Как ИИ меняет закупки: от ручной рутины к интеллектуальным решениям за минуты

Руководитель закупочного подразделения тратит до 60% времени на проверку документов, сверку реестров и оценку заявок. Искусственный интеллект забирает эту рутину — но не так, как привычная автоматизация. Разбираем, что конкретно умеет ИИ в закупках, чем отличается от RPA и где уже работает.

Почему автоматизация закупок — это ещё не ИИ

Большинство закупочных подразделений уже что-то автоматизировали. Электронные торговые площадки, шаблоны документов, скрипты для выгрузки данных из ЕИС — всё это упрощает работу, но не меняет её природу. Специалист по-прежнему читает каждую заявку глазами, сам проверяет поставщика по реестрам и вручную сопоставляет требования ТЗ с предложениями участников.

Классическая автоматизация (RPA, скрипты, макросы) работает по жёстким правилам: «если поле А равно значению Б — сделай В». Это подходит для типовых операций: заполнить форму, перенести данные из одной системы в другую, отправить уведомление.

Но закупки — это работа с неструктурированными данными. Техническое задание написано свободным текстом. Коммерческое предложение у каждого поставщика оформлено по-своему. Выписка из реестра может содержать десятки полей, из которых для конкретной закупки важны три.

Искусственный интеллект решает именно эту задачу — работает с неструктурированной информацией. Он не просто переносит данные между полями, а «понимает» содержание документа, находит в нём нужную информацию и принимает решения на основе контекста.

Что конкретно умеет ИИ в закупках

Разберём основные задачи, где ИИ уже применяется и даёт измеримый результат.

Анализ и оценка заявок

Самая трудоёмкая часть работы заказчика — разбор поступивших заявок. На крупный тендер может прийти 20–50 предложений. Каждое нужно проверить на соответствие требованиям, сравнить ценовые параметры, оценить квалификацию участника.

ИИ на базе NLP (обработки естественного языка) делает это за минуты:

• Извлекает ключевые параметры из заявок разного формата — PDF, Word, сканы. Даже если один поставщик указал цену в таблице, а другой — в сопроводительном письме, модель найдёт оба значения.
• Сопоставляет с требованиями ТЗ. Система сравнивает предложенные характеристики с заданными и подсвечивает расхождения: «участник предлагает срок поставки 45 дней при требовании 30 дней».
• Ранжирует заявки по заданным критериям — цена, сроки, опыт, наличие лицензий. На выходе — структурированная таблица, а не стопка документов.

Специалист не исключается из процесса. Он проверяет результат, а не делает всю работу с нуля. Разница — между тремя часами и двадцатью минутами на один тендер.

Генерация и проверка технических заданий

Написание ТЗ — ещё одно узкое место. Хорошее техническое задание должно быть достаточно конкретным, чтобы отсечь неквалифицированных поставщиков, но не настолько узким, чтобы подпасть под ограничение конкуренции. Баланс тонкий, и ошибки здесь стоят дорого — от сорванных сроков до жалоб в ФАС.

ИИ помогает на обоих этапах:

• Генерация черновика ТЗ на основе описания потребности. Специалист формулирует задачу в свободной форме: «нужен сервер для 1С на 50 пользователей с отказоустойчивостью». Модель генерирует структурированное ТЗ с техническими требованиями, ссылками на ГОСТы и типовыми условиями поставки.
• Проверка готового ТЗ на типичные ошибки: противоречивые требования, отсутствие обязательных разделов, формулировки, которые могут быть признаны ограничивающими конкуренцию.

Черновик от ИИ — это 70–80% готового документа, который специалист дорабатывает за час вместо того, чтобы писать с нуля за день.

Проверка поставщиков по реестрам и базам

Проверка контрагента — обязательный этап, который отнимает много времени при ручном выполнении. Нужно свериться с реестром недобросовестных поставщиков (РНП), проверить данные в ЕГРЮЛ, убедиться в наличии лицензий и допусков, посмотреть историю участия в закупках.

ИИ автоматизирует всю цепочку:

• Параллельный запрос в несколько источников: РНП, ЕГРЮЛ/ЕГРИП, реестры лицензий, картотека арбитражных дел.
• Агрегация результатов в единый профиль поставщика.
• Выявление рисков: частая смена руководства, судебные разбирательства по аналогичным контрактам, несоответствие заявленного опыта фактической истории торгов.

Здесь ИИ отличается от простого API-запроса к базе данных тем, что анализирует совокупность факторов. Один судебный спор — не повод для отклонения. Пять споров за год по однотипным контрактам — сигнал, который стоит изучить.

Мониторинг и прогнозирование

Менее очевидная, но ценная функция — аналитика закупочной деятельности:

• Мониторинг цен. ИИ отслеживает динамику начальных максимальных цен контрактов (НМЦК) по категориям и регионам. Заказчик видит, не завышена ли его НМЦК относительно рынка.
• Прогноз сроков. На основе исторических данных модель предсказывает вероятные сроки исполнения контракта и риски срыва.
• Выявление аномалий. Подозрительные паттерны в торгах: одни и те же участники, минимальное снижение цены, заявки, поданные с разницей в секунды.

Чем ИИ отличается от RPA: ключевые различия

Путаница между RPA и ИИ — самая частая проблема при обсуждении цифровизации закупок. Вот принципиальные различия:

Параметр	RPA	ИИ
Тип данных	Структурированные (формы, таблицы)	Любые, включая свободный текст и сканы
Логика работы	Жёсткие правила: «если — то»	Вероятностные модели, обучение на данных
Адаптивность	Ломается при изменении интерфейса	Адаптируется к новым форматам
Типичные задачи	Перенос данных, заполнение форм	Анализ документов, принятие решений, генерация текста
Масштабирование	Линейное: новый процесс = новый бот	Одна модель покрывает семейство задач

RPA и ИИ не конкурируют, а дополняют друг друга. RPA хорош для перекладывания данных между системами. ИИ — для работы с содержанием этих данных. Оптимальная архитектура использует оба подхода: RPA забирает документ из электронной почты и кладёт в папку, ИИ читает документ и извлекает из него смысл.

Где это уже работает: примеры решений

Рынок ИИ-решений для закупок формируется прямо сейчас. Несколько направлений, которые уже вышли за пределы пилотных проектов.

Платформы для поставщиков

Большинство существующих решений ориентированы на поставщиков: поиск тендеров, автоматическое заполнение заявок, мониторинг конкурентов. Это логично — поставщиков больше, и они активнее платят за инструменты, которые помогают выигрывать торги.

Решения для заказчиков

Со стороны заказчика рынок менее зрелый, но движение есть. Здесь задачи сложнее: нужно не просто найти тендер, а корректно его провести — с соблюдением 44-ФЗ или 223-ФЗ, с проверкой всех участников, с формированием отчётности.

Вайб.Тендер — пример продукта, который мы разрабатываем в VibeLab именно для этого сегмента. Система помогает заказчику на ключевых этапах закупочного цикла: от формирования ТЗ до оценки заявок. Под капотом — языковые модели для работы с документами и RAG-архитектура для проверки по нормативным базам.

Встроенный ИИ в ЕИС и ЭТП

Сами электронные торговые площадки начинают интегрировать элементы ИИ: автоматическая классификация закупок по ОКПД2, подсказки при заполнении форм, базовая проверка документов. Пока это скорее точечные улучшения, чем полноценные ИИ-системы, но тренд заметен.

Что мешает внедрению и какие риски учитывать

У ИИ в закупках есть реальные ограничения, которые важно понимать на старте.

Качество данных

ИИ-модели работают хорошо, когда данные на входе чистые и структурированные. В реальности заявки приходят в виде сканов с печатями, рукописными правками и фотографиями, сделанными на телефон. OCR справляется не всегда, и ошибка распознавания может привести к неверной оценке заявки.

Решение: использовать модели с высоким качеством OCR, настраивать пайплайн предобработки документов, предусматривать ручную верификацию для критичных параметров (цена, сроки).

Нормативные ограничения

44-ФЗ и 223-ФЗ жёстко регламентируют процедуры закупок. ИИ не может «решать» за комиссию — решение о допуске или отклонении заявки принимает человек. ИИ выступает в роли помощника, а не замены. Юридическая ответственность остаётся на заказчике.

Доверие и прозрачность

Руководитель закупочного подразделения не может объяснить проверяющим: «ИИ сказал отклонить». Нужна объяснимость решений — почему модель присвоила именно такой балл, на основании каких данных. Решения класса black box в закупках неприменимы.

Интеграция с существующими системами

Закупочные подразделения работают в ЕИС, на ЭТП, в 1С, в системах электронного документооборота. Новый ИИ-инструмент должен встраиваться в этот ландшафт, а не создавать параллельный контур. API-интеграции, совместимость форматов, поддержка ЭЦП — всё это инженерные задачи, которые влияют на сроки и стоимость внедрения.

RAG: технология, которая делает ИИ полезным в закупках

Отдельно стоит объяснить RAG (Retrieval-Augmented Generation) — архитектуру, которая лежит в основе большинства практических ИИ-решений для работы с документами.

Обычная языковая модель генерирует ответ на основе знаний, полученных при обучении. Проблема: она не знает ваших внутренних регламентов, актуальных реестров и конкретных требований 44-ФЗ в последней редакции.

RAG решает это в два шага:

1. Retrieval (поиск). Система находит релевантные фрагменты в базе знаний заказчика: нормативные документы, прошлые закупки, реестры, внутренние инструкции.
2. Generation (генерация). Языковая модель формирует ответ, опираясь на найденные фрагменты, а не на «общие знания».

Результат — ИИ, который отвечает на вопросы со ссылкой на конкретные пункты нормативных актов и может процитировать источник. Это критично для закупок, где каждое решение должно быть обоснованным.

На практике главные вызовы RAG — не в самой модели, а в качестве индексации документов и настройке поиска: какие фрагменты считать релевантными, как обрабатывать таблицы и приложения к документам, как обновлять базу при изменении нормативки.

Типичный сценарий внедрения

Для руководителя, который рассматривает ИИ-инструменты для своего подразделения, важно понимать типичный путь от идеи до работающего решения.

Этап 1. Аудит процессов (2–4 недели). Определить, где больше всего ручной работы с документами. Обычно это оценка заявок и проверка поставщиков — на них уходит 50–70% трудозатрат.

Этап 2. Пилот на ограниченном объёме (1–3 месяца). Подключить ИИ-инструмент к одной категории закупок. Сравнить результаты с ручной обработкой: скорость, точность, количество пропущенных ошибок.

Этап 3. Доработка и масштабирование (3–6 месяцев). По результатам пилота адаптировать модель под специфику организации: отраслевая терминология, внутренние регламенты, форматы документов.

Этап 4. Промышленная эксплуатация. ИИ работает в связке с существующими системами. Специалисты используют его как инструмент, а не замену. Регулярный мониторинг качества, дообучение модели на новых данных.

Важно: пилот не требует перестройки всей ИТ-инфраструктуры. Большинство современных решений работают через веб-интерфейс или API и не требуют установки на серверы заказчика на этапе тестирования.

Сколько это стоит и когда окупается

Конкретные цифры зависят от масштаба организации, но порядок такой:

• Подписка на SaaS-решение: от 50 000 до 300 000 руб./мес. в зависимости от объёма закупок и функциональности.
• Заказная разработка: от 3 до 15 млн руб. за MVP, в зависимости от глубины интеграции.
• Пилотный проект: часто бесплатно или за символическую сумму — вендоры заинтересованы в кейсах.

Окупаемость считается просто: если специалист тратит 3 часа на оценку одного тендера, а ИИ сокращает это до 30 минут, экономия на 100 тендерах в год — 250 человеко-часов. При средней стоимости часа специалиста по закупкам в 1500–2500 руб. это 375 000–625 000 руб. экономии. Плюс снижение ошибок, ускорение сроков, меньше рисков получить жалобу в ФАС.

Что делать прямо сейчас

ИИ в закупках — не технология будущего. Инструменты существуют, работают и дают результат. Вопрос не «внедрять или нет», а «с чего начать».

Три шага для руководителя закупочного подразделения:

1. Посчитайте трудозатраты. Сколько человеко-часов уходит на оценку заявок, проверку поставщиков, написание ТЗ? Это ваш baseline для оценки эффекта.
2. Выберите одну задачу для пилота. Не пытайтесь автоматизировать всё сразу. Начните с самой рутинной и объёмной операции — обычно это первичная проверка заявок.
3. Протестируйте решение. Проведите пилот на реальных данных и сравните с текущим процессом.

Цифровизация закупок — процесс, который уже идёт. ИИ — следующий логичный шаг после электронных торговых площадок и ЭДО. Те, кто начинает разбираться сейчас, получат преимущество, когда технология станет стандартом отрасли.

---

Подписывайтесь на наш канал: @vibelogia

Поделимся опытом

hello@vibelab.ru

8 800 201 85 68

Написать в Telegram