Как ИИ проверяет тендерную документацию: практическое руководство для юриста закупок

Юрист закупочного отдела тратит 3–5 часов на проверку одного комплекта тендерной документации. Сверка с требованиями 44-ФЗ или 223-ФЗ, поиск противоречий между разделами, проверка корректности формулировок — рутина, в которой цена ошибки измеряется отменой закупки и штрафами от ФАС. ИИ-инструменты на базе RAG и NLP уже умеют брать на себя до 70% этой работы. Разбираем, как именно это устроено и где границы применимости.

Что не так с ручной проверкой тендерной документации

Закупочная документация по 44-ФЗ — это десятки страниц с перекрёстными ссылками. Извещение, описание объекта закупки, проект контракта, требования к участникам, критерии оценки, обоснование НМЦК. Каждый элемент регулируется отдельными статьями закона, разъяснениями Минфина и практикой ФАС.

Типичные проблемы ручной проверки:

• Объём нормативной базы. Только в 44-ФЗ — более 120 статей, плюс подзаконные акты, постановления правительства, разъяснения регуляторов. Держать всё в голове невозможно, а поиск по «Консультанту» занимает время.
• Перекрёстные противоречия. Требование в техническом задании может конфликтовать с условием в проекте контракта. При ручной проверке такие расхождения всплывают, только когда участник подаёт жалобу.
• Однотипные ошибки. Неправильные сроки подачи заявок, некорректные коды ОКПД2, ошибки в формулах оценки — они повторяются из закупки в закупку, но глаз к ним привыкает.
• Человеческий фактор. К концу рабочего дня, после пятого комплекта документации, внимание падает. Давление сроков добавляет спешки.

По данным ФАС за 2024 год, около 30% жалоб на закупки по 44-ФЗ связаны с ошибками в документации, а не со злоупотреблениями. Треть обжалований можно было предотвратить более тщательной проверкой.

Как ИИ работает с закупочной документацией: архитектура решения

Чтобы ИИ мог проверять тендерную документацию, ему нужны два компонента: знание нормативной базы и способность анализировать конкретный документ. Здесь работает связка RAG (Retrieval-Augmented Generation) и NLP (Natural Language Processing).

RAG: нормативная база «на кончиках пальцев»

RAG — архитектура, при которой языковая модель не пытается «помнить» все законы, а обращается к актуальной базе знаний в момент запроса. Для юридической проверки закупок база включает:

• Полные тексты 44-ФЗ и 223-ФЗ с последними редакциями
• Подзаконные акты: постановления правительства (ПП РФ №1084 об оценке заявок), приказы Минфина
• Разъяснения и письма регуляторов: Минфин, ФАС, Казначейство
• Практику рассмотрения жалоб ФАС и судебную практику
• Типовые контракты и шаблоны документации

Когда юрист загружает документацию на проверку, система разбивает документ на фрагменты, определяет их тематику и подтягивает релевантные нормы — не весь закон целиком, а конкретные статьи и пункты, которые регулируют именно этот аспект закупки.

NLP: понимание структуры и смысла документа

Вторая часть — обработка естественного языка. Модель анализирует текст документации и выполняет несколько задач:

• Классификация разделов — определяет, где описание объекта закупки, где требования к участникам, где критерии оценки
• Извлечение сущностей — выделяет сроки, суммы, коды классификаторов, наименования, реквизиты
• Сопоставление — сравнивает извлечённые данные с нормативными требованиями из RAG-базы
• Выявление противоречий — находит расхождения между разделами одного документа

На выходе юрист получает список конкретных замечаний с привязкой к пунктам документа и ссылками на нормы закона.

Пять задач, которые ИИ решает при проверке тендерной документации

1. Проверка соответствия 44-ФЗ и 223-ФЗ

Базовый уровень — формальный комплаенс. ИИ сверяет документацию с требованиями закона по чек-листу.

Для 44-ФЗ:

• Наличие обязательных разделов документации (ст. 42)
• Корректность способа определения поставщика относительно объекта и суммы закупки
• Соблюдение сроков размещения и подачи заявок (ст. 42, ст. 63, ст. 93)
• Правильность формирования требований к участникам (ст. 31)
• Корректность критериев оценки и их весов (ПП РФ №1084)
• Наличие и правильность обоснования НМЦК
• Соответствие проекта контракта типовым условиям

Для 223-ФЗ:

• Соответствие документации положению о закупке заказчика
• Наличие обязательных сведений в извещении (ст. 4)
• Корректность требований к участникам — отсутствие необоснованных ограничений конкуренции

Пример вывода системы:

Такой формат позволяет юристу сразу видеть проблему, её причину и путь решения.

2. Выявление внутренних противоречий

Задача, с которой ИИ справляется лучше человека. Документация готовится разными специалистами: тендерный отдел пишет извещение, техническая служба — ТЗ, юристы — проект контракта. Противоречия между разделами неизбежны.

Примеры, которые находит ИИ:

• В извещении срок исполнения контракта — 90 дней, в проекте контракта — 60 дней
• Техническое задание требует сертификат соответствия ГОСТ, а в требованиях к заявке этот документ не указан
• Формула оценки в разделе критериев не совпадает с описанием порядка оценки
• Код ОКПД2 в извещении не соответствует фактическому предмету закупки из ТЗ

Модель строит граф связей между разделами документа и проверяет согласованность данных. Это занимает секунды — против часов ручной перекрёстной проверки.

3. Проверка на ограничение конкуренции

Одна из самых частых причин жалоб — требования, «заточенные» под конкретного поставщика. ФАС рассматривает такие жалобы в приоритете.

ИИ проверяет:

• Избыточные требования к опыту. Требование о 5 выполненных контрактах на аналогичный предмет при НМЦК в 500 тысяч рублей — непропорционально.
• Чрезмерно узкие технические характеристики. Указание конкретных значений без диапазона «от/до» может указывать на конкретного производителя.
• Совокупность требований. Каждое требование по отдельности законно, но их комбинация допускает к участию только одну компанию.
• Укрупнение лота. Объединение в один лот функционально не связанных товаров или работ.

Система оценивает риски по шкале «низкий — средний — высокий» и ссылается на аналогичные решения ФАС.

4. Анализ рисков обжалования

Продвинутая функция, где ИИ работает с базой решений ФАС и судебной практикой. Модель анализирует формулировки документации и сопоставляет их с формулировками, которые ранее приводили к успешным жалобам.

Логика: если формулировка X в 80% случаев приводила к признанию жалобы обоснованной — это красный флаг. Если аналогичная формулировка в 90% случаев проходила без претензий — риск низкий.

Пример:

Юрист получает готовую аналитику с оценкой рисков вместо самостоятельного поиска практики по каждой спорной формулировке.

5. RAG-чат: быстрые справки по нормативной базе

Помимо автоматической проверки документации, RAG-система работает как интеллектуальный помощник для оперативных вопросов. Юрист задаёт вопрос на естественном языке и получает ответ со ссылками на конкретные нормы.

Примеры запросов:

• «Какие требования к банковской гарантии по 44-ФЗ при НМЦК свыше 50 млн?»
• «Можно ли установить требование о наличии ISO 9001 для закупки IT-услуг?»
• «Какой максимальный аванс по контракту на строительные работы?»
• «Что изменилось в порядке оценки заявок после последних поправок?»

RAG-чат принципиально отличается от поиска по «Консультанту» или «Гаранту». Поисковая система находит документы по ключевым словам. RAG-система понимает контекст вопроса и выдаёт прямой ответ на основе нескольких источников с указанием каждого.

Особенно полезно для вопросов, требующих синтеза нескольких норм. Вопрос о допустимости конкретного требования к участникам требует анализа ст. 31, ст. 33 44-ФЗ, соответствующих постановлений и практики ФАС. Человеку нужно 20–30 минут, RAG-чат формирует ответ за 10–15 секунд.

Ограничения и подводные камни

При внедрении ИИ в юридическую проверку закупок необходимо учитывать системные ограничения.

Галлюцинации

Языковые модели иногда генерируют несуществующие нормы или неправильно интерпретируют реальные. RAG снижает эту проблему — модель ссылается на документы из базы, а не на свою «память». Но полностью не устраняет.

Практическое правило: ИИ — это первый фильтр, не финальный ревьюер. Каждое замечание системы юрист проверяет сам. Задача ИИ — указать, куда смотреть, а не принять решение.

Актуальность базы знаний

44-ФЗ меняется несколько раз в год. Если RAG-база не обновлена — система проверяет по устаревшим нормам. Критически важна автоматическая актуализация базы при изменении законодательства. Минимальная частота — раз в неделю.

Неформализуемые требования

Часть проверки документации требует профессионального суждения, которое сложно алгоритмизировать. Является ли техническое задание достаточно подробным для корректного ценообразования? Адекватна ли НМЦК рыночным условиям? ИИ может подсветить аномалии, но финальную оценку даёт человек.

Специфика 223-ФЗ

44-ФЗ жёстко регламентирован и хорошо поддаётся автоматизации. 223-ФЗ оставляет заказчикам значительную свободу — каждый утверждает собственное положение о закупке. ИИ-систему для проверки по 223-ФЗ нужно дообучать на положение конкретного заказчика. Универсального решения «из коробки» нет.

Как внедрить: практические шаги

Шаг 1. Определите scope

Не пытайтесь автоматизировать всё сразу. Начните с одной задачи — например, проверка извещений на формальное соответствие 44-ФЗ. Это наиболее формализованная часть документации, где ИИ даёт максимальную точность.

Шаг 2. Соберите базу знаний

Минимальный набор для RAG-системы:

• 44-ФЗ / 223-ФЗ в актуальной редакции
• Ключевые подзаконные акты (ПП РФ №1084, ПП РФ №2604 и др.)
• Письма и разъяснения Минфина и ФАС за последние 2 года
• Решения ФАС по жалобам (для модуля оценки рисков)

Шаг 3. Настройте пайплайн проверки

Архитектура проверки:

1. Загрузка документации (PDF, DOCX или выгрузка из ЕИС)
2. Парсинг и структурирование — разбиение на разделы, извлечение ключевых параметров
3. RAG-проверка — сопоставление каждого параметра с нормативной базой
4. Формирование отчёта — список замечаний с категоризацией по критичности
5. Ревью юристом — проверка замечаний, принятие решений

Шаг 4. Начните с параллельной работы

Первые 2–3 месяца используйте ИИ параллельно с ручной проверкой. Сравнивайте результаты — это позволит оценить точность системы на ваших документах и настроить пороги чувствительности.

Шаг 5. Измерьте эффект

Ключевые метрики:

• Время проверки одного комплекта документации (до/после)
• Количество выявленных замечаний (ИИ vs ручная проверка)
• Количество жалоб на документацию (до/после внедрения)
• Доля «ложных срабатываний» — замечаний ИИ, которые юрист отклонил как нерелевантные

Реалистичные ожидания: сокращение времени первичной проверки на 40–60%, выявление на 20–30% больше замечаний по сравнению с ручной проверкой, снижение доли обжалованных закупок на 15–25% в течение полугода.

Что выбрать: готовое решение или кастомная разработка

Подход	Плюсы	Минусы
SaaS-платформы (Контур.Закупки, РТС-тендер и аналоги)	Быстрый старт, не нужна инфраструктура	Ограниченная кастомизация, данные на стороне провайдера
LLM через API (GPT-4, Claude, GigaChat) + промпт-инжиниринг	Гибкость, низкий порог входа	Без RAG — высокий риск галлюцинаций, нет гарантии актуальности
Кастомная RAG-система	Полный контроль, кастомизация под внутренние регламенты, данные внутри периметра	Требует разработки, нужна команда для поддержки

Для организации с объёмом 50+ закупок в месяц и строгими требованиями к информационной безопасности кастомная RAG-система окупается за 6–9 месяцев. Для небольших отделов с 5–10 закупками в месяц проще начать с API-подхода или SaaS.

Выводы

ИИ для проверки тендерной документации — рабочий инструмент, а не футуристический концепт. RAG-системы достаточно зрелы для корректной работы с нормативной базой закупок. NLP-модели справляются с извлечением данных из неструктурированных документов и поиском противоречий.

Главное — правильные ожидания. ИИ не заменяет юриста. Он берёт на себя рутинную часть работы: сверку с нормами, поиск формальных ошибок, перекрёстную проверку разделов. Юрист тратит освободившееся время на задачи, где нужна экспертиза: оценку рисков, переговоры с заказчиком, стратегические решения.

Начать можно с малого: собрать нормативную базу, подключить RAG-чат для оперативных справок, протестировать автоматическую проверку на нескольких закупках. Результаты видны в первый же месяц — и в скорости работы, и в количестве найденных ошибок.

---

Подписывайтесь на наш канал: @vibelogia

Поделимся опытом

hello@vibelab.ru

8 800 201 85 68

Написать в Telegram