Агенты для тендеров: кто автоматизирует заявки на закупки

Подготовка заявки на госзакупку по 44-ФЗ или 223-ФЗ — это десятки страниц документации, техническое задание с требованиями к каждой позиции, декларации соответствия и жёсткие сроки, где опоздание на минуту означает отклонение. Именно этот класс задач за последний год начали закрывать ИИ-агенты¹: не чат-боты, отвечающие на вопросы, а системы, которые сами читают закупку, извлекают требования, заполняют формы и подсвечивают риски. Обещание звучит заманчиво — но с оговорками, которые важнее самого обещания.

Что именно делают агенты в тендерах

Классический тендерный процесс распадается на повторяющиеся операции: найти подходящую закупку, разобрать техзадание, проверить, проходит ли компания по требованиям, собрать пакет документов, подать заявку до дедлайна. Каждая из них поддаётся автоматизации по-разному.

• Поиск и фильтрация закупок. Агент мониторит площадки (ЕИС, коммерческие ЭТП) и отсеивает нерелевантное по ОКПД2, региону, сумме и требованиям к участнику. Это самая зрелая часть — по сути умный поиск с классификацией.
• Разбор документации. Извлечение из PDF и DOCX техзадания, критериев оценки, требований к обеспечению заявки. Здесь агент использует извлечение по документам², чтобы отвечать на вопросы «какое требование к опыту» ссылками на конкретный пункт, а не по памяти модели.
• Сборка заявки. Заполнение форм, подстановка реквизитов, генерация описательной части предложения и деклараций. Тут агент действует автономнее всего — и рискует ошибиться сильнее всего.
• Контроль сроков и статусов. Напоминания о дедлайнах подачи, запросах разъяснений, публикации протоколов. Простая, но дорогостоящая в случае сбоя функция.

Почему это не «нажал кнопку — подал заявку»

Заявка на закупку — юридически значимый документ. Ошибка в декларации соответствия или пропущенное требование техзадания ведёт к отклонению, а иногда и к попаданию в реестр недобросовестных поставщиков. Поэтому ни один вменяемый инструмент не подаёт заявку полностью без человека: агент готовит черновик и список рисков, а решение и подпись остаются за специалистом по закупкам.

Агент экономит не ответственность, а время на рутину. Ответственность за поданную заявку по-прежнему несёт участник закупки, а не языковая модель.

Вторая проблема — галлюцинации. Если модель «додумывает» пункт техзадания, которого нет, или неверно трактует критерий оценки, цена ошибки высока. Поэтому серьёзные решения строятся так, чтобы каждый вывод агента опирался на цитату из исходного документа, а не на общие знания модели. Без этого автоматизация превращается в генератор правдоподобных, но непроверяемых текстов.

Как устроены доступные решения

Рынок делится на три подхода, и выбор между ними — это выбор между скоростью внедрения, контролем над данными и стоимостью.

Цены на облачные LLM считаются за токены и меняются каждые несколько месяцев, поэтому конкретные цифры за 1000 токенов проверяйте на страницах тарифов провайдера, которого выбираете. Для оценки бюджета важнее не цена токена, а объём документации: один тендер на 60 страниц техзадания — это заметный расход контекста, а при потоке в сотни закупок в месяц счёт складывается быстро.

Кому это пригодится и кому нет

Пригодится

• Тендерным отделам с большим потоком. Если менеджер вручную просматривает сотни закупок в неделю, фильтрация и первичный разбор агентом высвобождают часы на анализ выгодных лотов.
• Компаниям с типовой номенклатурой. Когда требования из закупки в закупку похожи, агент хорошо переиспользует шаблоны заявок и деклараций.
• Тем, кто регулярно теряет заявки из-за сроков. Контроль дедлайнов и статусов — недорогая функция с прямой отдачей.

Не пригодится

• При единичных сложных тендерах. Если вы участвуете в двух-трёх уникальных закупках в год с нестандартным ТЗ, настройка агента не окупится — юрист разберёт документ быстрее.
• Там, где всё держится на переговорах и обеспечении. Финансовые модели, банковские гарантии, ценовые стратегии агент не решает — это зона человека.
• При работе с закрытыми закупками на чувствительных данных без права выгружать документацию во внешние сервисы — здесь только локальный контур, и порог входа высокий.

С чего начать пилот

1. Возьмите 20–30 реальных закупок, которые вы уже прошли, и проверьте, насколько точно агент извлекает из них требования и сроки. Это честнее любой демонстрации вендора.
2. Сравните вывод агента с тем, что сделал ваш специалист: где совпало, где агент придумал или пропустил пункт.
3. Начните с функций-помощников (поиск, разбор, напоминания), а не с автоподачи. Автономность добавляйте только там, где ошибка обратима.
4. Зафиксируйте, что финальную проверку и подпись всегда делает человек. Это не формальность, а защита от отклонения заявки.

¹ Агент — ИИ-система, которая не просто отвечает на запрос, а выполняет цепочку действий для достижения цели: сама решает, какой шаг сделать следующим, обращается к инструментам (поиск, парсинг документов, заполнение форм) и оценивает результат.

² Извлечение по документам (RAG, retrieval-augmented generation) — подход, при котором модель отвечает не «из головы», а находит релевантные фрагменты в загруженных документах и опирается на них. Снижает риск выдумывания и позволяет давать ссылку на конкретный пункт источника.