КЕЙС: ИИ-ассистент для закупок: тендеры за 45 минут

В чем проблема
Клиент — российская компания с мультиофисным отделом закупок. Ежедневно команда обрабатывает RFP, спецификации, проекты договоров и переписку с поставщиками, параллельно опираясь на многолетний архив контрактов.

Разбор одного тендерного пакета занимал примерно 3 часа, сравнение предложений растягивалось на дни, а поиск нужных пунктов в старых договорах шёл «по памяти» и отнимал часы. Плюс путаница версий: одинаковые шаблоны расходились по командам и возвращались на доработку. Под дедлайны страдало качество проверки условий — штрафы, SLA, гарантии.

Публичные ИИ-сервисы исключены: нельзя выносить данные и обучать модели на внутренних документах. Компании понадобилось решение, которое одновременно ускорит путь от заявки до подписания договора и сохранит контроль рисков и соответствие требованиям безопасности.
Задача
Развернуть внутри периметра клиента ИИ-ассистента для отдела закупок, который автоматически разбирает RFP, сравнивает офферы, генерирует драфты договоров по корпоративным шаблонам, ищет по архиву с цитированием источников и подсвечивает риски.
Процесс создания
1. Изучили процессы и выбрали сценарии
Мы провели встречи с отделом закупок и смежными командами, детально разобрали путь от получения RFP до архивации договора. Зафиксировали болевые точки и определили приоритетные сценарии для автоматизации: анализ тендерных пакетов, сравнение предложений, драфтинг договоров и поиск по архиву.

2. Определили источники данных и настроили безопасность
Собрали карту всех источников — DMS, ERP, шаблоны, каталоги поставщиков, почта — и настроили on-prem-периметр с шифрованием, разграничением доступа и полным аудитом действий.

3. Спроектировали архитектуру решения
Разработали LLM-шлюз, векторное хранилище и RAG с цитированием источников. Добавили модули для извлечения ключевых полей, подсветки рисков и генерации драфтов договоров по корпоративным шаблонам.

4. Подготовили документопоток
Настроили OCR и парсинг, выполнили очистку и нормализацию данных, внедрили таксономию и версионирование, а также создали словари терминов и правил извлечения условий.

5. Реализовали интерфейсы и интеграции
Разработали веб-панель с загрузкой и сравнением документов, поиском по архиву и генерацией драфтов, интегрировали систему с DMS, ERP и каталогами поставщиков.

6. Протестировали и запустили систему
Провели функциональные и безопасностные тесты, устранили найденные проблемы, подготовили инструкции и провели обучение команды перед запуском решения в работу.
Что изменилось для команды
  • Время на анализ тендерных предложений: с ~3 часов до ~45 минут на пакет.
  • Подготовка драфтов договоров: в 3 раза быстрее.
  • Количество пропусков и неточностей в документах: минус 37%.

Решение работает внутри периметра: шифрование на уровне хранения и передачи, разграничение доступа по ролям, аудиторский след всех действий ассистента. Обучение — на обезличенных корпоративных данных и утверждённых шаблонах.
Результат
Нами была сделана гибридная LLM-архитектура (GPT-4o/Claude 3.5 Sonnet под задачи), собственные векторные базы для поиска по документам, коннекторы к DMS/ERP и внутренним каталогам поставщиков.

Решение стало частью внутренней инфраструктуры, полностью соответствуя требованиям информационной безопасности и интегрируясь с уже используемыми системами.
Хочешь так же — только под свою задачу?
Оставь заявку и мы обсудим, как
автоматизировать рутину в твоем отделе.
Нажимая кнопку «Отправить», ты даёшь согласие на обработку Персональных данных