ИИ для тендеров и закупок: как автоматизировать поиск, разбор документации и подготовку заявок

Применение ИИ в закупках работает как фильтр и черновой аналитик. Алгоритмы хорошо справляются с извлечением фактов из неструктурированного текста, но не несут юридической или финансовой ответственности за поданную заявку. Чтобы автоматизация не привела к попаданию в реестр недобросовестных поставщиков или работе в убыток, важно разделить операции между программой и экспертом.

На практике автоматизацию делят на четыре этапа:

1. Первичный отбор (скоринг) процедур. Стандартный поиск по ключевым словам или кодам ОКПД2 часто приносит лишние закупки, где нужный товар идет в одной связке со строительными работами или невыполнимыми лицензионными требованиями. Языковая модель читает предмет закупки и краткие условия, отсеивая заведомо неподходящие лоты до того, как специалист потратит время на выгрузку документации.
2. Анализ технического задания и проекта контракта. Сотруднику не нужно вычитывать весь PDF-документ с нуля, чтобы понять базовые параметры сделки. ИИ извлекает из файлов ключевые условия в единую сводку: сроки поставки, место разгрузки, требования к гарантии, размер обеспечения заявки и исполнения контракта, порядок оплаты и нетипичные пени.
3. Сопоставление номенклатуры (мэтчинг). Когда в техническом задании перечислены десятки позиций с диапазонами характеристик («не менее», «не более», эквиваленты), система с векторным поиском подбирает подходящие артикулы из прайс-листа поставщика и помечает позиции, по которым есть расхождения.
4. Сборка черновика заявки и закрывающих документов. На основе проверенных данных система заполняет шаблоны таблиц с характеристиками товара, формирует черновики запросов на разъяснение документации, а после исполнения контракта — помогает быстро заносить первичные документы в учетную систему.

При этом финальная проверка всегда остается за человеком. Большие языковые модели (LLM) склонны к галлюцинациям: они могут неверно истолковать сложную формулировку с двойным отрицанием, пропустить сноску мелким шрифтом или перепутать редакции правил по 44-ФЗ и 223-ФЗ. Подписывать заявку электронной подписью без вычитки исходных разделов документации специалистом нельзя.

Выбор инструмента зависит от того, насколько стандартны ваши закупки и нужно ли связывать тендерный процесс с внутренними учетными системами компании. На российском рынке сложились два рабочих сценария: покупка подписки на готовый поисковый агрегатор со встроенным ИИ-модулем или сборка собственного пайплайна под внутренние регламенты.

1. Встроенные ИИ-инструменты в тендерных агрегаторах

Если главная задача — ускорить чтение извещений и первичный разбор документов прямо в окне поиска, разумно начать с готовых отраслевых продуктов.

Например, в сервисе Контур.Закупки (по данным официального прайс-листа zakupki.kontur.ru/price, проверено 3 ноября 2026 года) предусмотрен тариф «Эксперт + ИИ» стоимостью 57 800 рублей в год. В него входят возможности базового тарифа «Эксперт» (который без ИИ-пакета стоит 46 400 рублей в год), а также ИИ-ассистент по условиям и рискам тендера и ИИ-отчеты с анализом и рекомендациями.

При планировании бюджета важно учитывать, что 57 800 рублей в год — это стоимость лицензии конкретного вендора, а не разработка собственного агента и не плата за каждую отдельную закупку. Налоговый состав этой цены на странице прайса отдельно не подтвержден, а лимиты использования, точный состав лицензии, стоимость дополнительных рабочих мест и условия доступа к API необходимо уточнять у поставщика перед покупкой.

2. Автоматизация первичных документов на базе 1С

Отдельная задача в закупочном цикле — обработка входящих счетов от субподрядчиков и закрывающих документов по контрактам. Для этого не обязательно разрабатывать собственную нейросеть с нуля: в официальный каталог цифровых решений 1С (solutions.1c.ru, проверено 3 ноября 2026 года) входит специализированный сервис «1С:Распознавание первичных документов» (1С:РПД), который относится к инструментам ИИ в бухгалтерии.

По данным официального описания (v8.1c.ru, проверено 3 ноября 2026 года), сервис распознает счета, накладные ТОРГ-12, акты, счета-фактуры, УПД, УКД и кассовые чеки по сканам и фотографиям. Процесс устроен последовательно: пользователь загружает файлы, система распознает реквизиты и табличные части, человек проверяет результат и создает документы в учетной базе. Автоматическое проведение без проверки сотрудником здесь не предусмотрено, что защищает базу от ошибок распознавания.

Стоимость 1С:РПД зависит от годового пакета страниц (официальный прайс 1С:РПД, проверено 3 ноября 2026 года):

• 100 страниц — 600 ₽/год;
• 500 страниц — 2 500 ₽/год;
• 1 000 страниц — 4 500 ₽/год;
• 5 000 страниц — 21 000 ₽/год;
• 10 000 страниц — 40 000 ₽/год.

Также предусмотрен бесплатный тестовый пакет на 250 страниц (условия его подключения уточняются при заказе). Указанный объем — это лимит выбранного пакета на год, а не ежемесячное количество. При полном расходовании пакета на 10 000 страниц расчетная стоимость одной страницы составит 4 рубля, однако этот показатель нельзя переносить на стоимость индивидуальной доработки или нетиповой интеграции с вашей конфигурацией 1С. Налоговый состав цен на странице прайса отдельно не указан.

Готового облачного агрегатора недостаточно, когда компании нужно автоматически сопоставлять сотни позиций из сложного ТЗ со своим номенклатурным справочником, проверять актуальные складские остатки и собирать заявку по внутренним корпоративным стандартам. В таких случаях выстраивают собственный программный конвейер (пайплайн).

Оркестрация процессов и инструменты агента

Для связки почты, тендерных выгрузок, парсеров документов и языковых моделей часто используют платформы процессной автоматизации, например n8n. Согласно официальной документации (docs.n8n.io, проверено 2 ноября 2026 года), n8n совмещает автоматизацию рабочих процессов и функции ИИ, выпускается под fair-code лицензией (поэтому продукт нельзя безоговорочно называть свободным ПО) и поддерживает как облачное использование, так и размещение на собственных серверах (self-hosted).

Внутри сценария за логику отвечает узел AI Agent. Как указано в документации репозитория (github.com/n8n-io/n8n-docs, проверено 3 ноября 2026 года), начиная с версии 1.82.0 выбор старых типов агентов устарел — современные узлы работают как Tools Agent. Узел соединяется с языковой моделью (chat model) и прикладными инструментами, самостоятельно выбирая вызовы под задачу, при этом подключение хотя бы одного дочернего инструмента (tool sub-node) обязательно.

Важно учитывать два технических ограничения:

• Для обращения к базам данных (например, чтобы проверить цены или историю прошлых контрактов) не используется устаревшая форма SQL Agent — вместо этого подключаются отдельные инструменты с узко настроенными правами доступа.
• Сама по себе связка языковой модели с узлом агента не создает готовых бизнес-интеграций и не гарантирует правильный порядок действий без жестко заданной логики сценария.

Если требуется связать ИИ-агента с внутренними сервисами по единому стандарту, используют Model Context Protocol (MCP). Согласно архитектурной документации (modelcontextprotocol.io, проверено 2 ноября 2026 года), протокол связывает приложение-хост (host), клиент (client) и сервер (server), который предоставляет инструменты (tools), ресурсы (resources) и шаблоны промптов (prompts) через транспорт stdio или Streamable HTTP. При этом сам протокол MCP не дает готовой интеграции с учетной системой: для связи с 1С потребуется разработка MCP-сервера, настройка прав доступа и реализация прикладных методов. Со стороны 1С для такого обмена можно задействовать штатные HTTP-сервисы (v8.1c.ru/platforma/http-servisy/, проверено 3 ноября 2026 года), где разработчик задает шаблоны URL и обработчики методов, управляя телом и кодом ответа.

Подбор номенклатуры через RAG и векторный поиск

Если просто загрузить в языковую модель длинный прайс-лист и попросить подобрать аналоги под ТЗ заказчика, модель быстро превысит лимит контекста или начнет выдумывать несуществующие характеристики. Чтобы этого избежать, применяют архитектуру RAG (Retrieval-Augmented Generation — генерация, дополненная поиском).

Техническое задание разбивается на отдельные товарные позиции, после чего система ищет подходящие карточки товаров в векторной базе данных, например Qdrant. Согласно официальной документации (qdrant.tech/documentation/ и разделу Filtering, проверено 3 ноября 2026 года), Qdrant позволяет сочетать векторный поиск со строгими фильтрами по метаданным (payload) и идентификаторам точек, а для ускорения фильтрации документация рекомендует создавать payload-индексы.

В тендерных задачах это критически важно по двум причинам:

1. Точные параметры нельзя заменять смысловой близостью. Векторное сходство покажет, что «кабель силовой» близок к запросу заказчика, но только жесткий фильтр по метаданным гарантирует, что в подборку попадет товар в наличии, из нужного ценового диапазона и с точным сечением жилы. Само по себе наличие похожего вектора не доказывает правильность ответа, а технология RAG снижает риск выдумок модели, но не гарантирует стопроцентной точности без проверки человеком.
2. Безопасность коммерческих данных. Если в одной базе хранятся прайс-листы с разной дилерской скидкой или закрытые паспорта изделий, права пользователя должна применять серверная логика и фильтр доступа на уровне БД. Полагаться на текстовую инструкцию в промпте вроде «не показывай менеджеру себестоимость» нельзя — добавление векторной базы автоматически не решает задачу разграничения прав.

Как это работает на близких задачах: реальные ориентиры рынка

В открытых источниках пока немного детально верифицированных отчетов именно о закрытых тендерных пайплайнах, но архитектура классификации документов и поиска по корпоративным базам знаний хорошо изучена на смежных задачах обработки сложных текстовых запросов.

Показателен кейс компании «Инфосистемы Джет» на базе технологий Yandex Cloud (yandex.cloud/ru/cases/jet, опубликован 13 февраля 2025 года, проверено 3 ноября 2026 года). Команда за полтора месяца провела пилот системы, которая классифицирует входящие обращения, ищет информацию по корпоративной базе знаний (с использованием Object Storage и OpenSearch) и формирует ответы, передавая часть из них сотруднику на проверку. По опубликованным результатам пилота со стороны заказчика и поставщика:

• до 30% обращений обрабатываются полностью автоматически;
• точность классификации около ста типов запросов составила 75%;
• корректность ответов языковой модели достигла до 80%.

Эти три разные метрики наглядно показывают, почему в серьезных бизнес-процессах (включая закупки) нельзя обещать «стопроцентную автоматизацию без участия человека»: даже при 80%-й корректности генерации ответов система берет на себя подготовку информации, а финальное решение по сложным случаям остается за специалистом.

Другой пример зрелого подхода к архитектуре — опыт Сбера по внедрению мультиагентной обработки обращений на базе Platform V Flow и GigaChat (сообщение поставщика решения СберТех на sbertech.ru от 23 сентября 2026 года, проверено 3 ноября 2026 года). Важна сама последовательность внедрения: сначала компания заменила CRM и автоматизировала процессы с жесткой детерминированной логикой, и только с 2025 года подключила большие языковые модели для работы со свободным текстом. В тендерном отделе действует тот же принцип: сначала настраиваются строгие правила маршрутизации заявок и контроля сроков, а затем к ним подключается LLM для чтения неструктурированных технических заданий.

При расчете бюджета на собственное решение для анализа тендеров расходы складываются из трех частей: оплата обращений к языковым моделям (или аренда серверов с GPU), лицензии на инструменты оркестрации и стоимость работы интегратора. Ниже приведены проверенные публичные тарифы конкретных поставщиков (это рыночные ориентиры, а не прайс-лист нашей компании или среднерыночная статистика).

1. Облачные языковые модели по API

Для разбора текстовых документов в России чаще всего используют API отечественных провайдеров:

• Yandex AI Studio. Платформа предоставляет генеративные модели, эмбеддинги, инструменты поиска по собственным данным и управление доступом (aistudio.yandex.ru/ru/docs/, проверено 2 ноября 2026 года). Согласно официальному прайс-листу для синхронного режима (aistudio.yandex.ru/ru/docs/ai-studio/pricing, проверено 3 ноября 2026 года, цены указаны в рублях с НДС за 1 000 токенов):

  • Alice AI LLM Flash: вход — 0,1 ₽, выход — 0,2 ₽;
  • YandexGPT Lite: вход — 0,2 ₽, выход — 0,2 ₽;
  • YandexGPT Pro 5.1: вход — 0,8 ₽, выход — 0,8 ₽.

  Цены входных и выходных токенов считаются раздельно (использование кеша и встроенных инструментов тарифицируется по отдельным правилам).

  Условный учебный расчет: допустим, за месяц ваш тендерный отдел пропускает через модель YandexGPT Lite объем документации на 1 млн входных токенов и получает краткие сводки на 200 тыс. выходных токенов. Расход непосредственно на генерацию составит: (1 000 × 0,2 ₽) + (200 × 0,2 ₽) = 200 + 40 = 240 рублей с НДС. Для более сложной модели YandexGPT Pro 5.1 тот же объем обойдется в 800 + 160 = 960 рублей с НДС. Это затраты только на обращение к модели, без учета стоимости парсинга таблиц, хранения векторов и разработки.

• GigaChat API. Сервис поддерживает работу с текстами, файлами, изображениями, вызовами функций, эмбеддингами и структурированными данными (developers.sber.ru, проверено 2 ноября 2026 года). При расчете стоимости важно учитывать категорию клиента (официальные тарифы для юрлиц, страница обновлена 7 октября, проверено 2 ноября 2026 года):

  • Для новых клиентов с 1 сентября 2026 года подключение и оплата проходят через платформу cloud.ru — актуальные тарифы для нового подключения необходимо запрашивать непосредственно у cloud.ru, автоматически переносить на них старые расценки нельзя.
  • Для действующих клиентов «СалютДевайсы» / «Салют для Бизнеса» в синхронном режиме pay-as-you-go действуют тарифы за 1 000 токенов с НДС: GigaChat Lite — 0,065 ₽, GigaChat Pro — 0,5 ₽, GigaChat Max — 0,65 ₽ (минимальная сумма при фактическом использовании — 600 ₽/месяц; если обращений не было, плата не списывается).

2. Локальный запуск моделей и аренда GPU

Если служба безопасности требует обрабатывать документацию на выделенном контуре без передачи текстов во внешние облачные API, открытые языковые модели запускают с помощью инструментария вроде открытого проекта llama.cpp (github.com/ggml-org/llama.cpp, проверено 3 ноября 2026 года).

Для предварительной математической оценки того, сколько видеопамяти займут только сами веса модели, используют формулу: число параметров × число бит квантования / 8. Условный пример: модель на 8 млрд параметров в 4-битном квантовании потребует под веса 8 000 000 000 × 4 / 8 = 4 млрд байт (около 3,73 GiB). Однако реальная потребность в видеопамяти при разборе длинных тендерных ТЗ будет существенно выше за счет KV-кеша (контекста), служебных буферов и накладных расходов, а для архитектур класса MoE (Mixture of Experts) память требуется под все размещаемые веса, а не только под активные параметры. Даже флагманская потребительская видеокарта уровня NVIDIA GeForce RTX 5090 с официальным объемом памяти 32 GB GDDR7 (nvidia.com, проверено 3 ноября 2026 года) сама по себе не гарантирует запуск любой крупной LLM с большим окном контекста.

Если не покупать собственное серверное оборудование, инфраструктуру с видеокартами арендуют. Например, у российского хостинг-провайдера FirstVDS (firstvds.ru/products/vps-vds-gpu, проверено 2 ноября 2026 года) публичные стартовые предложения начинаются:

• от 299 ₽/сутки за конфигурацию с vGPU L40S;
• от 1 150 ₽/сутки за выделенный GPU Passthrough (в линейке представлены карты L4, RTX 4090, RTX 5090, L40S — при этом разные модели карт стоят по-разному, это лишь нижняя граница класса услуг).

Минимальный оплачиваемый срок составляет 1 сутки, бесплатного тестового периода нет. Если условно пересчитать нижние границы на 30 суток при неизменной посуточной ставке, получится 8 970 ₽ и 34 500 ₽ соответственно (это расчетная величина, а не специальный месячный тариф; наличие нужной карты, объем выделенной видеопамяти и налоговые условия необходимо проверять при заказе).

3. Платформы оркестрации и услуги по разработке

Для связки компонентов в единый процесс также закладывают бюджет на ПО и интеграцию:

• Оркестраторы. В облачной версии n8n (n8n.io/pricing/, проверено 3 ноября 2026 года) тариф Starter при годовой оплате составляет эквивалент 20 евро в месяц за 2 500 исполнений сценариев (workflow executions), а тариф Pro — 50 евро в месяц за 10 000 исполнений. Для сравнения: в платформе Make (make.com/pricing, проверено 3 ноября 2026 года) тарификация идет не по запускам сценария целиком, а в кредитах за отдельные действия модулей (есть бесплатный план на 1 000 кредитов в месяц, но один сложный сценарий анализа закупки может расходовать десятки кредитов за один проход). Для российских компаний возможность оплаты зарубежных облачных подписок требует отдельной проверки, поэтому на практике часто выбирают self-hosted установку на российском сервере.
• Разработка и внедрение. Стоимость создания кастомного решения на рынке зависит от глубины интеграции с 1С и CRM. Для ориентира по сегменту готовых сценариев: у подрядчика Goose AI (gooseai.ru/ceny/, проверено 3 ноября 2026 года) развертывание готового агента из каталога со сценариями, интеграциями и тестированием оценивается в диапазоне 150 000–300 000 рублей (это публичное предложение конкретного разработчика, а не среднерыночный показатель).

Когда система проектируется под индивидуальный закупочный процесс компании, итоговая смета формируется из следующих этапов (ознакомиться с подходом нашей команды и запросить расчет можно на странице услуг и стоимости):

Дополнительные инструменты: голосовые коммуникации и чат-боты

В коммерческих закупках и при согласовании спецификаций с поставщиками много деталей обсуждается голосом. Если компании нужно фиксировать договоренности тендерных специалистов по телефону, в пайплайн добавляют сервисы распознавания речи. Например, в Yandex SpeechKit (aistudio.yandex.ru/ru/docs/speechkit/stt/ и прайс-лист, проверено 3 ноября 2026 года) стандартное асинхронное распознавание двухканальных записей (до 4 часов) стоит 0,1515 ₽ с НДС за 15 секунд (минимум 15 секунд, далее посекундно; отложенное асинхронное — 0,0381 ₽ за 15 секунд). Условный расчет: расшифровка 1 000 двухканальных звонков поставщикам длительностью по 300 секунд (5 минут) в стандартном асинхронном режиме обойдется в 1 000 × (300 / 15) × 0,1515 = 3 030 рублей с НДС (только за перевод речи в текст, без последующего анализа через LLM). Для крупных контакт-центров существует отдельный аналитический продукт SpeechSense (aistudio.yandex.ru/ru/docs/speechsense/pricing, проверено 3 ноября 2026 года) с пакетными тарифами от 45 000 ₽ в месяц с НДС за 10 000 минут, но для точечных задач отдела закупок обычно достаточно базовой расшифровки через SpeechKit.

Если уведомления о новых тендерах и краткие сводки по рискам нужно отправлять руководителю в российский корпоративный мессенджер, можно настроить чат-бота на платформе MAX. По официальной инструкции (dev.max.ru/docs/chatbots/bots-create/create, проверено 3 ноября 2026 года), для создания бота требуется подключение к платформе партнеров и верификация профиля организации, ИП или самозанятого — резидента РФ (юрлица и ИП могут создать до 5 ботов, самозанятые — до 2, а токен выпускается через веб-платформу или мини-приложение «MAX для бизнеса»).

В составе тендерной заявки и конкурсной документации регулярно встречаются персональные данные: паспорта и дипломы ключевых специалистов (для подтверждения квалификации на конкурсах), доверенности, телефоны, адреса электронной почты и ИНН физических лиц. Передача таких документов во внешние ИИ-сервисы без соблюдения Федерального закона № 152-ФЗ «О персональных данных» создает прямые правовые риски для компании.

Опираясь на опубликованный текст 152-ФЗ (mintrud.gov.ru/docs/laws/130 и rosguard.gov.ru, проверено 3 ноября 2026 года), при проектировании ИИ-системы для закупок необходимо учитывать пять правил:

1. Запрет на использование зарубежных баз при сборе данных. Часть 5 статьи 18 152-ФЗ (в редакции Федерального закона № 23-ФЗ от 28.02.2025) запрещает при сборе персональных данных граждан РФ выполнять перечисленные в законе операции с использованием баз данных, находящихся за пределами территории РФ (за исключением случаев, прямо предусмотренных законом). Нельзя опираться на устаревшее представление о том, что данные достаточно «сначала сохранить в России», и отправлять сканы анкет сотрудников в зарубежные облачные нейросети.
2. Правила трансграничной передачи. Статья 12 закона требует подачи отдельного предварительного уведомления регулятора о намерении осуществлять трансграничную передачу персональных данных (обычное уведомление об обработке ПДн его не заменяет, и сам факт подачи уведомления автоматически не легализует любую передачу в любой зарубежный ИИ-сервис).
3. Правовые основания и договоры с подрядчиками. Статья 6 допускает разные правовые основания обработки данных, но если вы передаете обработку внешнему облачному провайдеру или интегратору, требуется корректно оформленное поручение оператора с соблюдением установленных законом требований. Если используется согласие субъекта, статья 9 требует оформлять его отдельно от иных подтверждаемых или подписываемых документов. При этом наличие согласия не отменяет требований по локализации и информационной безопасности.
4. Требования к обезличиванию. Часто компании пытаются удалить из проекта договора фамилию подписанта перед отправкой в LLM, считая документ обезличенным. Однако по статье 3 152-ФЗ обезличивание означает невозможность без использования дополнительной информации определить принадлежность данных конкретному субъекту. Оставленный в тексте ИНН физлица, прямой телефон, редкая должность или узнаваемый контекст портфолио сохраняют связь с человеком.
5. Ограничение чисто автоматических решений и меры защиты. Статья 16 ограничивает принятие решений, порождающих юридические последствия для человека или затрагивающих его права, исключительно на основании автоматизированной обработки (с предусмотренными законом исключениями). А статьи 18.1 и 19 обязывают оператора принимать организационные и технические меры защиты. Поэтому развертывание локальной LLM на собственном сервере само по себе не означает автоматического соблюдения 152-ФЗ — перед запуском процесса необходимо проверить договоры с поставщиками API (включая настройки запрета на логирование данных в том же Yandex AI Studio), перечень получателей и актуальную редакцию закона вместе с профильным юристом.

Чтобы автоматизация закупок не превратилась в бесконечный ИТ-проект, внедрение стоит разбить на короткие этапы с измеримым результатом:

1. Зафиксируйте узкое место на реальных документах. Соберите 20–30 архивов прошлых закупок, в которых участвовала компания (включая те, где заявку отклонили или где менеджеры потратили больше всего времени на расчет). Определите, на каком шаге теряется время: первичный отсев извещений, вычитка длинных проектов контрактов или подбор товарных позиций под ТЗ.
2. Разделите задачи между готовым ПО и кастомной разработкой. Если проблема только в поиске по площадкам и базовой сводке рисков, протестируйте готовые модули тендерных агрегаторов. Если требуется сверять спецификации на десятки позиций с вашей базой в 1С и считать маржинальность с учетом закупочных цен — переходите к проектированию собственного конвейера с RAG.
3. Очистите и структурируйте внутренний справочник номенклатуры. Никакая языковая модель не сопоставит техническое задание заказчика с вашей базой в 1С, если карточки товаров внутри компании заполнены хаотично, без единых единиц измерения и технических характеристик.
4. Настройте контур безопасности и фильтрацию данных. Определите, какие документы содержат персональные данные и коммерческую тайну. Выберите архитектуру (российский облачный провайдер с корпоративным договором и отключенным сохранением логов либо выделенный сервер с GPU) и закрепите правило обязательной финальной верификации заявки тендерным специалистом.

Если ваш тендерный отдел тратит слишком много времени на ручную вычитку технических заданий и сверку длинных спецификаций с учетной системой, мы поможем спроектировать и внедрить надежную архитектуру под ваши регламенты. Команда ЭйАй Бизнес настраивает кастомные пайплайны анализа закупочной документации, связывает векторный поиск с 1С и CRM и обучает сотрудников безопасной работе с ИИ-инструментами. Перейдите на главную страницу услуги, чтобы обсудить задачу и подобрать решение под ваш объем торгов.