С тех пор как моя аудитория перевалила за 10 000, я получаю в личку два типа сообщений. Первый — от начинающих AI-разработчиков, которые спрашивают, как открыть своё агентство. Второй — от собственников бизнеса, которые спрашивают, могу ли я помочь им построить AI-решение, которое они уже видят в голове.
И те, и другие, скорее всего, насмотрелись YouTube-роликов и постов в духе «этот AI-агент автоматизирует всю операционку вашего бизнеса» — с красивыми разноцветными диаграммами из блоков, собранными в no-code инструментах вроде Make или n8n. И отсюда — навязчивое ощущение, что AI открыл огромную возможность, которую можно реализовать сравнительно легко.
Бизнес хочет такие системы. Разработчики хотят откусить кусок от создаваемой ценности через имплементацию. И хотя сами по себе обещания в основном правда — я считаю, что AI-агентская модель в том виде, в котором её сейчас продвигают (как новый SMMA, как агентство, как разовые проекты), — фундаментально сломана и для агентств, и для бизнеса, который их нанимает.
Не потому что технология не работает. А потому что экономика, ожидания и операционная реальность не сходятся с тем, как эти бизнесы строятся.
Я была одной из первых, кто оказывал эти услуги. Мы приняли на себя первый удар. И вот что я поняла.
Часть 01Откуда вообще пришёл «AI-агентский» хайп
В 2023 году появилось целое поколение людей, которые посмотрели курс Лиама Оттли или его аналоги и решили: «Это же золотая жила. Открываю AI Automation Agency».
Логика была простая: малый бизнес плохо понимает AI, я понимаю чуть лучше, значит — продаю им внедрение за $5–25k. Лендинг, холодные письма, бесплатный discovery call, КП, контракт, n8n-схема за неделю. Profit.
Я тоже так начала. И я тоже первое время верила, что это рабочая модель — просто потому что несколько первых сделок реально закрылись и принесли деньги.
Но потом начались странности. И эти странности были не разовыми — это был системный паттерн, который повторялся у меня, у моих знакомых, и в каждом форуме AAA-комьюнити, если открыть их в полночь и почитать жалобы.
Часть 02Почему фикс-чек на разработку не работает
Главная проблема выглядит так. Клиент приходит на discovery-звонок. Он не разработчик, он плохо понимает, как устроены его собственные процессы, и тем более не понимает, что такое API. У него есть только смутное ощущение: «у нас всё медленно, надо AI».
Я провожу 45-минутный звонок, пытаюсь за это время понять:
- что у него за процесс на самом деле;
- в каких инструментах он живёт;
- есть ли там API, или придётся костылить;
- есть ли структурированные данные, или мне сначала придётся их чистить;
- что считать успехом.
За 45 минут это невозможно понять. Это в принципе невозможно понять, пока ты не залез внутрь системы клиента. Но клиент хочет цену прямо сейчас, иначе уйдёт к конкуренту.
И я называю цену. Допустим, $5 000 за внедрение, четыре недели. Клиент соглашается. Я открываю контракт через пять дней — и понимаю, что у него инструменты без API, данные в трёх разных Excel-файлах с разной структурой, а «один процесс» на самом деле три процесса с тремя разными исключениями каждый.
И вот тут самое интересное. Это не разовая ошибка новичка. Это структурная особенность бизнеса.
Сравните это с разработкой лендингов. Лендинг стоит $2k+, скоуп фиксированный, интеграции минимальные. Требования помещаются в один опросник, решения шаблонные и повторяемые. Можно построить агентство по лендингам и спокойно жить.
AI-автоматизация так не работает. Каждый проект — это уникальный набор инструментов, данных, исключений и интеграционных особенностей. И заранее их предсказать нельзя.
Часть 03Метафора дома: почему AI-проект всегда выходит дороже
Когда я пытаюсь объяснить, почему оценить AI-проект заранее невозможно, я использую метафору строительства дома.
Ты оценил стройку в два месяца. На третий день обнаруживаешь, что грунт слабый и нужен другой фундамент. На следующий день владелец участка закрыл доступ, ждёшь его неделю.
Ключевой рабочий уезжает в Бали «искать себя» — две недели простоя. В середине проекта клиент вспоминает, что ему вообще-то нужен гараж на две машины, а не на одну. Маленький нюанс, который он упустил при изначальном планировании.
В итоге стройка занимает не два месяца, а пять. И стоит не столько, сколько вы согласовали изначально.
В AI-проекте все эти переменные удваиваются, потому что добавляются ещё три уровня неопределённости:
Зависимость от интеграций
AI-системы должны общаться с CRM клиента, его почтой, провайдерами данных, банковскими аккаунтами. Эти системы не стандартизированы. У каждой свои особенности. У одной CRM есть API, у другой нет. У третьей есть API, но он делает не то, что обещает документация.
Подготовка данных
Клиенты систематически недооценивают, сколько времени уходит на очистку их собственных данных. И — что важнее — насколько эти данные критичны для работы AI-системы. Часто оказывается, что подготовка данных стоит дороже, чем сама автоматизация.
Непредсказуемость самой модели
Поведение AI зависит от промпта. В отличие от обычного кода, который на один и тот же вход даёт один и тот же выход, AI может ответить по-разному даже на одинаковый запрос. Это значит, что тестирование AI-систем — это отдельная инженерная дисциплина, которую большинство агентств не понимают, пока не обожгутся.
Когда ты называешь клиенту цену на discovery-звонке, ты не учёл ни один из этих трёх факторов. Потому что физически не мог. И с этой мисценой ты входишь в проект.
Часть 04Бизнес хочет не агента — он хочет процесс
Это, возможно, самое важное, что я поняла за два года.
Когда я начинала, я предполагала, что помогаю бизнесу делать то, что они уже делают, но лучше — через AI, автоматизацию, агентов. На discovery-звонках выяснялось другое: многие приходили потому, что мучились с операционкой, и думали, что AI прекратит эти мучения.
Но настоящая проблема не была в отсутствии автоматизации. Настоящая проблема была в отсутствии процессов.
У меня были звонки, где бизнес ожидал, что я автоматизирую им ведение соцсетей или написание блогов — но когда я смотрела на текущее состояние, я видела ноль работающих процессов. Ноль. У них не было даже определения, что считать хорошим постом или хорошим клиентом. Им нужен был не AI-агент. Им нужен был оперирующий директор, который сначала наведёт порядок.
Твои клиенты с миллионным КП не отказались от агента. Они отказались от внедрения хаоса.
Ты говорил: «приходят на диагностику, а потом получают КП на миллион и уходят». Возможно, дело не в цене и не в КП. Дело в том, что они увидели на диагностике, сколько у них самих не настроено — и поняли, что миллион за агента не решит их проблему. Решит — операционный аудит и наведение процессов. А это уже совсем другой продукт.
Полезный шаг: следующие 2–3 диагностики веди не как «продажу агента», а как аудит готовности к агенту. Иногда честно сказать «вам сначала нужно вот это, а потом уже AI» — это и есть причина, по которой клиент потом подпишется не на 1М, а на 300–500К с тобой как с подрядчиком, которому верят.
Часть 05Что реально продаётся: обучение, а не установка
В этом году я заметила одну интересную вещь. После того как я закопалась в разовые проекты, я начала на discovery-звонках спрашивать: «Будет ли вам интересно обучение после того, как я соберу вам систему?»
Большинство сказали «да».
Некоторые спрашивали об этом даже до меня.
Это прямое доказательство того, что люди хотят не просто систему — они хотят понимать её. Я даже стала получать запросы на чистое обучение: компании хотят учиться автоматизации на уровне руководства.
Это, если подумать, логично. В отличие от маркетинга или рекламы, AI-автоматизация затрагивает каждую функцию бизнеса — операционку, поддержку, продажи, финансы, HR. Это не специальный навык, который живёт в одном отделе. Это скорее как базовая компьютерная грамотность или работа с Excel — навык, который должно понимать руководство.
Когда я смотрю назад — мои самые успешные проекты были с tech-savvy фаундерами. Обычно это были люди, которые уже пытались сами что-то автоматизировать или у которых была своя IT-команда. Им просто не хватало времени или правильного направления.
Они не покупали у меня «магию». Они покупали ускорение того, что уже сами понимали. Это совсем другая продажа — и совсем другой клиент.
Часть 06Решение: платный discovery + долгое сопровождение
Из всего этого выходит вполне практическое решение. Оно непривычное для тех, кто пришёл из AAA-комьюнити, потому что там учат другому. Но оно работает.
Конкретно:
- Платный discovery как отдельный продукт. Не бесплатный 30-минутный звонок. А оплачиваемая фаза — $1 500–3 000 (в РФ-эквиваленте 30–90К) — за глубокий аудит процессов, проверку доступности API, инвентаризацию данных, формулирование метрик успеха и feasibility-меморандум. Результат — документ, с которым клиент может пойти к другому подрядчику или к тебе. Это и фильтр серьёзности клиента, и реальная оплата за работу, которую ты раньше делал бесплатно.
- Конвертация в долгосрочные консалтинговые отношения. Не разовый проект, а постоянное обслуживание. Подписка после внедрения. Мониторинг, обновления, доработки. Это даёт MRR, который не зависит от постоянного поиска новых клиентов.
- Honest scope-setting на старте. Если ты понимаешь, что у клиента нет процессов или нет данных — скажи ему это до того, как взять деньги. Часть клиентов уйдёт. Те, что останутся, заплатят больше и будут довольны.
То, к чему я пришла за два года эмпирически — на западе уже стало мейнстримом в 2026 году. Все серьёзные AI-agency в США и Великобритании сейчас работают по схеме paid audit → fixed-scope build → monthly retainer. Чек на audit — $500–3 000. Чек на build — $5–25k. Retainer — $1–5k/мес.
Те, кто продолжает работать «бесплатный звонок → фикс-цена за всё внедрение» — выгорают за 12 месяцев. Это структурная особенность бизнеса, а не персональная проблема.