Формула ценообразования IT-проекта: пять слоёв, которые от тебя скрывают, пока ИИ переписывает правила игры

Рынок заказной IT-разработки оценивается в $588 млрд и живёт по модели, придуманной в девяностых: продавай часы людей, умножай на коэффициент, добавляй буфер «на всякий случай». Но ИИ ломает эту арифметику. Morningstar снижает рейтинги крупнейших аутсорсеров, акции EPAM проседают на 20 %, а McKinsey фиксирует: 94 % компаний, купивших лицензии на ИИ-инструменты, не видят эффекта на прибыль. Мы разобрали анатомию IT-сметы по костям — и нашли пять слоёв, о которых агентства предпочитают молчать.

Прежде чем лезть в слои, давай зафиксируем точку отсчёта.

Представь типичный запрос: экран «Контакты» в мобильном приложении для агентов недвижимости. Ничего экзотического — список, фильтры, карточка контакта, поиск.

Классическая студия оценит эту задачу в 6 рабочих дней. Стоимость — 160 000 рублей. Тесты — отдельной строкой, ещё тысяч 40. Итого: 200 000 рублей, полторы рабочие недели.

AI-First подход: 2 дня работы разработчика (64 000 рублей) плюс 5 000 рублей за вычислительные ресурсы — токены ИИ-моделей. Итого: 69 000 рублей. И в эту сумму уже входят UI- и Unit-тесты.

69 000 против 200 000. В 2,9 раза дешевле. В 3 раза быстрее.

Откуда берётся разрыв? Не из магии и не из демпинга. Разрыв прячется в пяти слоях, которые формируют любую IT-смету. Давай разберём каждый.

Основа любой сметы — стоимость часа специалиста. Медианная ставка middle-разработчика в Москве в 2025–2026 году — около 3 300 ₽/час (по данным Хабр Карьера и hh.ru). Senior — 4 500–5 500 ₽/час. На один экран «Контакты» уходит 48 человеко-часов: вёрстка, бизнес-логика, интеграция с API, ревью.

48 часов × 3 300 ₽ = 158 400 ₽ чистой себестоимости труда.

AI-First разработчик не заменяется нейросетью — он ей управляет. На тот же экран уходит 16 часов работы инженера (он формулирует задачи, валидирует результат, дорабатывает edge-кейсы) плюс вычислительные ресурсы — токены LLM-моделей.

16 часов × 4 000 ₽ = 64 000 ₽ (AI-First инженер стоит дороже в час, потому что квалификация выше).

Токены: 5 000 ₽ за задачу — это стоимость обращений к Claude, GPT-4o, Gemini в процессе генерации, рефакторинга, тестов.

Итого себестоимость: 69 000 ₽.

Модели генерируют шаблонный код — виджеты списков, фильтры, CRUD-операции — за секунды. Инженер тратит время на архитектурные решения, нетривиальную логику и ревью. По данным ISG Provider Lens 2025, AI-assisted разработка сокращает time-to-code на 40–60 % для типовых задач. Ключевое слово — типовых. Если у тебя кастомный графический движок или высоконагруженный real-time, выигрыш будет скромнее.

В классической студии на одного пишущего код приходится инфраструктура: проджект-менеджер, тимлид, аналитик, QA-лид, скрам-мастер. Это не злой умысел — это необходимость координировать людей. Чем больше людей, тем больше совещаний, синков, статусов.

По данным McKinsey State of AI 2025, в типичной аутсорсинговой команде 25–35 % бюджета проекта уходит на управленческий overhead. Для нашего экрана «Контакты» это выглядит так:

66 человеко-часов. Из них 18 — не код и не тестирование, а «склейка» между людьми.

В AI-First команде один инженер совмещает роли: он и разработчик, и QA (тесты генерирует ИИ, он валидирует), и частично аналитик (ИИ помогает декомпозировать задачу). PM нужен, но его нагрузка на задачу — 30 минут, а не 6 часов, потому что цепочка короче.

Overhead сжимается с 27 % до 2 %. Не потому что PM уволили, а потому что координировать двух участников (инженер + ИИ) проще, чем пятерых живых людей.

В классической смете тестирование — это отдельная строка. Ручное QA, написание тест-кейсов, регрессия. Документация — ещё одна строка, и часто её просто выкидывают, чтобы «уложиться в бюджет». В итоге заказчик получает код без тестов или с минимальным покрытием — и платит за это техническим долгом через полгода.

Стоимость тестирования для нашего примера: 20 000–40 000 ₽ сверху. Документация — ещё 15 000–20 000 ₽, если вообще заложена.

Суммарно тесты и документация добавляют 20–30 % к базовой стоимости задачи. И первое, что режут при торге — именно эти строки.

При AI-First подходе тесты генерируются одновременно с кодом. Ты просишь ИИ написать компонент — он выдаёт компонент и Unit-тест к нему. Просишь сделать экран — получаешь экран и UI-тесты. Это не идеальные тесты, инженер их дорабатывает, но базовое покрытие — 70–80 % — идёт «из коробки».

То же с документацией: ИИ генерирует JSDoc/docstrings, README для модуля, описание API-эндпоинтов. Инженер редактирует, а не пишет с нуля.

Стоимость тестов и документации в AI-First модели: 0 ₽ отдельной строкой — они уже внутри тех 16 часов и 5 000 ₽ токенов. Покрытие тестами при этом выше, чем в классической смете, где QA-бюджет порезали при согласовании.

Любая вменяемая студия закладывает буфер на риски. Разработчик заболел — нужна замена. API заказчика оказался не таким, как в документации. Дизайнер поменял макет после старта. Типичный буфер — 20–30 % от сметы.

Для нашей задачи за 200 000 ₽ это означает, что 40 000–60 000 ₽ — страховка. Если всё прошло гладко, эти деньги остаются у студии. Если нет — они сгорают, и студия иногда ещё и в минусе.

Проблема: буфер непрозрачен для заказчика. Ты не знаешь, за что платишь — за реальный риск или за перестраховку менеджера, который хочет спокойно спать.

AI-First подход не уничтожает риски — он сокращает их природу. Вот что меняется:

Риск «разработчик выпал» — минимизирован. Код сгенерирован ИИ, он читаемый и стандартизированный. Другой инженер подхватит за часы, а не за дни, потому что контекст задачи сохранён в промптах и чат-логах.

Риск «API не совпадает с документацией» — тот же, но цена ошибки ниже. Перегенерировать адаптер к API стоит 15 минут и 200 ₽ токенов, а не полтора дня переписывания.

Риск «дизайн поменялся» — сокращён. Перегенерировать UI-компонент по новому макету — задача на час, а не на день.

Буфер в AI-First модели: 5–10 % вместо 20–30 %. Для нашей задачи это 3 500–7 000 ₽ вместо 40 000–60 000 ₽.

ISG Provider Lens 2025 фиксирует тренд: компании, перешедшие на AI-augmented delivery, сокращают бюджет на непредвиденные расходы в 2–3 раза при сохранении уровня SLA. Но — и это важно — они не убирают буфер до нуля. Кто убирает, тот горит. ИИ галлюцинирует, модели обновляются и ломают промпты, rate limits API случаются в самый неподходящий момент.

Вот самый неудобный слой, о котором студии точно не хотят говорить.

В модели T&M (Time & Material) подрядчик зарабатывает на каждом проданном часе. Его маржа — разница между тем, сколько он платит разработчику, и тем, сколько берёт с тебя. Типичная наценка — 40–80 % на ставку специалиста.

Разработчик получает 3 300 ₽/час. Студия продаёт его час за 5 000–6 000 ₽. Маржа — 1 700–2 700 ₽ с каждого часа.

Теперь подумай о стимулах. В T&M-модели подрядчику невыгодно работать быстро. Каждый сэкономленный час — это потерянная маржа. Нет, никто не саботирует намеренно. Но и острой мотивации оптимизировать процесс — нет. Зачем внедрять ИИ-инструменты, которые сократят задачу с 48 до 16 часов, если это обрежет выручку в три раза?

Morningstar в 2025–2026 годах снизил рейтинг fair value для Infosys, Wipro и Cognizant именно по этой причине: их бизнес-модель, основанная на продаже часов, находится под структурным давлением ИИ. Если инструменты ускоряют работу в 3 раза, а клиент платит по часам — кто-то теряет деньги. Пока это клиент: он платит за 48 часов, хотя задача решается за 16.

AI-First модель тяготеет к outcome-based ценообразованию: оплата за результат, а не за часы. Подрядчику выгодно работать быстро — его маржа растёт, когда он решает задачу за 16 часов вместо 48, а берёт фиксированную цену.

В нашем примере AI-First команда берёт 69 000 ₽ за экран. Себестоимость — около 50 000 ₽ (с учётом всех накладных). Маржа — 28 %. Это здоровая, прозрачная маржа.

Классическая студия берёт 200 000 ₽. Себестоимость — около 110 000 ₽ (зарплаты, офис, менеджмент). Маржа — 45 %. И эта маржа растёт пропорционально количеству проданных часов, а не качеству результата.

Вот как выглядит анатомия той самой задачи — экран «Контакты» — в двух моделях:

Обрати внимание: в расширенной смете (с буфером и маржой) разрыв ещё больше, чем в нашем упрощённом примере 200 000 vs 69 000. Потому что в упрощённом примере мы не считали полную маржу и буфер — а они есть всегда, просто спрятаны в «стоимости часа».

Было бы враньём утверждать, что AI-First подход — серебряная пуля. Вот где он пробуксовывает:

Уникальная бизнес-логика. Если задача — не «экран контактов», а расчёт тарифов страхового продукта с 47 переменными, ИИ не ускорит работу в 3 раза. Скорее в 1,3–1,5 раза. Всё ещё выигрыш, но не революция.

Legacy-системы. Интеграция с SAP R/3 или самописным монолитом на Delphi? ИИ-модели плохо знают специфику, галлюцинируют чаще, инженер тратит больше времени на валидацию, чем на генерацию.

Критичные к безопасности системы. Финтех, медтех, авиация. Здесь каждая строка кода проходит аудит, и сгенерированный ИИ код требует дополнительной верификации. Буфер рисков не сжимается, а иногда даже растёт.

Команда не перестроилась. McKinsey State of AI 2025 показывает: 94 % компаний, внедривших ИИ-инструменты, не видят эффекта на прибыль. Причина — они дали разработчикам Copilot, но не изменили процессы. Copilot сам по себе — это как дать гоночный руль водителю телеги. Нужна перестройка пайплайна: от декомпозиции задач до code review.

Три сигнала, которые говорят, что это не хайп:

Сигнал 1: деньги. Morningstar пересматривает fair value IT-аутсорсеров в сторону понижения. Когда аналитики, оценивающие миллиардные компании, закладывают снижение выручки от продажи часов — это не блог-пост энтузиаста, это рынок.

Сигнал 2: скорость. По данным ISG Provider Lens 2025, компании-лидеры в AI-augmented delivery сокращают time-to-market на 40–55 % при сопоставимом качестве. Те, кто не внедряет — теряют тендеры.

Сигнал 3: клиенты умнеют. Заказчики начинают спрашивать: «Почему за тот же экран один подрядчик просит 200 000, а другой — 69 000?» И когда они видят разбивку сметы по слоям — они понимают, за что переплачивают.

Распечатай, сохрани, используй на каждом пресейле.

1. «Какая доля вашей сметы — это overhead команды (PM, аналитики, QA-лиды)?»

Если больше 20 % — ты платишь за координацию людей, а не за код. Уточни, почему нельзя сократить цепочку.

2. «Тесты и документация включены в оценку или идут отдельной строкой?»

Если отдельной — спроси, что произойдёт, когда бюджет начнут «оптимизировать». Обычно режут именно тесты. Потом ты заплатишь за это техдолгом.

3. «Используете ли вы ИИ-инструменты в разработке, и как это отражается на цене для меня?»

Правильный ответ: «Да, используем, это позволяет нам сделать быстрее и дешевле». Тревожный ответ: «Да, используем» — но цена такая же, как без ИИ. Значит, выгоду от ИИ забирает подрядчик, а не ты.

4. «Какой буфер рисков заложен и на какие конкретно риски?»

Если ответ «ну, стандартные 25 %» без расшифровки — это не управление рисками, а перестраховка за твой счёт. Попроси разбить по конкретным сценариям.

5. «Как вы зарабатываете: на количестве проданных часов или на эффективности решения задачи?»

Это самый неудобный вопрос. И самый важный. Если подрядчик зарабатывает на часах — у него нет стимула ускоряться. Если на результате — ваши интересы совпадают.

Мы в VibeLab прошли путь от классической модели к AI-First за полтора года. Набили шишки: первые три месяца ИИ-инструменты не ускоряли, а замедляли — потому что мы пытались встроить их в старые процессы, как турбину в телегу.

Работать стало по-другому, когда мы перестроили пайплайн целиком: декомпозиция задач под ИИ, промпт-инжиниринг как инженерная дисциплина, автоматическая генерация тестов, code review сгенерированного кода по отдельному чеклисту.

Результат: себестоимость типовой задачи упала в 2,5–3 раза. Маржа при этом осталась здоровой — просто теперь она честная, а не спрятанная в раздутых человеко-часах.

Формула ценообразования IT-проекта не изменилась — в ней по-прежнему пять слоёв. Но пропорции внутри каждого слоя сдвинулись необратимо. И те, кто этого не видит, через год-два будут объяснять клиентам, почему их сметы в три раза дороже рынка.

А те, кто видит — уже объясняют. Вот как мы сейчас.