В закупках деньги чаще всего теряются не на выборе поставщика, а на сводной таблице, собранной в конце дня из пяти писем: цена без НДС сравнилась с ценой с НДС, доставка осталась в примечании, а счёт через месяц оплатили по цене выше договорной. AI в закупках полезен ровно на этом участке — там, где много разнородного текста и мало внимания: предложения в разных форматах, спецификации, условия, которые нигде не сведены. Я разберу, что имеет смысл отдавать модели — сравнение предложений, мониторинг тендеров, сверку счетов, — а что должно остаться за закупщиком, и как проверить эффект на своих закупках.
Сведение предложений — главная ручная работа, которую AI в закупках снимает
Пять поставщиков присылают пять писем в пяти форматах: у одного таблица в PDF, у другого текст в теле письма, у третьего вложенный Excel с собственной структурой. Свести это в сопоставимый вид — час работы, и делается он вручную каждый раз заново.
Здесь AI даёт прямой эффект: приводит предложения к одной таблице по позициям, ценам, срокам и условиям оплаты. Важная деталь — сводить нужно с указанием источника: рядом с каждым значением ссылка на место в исходном письме, иначе проверка сведённой таблицы займёт столько же, сколько ручное сведение.
Отдельная ценность — обнаружение того, чего нет. Модель хорошо замечает, что в предложении не указан срок поставки или что условия гарантии отличаются от запрошенных: человек на пятом письме такие пропуски пропускает.
Тендеры: модель читает предмет закупки, а не коды
Задача формулируется как «найти закупки, которые нам подходят» — и ломается на слове «подходят». Формальные фильтры по кодам классификации дают либо гору нерелевантного, либо пропуски: заказчики указывают коды неточно.
Модель работает не по кодам, а по описанию предмета закупки, и потому находит то, что фильтр пропускает. Практическая конструкция: широкий формальный фильтр на входе, дальше модель отсеивает нерелевантное и объясняет, почему считает закупку подходящей.
Проверка обязательна и здесь: критерий «подходит» стоит держать в виде списка ваших требований, а не в голове модели. Тогда её вывод проверяем, а не принимается на веру.
Сверка счёта с договором ловит потери, которые никто не ищет
Договор поставки подписан, условия зафиксированы — и дальше их никто не сверяет с реальностью, потому что для этого нужно каждый раз поднимать документ. Отсюда классические потери: поставка пришла позже согласованного срока, а претензию не выставили; цена в счёте выше договорной, а оплатили как есть.
Здесь автоматизация даёт быстрый и проверяемый эффект: система сверяет пришедший счёт или накладную с условиями договора и сообщает о расхождении. Это та же задача извлечения данных, что и в документообороте, только с добавленной сверкой.
Откуда берутся ошибки при сведении предложений вручную
Ошибки в закупках почти никогда не выглядят как ошибки. Это не опечатки, а несопоставимые величины, сведённые в одну таблицу так, будто они сопоставимы. Первая по частоте — единицы измерения: один поставщик даёт цену за тонну, другой за килограмм, третий за упаковку неуказанного веса.
Вторая — налог. У одного цена с НДС, у другого без, у третьего в примечании мелким шрифтом. Разница на всю ставку налога способна полностью перевернуть итог сравнения, а заметить её при ручном сведении пяти писем в конце рабочего дня легко не успеть.
Третья — условия, которых нет в таблице: срок поставки, стоимость доставки, минимальная партия, отсрочка платежа, штрафы за просрочку. Они лежат в теле письма или в приложении, и именно они чаще всего решают, какое предложение действительно дешевле. Задача модели здесь не «выбрать лучшее», а привести всё к одному виду и показать, где чего не хватает.
Формат исходника решает больше, чем модель
На качество разбора влияет не столько выбранная модель, сколько то, в каком виде до неё доехал документ. Текстовый PDF, из которого копируется текст, разбирается почти без потерь. Скан того же документа без текстового слоя — это картинка, и всё, что из неё извлекается, извлекается распознаванием со всеми его ошибками.
Отдельная беда — таблицы, вставленные картинкой, и таблицы со сложной структурой: объединённые ячейки, многоуровневые заголовки, сноски внизу страницы, относящиеся к строке в середине. Человек читает такую таблицу по смыслу, автоматика — по структуре, и там, где структура нарушена, она ошибается.
Практический вывод дешёвый и скучный: договоритесь с постоянными поставщиками о формате. Одна просьба присылать спецификацию отдельным файлом с текстом, а не сканом, снимает больше ошибок, чем смена модели.
Как проверять вывод, не перепроверяя всё
Перепроверять каждую строку сводки вручную бессмысленно — это возвращает ровно ту работу, которую вы убирали. Но и принимать сводку на веру нельзя. Компромисс строится на выборочной проверке по правилу крайних значений.
Проверяются три вещи. Самое дешёвое предложение — потому что аномально низкая цена чаще всего означает, что что-то не учтено. Самое дорогое — по той же причине с обратным знаком. И две-три случайные строки из середины, каждый раз новые.
Если за месяц выборочные проверки не находят расхождений, интервал можно увеличить. Если находят — важно не просто исправить строку, а понять, какой класс документов разбирается плохо, и починить именно его: обычно виноват один поставщик со своим форматом, а не система целиком.
Кто отвечает за решение по сводке
Автоматическая сводка меняет распределение ответственности незаметно и опасно. Пока сравнение делалось руками, закупщик отвечал за результат целиком. Когда таблицу готовит система, возникает соблазн считать, что за цифры отвечает она.
На практике это не работает ни юридически, ни организационно. Подпись под решением ставит человек, и объясняться за выбор поставщика тоже будет он. Поэтому сводка должна быть устроена так, чтобы её можно было проверить: рядом с каждым числом — ссылка на место в исходном документе, откуда оно взято.
Это же требование защищает от тихой деградации. Система, вывод которой невозможно сверить с источником, через полгода начинает приниматься на веру, и первая же ошибка обнаруживается на этапе поставки, а не на этапе выбора.
Выбор поставщика, благонадёжность, переписка: что остаётся за закупщиком
Три задачи я бы не отдавал модели, даже если технически она с ними справляется.
Автоматически выбирать поставщика. Решение опирается на то, чего нет в документах: репутация, история отношений, риски по конкретной компании, договорённости, которые нигде не записаны. Модель видит только текст предложения — этого недостаточно.
Оценивать благонадёжность по открытым данным без проверки. Соблазн понятен, но цена ошибки высока, а источники противоречивы. Модель может собрать сведения, вывод делает закупщик.
Вести переписку с поставщиками от лица компании без надзора. В закупках переписка имеет юридическое значение: обещание в письме может быть истолковано как согласование условий.
Когда автоматизация закупок не окупится
Модель в закупках полезна там, где много разнородных документов и мало времени на каждый. Если одно из этих условий не выполняется, дешевле обойтись без неё.
Она не нужна, если закупок в месяц немного, поставщики постоянные и присылают предложения в одном и том же виде: сводная таблица в этом случае собирается шаблоном в Excel, а сверка счёта с договором занимает минуты. Она не поможет, если договоры и счета не лежат в одном месте и их приходится искать по почте разных сотрудников: сначала нужен порядок в хранении, иначе системе нечего сверять. И рано внедрять, если в компании нет понятного списка требований к закупке — модель не придумает критерий «подходит» за вас, она только применит тот, что вы записали.
Моя оценка такая: первым участком почти всегда стоит брать сверку счетов с договорами, а не тендеры и не сравнение предложений. У неё самый проверяемый результат — найденное расхождение либо есть, либо нет, и его цена считается в рублях.
Три цифры, по которым виден эффект в закупках
Полезно измерять три вещи, а не «удовлетворённость процессом»: время на сведение предложений по одной закупке, доля закупок, где обнаружено расхождение счёта с договором, и доля релевантных тендеров среди отобранных. Все три считаются просто и меняются в первые же недели — в отличие от абстрактной «эффективности закупок».
Точку отсчёта стоит снять до запуска, иначе через месяц сравнивать будет не с чем. Возьмите закупки за прошлый месяц: засеките, сколько заняло сведение предложений по нескольким из них, и вручную сверьте выборку оплаченных счетов с договорами. Если расхождений не нашлось ни одного, автоматизация сверки у вас не окупится, и это полезный вывод. Если нашлись — их сумма и есть первая оценка того, сколько стоит проблема.
Что проверить на своих закупках за две недели
Главное, что меняет этот разбор, — порядок решения. Не «внедрить AI в закупки», а выбрать один участок, где есть измеримая потеря, снять по нему цифру и проверить модель на своих документах: реальных письмах поставщиков, реальных счетах, реальных сканах, со всеми их форматами. Демонстрация на аккуратных примерах подрядчика ничего не скажет о том, как система прочтёт спецификацию вашего главного поставщика.
Так мы в 404ai и ведём пилоты: цель, метрика, проверка на данных клиента и заранее оговорённое условие остановки, если метрика не двигается, — подробнее на странице о подходе. Как модель находит нужный пункт в договоре и почему иногда ошибается — в статье о том, как AI находит ответ в документах.
