Tools TOOL · AI · DATA

برآورد هزینه پروژه AI

دامنهٔ پروژه، داده، تیم، زیرساخت و مدل را انتخاب کنید تا بازهٔ هزینهٔ ساخت و هزینهٔ ماهانهٔ نگه‌داری را با فرض‌های شفاف ببینید.

What does an AI project for your business really cost — build and run?

چند عدد در فرم
روی سرور سایت
بدون هوش مصنوعی

Problem it solves

The cost of an AI project is not only model spend. Every job you give the model runs several times (error rate), someone must review the output (review), some outputs are unused (acceptance rate) and the system needs monthly maintenance — and all of this is converted to tomans at a dollar rate you choose.

This tool puts all these pieces together and shows what each “successful task” costs, what the monthly cost is, how much you save (or lose) versus the current method, and in how many months setup cost is recovered. It fetches no price or rate from elsewhere; every figure you see comes from your own inputs.

Inputs

Amount input unit

Toman rial

If you choose Rial, all amounts are divided by 10 before calculation and results are shown in Toman.

Workload

Tasks per month *

For example the number of tickets, documents, products, or messages to process each month.

Model cost per attempt

Each “attempt” is one model run on one job; retries are counted separately via the error rate. Give cost either from tokens and price per million tokens, or directly.

How model cost is entered

From tokens and price per million tokens (USD) Cost per attempt, direct (toman or USD)

From tokens (Optional in "direct" mode and not included in the calculation)

Input tokens per task

Prompt, context text and user input for one attempt.

Output tokens per job

Response length the model generates for one attempt.

Price per million input tokens

Take from the provider’s official pricing page; the tool has no live prices.

Price per million output tokens

Usually several times the input price.

Direct

Cost per attempt — in tomans

If you know the cost in dollars, leave this blank. (to Toman)

Cost per attempt — in USD

Fill only one of the two amounts; the USD amount is converted at the rate below.

Dated reference for model prices (19 September 2026)

REFERENCE This is not a live price table: each row as of 19 September 2026 (2026-09-19) Read from the provider’s official page and may have changed. Before deciding, take the figure from that page and enter it in the fields above; the tool itself does not put any price into the calculation.

Anthropic

Anthropic — USD price per million tokens, read on 19 September 2026
Model	Input (USD / million tokens)	Output (USD / million tokens)
Claude Fable 5.1	10.00	50.00
Claude Fable 5	10.00	50.00
Claude Opus 5	5.00	25.00
Claude Opus 4.8	5.00	25.00
Claude Opus 4.7	5.00	25.00
Claude Opus 4.6	5.00	25.00
Claude Opus 4.5	5.00	25.00
Claude Sonnet 5	2.00	10.00
Claude Sonnet 4.6	3.00	15.00
Claude Sonnet 4.5	3.00	15.00
Claude Haiku 4.5	1.00	5.00

Source: https://platform.claude.com/docs/en/about-claude/pricing (URL https://docs.anthropic.com/en/docs/about-claude/pricing Links to this page) · Fetched on: 19 September 2026 (2026-09-19)

OpenAI

Official page on 19 September 2026 Could not load; we have no table for this provider. Enter the price from the official page: https://openai.com/api/pricing/

USD rate

Required only for USD amounts (token price or USD cost per attempt). The rate is your input; the tool reads no rate from anywhere and repeats it on the result.

Conversion rate per dollar

A rate you choose yourself; the tool fetches no rate and has no default. Needed only if you entered an amount in dollars. (to Toman)

Rate source and date

E.g. “company treasury agreed rate, 25 Shahrivar 1405”. Repeated on the result and in the Excel file.

Human review

Human review minutes per task

When someone reads, corrects, or approves model output.

Reviewer hourly cost

Hourly pay and benefits for the same person, not wages alone. (to Toman)

Output quality

Error rate is about "attempts" (how often you must re-run); acceptance rate is about "jobs" (what share of final outputs are usable). Both should come from your own trial data.

Error/retry rate — percent of attempts that must be redone

Each retry is another attempt: expected attempts = 1 ÷ (1 − error rate). (Percent)

Output acceptance rate — % of jobs whose output is ultimately usable *

Rejected tasks still cost money; cost per successful task divides by this count. (Percent)

Build and maintenance

One-time setup cost

Design, build, data preparation, testing and team training. (to Toman)

Monthly maintenance

Infrastructure, monitoring, prompt fixes, and updates—separate from model cost. (to Toman)

Current state (manual method)

Optional, but without it comparison, savings, and payback are not shown.

Current time per task

How many minutes are spent on this job today with the manual method.

Hourly cost of current labour

For comparison and savings, both values in this section are required. (to Toman)

Show advanced settings (Comparison horizon, rejected jobs)

Comparison horizon and rejected jobs

Comparison horizon

Leave blank: 12 months. Setup cost is counted once over this horizon.

Tasks whose output is not accepted

Done with the current (manual) method Not done, or have no cost

The first option is conservative: manual cost for rejected tasks is added to the suggested scenario so comparison with the current approach stays fair.

Use example Start over

Result

All amounts in toman; for 3,000 jobs per month.

15,531 tomans cost per successful job (monthly AI cost ÷ accepted jobs)
41,934,783 toman monthly AI cost (model + review + maintenance)
+120,065,217 toman monthly savings vs the current method (Including rejected tasks done manually)؛ Excluding them: +138,065,217
0.5 Months until setup cost is recovered (Without replacement manual tasks: 0.4 Month)
900 Toman cost per attempt × 1.09 Expected attempts per job
13,978 Toman — AI cost per task, accepted or not

Comparison horizon was not entered; 12 months was assumed.

These figures are costs, not profit: revenue, the value of better or worse quality, and risk are not in the calculation, and none of this is investment advice.

Monthly cost, line by line

Row	Monthly amount (toman)	% of suggested monthly cost
Model cost (including retries) (Cost per attempt × number of attempts × number of tasks)	2,934,783	4.9%
Human review (Minutes ÷ 60 × hourly cost × task count)	35,000,000	58.4%
Monthly maintenance	4,000,000	6.7%
Monthly AI cost	41,934,783	70.0%
Rejected work done manually (Task count × (1 − acceptance rate) × current cost per task)	18,000,000	30.0%
Monthly cost of proposed scenario	59,934,783	100.0%

Share of each component of proposed monthly cost

Human review 58.4% 35,000,000
Manual substitute jobs 30.0% 18,000,000
Maintenance 6.7% 4,000,000
Model 4.9% 2,934,783

Current state vs proposed scenario

The “per completed job” row compares both sides for one finished job (In the proposed scenario, rejected tasks were done manually). Positive savings means the suggested scenario is cheaper. The "AI cost only" row is the same comparison without manual substitute job costs: model + review + maintenance.

Comparison	Current status (manual)	With AI	Savings	%
Each completed task	60,000	19,978	+40,022	+66.7%
Every month	180,000,000	59,934,783	+120,065,217	+66.7%
Each month, AI cost only (excluding substitute manual work)	180,000,000	41,934,783	+138,065,217	+76.7%
12 months, including setup cost	2,160,000,000	779,217,391	+1,380,782,609	+63.9%

Sensitivity: acceptance rate ±10 points and error rate ±5 points

Each row recalculates all figures with one change. Green means cost per successful task is lower than current, red means higher; the “Difference” column states the same number so colour is not the only cue.

Variable	Value	Cost per successful task	Difference from current	Proposed monthly cost	Monthly savings	Payback (months)
Acceptance rate −10 units	80%	17,473	+1,941	77,934,783	+102,065,217	0.6
Acceptance rate Unchanged	90%	15,531	Current	59,934,783	+120,065,217	0.5
Acceptance rate +10 units	100%	13,978	−1,553	41,934,783	+138,065,217	0.4
Error rate −5 units	3%	15,475	−56	59,783,505	+120,216,495	0.5
Error rate Unchanged	8%	15,531	Current	59,934,783	+120,065,217	0.5
Error rate +5 units	13%	15,594	+62	60,103,448	+119,896,552	0.5

Assumptions of this calculation

Each “attempt” is one model run on a task; when the error rate is r, each task is expected to take 1 ÷ (1 − r) attempts and model cost scales by the same factor.
Human review is done once per job (on the final output), not per attempt; if the reviewer is what drives retries, enter a higher review minutes figure.
Rejected tasks still incur model and review cost; therefore “cost per successful task” = total monthly cost ÷ number of accepted tasks.
The dollar rate and price per million tokens are your own inputs; the tool does not read any rate or price from elsewhere.
Monthly maintenance cost is assumed fixed and setup cost is one-off; interest, tax and depreciation are not in the calculation.
Comparison with the current state only reflects human labor cost for the same work; better or worse quality, speed, and risk are not in the number.

To share, re-enter the inputs or send the Excel file: none of your business figures go in the page URL, and nothing is stored on the server either.

Calculation method and assumptions

Cost per attempt = (input tokens × price per million input tokens + output tokens × price per million output tokens) ÷ 1,000,000 × dollar rate; or a direct amount you enter (in dollars × rate, or in toman).
Expected attempts per task = 1 ÷ (1 − error rate). At 8% error rate, each task averages 1.09 attempts; model cost per task = cost per attempt × this factor. Error rate of 100% or more is undefined and the tool warns.
Review cost per job = review minutes ÷ 60 × reviewer hourly cost; once per job, not per attempt.
Monthly AI cost = number of tasks × (model cost per task + review cost per task) + monthly maintenance.
Cost per successful job = monthly AI cost ÷ (job count × acceptance rate). Rejected jobs have consumed their cost but produced no result; that is why the denominator is accepted jobs only.
Current state: cost per job = manual minutes ÷ 60 × current hourly cost, and monthly = job count × that figure. If rejected jobs are done manually (the default), their cost is added to the proposed scenario.
Monthly savings = current monthly cost − suggested monthly cost; setup payback (months) = setup cost ÷ monthly savings. When savings are not positive, the tool says "no payback", not a number.
The sensitivity table recalculates all figures once with acceptance rate ±10 percentage points and once with error rate ±5 percentage points (within the allowed range).
The dollar rate and price per million tokens are your own inputs. The dated reference table above the form is not used in any calculation.

Limitations and misuse

This tool’s output is cost, not profit: revenue, better quality, response speed, and accepted error risk are not in the number. Monthly savings compares only human cost for the same work to AI cost.
Error rate and acceptance rate should come from a real experiment on your own data; example figures are hypothetical. A small experiment (a few hundred jobs) is better than any guess.
Tokens per job depend on the model, prompt and language; Persian text usually uses more tokens than English. For an exact count, use the provider's own token counter.
You choose the dollar rate and you are responsible for it; this tool neither reads nor suggests a free-market or official rate. As the rate moves, dollar costs change month to month.
Reference prices are dated and may have changed; prompt caching, batch processing, and volume discounts are also not in this calculation. Enter the price from the official page.
Hidden costs—data preparation, process change, team training, privacy, and compliance—belong in your setup or maintenance cost; the tool does not add them.
This tool is a calculator, not advice: none of the figures is a recommendation to buy, contract or invest.

راهنمای این ابزار

پیش از سپردن یک کار تکراری به هوش مصنوعی، ببینید هر ماه چقدر خرج دارد و از روش دستیِ امروز ارزان‌تر می‌شود یا نه.

این عددها را چطور بخوانم؟

هزینهٔ هر کار موفق: کل خرج ماهانهٔ هوش مصنوعی تقسیم بر کارهایی که خروجی‌شان پذیرفته شد. کارهای ردشده هم خرج دارند؛ برای همین این عدد از هزینهٔ یک بار اجرا بیشتر است.
هزینهٔ ماهانهٔ هوش مصنوعی: جمع هزینهٔ مدل، بازبینی و نگه‌داری.
صرفه‌جویی ماهانه: هزینهٔ روش دستیِ امروز منهای هزینهٔ روش تازه. منفی یعنی روش تازه گران‌تر است.
ماه تا بازگشت هزینهٔ راه‌اندازی: هزینهٔ راه‌اندازی تقسیم بر صرفه‌جویی ماهانه. «بازگشتی ندارد» یعنی صرفه‌جویی ماهانه مثبت نیست.
اگر دو عدد صرفه‌جویی می‌بینید: عدد اول هزینهٔ انجام دستیِ کارهای ردشده را هم حساب کرده و محتاطانه‌تر است.
جدول حساسیت: اگر نرخ پذیرش ۱۰ واحد یا نرخ خطا ۵ واحد بالا و پایین شود، عددها چقدر عوض می‌شوند.

با این نتیجه چه چیزی را بررسی کنم؟

نرخ خطا و نرخ پذیرش را با آزمایش روی کارهای واقعی خودتان اندازه بگیرید و دوباره حساب کنید.
در جدول حساسیت ببینید با نرخ پذیرش پایین‌تر، صرفه‌جویی هنوز مثبت است یا نه.
قیمت مدل را دوباره از صفحهٔ رسمی ارائه‌دهنده بردارید؛ قیمت‌ها تغییر می‌کنند.
هزینه‌هایی را که در «راه‌اندازی» نیاورده‌اید فهرست کنید: آماده‌کردن داده، آموزش کارکنان و تغییر روال کار.

این ابزار برای چه کسی است و چه داده‌ای می‌خواهد؟

کسب‌وکاری که یک کار تکراری و قابل‌شمارش دارد، مثل پاسخ به پیام مشتری یا نوشتن توضیح محصول.
بدون آزمایش روی کارهای واقعی، نرخ خطا و نرخ پذیرش حدسی است و نتیجه هم حدسی می‌شود.
برای برآورد هزینهٔ ساخت یک نرم‌افزار مناسب نیست؛ هزینهٔ راه‌اندازی را خودتان وارد می‌کنید و ابزار آن را حساب نمی‌کند.

تعداد کار در ماه: از شمارش همان کار در یکی دو ماه اخیر.
هزینهٔ هر بار اجرای مدل: از صورت‌حساب سرویس هوش مصنوعی؛ یا از تعداد توکن هر کار و قیمتی که ارائه‌دهنده در صفحهٔ رسمی‌اش نوشته.
نرخ خطا و نرخ پذیرش: از آزمایش روی نمونه‌ای از کارهای واقعی خودتان.
زمان و دستمزد: هر کار چند دقیقه وقت می‌گیرد، و هزینهٔ یک ساعت کار آن نفر (حقوق و مزایای ماه تقسیم بر ساعت کار ماه).
هزینهٔ راه‌اندازی و نگه‌داری: از پیش‌فاکتور یا برآورد کسی که سیستم را می‌سازد.
اگر قیمت مدل به دلار است: نرخ تبدیلی که خودتان با آن حساب می‌کنید. ابزار هیچ نرخی ندارد.

هر ورودی یعنی چه؟

Tasks per month: هر ماه چند بار این کار انجام می‌شود.
How model cost is entered: هزینهٔ مدل را چطور می‌دهید: از روی تعداد توکن و قیمت آن، یا یک مبلغ مستقیم برای هر بار اجرا.
Input tokens per task: حجم متنی که برای هر کار به مدل می‌دهید، به توکن. توکن واحد شمارش متن در این مدل‌هاست.
Output tokens per job: حجم پاسخی که مدل برای هر کار می‌نویسد، به توکن.
Price per million input tokens: قیمت هر یک میلیون توکن ورودی به دلار، از صفحهٔ رسمی ارائه‌دهنده.
Price per million output tokens: قیمت هر یک میلیون توکن خروجی به دلار، از همان صفحه.
Cost per attempt — in tomans: هزینهٔ یک بار اجرای مدل به تومان، اگر آن را مستقیم می‌دانید.
Cost per attempt — in USD: هزینهٔ یک بار اجرای مدل به دلار. فقط یکی از دو مبلغ تومانی یا دلاری را پر کنید.
Conversion rate per dollar: هر دلار را چند تومان حساب می‌کنید. فقط وقتی لازم است که مبلغی به دلار داده باشید.
Rate source and date: این نرخ را از کجا و در چه تاریخی برداشته‌اید؛ در نتیجه کنار عدد نوشته می‌شود.
Human review minutes per task: یک نفر چند دقیقه وقت می‌گذارد تا خروجی هر کار را بخواند و درست کند.
Reviewer hourly cost: هزینهٔ یک ساعت کار همان نفر، با حقوق و مزایا.
Error/retry rate — percent of attempts that must be redone: از هر ۱۰۰ بار اجرا، چند بار باید دوباره انجام شود. هر تکرار هزینهٔ مدل را بالا می‌برد.
Output acceptance rate — % of jobs whose output is ultimately usable: از هر ۱۰۰ کار، خروجی چند تا در پایان قابل استفاده است.
One-time setup cost: خرج یک‌بارهٔ ساختن و راه‌انداختن سیستم.
Monthly maintenance: خرج ماهانهٔ سرپا نگه‌داشتن سیستم، جدا از هزینهٔ مدل.
Current time per task: امروز انجام هر کار به روش دستی چند دقیقه طول می‌کشد.
Hourly cost of current labour: هزینهٔ یک ساعت کار کسی که امروز این کار را انجام می‌دهد.
Comparison horizon: مقایسه برای چند ماه انجام شود. خالی یعنی ۱۲ ماه.
Rejected tasks: کارهایی که خروجی‌شان پذیرفته نمی‌شود چه می‌شوند: دستی انجام می‌شوند و هزینه‌شان اضافه می‌شود، یا کنار گذاشته می‌شوند.

از این نتیجه چه چیزی را نمی‌توان فهمید؟

نمی‌گوید خروجی هوش مصنوعی از کار دستی بهتر است یا بدتر.
درآمد و سود را حساب نمی‌کند؛ فقط هزینه را.
خطایی که بازبین نبیند و به مشتری برسد، در هیچ عددی نیست.
هیچ قیمت یا نرخی را خودش نمی‌داند؛ اگر ورودی قدیمی باشد، نتیجه هم قدیمی است.

طراحی workflow و مجوز ایجنت

حداقل مجوز، نقاط کنترل، توقف، ثبت و برگشت برای هر مرحلهٔ ایجنت.

پرسش‌های راهنما
فقط در مرورگر شما
دربارهٔ AI، بدون ارسال داده به AI

ارزیابی مقایسه‌ای مدل‌ها

امتیازدهی انسانی و کور به پاسخ مدل‌ها، با بازه و مقایسهٔ جفتی.

فایل CSV یا جدول
فقط در مرورگر شما
دربارهٔ AI، بدون ارسال داده به AI

RESOURCES چک‌لیست آمادگی AI در سازمان

ممیزی کیفیت داده

پیش از هر تحلیل: خانهٔ خالی، ردیف تکراری، تاریخ و عدد ناخوانا و اطلاعات شخصی را پیدا کنید.

فایل CSV یا جدول
فقط در مرورگر شما

انتخاب راه‌حل مناسب

پیش از هر پروژهٔ AI: گزارش، قانون، آمار، ML، LLM، گردش‌کار یا ایجنت؟

پرسش‌های راهنما
فقط در مرورگر شما
دربارهٔ AI، بدون ارسال داده به AI

انتخاب آستانه بر اساس هزینهٔ خطا

آستانهٔ اقدام برای یک مدل پیش‌بینی، با هزینهٔ دو خطا، سقف ظرفیت و آزمون جدا.

فایل CSV یا جدول
فقط در مرورگر شما

Formula version and date

VERSION Formula version 1.0 · Last changed: 19 September 2026