ИИ в закупках: что он умеет и где не поможет

Суть простыми словами

Представьте бухгалтера, который за минуту сверяет тысячу строк в накладной и никогда не устаёт к вечеру пятницы. Это не совсем то, что делает ИИ в закупках, но близко: программа читает документы одной закупки и ищет, где числа, коды и сроки не сходятся между собой.

Разница в том, кто именно считает. Большинство сервисов на рынке проверки закупок пишут, что «нейросеть анализирует документ» и «показывает процент уверенности» для каждого найденного нарушения. Мы считаем такой подход неправильным, когда речь о деньгах и законе. Арифметику — суммы, сверку кодов, соответствие количеств — должен считать обычный код с жёсткими правилами, как в бухгалтерской программе. Языковая модель — то есть программа, которая понимает смысл текста, а не только формулы, — подключается лишь там, где таблица распозналась плохо и её нужно восстановить.

Причина простая. Нейросети хорошо работают с текстом и плохо — с арифметикой: они подбирают правдоподобный ответ, а не пересчитывают его заново. В переписке с клиентом правдоподобный ответ — это нормально. В закупке, где сумма по этапам должна сойтись до рубля с обоснованием НМЦК, правдоподобного недостаточно — нужен верный.

Второе правило такое же важное: система не имеет права выдавать догадку за факт. Ошибкой считается только доказанное расхождение между документами. Если позиция или единица измерения не сопоставились уверенно — это не ошибка, а отдельный статус «требует проверки», и решение по нему принимает человек, а не программа.

Две разные задачи: сторона заказчика и сторона поставщика

Когда ищут «ИИ в закупках», в одной выдаче перемешиваются сервисы для двух ролей с противоположными задачами. Путаница между ними и рождает половину завышенных ожиданий: заказчик читает статью про подготовку заявки и не понимает, почему это не решает его задачу проверки документов, и наоборот.

Год к году денег в ИИ в России становится больше: рынок вырос до 316,1 млрд ₽ в 2025-м, это на 29,7% больше, чем годом раньше (AIANA, 2025). Закупки — одна из областей, куда эти деньги идут в первую очередь, потому что там легко посчитать эффект в часах и рублях.

Дальше в статье — только про сторону заказчика: как ИИ проверяет собственный комплект документов, прежде чем закупка уйдёт на публикацию. Если нужна вторая роль — подбор и рассылка запросов поставщикам, — это отдельная задача с другим устройством, и ей посвящена страница автоматизации закупок и поиска поставщиков.

Что ИИ реально делает в закупках

На стороне заказчика набор задач для ИИ довольно узкий и конкретный. Он не «анализирует закупку» вообще — он сверяет то, что уже написано в документах, между собой.

• Арифметика. Цена за единицу × количество = сумма строки, суммы строк = итог этапа, итоги этапов = обоснование НМЦК. Всё это должно сходиться по всему комплекту.
• Сверка коммерческих предложений с описанием объекта закупки и обоснованием НМЦК. Не только по цене — по позициям, единицам измерения и кодам.
• Коды и признаки. ОКПД2, КТРУ, признаки СМП и СОНКО — их легко перепутать вручную, когда в комплекте сотни строк.
• Сроки и адреса. Совпадение дат поставки и мест доставки между план-графиком, описанием объекта и контрактом.
• Отчёт с понятными статусами. Не список из тысячи строк, а перечень конкретных расхождений с указанием, в каких документах и на каких строках они найдены.

Это ровно то, что раньше делал человек с калькулятором и открытыми в соседних окнах документами, только быстрее и без усталости на третьем часу. Задачи, которые требуют не сверки, а суждения — разобран в разделе «где ИИ в закупках не поможет».

Как устроена проверка по шагам

Внутри — не одна программа, а конвейер из нескольких шагов, каждый со своей зоной ответственности.

1. Разбор документов. Файлы раскладываются на абзацы и таблицы с сохранением структуры: объединённых ячеек, многоуровневых заголовков, порядка блоков. Без этого таблица превращается в кашу из чисел.
2. Счёт по правилам. Арифметику и прямые сверки делает обычный код с жёсткими правилами — без места для догадки.
3. Модель — только на сложных местах. Если таблица распозналась плохо или позицию не удаётся сопоставить формальным совпадением, подключается языковая модель и восстанавливает недостающее. Результат модели не заменяет уже корректно извлечённые данные.
4. Статус по каждой позиции. «Ок», «ошибка» — только при доказанном расхождении, или «требует проверки» — когда сопоставление неуверенное.
5. Отчёт специалисту. Он открывает не весь комплект, а список конкретных расхождений и спорных позиций с уже подобранными вариантами.

Чтобы не путаться, кто за что в этой цепочке отвечает — таблица без технических терминов.

Ложные срабатывания: кто отвечает, если ИИ ошибся

Это вопрос, который редко обсуждают открыто, а зря — именно он решает, будут ли системой пользоваться после третьего отчёта. Ложное срабатывание — когда программа считает ошибкой то, что на деле ошибкой не является. Специалист открывает отчёт, видит десять «нарушений», разбирает их и обнаруживает, что восемь из них — не нарушения, а особенность формата документа. После двух таких отчётов доверие к системе падает быстрее, чем растёт от точных находок.

Часть рынка предлагает лечить это процедурой: перепроверять вывод ИИ ещё одним ИИ или экспертом и документировать каждое решение — на случай будущего спора. Это рабочий совет, но он лечит симптом, а не причину: программа продолжает угадывать, просто рядом появляется ещё одна проверка.

Здесь причина устранена по-другому — конструкцией, а не процедурой. Расхождение фиксируется как ошибка только тогда, когда оно доказано сопоставлением полей: цифры в двух документах буквально разные, а не «похоже, что разные». Всё, что не сопоставилось уверенно, получает статус «требует проверки» и не превращается в обвинение. Специалист видит подобранные варианты и сам решает, ошибка это или нет.

Ответственность при этом не размывается. Программа не подписывает закупку и не принимает решение — она сокращает время на поиск расхождений и показывает, где их искать. Итоговое решение, как и раньше, за специалистом и организацией: это его подпись под комплектом, а не подпись программы. Тот же принцип действует, если бы сверку делали в обычной таблице: за расчёт отвечает тот, кто его утвердил, а не программа, в которой он был сделан.

Кому не подойдёт ИИ в закупках

Честная граница экономит время лучше, чем список преимуществ, — если задача не подходит, дешевле узнать об этом сразу, а не после оплаты.

• Единичные закупки. Если закупок в год несколько, а не десятки и сотни, система не окупится: настройка и подключение стоят дороже, чем сэкономленные часы. Ручная сверка одного-двух комплектов дешевле.
• Документы не в электронном виде. Система работает с файлами — DOCX, таблицами, электронными формами. Сканы бумажных документов и рукописные пометки — отдельная и заметно более дорогая задача распознавания, и её нужно закладывать отдельно.
• Юридическая оценка, а не сверка. Вопрос «соответствует ли формулировка требованиям закона» — это суждение юриста, а не сопоставление чисел. Система сверяет документы между собой, а не с нормами 44-ФЗ или практикой ФАС.
• Комплекты без устойчивого формата. Если каждая закупка собирается по-своему, без повторяющейся структуры документов, автоматической сверке не за что зацепиться — придётся сначала навести порядок в шаблонах.
• Выбор поставщика. После сверки решение, с кем заключать контракт, всё равно принимает комиссия. Система не участвует в этом выборе и не должна.

Если хотя бы два пункта из списка — про вашу компанию, вернее не начинать с автоматической проверки, а сначала навести порядок в самих закупках.

Как это выглядит на практике

Мы строили такую систему для Минцифры — с самого начала на стороне заказчика, не поставщика. Через неё прошло более 500 закупок с момента интеграции. Проверка комплекта, которая раньше занимала пару недель, теперь занимает пару часов. 92% позиций система сопоставляет сама, оставшиеся 8% выносит специалисту — с уже подобранными аналогами, а не просто пометкой «ошибка». Система работает в промышленной эксплуатации, а не в режиме пилота, и развёрнута на серверах заказчика (наш проект для Минцифры, данные подтверждены заказчиком в 2026 году).

Полный разбор — что именно проверяется, как устроен разбор документов и где такие системы обычно ломаются — в кейсе «Проверка комплекта закупки: считает код, нейросеть только подстраховывает».

Сколько это стоит и сколько занимает

Цена зависит от того, нужен ли готовый контур на общих серверах или закрытое развёртывание на серверах самого заказчика — для госсектора и других чувствительных данных второе обычно обязательное условие (цены указаны на 2026 год).

Аудит засчитывается в стоимость внедрения, если решите продолжить. Подробнее про сам аудит и что на выходе — на странице консалтинга по внедрению ИИ. Если вы вообще ещё не пробовали внедрять ИИ в компании, разумнее начать не с этой задачи, а с общего плана — он разобран в статье «С чего начать внедрение ИИ, если раньше этим не занимались». Полное описание услуги, границы применимости и цены — на странице проверки закупочной документации.

Что нужно от вас

Технологии здесь не самый дефицитный ресурс. Дефицитный — время специалистов по закупкам и порядок в документах, и это нужно закладывать заранее.

Частые вопросы

Насколько точно ИИ проверяет закупочную документацию? Мы не считаем в процентах точности — эта цифра слишком легко вводит в заблуждение. В нашем прод-проекте для Минцифры 92% позиций система сопоставляет сама и уверенно, а оставшиеся 8% не считаются ошибкой — они выносятся специалисту с уже подобранными аналогами именно потому, что уверенности недостаточно (наш кейс для Минцифры, данные подтверждены заказчиком в 2026 году).

Заменит ли ИИ специалиста по закупкам? Нет. Система сверяет числа и коды, а решение по спорным случаям и подпись под комплектом остаются за человеком. Это не сокращение отдела, а снятие рутинной сверки с людей, которые и так перегружены.

Можно ли отдавать закупочные документы в облачный сервис, если в них чувствительные сведения? Для такой задачи есть закрытый вариант: система разворачивается прямо на серверах заказчика, документы не покидают его периметр. Именно так сделано у Минцифры — иначе проект был бы попросту невозможен.

Подойдёт ли это, если закупок немного — несколько в год? Скорее нет. Настройка под редкие закупки стоит дороже, чем время, которое она экономит. Честнее продолжать проверять такие комплекты вручную.

Чем это отличается от сервисов, которые ищут тендеры для поставщиков? Это другая задача и другой продукт. Проверка документации работает на стороне заказчика — до публикации закупки. Поиск тендеров и подготовка заявки — на стороне поставщика, уже после публикации. Мы описали разницу выше и отдельно — на странице поиска поставщиков.

Сколько времени занимает внедрение? От аудита до рабочей проверки — обычно от двух месяцев, если шаблоны документов уже устоялись. Закрытый контур на своих серверах занимает больше — от трёх месяцев, потому что добавляется развёртывание инфраструктуры.

Для технических специалистов

Конвейер разбит на независимые слои. Разбор документа — отдельный этап: DOCX раскладывается на абзацы, таблицы и порядок блоков, у таблиц сохраняются физические строки, объединённые ячейки и многоуровневые заголовки. Все последующие проверки работают поверх строгих схем данных, а не по сырому тексту, поэтому повторный разбор исходных файлов не требуется на каждом шаге.

Языковая модель получает не документ целиком, а только проблемный фрагмент или отдельную таблицу — это снижает и стоимость запроса, и риск того, что модель «дорисует» контекст, которого не видела. По каждому статусу — «ошибка» или «требует проверки» — сохраняется причина в машиночитаемом виде вместе с исходным ответом модели и артефактами разбора таблиц, чтобы спорный случай можно было разобрать построчно.

Модели используем как облачные — GigaChat, YandexGPT, OpenAI, Claude, — так и открытые, развёрнутые на сервере заказчика, когда нужен закрытый контур. Подключение к 1С обычно идёт через OData, к другим системам — через штатные протоколы обмена, без прямого доступа к базе клиента.