Как искусственный интеллект ускорил обработку тендеров и заменил ручной поиск в Excel

Любой специалист, работающий с B2B-закупками или тендерами, знает эту боль. Открываешь техническое задание заказчика, а там спецификация на 50, 100 или 300 позиций. Причем каждая позиция — это не четкий артикул, а абзац сплошного текста, где перемешаны габариты, материалы, ссылки на ГОСТы и различные допуски.

Задача менеджера — найти под эти требования подходящие товары в базе своей компании или в десятках прайс-листов дистрибьюторов, чтобы просчитать маржинальность проекта.

Обычно это делается через бесконечное использование Ctrl+F по вкладкам Excel, вычленение ключевых слов и визуальное сравнение характеристик. Человеческий фактор здесь играет злую шутку: к сотой строке глаз замыливается, концентрация падает, возникают ошибки, которые могут стоить компании победы в тендере.

Я решил перевести этот процесс в диджитал и собрал инструмент, который автоматизирует подбор аналогов и расчет смет с помощью машинного обучения. Ниже — разбор того, как это работает изнутри и какие задачи бизнеса решает.

Сбор данных: что делать, если у поставщика нет прайса?

Для корректной работы нейросетей нужны структурированные данные. Если у компании есть выгрузки из учетных систем (1С, CSV, Excel), проблема решается их простой загрузкой в систему. Но на практике B2B-рынок далек от идеальной цифровизации.

Часто у производителей нет актуального прайс-листа в виде файла, а ассортимент представлен только в виде веб-каталога на сайте. Чтобы не писать под каждый сайт отдельный скрипт, я интегрировал в систему модуль интеллектуального парсинга.

1. Пользователь просто дает ссылку на сайт-донор.
2. ИИ-модуль (используя виртуальный браузер для обхода защит) самостоятельно анализирует структуру страницы: понимает, где карточка товара, где цена, а где блок с техническими характеристиками.
3. Алгоритм игнорирует «инфошум» (баннеры, новости, меню) и на выходе формирует стандартизированную Excel-таблицу.

Таким образом, любая веб-витрина поставщика за считанные минуты превращается в базу данных, готовую к анализу.

Конвейер смыслов: как ИИ понимает тендерный язык

Обычный текстовый поиск в тендерах не работает. Если заказчик ищет «стол деревянный 120х60», а в вашей базе он записан как «Рабочая станция массив 1200х600», классический поиск выдаст ноль результатов.

Поэтому сопоставление реализовано через многоступенчатый пайплайн:

1. AI-Диспетчер (роутинг). Алгоритм считывает запрос и отсекает нерелевантные базы. Ищем «микроскоп» — система даже не будет сканировать прайсы с офисной мебелью. Это радикально экономит вычислительные мощности.
2. Извлечение сущностей (NLP). Длинный абзац из ТЗ разбивается на смысловые группы: [ноутбук], [диагональ 15], [процессор intel].
3. Математический скоринг. Система сканирует лемматизированную базу и начисляет товарам баллы за совпадения (точное совпадение по артикулу — максимум баллов, частичное совпадение в конце описания — минимум). Формируется шорт-лист кандидатов.
4. AI-Ранжировщик. На этом этапе языковая модель (LLM) включает логику. Например, мы ищем «стол». Математика нашла идеальное текстовое совпадение: «Комплект мебели: стол и 4 стула». Нейросеть применяет правило «анти-комплект» и пессимизирует этот результат, так как заказчику не нужны стулья.
5. AI-Эксперт. Для топ-3 позиций нейросеть формирует аналитический вывод: почему конкретно этот товар подходит или не подходит под исходное ТЗ.

UX для бизнеса: отказ от сырых ссылок в пользу «умных смет»

Внедряя ИИ в корпоративные процессы, важно понимать: бизнесу не нужны «инновации ради инноваций» или разрозненные ссылки на товары. Снабженцу нужна смета.

Для работы с объемными ТЗ предусмотрен пакетный режим. Менеджер просто загружает исходный файл со спецификацией, нажимает кнопку и уходит пить кофе. Программа автономно перебирает строки и формирует готовый Excel-отчет.

Чтобы менеджер не тратил время на перепроверку каждой строчки, я внедрил цветовую индикацию — систему «Светофор»:

1. Зеленая заливка: ИИ уверен, что найденный товар полностью совпадает с ТЗ. Эту цену можно сразу брать в экономический расчет.
2. Желтая заливка: Найден релевантный аналог, но есть расхождения. В специальной колонке ИИ пишет вердикт (например: «⚠ Оговорка: в ТЗ заявлен металл, а найденный товар выполнен из ударопрочного пластика»). Внимание менеджера фокусируется только на этих строках — ему нужно решить, допустимо ли предложить заказчику такую замену.
3. Красная заливка: Система честно рапортует, что в загруженных базах поставщиков нужного товара нет.

Такой подход меняет саму парадигму работы отдела закупок: специалисты перестают заниматься слепым поиском и переходят к работе по принципу исключений (управление отклонениями).

За рамками тендеров: где еще это работает

Архитектура, построенная на сопоставлении характеристик, оказалась востребована не только в госзакупках. Сейчас инструмент успешно применяется в двух смежных B2B-сценариях:

1. Аналоги. Когда в проекте жестко заложен ушедший с рынка  бренд, система за минуты прогоняет его характеристики по базам  производителей, подбирая легитимные аналоги.
2. Мониторинг конкурентов. Компании загружают прайс-лист конкурента в качестве базы, прогоняют через него свой ассортимент и получают готовую таблицу для сравнения цен на идентичные товары.

Автоматизация рутины с помощью LLM — это уже не футурология, а реальный инструмент повышения маржинальности бизнеса. Процесс, который ранее требовал нескольких дней напряженной работы квалифицированного специалиста, сегодня делегируется алгоритмам и выполняется в фоновом режиме.
Более подробно я описал инструментарий на своем сайте