ИИ для тендеров: как агент разбирает закупки за вас

Если вы работаете с тендерами и закупками, ИИ-агент реально снимает с вас самую занудную часть: читать десятки документов, выдёргивать из них цены, ТЗ и сроки, складывать всё в одну таблицу. Делается это так: ИИ распознаёт техническое задание из Excel и PDF, собирает по нему базу знаний, помогает накидать коммерческое предложение, а в более сложном варианте каскад из нескольких агентов сопоставляет данные с вашей 1С и выдаёт аналитику по КП. Сам агент тендер за вас не выиграет и решение принимать не будет, но рутину вроде «пройтись по 30 закупкам и выписать цены» он тянет хорошо. Ниже разберу на трёх живых кейсах подписчиков, что именно получается на выходе, какие инструменты они брали (Manus, Dify, n8n, «Контур.Закупки», «Россети» в роли заказчика), и честно скажу, где ИИ половину работы снимает, а где без человека никак. Программистом для этого быть не нужно.

Почему тендеры — идеальная задача для ИИ

Тендеры и закупки устроены так, что в них утопаешь в бумагах. На том же zakupki.gov.ru по одной теме лежат десятки документов: техзадания, сметы, протоколы, приложения. И всё это надо прочитать, понять, сравнить цены, не пропустить условие, из-за которого вас потом снимут. Руками это часы и дни, причём дни тоскливые.

Вот тут ИИ и оказывается к месту. Он не устаёт, не пропускает строчку на двадцатом документе, читает PDF и Excel одинаково спокойно. Задача «найти, сравнить, выписать в таблицу» как будто под него и придумана. Это та самая рутина, которая крадёт у специалиста время, но не требует от него гениальности, просто внимания и усидчивости.

Сразу честная оговорка, без розовых очков. ИИ не выиграет тендер вместо вас и не примет решение, в какую закупку лезть, а в какую нет. Он готовит почву: собирает данные, раскладывает их по полочкам, подсказывает. Финальное слово, стратегия, ответственность за поданное КП — всё это остаётся на человеке. Дальше на трёх кейсах покажу, где именно проходит эта граница.

Что вообще умеет ИИ-агент в закупках

Чтобы было понятно, о чём речь, разберу пару слов, которые встретятся дальше. Поехали.

Распознавание ТЗ. Вы скармливаете агенту техзадание в Excel или PDF, а он вытаскивает из него суть: что закупают, в каком объёме, по каким требованиям, к какому сроку. Дальше с этим уже можно работать, а не перечитывать сорокастраничный документ глазами.

База знаний и RAG. RAG (по-простому, «ИИ читает ваши документы и отвечает по ним, а не из головы») — это когда вы загружаете свои файлы, прайсы, прошлые КП, а агент отвечает на вопросы, опираясь именно на них. Получается, что у него под рукой ваша фактура, а не общие знания из интернета.

Составление КП. Коммерческое предложение агент сам с нуля не сочинит так, чтобы вы его сразу отправили. Но черновик по распознанному ТЗ и вашей базе знаний он накидывает, а вы уже правите под себя. Это экономит самую муторную часть, старт с чистого листа.

Каскад агентов. Это когда задачу делят на куски и над ней работает не один ИИ, а несколько по цепочке: один забирает данные с площадок закупок, другой сопоставляет их с вашей системой учёта, третий считает аналитику. Сложнее в настройке, но и задачи закрывает посерьёзнее.

Кейс: сотрудница «Россетей» и расчистка просек

Начну с самого наглядного. Подписчица работает в «Россетях» и вручную искала и сравнивала цены на расчистку просек (это когда под линиями электропередачи вырубают разросшийся лес). Звучит узко, а на деле это десятки документов на zakupki.gov.ru, которые надо открыть, найти цену, выписать, сравнить с другими. Та самая рутина, от которой к вечеру глаза в кучу.

Что сделали. Подключили ИИ-агента Manus (это автономный агент, который сам ходит по сайтам и собирает данные). Он анализировал сайты-зеркала закупок, выгрузил номера закупок и цены прямо в таблицу. Плюс в работу взяли «Контур.Закупки» — сервис, который заточен под поиск и мониторинг тендеров. То есть связка получилась из автономного агента и специализированного сервиса.

Что в итоге. Дословно из кейса: ИИ «способен снять половину рутинной работы и превратить хаос из документов в управляемый процесс». Точных цифр по сэкономленным часам в кейсе нет, выдумывать не стану. Но сама формулировка показательная: половину рутины с человека снимает, а хаос из разрозненных документов превращается во что-то, чем можно управлять. Не весь процесс целиком, а именно его рутинную половину, и это честная оценка.

Мне в этом кейсе нравится, что задача предельно приземлённая. Не «искусственный интеллект в закупках» с трибуны, а «надо выписать цены на вырубку просек из кучи документов, помоги». Вот на таких задачах ИИ и показывает себя лучше всего.

Кейс: распознавание ТЗ и сборка КП через базу знаний

Второй разбор уже ближе к тому, кто составляет предложения сам. Тут подписчик собирал помощника, который закрывает связку «прочитать ТЗ — найти у себя нужное — накидать КП».

Логика была такая. Агент распознаёт техническое задание из присланного Excel или PDF, вытаскивает требования. Дальше подключается база знаний, собранная из тех же Excel и PDF, через RAG (напомню, это когда ИИ отвечает, опираясь на ваши загруженные документы). По сути специалист один раз скармливает агенту свои прайсы, прошлые предложения, описания услуг, а потом агент, читая новое ТЗ, сам подтягивает оттуда подходящее. И на этой базе помогает составить коммерческое предложение.

Чем эта схема хороша. Самое муторное в КП, это не написать красивый текст, а сопоставить требования заказчика со своими возможностями и не упустить ни одного пункта. Вот тут ИИ с базой знаний и выручает: он держит в голове всё ваше хозяйство и сверяет его с новым ТЗ. Человек на выходе получает не пустой лист, а заготовку, которую остаётся причесать.

Важная оговорка снова про границу. Финальное КП всё равно вычитываете вы. Агент готовит черновик и помогает не упустить требования, а отвечаете за поданное предложение вы сами. Тут как с любым стажёром: рутину тянет, ответственность остаётся за вами.

Кейс: каскад агентов для аналитики по тендерам

Третий кейс самый продвинутый, для тех, кто хочет не просто разбирать закупки по одной, а видеть картину и прикидывать наперёд. Подписчик собирал каскад ИИ-агентов для предиктивной аналитики по тендерам (предиктивная — это когда система пытается прикинуть, что будет, на основе прошлых данных).

Связка вышла серьёзная. В работе участвовали Dify (платформа для сборки ИИ-приложений и агентов), модели OpenAI, n8n (визуальный конструктор автоматизаций, где процесс собирается из блоков мышкой) и API закупок (это доступ, через который программа сама берёт данные с площадок, без ручного копирования). Данные с закупок при этом сопоставлялись с 1С, то есть с реальным учётом компании. На выходе собрали прототип аналитики по КП.

Зачем такая сложность. Когда у вас не пять тендеров в месяц, а постоянный поток, разбирать каждый вручную бессмысленно. Хочется видеть закономерности: по каким темам что заходит, как ведут себя цены, где у вас шанс выше. Каскад агентов как раз и собирает данные из разных мест, сводит их с вашей 1С и пытается дать аналитику, а не просто список закупок.

И сразу честно про статус. В кейсе это прямо назван прототип. Не готовая коробочная штука, которую завтра ставишь и пользуешься, а собранная под задачу связка, которую довели до рабочего прототипа. Для понимания масштаба это важно: такой каскад уже не вечерняя сборка для новичка, тут и инструментов больше, и настройки сложнее. Но направление показательное: от «разобрать один тендер» до «видеть весь поток сверху».

Где ИИ в тендерах буксует и где нужен человек

Теперь честная часть, без которой статья превратилась бы в рекламу. ИИ в закупках выручает заметно, но это помощник, а не волшебная кнопка «выиграть тендер».

Где проходит граница. Решение, в какую закупку идти, ИИ за вас не примет, это ваша стратегия и ваш риск. Финальное КП агент готовит черновиком, а вычитывает и отвечает за него человек. И в самом наглядном кейсе формулировка была про половину рутины, а не про всю работу целиком. Это честная цифра: вторую половину, где нужны голова, опыт и ответственность, ИИ на себя не берёт.

Где придётся повозиться при сборке. Чем сложнее задача, тем больше настройки. Разобрать закупки автономным агентом вроде Manus или через «Контур.Закупки» проще. А вот каскад на Dify, OpenAI, n8n и API закупок с привязкой к 1С — это уже прототип, который собирают руками, и с первого вечера он не заведётся. Подключение API и сопоставление с учётной системой для новичка занятие занудное, тут лучше идти по системе, а не наугад.

Поэтому правило простое: относитесь к ИИ в тендерах как к толковому помощнику-аналитику. Перелопатить документы, выписать цены, собрать черновик КП — это он отлично. А вот куда подавать, на какую цену соглашаться и что отправлять заказчику, решаете вы.

С чего начать прямо сейчас

Не уходите со страницы в режим «надо будет как-нибудь попробовать». Давайте конкретно, прямо на этой неделе.

Возьмите одну свою задачу из закупок, которая бесит сильнее всего. Например, выписать цены по десятку закупок в таблицу или вытащить требования из присланного ТЗ. Одну задачу, не весь процесс разом. Начните с самого простого варианта: дайте ИИ-агенту несколько документов и попросите выгрузить из них то, что вам нужно, в таблицу. Параллельно присмотритесь к специализированным сервисам вроде «Контур.Закупки», если работаете с тендерами постоянно. Цель первой недели скромная: чтобы хоть одна нудная операция уехала с ваших плеч на ИИ. Первый раз, когда «оно само разобрало кучу документов», по мотивации бьёт сильнее любой прочитанной статьи.

Подписывайтесь на канал, если хотите больше таких разборов: t.me/gruboprostiite

FAQ

Может ли ИИ выиграть тендер за меня?

Нет, и обещать такое было бы враньём. ИИ снимает рутину: читает документы, выписывает цены и требования, собирает черновик КП, сводит данные в таблицу. В одном из кейсов это прямо названо так — он «способен снять половину рутинной работы». Решение, в какую закупку идти и на какую цену соглашаться, остаётся за вами, как и ответственность за поданное предложение.

Какие инструменты используют для разбора тендеров?

В разобранных кейсах брали разное под разную сложность. Для разбора закупок и выгрузки цен в таблицу подключали автономного агента Manus и сервис «Контур.Закупки». Для распознавания ТЗ и сборки КП — базу знаний из Excel и PDF через RAG. Для аналитики по потоку тендеров собирали каскад на Dify, моделях OpenAI, n8n и API закупок с привязкой к 1С. Чем сложнее задача, тем серьёзнее связка.

Что такое RAG и зачем он в закупках?

RAG по-простому — это когда ИИ отвечает, опираясь на ваши загруженные документы, а не на общие знания из интернета. В тендерах это удобно: вы один раз скармливаете агенту свои прайсы, прошлые КП, описания услуг, а он, читая новое ТЗ, сам подтягивает оттуда подходящее. Получается помощник, который держит в голове всё ваше хозяйство и сверяет его с требованиями заказчика.

Нужно ли уметь программировать, чтобы собрать такого помощника?

Для простых задач — нет. Дать автономному агенту документы и попросить выгрузить цены в таблицу или работать через «Контур.Закупки» можно без кода. Сложнее с каскадом агентов: связка на Dify, n8n и API закупок с привязкой к 1С — это уже прототип, который собирают руками, и тут придётся повозиться с подключениями. Логику процесса в любом случае придётся продумать самому.

Сколько времени экономит ИИ на тендерах?

Точных цифр по часам в кейсах нет, и я не стану их выдумывать. Самая конкретная оценка прозвучала в кейсе сотрудницы «Россетей»: ИИ «способен снять половину рутинной работы и превратить хаос из документов в управляемый процесс». То есть речь о половине именно рутины, не обо всей работе. Вторую половину, где нужны опыт и решение, ИИ на себя не берёт.

С какой задачи начать, если я никогда этого не делал?

Берите одну узкую и нудную операцию. Например, выгрузить номера закупок и цены из десятка документов в таблицу — ровно то, что делали в кейсе с расчисткой просек. Дайте ИИ-агенту несколько файлов и попросите вытащить нужное. Если работаете с тендерами постоянно, присмотритесь к «Контур.Закупки». Не замахивайтесь сразу на каскад с аналитикой, до него стоит дорасти.