кода и серверов не трогает	На этапе «не знаем с чего начать»
AI-разработчик / ML-инженер	Пишет модели, делает fine-tune. Один человек или фрилансер	Узкая R&D-задача
SaaS-вендор	Даёт готовый продукт по подписке (ChatGPT Enterprise, GigaChat)	Простые задачи без compliance
AI-интегратор	Под ключ: аудит → железо → стек → интеграции → обучение → SLA	Внедрение в бизнес-процесс
IT-компания с AI-направлением	Любая комбинация выше + смежные ИТ-услуги	Когда нужен один контрагент на всё

AI-интегратор отвечает за результат в продакшене. Не за код, не за модель, не за «попробовали и не пошло» — а за то что в компании заработал процесс с измеримым ROI. Это требует одновременно: data engineering, devops, ML-настройку, понимание законов (152-ФЗ, ФСТЭК), UX-проработку, обучение операторов.

Если вашего поставщика подходит описание «программист написал бота» — это не интегратор, это разработчик. Разница в зоне ответственности и сроках поддержки.

Что входит в работу AI-интегратора

Полный цикл внедрения корпоративного ИИ:

1. Аудит (1–2 недели)

Какие процессы автоматизируем
Какие данные есть и в каком состоянии
Compliance-требования (152-ФЗ, ФСТЭК, отраслевые)
Существующая ИТ-инфраструктура: что использовать, что менять
Бюджет и сроки

Выход — спецификация: scope, метрики успеха, оценка железа, перечень интеграций.

2. Железо и инфраструктура (1–2 недели)

Подбор серверов под нагрузку (1× H100 / DGX Spark / Mac Studio M3 Ultra / 8× H100 кластер)
Установка ОС, сети, безопасности
Резервное копирование и мониторинг

Подробно: сколько стоит AI-сервер, DGX Spark setup.

3. Стек и модели (2–3 недели)

Развёртывание LLM-сервиса (vLLM / llama.cpp / Ollama)
Vector DB (Qdrant / Weaviate / pgvector)
RAG-стек (архитектура, рерайнкеры)
Выбор LLM (Llama / Qwen / DeepSeek для русского)

4. Интеграции (2–4 недели)

1С / Bitrix24 / amoCRM через MCP-серверы
Корпоративная почта (Exchange / IMAP)
Telegram / веб-чат
SSO (Active Directory / Keycloak / Yandex 360)

5. Обучение и передача (1–2 недели)

Runbook для админа (30+ страниц)
Обучение операторов
Документация на API и точки расширения

6. SLA-поддержка (опционально, по подписке)

P1-инциденты в течение 1–4 часов
Ежемесячный health-check
Обновления моделей и патчей

Полный цикл — 7–10 недель. Pilot — 4 недели (см. методику).

Чем хороший интегратор отличается от плохого

Признаки хорошего:

Начинает с аудита, а не с продажи. Если на первой встрече дают коммерческое предложение без вопросов — это шаблонная продажа, не интегратор
Открыто говорит про ограничения. Не «сделаем что угодно», а «вот это работает, вот это нет, вот тут компромиссы»
Собственная техническая экспертиза. Не «отдадим на аутсорс в Индию», а «у нас в команде ML-инженер с опытом self-hosted»
Open-source стек (без vendor lock-in). Llama / Qwen / DeepSeek + Qdrant / Weaviate + Open WebUI / Dify
Передаёт всё заказчику. Runbook, документация, доступы, исходники. Не «ключ от проекта только у нас»
Готов к pilot за 2–4 недели до основного контракта

Признаки плохого:

Сразу 6–12-месячный контракт без pilot’а
«Наша уникальная технология» вместо open-source стека
Нет публичного блога / GitHub / технических кейсов
Продают «AI-агентов» не понимая разницы бот vs агент
Отказываются говорить про конкретные модели и инфраструктуру («это коммерческая тайна»)
Цена «от 50 000 ₽» без возможности её обосновать

Чек-лист: 12 вопросов перед подписанием договора

Задайте эти вопросы потенциальному интегратору. Если на 3+ вопроса нет внятного ответа — ищите другого.

Про подход:

Какой стек используете и почему именно его?
Можно ли посмотреть ваши прошлые проекты или блог с техническими деталями?
Делаете ли pilot перед основным контрактом? Какой scope, цена, срок?

Про передачу:

Что заказчик получает по итогу: документация, runbook, исходники, доступы?
Можем ли мы уволить вас завтра и продолжить пользоваться системой?
Кто хозяин данных: остаются ли они у нас в инфраструктуре?

Про compliance:

Знаете ли требования 152-ФЗ к обработке ПДн через ИИ?
Какие меры технической защиты предусмотрены (приказы ФСТЭК)?
Готовы ли подписать NDA и работать в закрытом контуре заказчика?

Про реальность:

Какие ограничения этого подхода вы открыто признаёте?
Какой пример проекта который не сработал и почему?
Кто конкретный человек будет отвечать за наш проект (имя, опыт, контакт)?

Хороший интегратор отвечает уверенно. Плохой — общими фразами «зависит от ситуации» / «оптимально под вашу задачу».

Сколько стоит AI-интегратор?

Реалистичные диапазоны на 2026:

Объём работы	Цена	Срок
Pilot (1 use-case, 1 интеграция)	300–700 тыс. ₽	4 недели
Полный цикл (3–5 use-cases, 5+ интеграций)	1.5–4 млн ₽	7–10 недель
Enterprise (10+ use-cases, своя ML-команда заказчика)	8+ млн ₽	4–6 месяцев
SLA-поддержка (после внедрения)	80–250 тыс. ₽ / месяц	подписка

Это работы. Железо для self-hosted — отдельно (см. цены AI-сервера, TCO своего ChatGPT).

Если предлагают сильно дешевле — обычно это «подключим API ChatGPT через прокси». Это не self-hosted внедрение, и compliance-требования это не закроет.

Если предлагают сильно дороже — обычно это либо enterprise consulting (Big Four с почасовкой $500+), либо vendor-lock-in продукт с лицензиями.

Когда интегратор не нужен

У вас уже есть ML-команда с опытом self-hosted — тогда нужен только консультант на парных сессиях
Задача узкая и решается SaaS — например, типовой саппорт-бот, есть готовые решения
Бюджет < 700 тыс. ₽ — в этой сумме интегратор работать не сможет, рассмотрите SaaS или внутреннюю разработку
R&D без production-цели — нужен ML-инженер, не интегратор

Что у нас на проекте

В AGmind мы делаем полный цикл AI-интеграции под ключ для российского B2B (≤ 200 человек): аудит → железо → стек → интеграции → передача → опциональная SLA-поддержка. Стек open-source (Llama / Qwen / DeepSeek + Qdrant + Dify / RAGFlow), без vendor lock-in. Данные остаются в контуре заказчика, поддерживается работа в полностью изолированной среде (без интернета).

Если вы рассматриваете внедрение и хочется обсудить scope под вашу задачу — позвоните на 30-минутный аудит, разберём что подойдёт и оценим сроки.

Связанные тексты: внедрение ИИ под ключ — что входит, топ-7 ошибок внедрения ИИ, pilot-проект за 4 недели, ROI внедрения AI.