Себестоимость локализации 200 карточек товара нейросетью

Задача, которую нужно посчитать заранее

Представьте типичную ситуацию: у магазина есть каталог из двух сотен товаров, и он решает выйти на новый языковой рынок — локализовать карточки под соседнюю страну или под маркетплейс на другом языке. Двести описаний — это не гигантский объём, но и не пара абзацев. Перевести их силами фрилансеров или агентства дорого и небыстро, а прогнать через бесплатный онлайн-переводчик — значит получить сухой машинный текст, который не продаёт и часто не вписывается в требования площадки.

Нейросеть выглядит очевидным компромиссом. Но как только доходит до планирования бюджета, всплывает вопрос без единственного правильного ответа: «А сколько это будет стоить?» Цена зависит от выбранной модели, от того, сколько описаний вы прогоняете за один запрос, от глубины редактуры и от количества переделок. Поэтому полезнее не искать волшебную цифру, а собрать методологию, которую вы приложите к своему каталогу и получите честную смету. Ниже разбираем её по шагам на примере тех же двухсот карточек — в кредитах Most AI, без VPN, с оплатой в рублях по факту использования.

Почему локализация — это не просто перевод

Первое, что путает расчёты: люди подсознательно приравнивают локализацию к переводу. Но это разные задачи, и стоят они по-разному.

Перевод — это когда текст на одном языке становится текстом на другом с сохранением смысла. Локализация идёт дальше: она адаптирует описание под конкретный рынок. Это значит пересчитать единицы измерения и размерные сетки, подобрать формулировки под то, как люди реально ищут товар на площадке, учесть тон и вежливые обороты, вписаться в лимиты символов маркетплейса, не потерять ключевые характеристики и при этом не превратить карточку в набор канцелярских штампов.

Из-за этого локализация требовательнее к модели и почти всегда предполагает человеческую вычитку хотя бы части текста. И то, и другое — статьи расходов, которые машинный переводчик «за ноль рублей» просто прячет, перекладывая их на возвраты и низкую конверсию. Если вам интересна базовая механика, как нейросеть вообще переводит текст, есть отдельный разбор про перевод текста нейросетью.

Из чего складывается себестоимость: четыре статьи

Чтобы смета была честной, разложим стоимость на четыре части. Пропуск любой из них — самая частая причина, почему «дешёвый» вариант оказывается дороже.

1. Машинная генерация. Обращения к модели, которые оплачиваются кредитами. Это единственная часть, которую можно посчитать почти точно заранее.
2. Человеческая редактура. Время на вычитку и правку. Обычно самая недооценённая статья.
3. Подготовка и постобработка. Собрать исходные описания в единый формат, написать промпт, залить результат обратно в карточки.
4. Риск переделок. Брак и повторные прогоны, если модель или промпт подобраны неудачно.

Дальше считаем каждую часть отдельно.

Считаем машинную часть в кредитах

В каталоге Most AI текстовые модели оплачиваются по простому принципу: каждое обращение к модели стоит фиксированное число кредитов, и вы платите только за факт использования — без месячной подписки. Значит, единица расчёта — это запрос. Формула себестоимости машинной части выглядит так:

Всего кредитов = число запросов × стоимость одного запроса.

Стоимость запроса зависит от модели. Вот ориентиры из каталога: GPT-5.4 Mini — 1 кредит, Gemini 2.5 Flash — 1 кредит, Gemini 3.1 Flash Lite — 1 кредит, Claude Haiku 4.5 — 2 кредита, Gemini 3.5 Flash — 3 кредита, GPT-5.4 — 4 кредита, Gemini 3.1 Pro Preview — 4 кредита, Claude Sonnet 4.6 — 5 кредитов, Claude Opus 4.8 — 8 кредитов, GPT-5.5 — 9 кредитов.

Теперь число запросов. Если гнать по одному описанию за раз, на 200 карточек уйдёт 200 обращений. Но короткие товарные описания можно объединять: если аккуратно уложить, скажем, по пять карточек в один запрос с чёткой разметкой на входе и выходе, то запросов станет всего 40. Это ключевой рычаг экономии.

Посчитаем несколько сценариев на наши 200 карточек:

• Экономичный, по одному описанию. Модель за 1 кредит (например, GPT-5.4 Mini или Gemini 2.5 Flash), 200 запросов = 200 кредитов.
• Экономичный, по пять в пакете. Та же модель за 1 кредит, 40 запросов = 40 кредитов.
• Качественный, по одному описанию. Claude Sonnet 4.6 за 5 кредитов, 200 запросов = 1000 кредитов.
• Качественный, по пять в пакете. Claude Sonnet 4.6, 40 запросов = 200 кредитов.
• Флагманский на сложных карточках. Claude Opus 4.8 за 8 кредитов, 40 запросов = 320 кредитов.

Разброс — от 40 до 1000 кредитов только за счёт двух решений: какую модель взять и по сколько карточек упаковывать в запрос. Перевести кредиты в рубли по актуальному курсу можно на странице тарифов — цифра меняется, поэтому держать её в статье бессмысленно, а формула остаётся верной всегда.

Какую модель брать под локализацию

Соблазн взять самую дешёвую модель на все 200 карточек понятен, но не всегда оправдан. Практичнее двухуровневый подход.

Для типовых товаров с простыми характеристиками — техника по спецификациям, расходники, аксессуары — хватает лёгких моделей за 1–2 кредита: GPT-5.4 Mini, Gemini 2.5 Flash, Gemini 3.1 Flash Lite, Claude Haiku 4.5. Они уверенно переносят факты и не разоряют бюджет.

Для карточек, где важен тон, эмоция и продающая подача — флагманы, товары для дома, всё, что покупают «сердцем», — берите модели посильнее: Claude Sonnet 4.6, GPT-5.4, Gemini 3.1 Pro Preview. На самых ответственных описаниях, которые формируют лицо бренда на новом рынке, оправданы Claude Opus 4.8 или GPT-5.5.

Отдельная роль у моделей с поиском — Perplexity Sonar и Sonar Pro: они помогают проверить, как именно называют товар и его свойства на целевом рынке, чтобы попасть в реальные поисковые запросы, а не в кальку с исходника. Если сомневаетесь в выборе, есть разбор сравнения текстовых моделей и памятка по подбору модели под задачу. А для тех, кому нужен нулевой бюджет и небольшой объём, в каталоге есть безлимитный бесплатный чат ChatGPT — им можно перевести карточки вручную, без пакетной автоматизации.

Куда уходит время: человеческая часть

Машинная смета почти всегда выходит скромной — и именно поэтому редактуру так легко забыть. А она обычно и есть главный расход при локализации.

Считать её тоже стоит по методу, а не на глаз. Возьмите пилотную выборку — 10–20 карточек, — прогоните через выбранную модель и честно засеките, сколько времени уходит на вычитку и правку одной штуки. Дальше экстраполируйте на весь каталог. При этом не обязательно вычитывать всё одинаково глубоко: топовые и дорогие позиции проверяйте полностью, а по массовым товарам достаточно выборочного контроля — просмотреть каждую пятую-десятую и убедиться, что промпт держит стабильное качество.

Именно поэтому вложение в хорошую модель и хороший промпт окупается: чем чище черновик, тем меньше часов на редактуру, а час специалиста почти всегда дороже пакета кредитов.

Как удешевить прогон, не теряя качество

Несколько приёмов, которые ощутимо влияют на итоговую смету.

Пакетируйте описания. Как показал расчёт выше, упаковка по несколько карточек в запрос снижает число обращений в разы. Главное — задать модели строгий формат входа и выхода, чтобы результат легко разбирался обратно по товарам.

Соберите один сильный промпт с глоссарием. Один раз опишите тон бренда, список терминов с их правильными переводами, лимиты символов площадки и запреты — и переиспользуйте этот промпт на всех 200 карточках. Глоссарий убирает разнобой в терминологии, из-за которого чаще всего и приходится переделывать.

Сделайте пилот на 10–20 карточках. Прежде чем запускать весь каталог, прогоните небольшую партию, оцените качество и стоимость и только потом масштабируйте. Это защищает от сценария, когда брак обнаруживается уже после двухсот прогонов.

Стройте и тестируйте промпт на бесплатном ChatGPT. Отладить формулировки и глоссарий можно в безлимитном чате, а кредиты тратить уже на финальный прогон нужной моделью.

Сохраните наработки. Собранный глоссарий и промпт пригодятся, когда каталог обновится или появится следующий рынок — повторная локализация обойдётся заметно дешевле первой. Всё это удобно держать и запускать в одном рабочем пространстве студии.

Что в итоге даёт методология

Главный вывод простой: себестоимость локализации 200 карточек — это не одна цифра, а результат нескольких ваших решений. Машинная часть считается точно и почти всегда оказывается небольшой, а настоящая экономика прячется в выборе модели, пакетировании запросов и объёме редактуры. Применив эти четыре статьи расходов к своему каталогу, вы получите смету, которой можно доверять, — и увидите, что выход на новый рынок через агрегатор нейросетей обходится в разы дешевле классического перевода, при этом остаётся полностью под вашим контролем.

Частые вопросы

Сколько это стоит в рублях?

Точная сумма зависит от текущего курса кредита и выбранной модели, поэтому её всегда смотрят на странице тарифов. Методология же неизменна: посчитайте число запросов, умножьте на стоимость запроса у нужной модели и переведите кредиты в рубли по актуальному курсу. Для 200 карточек машинная часть обычно укладывается в диапазон от нескольких десятков до тысячи кредитов.

Хватит ли одной модели на весь каталог?

Чаще выгоднее двухуровневый подход. Типовые карточки прогоняйте лёгкой моделью за 1–2 кредита, а флагманские и эмоциональные описания — моделью посильнее вроде Claude Sonnet 4.6 или GPT-5.4. Так вы не переплачиваете за простые товары и не экономите там, где текст должен продавать.

Можно ли локализовать бесплатно?

Да, для небольшого объёма подойдёт безлимитный бесплатный чат ChatGPT в каталоге: переводите карточки вручную, по одной. Минус в том, что нет удобной пакетной обработки и придётся копировать тексты руками, поэтому на объёме в 200 позиций это скорее вариант для пилота или отладки промпта, чем для потока.

Нужна ли вычитка носителем языка?

Для ключевых и дорогих позиций — желательно, потому что именно они формируют первое впечатление на новом рынке. По массовым товарам достаточно выборочного контроля: проверить часть карточек и убедиться, что модель держит стабильное качество. Полная ручная вычитка всех 200 описаний обычно избыточна и заметно удорожает проект.

Правда ли, что один запрос — это одно описание?

Не обязательно. Короткие товарные описания можно объединять по несколько штук в один запрос, если задать модели строгую разметку на входе и выходе. Это снижает число обращений в разы и, соответственно, стоимость. Компромисс в том, что очень большие пакеты сложнее контролировать по качеству, поэтому обычно берут по 3–5 карточек.

Как масштабировать расчёт на 1000+ товаров?

Методология не меняется — растёт только множитель. Но на больших объёмах сильнее окупаются глоссарий и отлаженный промпт: один раз собрав их, вы переиспользуете наработки на каждом следующем пакете и рынке. Поэтому первый прогон всегда дороже за штуку, а последующие обновления каталога обходятся ощутимо дешевле.