Почему ручная экспертиза заявок упирается в потолок

Средняя закупочная команда в российской компании — три-пять человек, а поток заявок измеряется десятками в месяц: коммерческие предложения поставщиков, техзадания, спецификации, сканы уставных документов. Каждую позицию нужно сверить с требованиями, сопоставить цены по рынку и убедиться, что контрагент способен исполнить договор. При росте объёмов ручная проверка либо тормозит закупку, либо превращается в формальность — риск ошибки растёт быстрее, чем штат.

ИИ здесь решает не задачу «заменить закупщика», а задачу предварительной обработки: машина читает, извлекает и сопоставляет данные, человек принимает решение по спорным случаям.

Что автоматизируется в анализе заявок

Первый блок — извлечение данных. OCR вытаскивает текст из сканов и PDF, включая таблицы спецификаций, а языковая модель приводит их к единой структуре: наименование, артикул, количество, цена, сроки, условия оплаты. Дальше идёт сопоставление с требованиями ТЗ и внутренними нормативами — соответствие характеристик, наличие обязательных сертификатов, попадание в бюджет закупки.

Второй блок — нормативный контроль. RAG-система, построенная на 44-ФЗ, 223-ФЗ, внутреннем положении о закупках и типовых договорах, проверяет заявку на формальные нарушения и подсказывает закупщику конкретный пункт, который вызывает вопрос. Ответ всегда сопровождается ссылкой на источник — это критично, когда решение нужно обосновать перед комиссией или аудитом.

Третий блок — сравнение предложений. Модель нормализует разные единицы измерения и комплектации, считает совокупную стоимость владения и показывает, где поставщик занизил цену за счёт исключённых из предложения позиций.

Проверка контрагентов: от чек-листа к скорингу

Классическая проверка — ручной обход ЕГРЮЛ, картотеки арбитражных дел, реестра банкротств, списков ФНС по недостоверным сведениям, санкционных перечней. ИИ-агент собирает эти данные по ИНН автоматически, обновляет по расписанию и сводит в скоринг с прозрачными весами: судебная нагрузка, срок жизни компании, массовый адрес, частая смена руководителя, аффилированность с другими участниками закупки.

Отдельный слой — выявление картельных признаков: совпадение контактных данных, IP-адресов подачи заявок, учредителей, шаблонов и метаданных документов. Здесь работают методы сравнения текстов и граф связей между компаниями и людьми.

Скоринг не выносит вердикт «отказать». Он подсвечивает красные флаги и экономит часы рутинного поиска, оставляя финальное решение службе безопасности и закупочной комиссии.

Как это внедряется на практике

Начинать стоит с одного процесса и одного типа документов — например, проверки коммерческих предложений по типовому ТЗ. Понадобятся две вещи: размеченная выборка из 100–200 реальных заявок и понятные метрики качества — полнота извлечения полей, доля верных срабатываний по красным флагам, число ложных тревог.

Далее — пилот на закрытом контуре. Для закупок это принципиально: цены, условия поставщиков и персональные данные не должны уходить во внешние API. Приватная LLM, развёрнутая на собственных серверах, снимает этот вопрос полностью.

Затем — интеграция с 1С и CRM, чтобы результаты проверки попадали в карточку контрагента и в заявку, а не жили отдельным файлом. И только после этого имеет смысл расширять охват на новые категории закупок.

Типичный эффект от такого пилота — сокращение первичной проверки с нескольких часов до минут и снижение числа пропущенных рисковых поставщиков.

Как мы можем помочь

Мы в АПС внедряем приватные LLM, RAG-системы по нормативной базе и ИИ-агентов для проверки контрагентов, подключаем OCR и интеграции с 1С/CRM. Начинаем с аудита процесса и пилота на ваших документах, с оценкой качества и метрик до промышленного запуска. Обсудить проект