ИИ в мобильном приложении сегодня ждут уже не как эксперимент, а как обычную функцию: пользователь привык, что можно задать вопрос своими словами, сфотографировать документ вместо ручного ввода или надиктовать сообщение. Вопрос для бизнеса не в том, «нужна ли нейросеть», а в том, какая конкретная функция сэкономит пользователю время и как её встроить, чтобы она работала быстро, недорого и не нарушала закон о персональных данных.
Разбираем, какие AI-функции в приложении приносят пользу, где может работать модель — на сервере или на самом телефоне, — во что упираются стоимость и скорость и как запустить первую функцию без большого риска. Это взгляд студии, которая ведёт разработку мобильных приложений под ключ и внедряет ИИ в продукты клиентов.
Какие AI-функции в приложении действительно полезны
Хорошая AI-функция решает задачу, которую пользователь и так решает в приложении, только быстрее. Плохая — добавлена ради слова «нейросеть» в описании в сторе. Вот функции, которые чаще всего окупают разработку.
Ассистент и чат-бот в приложении
Чат-бот в приложении отвечает на вопросы по каталогу, условиям доставки, тарифам и статусу заказа. Если он опирается на базу знаний компании и данные из учётной системы, он закрывает типовые обращения без оператора и передаёт человеку то, что сам решить не может. Важно ограничить ассистента темой компании и источниками: модель без опоры на ваши данные будет уверенно придумывать ответы.
Поиск на естественном языке
Вместо фильтров пользователь пишет «зимние ботинки для ребёнка до пяти тысяч» или «отель рядом с метро с парковкой». Нейросеть разбирает запрос на параметры и передаёт их обычному поиску. Это хорошо работает в больших каталогах, где фильтров много, а на маленьком экране ими неудобно пользоваться.
Распознавание фото и документов
Распознавание фото в приложении экономит минуты ввода: сфотографировать паспорт ТС, чек, счётчик, этикетку товара или визитку — и получить заполненные поля. Сюда же относится поиск по фото («найти похожий товар») и проверка, что снимок пригоден: документ целиком в кадре, нет бликов.
Голосовой ввод и расшифровка
Голосовой ввод нужен там, где руки заняты или печатать неудобно: курьеру, мастеру на выезде, водителю, врачу. Речь превращается в текст, а дальше модель может разложить его по полям заявки или отчёта. Системное распознавание речи есть и в iOS, и в Android, поэтому простая диктовка часто не требует отдельной модели.
Персональные рекомендации
Подборка товаров, статей, тренировок или блюд на основе того, что пользователь уже смотрел и покупал. Здесь не обязательно нужна языковая модель: классические рекомендательные алгоритмы на сервере часто справляются лучше и дешевле.
Автозаполнение форм и суммаризация
Модель предлагает заполнить поля по свободному описанию («сломался кран на кухне, нужен мастер в субботу утром»), а длинные тексты — переписку, отзывы, договор, историю обращений — сокращает до нескольких пунктов. Это полезно во внутренних приложениях для сотрудников, где много текста и мало времени.
Хорошая AI-функция решает задачу, которую пользователь и так решает в приложении, только быстрее.
Где работает модель: на сервере или на устройстве
Это главное архитектурное решение при разработке приложения с искусственным интеллектом. От него зависят качество ответов, скорость, стоимость и то, куда уходят данные пользователя.
На сервере через API
Приложение отправляет запрос на ваш backend, а он — в языковую модель. Модель может быть облачной (крупные провайдеры, в том числе российские — YandexGPT, GigaChat) или своей, развёрнутой на серверах компании. Приложение не обращается к провайдеру напрямую: ключи доступа, промпты и логика остаются на сервере, где их можно менять без выпуска новой версии в сторах.
Если в запросах есть персональные данные россиян, нужно учитывать 152-ФЗ: где хранятся и обрабатываются данные, кто получает к ним доступ, передаются ли они за рубеж. Для чувствительных сценариев часто выбирают российского провайдера или свою модель внутри контура компании.
На устройстве
Модель работает прямо в телефоне. На iOS для этого есть Core ML и Vision, на Android и iOS — ML Kit от Google с готовыми моделями для распознавания текста, штрихкодов, лиц и объектов, а также TensorFlow Lite для своих моделей. Данные не покидают устройство, функция работает без интернета и отвечает почти мгновенно.
Ограничения тоже понятны: модели на устройстве меньше и проще серверных, зависят от мощности телефона, увеличивают размер приложения, а обновлять их сложнее. Для распознавания текста на фото или штрихкода этого достаточно, для развёрнутого диалога по каталогу — обычно нет.
| На сервере через API | На устройстве | |
|---|---|---|
| Качество | Крупные модели, сложные задачи | Узкие задачи: текст на фото, штрихкоды, объекты |
| Скорость | Зависит от сети и нагрузки | Быстро, без сети |
| Стоимость | Оплата запросов или своих серверов | Без платы за запросы, но нагрузка на телефон |
| Приватность | Данные уходят на сервер, нужен контроль по 152-ФЗ | Данные остаются на устройстве |
| Обновление | Меняется на сервере в любой момент | Чаще всего с новой версией приложения |
На практике часто выбирают гибрид: простую обработку делают на телефоне, сложную — на сервере. Например, приложение на устройстве находит документ в кадре и распознаёт текст, а разбор полей и проверку отправляет на backend.
Стоимость запросов и задержки: что заложить заранее
У AI-функции, в отличие от обычной кнопки, есть цена каждого использования. Облачная модель тарифицирует запросы, своя — требует серверов с видеокартами. Чем длиннее контекст (история диалога, найденные документы), тем дороже и медленнее ответ.
Вторая сторона — задержка. В вебе пользователь иногда готов подождать, в мобильном приложении — почти никогда. Поэтому в интерфейс закладывают потоковый вывод ответа по словам, понятные состояния загрузки и запасной сценарий, если модель не ответила.
- Какая модель нужна для задачи: часто небольшая и быстрая справляется не хуже большой.
- Сколько контекста реально нужно в каждом запросе.
- Что можно кэшировать: одинаковые вопросы и одинаковые ответы.
- Какие лимиты на пользователя защитят от злоупотреблений и неожиданных счетов.
- Что увидит пользователь, если модель недоступна или отвечает слишком долго.
Приватность и разрешения
AI-функции почти всегда просят доступ к камере, микрофону, фото или геолокации. И iOS, и Android требуют объяснить пользователю, зачем приложению это разрешение, а сторы проверяют, соответствует ли описание реальному поведению приложения.
Отдельно продумывают, что уходит на сервер. Фото паспорта или голосовая запись — персональные данные: их нужно передавать по защищённому каналу, не хранить дольше необходимого и не отправлять в сервисы, где их могут использовать для обучения. Политика конфиденциальности приложения должна честно описывать, какие данные обрабатывает ИИ и где.
Как проверять качество AI-функции
Нейросеть ошибается не так, как обычный код: она может правильно ответить на десять вопросов и уверенно ошибиться на одиннадцатом. Поэтому качество проверяют не на паре удачных примеров из демо, а системно.
- Набор реальных примеров. Собираем вопросы пользователей, фото документов, голосовые записи — в том числе плохого качества, с шумом и опечатками.
- Критерии оценки. Заранее договариваемся, что считается правильным ответом: поле распознано верно, ответ опирается на базу знаний, бот передал вопрос оператору, когда должен был.
- Прогон до релиза. Каждое изменение промпта или модели проверяем на этом наборе, чтобы улучшение в одном месте не сломало другое.
- Наблюдение в работе. После запуска смотрим на оценки ответов, обращения к оператору и места, где пользователи бросают сценарий.
Ещё одно правило: пользователь должен видеть и исправлять результат ИИ. Распознанные поля показываем для проверки, а не отправляем сразу; у ассистента есть кнопка «связаться с человеком».
Почему начинать с одной функции и пилота
Самая частая ошибка — планировать «умное приложение» сразу со всеми функциями. Получается долгий проект, в котором сложно понять, какая функция принесла пользу, а какая только добавила расходов.
Работает другой порядок: выбрать одну функцию с измеримым эффектом — например, распознавание документа вместо ручного ввода или чат по каталогу вместо звонка в поддержку, — сделать её, выпустить на часть пользователей и посмотреть на цифры. Если функция работает, её развивают и добавляют следующую. Если нет — потеряно немного.
Мы в Sphere как IT-агентство в Москве ведём разработку мобильных приложений и веб-сервисов от исследования и сценариев до публикации в сторах и обновлений. AI-функцию проектируем так же, как любой экран: сначала разбираемся, какую задачу пользователя она решает, потом выбираем модель и архитектуру. Посмотреть, какие продукты мы делаем, можно в разделе наши проекты по разработке приложений и сайтов.
Частые вопросы
Можно ли добавить ИИ в уже работающее приложение?
Да. Чаще всего AI-функцию добавляют через backend: приложение получает новый экран или кнопку, а логика работы с моделью живёт на сервере. Переписывать приложение целиком для этого не нужно.
Нужна ли своя нейросеть или хватит готовой через API?
Для большинства задач хватает готовой модели через API с подключением к данным компании. Своя модель на серверах нужна, когда данные нельзя передавать внешнему провайдеру или когда объём запросов делает облако невыгодным.
Будет ли AI-функция работать без интернета?
Только если модель работает на устройстве. Распознавание текста на фото или штрихкода можно сделать офлайн через Core ML или ML Kit, а ассистенту с большой языковой моделью нужен доступ к серверу.
Как ИИ в приложении сочетается с 152-ФЗ?
Нужно понимать, какие персональные данные уходят в модель, где они обрабатываются и хранятся. Для чувствительных данных выбирают российского провайдера или свою модель в контуре компании, а лишнее отсекают ещё на стороне приложения.
Сколько стоит разработка приложения с искусственным интеллектом?
Зависит от числа функций, выбранной модели и того, нужна ли своя инфраструктура. Помимо разработки, у AI-функций есть постоянный расход на запросы или серверы, поэтому его оценивают отдельно ещё на этапе проектирования.




