Специалист получает извещение, техническое задание, проект договора, формы заявки и несколько приложений от заказчика. Условия разбросаны по разным файлам: срок поставки указан в одном месте, требования к опыту — в другом, а штрафы — в третьем. ИИ для тендеров полезен именно в такой ситуации: он может собрать требования в единую таблицу и подготовить проверяемый черновик, если работает не как обычный чат, а как агент с инструментами, правилами и циклом проверки.
В статье разберём, как устроен анализ тендерной документации с помощью AI-агента, какие этапы закупки можно ускорить, почему каждое заключение должно вести к исходному фрагменту и как выбрать между облачным и локальным контуром. Речь идёт о подготовке материалов для специалиста, а не об автоматическом юридическом заключении или подаче заявки без человека.
Короткий ответ: что можно поручить ИИ для тендеров
ИИ можно поручить опись комплекта, извлечение требований, сравнение условий и подготовку проверочного чек-листа. Надёжный результат — не свободное резюме, а таблица, где у каждого вывода есть точная цитата, файл, страница или пункт и статус проверки. Неоднозначности, отсутствующие приложения и противоречия агент должен передавать специалисту, а не разрешать самостоятельно.
Начинать безопаснее с завершённых процедур и доступа только на чтение. Агент не должен подписывать, отправлять или изменять заявку без отдельного решения человека. Если сначала нужно разобраться в устройстве такого процесса, см. материал об ИИ-агентах для бизнеса.
Почему одного чата недостаточно для анализа тендерной документации
Тендер — это не один типовой документ с одинаковыми полями. Даже внутри одной процедуры требования могут находиться в извещении, описании объекта закупки, проекте контракта, инструкциях по заполнению заявки, сметах, спецификациях и разъяснениях заказчика. В закупках по 44-ФЗ это видно уже из статьи 42: извещение содержит большой набор сведений и сопровождается электронными документами, включая описание объекта закупки и проект контракта.
Если загрузить часть файлов в чат и попросить «сделай краткое резюме», модель постарается дать связный ответ. Но связность ещё не означает полноту. Чат не обязательно проверит, все ли приложения получены, какая версия документа последняя, не противоречат ли сроки в таблице и договоре и для каждого ли вывода найдено подтверждение.
Кроме того, тендерный текст нельзя безусловно «улучшать». Фразы, которые выглядят как канцелярские повторы, могут иметь разное юридическое значение. Единицы измерения, условия допуска, формулировки о подтверждающих документах и исключения нельзя приводить к привычному шаблону только ради красивой таблицы. Поэтому подходящая задача для ИИ звучит не «перепиши всё понятнее», а «извлеки, сопоставь и покажи источник каждого вывода; неоднозначность не устраняй самостоятельно».
Генеративные модели могут уверенно выдавать ошибочные факты и даже ложные обоснования. NIST называет это конфабуляцией и отдельно отмечает повышенный риск в задачах, влияющих на значимые решения. Значит, ни хороший промпт, ни самая мощная модель не дают 100-процентной гарантии. Проверяемость должна быть встроена в процесс.
Как работает AI-агент для тендеров и закупок
Обычный чат отвечает на сообщение. AI-агент получает цель, доступ к разрешённым инструментам и критерий готовности, после чего повторяет рабочий цикл:
- планирует ближайший шаг;
- открывает нужный файл или запускает поиск;
- получает наблюдение — текст, таблицу, список совпадений или ошибку;
- сравнивает результат с заданными критериями;
- переходит к следующему шагу, повторяет поиск либо останавливается и задаёт вопрос человеку.
Такой повтор называют агентским циклом, или agent loop. В техническом разборе OpenAI он описан как чередование решений модели и вызовов инструментов. Для новичка полезнее представить агента как внимательного исполнителя с рабочей папкой и чек-листом: он не просто пишет ответ, а открывает документы, ведёт реестр и возвращается к пропущенным пунктам.
Агентный цикл превращает общий запрос в последовательность проверяемых действий и завершает работу передачей спорных мест специалисту.
Практический проход по тендеру может выглядеть так:
- Агент составляет опись файлов: название, формат, количество страниц, дату и признаки версии.
- Для сканов запускает OCR, но сохраняет связь текста со страницей. Для таблиц и сложной вёрстки нужен парсер, который не превращает все ячейки в одну строку. Документация Google Document AI показывает, почему обычного распознавания текста недостаточно: для поиска важны заголовки, таблицы, списки и положение фрагмента в структуре документа.
- Агент извлекает требования по заранее определённой схеме: срок, цена, обеспечение, допуски, опыт, характеристики, комплект документов, критерии оценки и условия договора.
- Для каждого поля добавляет доказательство: точную цитату, имя файла, страницу, пункт и ссылку на исходник.
- Отдельным проходом ищет противоречия, пустые поля и требования без подтверждения.
- Второй проверяющий шаг сверяет каждую строку с источником и возвращает сомнительные места специалисту.
Зачем нужны skills
Skill — это сохранённая рабочая инструкция для повторяемой задачи. В ней описано, какие файлы считать входом, что искать, как оформлять результат, какие проверки выполнить и когда остановиться. Такой навык не делает модель умнее, но снижает вероятность того, что она каждый раз изобретёт новый процесс.
Для тендеров лучше не создавать один огромный skill «сделай всё». Понятнее и проверяемее набор небольших навыков:
- инвентаризация комплекта и версий;
- распознавание сканов и восстановление структуры таблиц;
- извлечение требований с цитатами;
- сравнение условий и коммерческих предложений;
- независимая проверка покрытия и противоречий;
- сборка черновика отчёта без изменения исходников.
Codex, Claude Code и Hermes Agent — примеры агентных оболочек, которые умеют работать с файлами и инструментами и поддерживают повторяемые инструкции или skills. Codex развивается от агента для кода к инструменту для более широких рабочих задач. Claude Code поддерживает skills, инструменты и специализированных субагентов. Hermes Agent позволяет подключать разные модели, инструменты и навыки. Эти названия не заменяют проверку: конкретная конфигурация может хорошо работать с Markdown и плохо — со сканом сметы.
Какие этапы закупки ускоряет ИИ
ИИ для закупок особенно полезен там, где человек выполняет много однотипных действий над неодинаковыми файлами. Агент подготавливает рабочий материал, а владелец процесса подтверждает смысл и принимает решение.
| Этап | Что готовит агент | Что служит доказательством | Что проверяет человек |
|---|---|---|---|
| Разбор комплекта | Опись файлов, версии, список отсутствующих приложений | Названия файлов, даты, контрольные суммы или ссылки | Полноту полученного комплекта |
| Извлечение требований | Матрицу «требование → значение → обязательность» | Цитата, файл, страница и пункт | Юридический смысл и применимость |
| Сравнение поставщиков | Единую таблицу цен, сроков, характеристик и исключений | Исходное КП и ячейка либо страница | Сопоставимость предложений и выбор |
| Подготовка заявки | Чек-лист и черновики полей или документов | Связь каждого пункта с требованием | Корректность, подпись и отправку |
| Проверка рисков | Список противоречий, пробелов и вопросов | Два конфликтующих фрагмента рядом | Критичность и дальнейшее действие |
Поэтому подготовка заявки с ИИ должна заканчиваться не кнопкой отправки, а комплектом материалов для проверки: матрицей требований, черновиками, ссылками на источники и перечнем нерешённых вопросов.
При сравнении поставщиков агент не должен молча превращать «30 рабочих дней после аванса» и «поставка до 30 ноября» в одинаковый срок. Он сохраняет исходные формулировки, отдельно рассчитывает сопоставимое поле при наличии правил и помечает допущение. То же относится к НДС, валюте, комплектации, гарантиям и условиям оплаты.
Пять заданий для тендерного агента
Эти формулировки предполагают, что у агента уже есть доступ к папке и нужные skills.
- Опись комплекта. «Составь реестр всех файлов. Укажи формат, страницы, дату, версию и возможные дубли. Ничего не удаляй. Если приложение упоминается, но отсутствует, внеси его в отдельный список».
- Матрица требований. «Извлеки обязательные требования к участнику, товару, срокам и комплекту заявки. Для каждой строки дай точную цитату, файл, страницу и пункт. Не объединяй похожие требования без отметки».
- Поиск противоречий. «Сравни сроки, суммы, единицы измерения и характеристики во всех документах. Покажи оба исходных фрагмента рядом. Не выбирай правильную версию самостоятельно».
- Сравнение поставщиков. «Приведи предложения к таблице сравнения, но сохрани исходное значение рядом с нормализованным. Все пересчёты вынеси в отдельные столбцы с формулой и допущениями».
- Финальная проверка. «Проверь каждое требование матрицы: найдено ли подтверждение в подготовленном пакете. Верни статусы “подтверждено”, “не подтверждено”, “неоднозначно”. Не подавай заявку и не отправляй документы».
Как проверить, что агент ничего не упростил и не пропустил
Надёжный результат — это не длинное резюме, а набор проверяемых карточек. Для каждого вывода нужна минимальная запись:
Требование: опыт выполнения сопоставимых работ
Значение: не менее трёх договоров за последние два года
Источник: requirements.pdf, стр. 17, пункт 4.2
Цитата: <точный фрагмент без перефразирования>
Статус: подтверждено / неоднозначно / источник не найден
Комментарий: почему требуется решение специалистаЗатем включается многоступенчатая проверка. Первый проход извлекает требования. Второй ищет их заново по другим запросам и проверяет цитаты. Третий строит матрицу покрытия: у каждого обязательного требования должно быть подтверждение либо явный статус «не найдено». Для сумм, дат и процентов полезна программная проверка типов и диапазонов. Такая схема похожа на evaluator–optimizer: один шаг готовит результат, другой оценивает его по ясным критериям и возвращает замечания.
Важно разделять оригинал и преобразование. В таблице сравнения должны оставаться два поля: «как написано в документе» и «значение для сравнения». Агенту запрещают исправлять реквизиты, единицы, отрицания и оговорки внутри оригинального поля. Если документ допускает две трактовки, правильный выход — вопрос, а не наиболее правдоподобная догадка.
Условия остановки задают заранее. Агент прекращает работу, если не может прочитать страницу, видит две версии без признака актуальности, не находит упомянутое приложение, сталкивается с защищённым архивом или не понимает отраслевой термин, влияющий на допуск. Это не слабость системы, а управляемое поведение.
Наконец, внешние файлы нельзя считать доверенными инструкциями. В документ может быть встроен текст, пытающийся заставить агента выполнить постороннее действие. NIST описывает такой перехват через данные, которые читает агент, а OWASP связывает ущерб с избыточными функциями, правами и автономностью. Поэтому первый контур должен иметь доступ только на чтение, работать с копиями и не уметь отправлять заявку, письмо или файл без отдельного подтверждения человека.
Проверяемый результат связывает каждый вывод с источником, показывает полноту покрытия и не скрывает неоднозначности за уверенной формулировкой.
Облако или on-prem: где обрабатывать тендерные документы
Для первого пилота мощная облачная модель часто практичнее: не нужно разворачивать сервер инференса, подбирать GPU и отдельно поддерживать модель. Закрытые модели пока в среднем сохраняют преимущество на сложных тестах. По данным Stanford AI Index 2026, в марте 2026 года лучшая закрытая модель опережала лучшую open-weight модель на 3,3 процентного пункта. Но этот показатель не относится конкретно к российским тендерам, а агенты на структурированных тестах всё ещё ошибались примерно в одной из трёх попыток.
Следовательно, «облако» не равно «гарантия». И on-prem нельзя заранее признать непригодным. Локальный контур может быть обязательным из-за режима данных или политики компании, но тогда команда отвечает не только за модель. Ей нужны OCR, поиск, агентная оболочка, навыки, журналирование, вычислительные ресурсы, обновления, защита и собственные тесты. Выбор среды запуска, формата и квантизации модели, аппаратной конфигурации и режима обновлений становится отдельной эксплуатационной задачей.
| Вариант | Когда разумен | Главное ограничение |
|---|---|---|
| Корпоративное облако | Разрешённые или обезличенные данные, нужен быстрый пилот и сильная модель | Нужно проверить договор, хранение, регион обработки и список субподрядчиков |
| On-prem с open-weight моделью | Данные нельзя выводить из контура, есть инфраструктура и команда эксплуатации | Выше сложность; качество нужно подтвердить на своих документах |
| Гибрид | Исходники остаются внутри, наружу уходит только разрешённый обезличенный фрагмент или задача | Нужны строгие правила фильтрации и контроль обратной сборки |
Перед загрузкой файлов классифицируйте данные: общедоступная документация, коммерческие предложения, персональные данные, коммерческая тайна, сведения ограниченного доступа. Затем проверьте условия конкретного продукта: используются ли данные для обучения, сколько хранятся файлы и журналы, где идёт обработка, кто имеет административный доступ, можно ли удалить данные и оформить договорные гарантии. Например, OpenAI заявляет для перечисленных бизнес-продуктов и API, что данные организации по умолчанию не используются для обучения, но это условие нельзя автоматически переносить на другой тариф или сервис.
Если документы содержат персональные данные и уходят иностранному получателю, возникает отдельный правовой вопрос. Статья 12 152-ФЗ устанавливает требования к трансграничной передаче, включая уведомление и оценку условий. Решение по конкретному процессу должны согласовать юрист, информационная безопасность и владелец данных. Обезличивание снижает риск только тогда, когда человека или компанию нельзя восстановить из оставшихся полей и связей.
Как запустить пилот без риска для реальной заявки
Возьмите несколько завершённых процедур разных типов: цифровой PDF, скан, таблицы, несколько версий и хотя бы один сложный комплект с разъяснениями. Размер выборки определите по разнообразию реальных документов, а не по удобному круглому числу. Специалист заранее формирует эталонную матрицу ключевых требований и отмечает критические пропуски.
На пилоте агент работает только с копиями и не имеет права отправки. Для каждого комплекта измеряйте:
- полноту обязательных требований;
- точность цитат и координат источника;
- долю выводов без доказательства;
- число критических пропусков;
- время специалиста на проверку;
- правильность остановок при неоднозначности.
Сравнивайте не красивые ответы разных моделей, а весь контур в одинаковых условиях. Один и тот же набор документов прогоняют через облачную и, если нужно, локальную конфигурацию. В рабочий процесс допускают только вариант, который прошёл заранее установленный порог и не скрывает ошибки за уверенным текстом. Даже после допуска финальная юридическая и финансовая проверка остаётся за человеком.
FAQ
Может ли ИИ полностью проверить тендерную документацию?
Он может выполнить первичный анализ, найти требования, собрать цитаты и отметить противоречия. Полностью передавать ему проверку нельзя: модель, OCR и поиск способны ошибаться, а трактовка может зависеть от права и отраслевой практики.
Что делать со сканами плохого качества?
Сначала оценить читаемость страниц и запустить OCR с сохранением координат. Нечитаемые страницы нужно вынести в отчёт как блокирующую проблему, а не восстанавливать текст по догадке.
Какой агентный инструмент лучше выбрать?
Выбирайте не название, а проверяемые возможности: работа со всеми нужными форматами, подключение skills, поиск с координатами, журнал действий, ограничения прав, выбранная модель и результат на вашем тестовом комплекте. Codex, Claude Code и Hermes могут быть оболочками для эксперимента, но не являются готовыми тендерными системами сами по себе.
Может ли агент сам подготовить и подать заявку?
Черновик и чек-лист — да. Автоматическую подачу лучше не разрешать: это необратимое действие с юридическими и финансовыми последствиями. Человек должен проверить пакет, подпись, сроки и фактическую отправку.
Нужен ли RAG, если модель принимает большой контекст?
Большого окна контекста недостаточно для контроля полноты. Поиск по документам помогает находить фрагменты и повторно обращаться к ним, но RAG тоже нужно тестировать: он может пропустить нужный пункт или вернуть соседний текст без важного исключения.
Что делать дальше
Начните не с покупки платформы, а с одного завершённого тендера. Подготовьте опись файлов, эталонную матрицу требований и правило: ни одного вывода без файла, страницы и цитаты. Затем соберите пилотный агентный процесс на разрешённой модели, сравните результат с эталоном и решите, какие шаги действительно можно повторять безопасно.
Так ИИ для тендеров становится не генератором уверенных резюме, а контролируемым помощником: он сокращает ручной поиск и сборку таблиц, а доказательства, границы доступа и решение специалиста остаются частью каждого прохода.
Что читать дальше
- ИИ-агенты для бизнеса — как устроить повторяемый процесс с инструментами, ограничениями и проверкой результата.
- ИИ для поиска информации — как искать фрагменты с источниками и отделять найденное от вывода модели.
- ИИ для документов и таблиц — как безопасно работать с разными форматами и сохранять проверяемость преобразований.
Больше материалов по теме — в разделе «ИИ для бизнеса».
