Тендер, в котором я решил не участвовать: как AI-разбор за одну сессию уберёг меня от убыточного годового контракта

Суть

Мне попался соблазнительный годовой тендер Банка России на ежедневный обзор СМИ — почти 1,83 млн рублей. Вместо того чтобы потратить неделю на вычитывание семи документов и подготовку заявки, я разобрал весь пакет с помощью AI за одну сессию. И принял решение не участвовать — что в этом случае оказалось самым ценным результатом. Рассказываю, как ранняя AI-дисквалификация экономит недели работы и уберегает от убыточных обязательств.

Контекст: самое дорогое решение в тендере — это «браться или нет»

Мне нужно было быстро и без юриста понять три вещи:

1. что реально требуется делать, 
2. прохожу ли я по формальным условиям 
3. и выгодно ли это экономически. 

Контракт серьёзный — 12 месяцев, ежедневный дедлайн в 07:00, без права на субподряд. Ошибиться на входе тут дорого: можно вложиться в подготовку заявки, выиграть и год работать себе в убыток.

Проблема в том, что вся мякотка спрятана в семи документах: закупочная документация, проект договора, ТЗ, тестовое задание, шаблоны и Excel-формуляры. Читать это самому — полдня-день, и при этом легко пропустить одно решающее условие.

Что я сделал: AI-ассистированный разбор вместо ручного чтения

Я выстроил конвейер.

1. Сначала автоматически извлёк текст из всего пакета .docx/.xlsx — вместе с таблицами и многостраничной «Информационной картой закупки», с нормализацией кодировки, чтобы скормить на анализ весь массив целиком, а не листать руками. 
2. Дальше — структурный разбор условий: предмет, цена, сроки оплаты, обеспечение, штрафы, критерии допуска и оценки. 
3. И главное — целенаправленный поиск «стоп-факторов», тех условий, которые при обычном чтении проскакивают мимо глаз.

Поверх этого я собрал две методики: «потяну ли физически» (пропускная способность против ежедневного дедлайна) и «рентабельность» (выручка с учётом налогового режима и возможной переторжки минус стоимость труда, подписки на СМИ и кассовый разрыв).

Ключевые находки

Главный блокер обнаружился сразу: обязательное требование — минимум один исполненный договор по обзору/мониторингу СМИ за 2020–2026 годы. Без него заявку просто отклоняют. Это мгновенно превратило вопрос «выгодно ли» в куда более простой «допустят ли вообще».

Экономика тоже оказалась тонкой. При исполнении силами наёмного сотрудника маржа выходила около 15–25% и была чувствительна к снижению цены на переторжке — то есть проект рентабелен в основном при самостоятельном исполнении или глубокой автоматизации рутины или если подобный "комбайн" уже работает и окупается. Плюс скрытые издержки, которые легко не заметить: платные подписки на 8 газет и 4 журнала, кассовый разрыв около 4 месяцев (оплата поквартально по факту) и запрет субподряда, означающий риск непрерывности — некем подстраховать отпуск или болезнь.

Решение и результат

Обоснованный отказ от участия за одну сессию в 15 минут — вместо погружения в детали на несколько часов и потенциально убыточного годового обязательства в дальнейшем. Подчеркну: отрицательное решение здесь и есть полноценный результат. Сэкономлены дни работы над заявкой и год рискованного контракта.

Но я не хотел, чтобы разовая работа пропала, поэтому сделал пивот: собрал фильтр-монитор похожих закупок. Смысловое ядро — положительные ключи плюс минус-слова против шума (вроде «финансовый мониторинг» или «система мониторинга») и коды ОКПД2. Реализацию проработал в трёх вариантах на Manticore Search: обычный full-text запрос, JSON HTTP API и percolate-запрос — обратный поиск, когда сохранённый фильтр сам прогоняет каждую новую закупку. Последнее идеально ложится на задачу «следить за похожими тендерами».

Честно: что получилось, а что нет

Сильная сторона очевидна: AI снял рутину чтения и помог найти неочевидный дисквалифицирующий критерий — это и есть главная ценность. Причём на выходе я получил не разовый «ответ», а переиспользуемые методики расчёта нагрузки и рентабельности, которые сработают при следующих оценках тендеров. А пивот к мониторингу превратил «несостоявшееся участие» в инфраструктуру для будущих возможностей.

Но есть и ограничения. Точную НМЦ и дату окончания приёма заявок из пакета взять не удалось (извещение пришло шаблоном) — это требует сверки на самой ЭТП. Фильтр в Manticore доведён до рабочего шаблона, но не развёрнут и не измерен на реальном потоке: метрик precision/recall пока нет, пайплайн «скрапер → percolate → уведомление» не настроен. И решение по самому тендеру опиралось на мою личную оценку соответствия требованиям, а не на подтверждённые документы.

Главный урок я бы сформулировал так: в тендерной AI-автоматизации наибольшую отдачу даёт не «генерация заявки», а ранняя дисквалификация — быстро отсеять то, что не проходит по формальным барьерам, и переключить ресурсы на отслеживание реально подходящих закупок.

Если вам нужно быстро разобрать тендер или ТЗ и понять, стоит ли вообще ввязываться и где зарыты риски, — напишите мне в Telegram @Nik_TT. Подскажу, как автоматизировать это под вашу специфику.

p.s. Сейчас проектирую независимого агента для сквозного пайплана по поиску, извлечению документов, их оценке применительно к тендеру, оценке Заказчика (на конфликтность и платежеспособность), оценке вероятности победы в тендере на основе ретро-данных по прошлым победителям в схожих торгах и выводе в виде управленческого резюме с запланированной мощностью до 10-20 тендеров в день. Если интересно поучаствовать и потестировать - пишите в Тг, буду рад).